Dirbtinis intelektas (DI) nuolat tobulėja, ir su technologijų pažanga tyrėjai nustato esamų metodų ribas. „DeepMind” DI tyrimų laboratorijos, priklausančios „Google”, generalinis direktorius Demis Hassabis pabrėžė būtinybę padaryti esminį proveržį DI tyrimuose siekiant pasiekti „kitą lygį” DI galimybių. Tradiciniai metodai, tokie kaip gilusis mokymasis ir generatyvūs kalbų modeliai, reikalauja didelių išteklių ir laiko, kad būtų galima gauti naudingus rezultatus. Siekiant įveikti šiuos iššūkius, buvęs „Tesla” inžinierius George’as Morganas įkūrė startuolį, vadinamą „Symbolica AI”.
Morganas suprato dirbdamas „Tesla”, kad didinant skaičiavimo galios mastą, kuris dažnai yra pagrindinis sprendimo būdas DI tyrimuose, nėra tvarus ilgalaikis požiūris. Vietoj to „Symbolica AI” siekia sukurti naujus modelius, kurie galėtų pasiekti didesnį tikslumą su mažesniais duomenų reikalavimais, sumažintu mokymo laiku ir mažesnimis išlaidomis. Šie modeliai, vadinami struktūrizuotuoju DI, sutelkia dėmesį į duomenų pagrindinės struktūros kodavimą, o ne vien dalijantis masiniais duomenų rinkiniais.
Simbolinis intelektas, esantis struktūrizuotų modelių pagrindas, egzistuoja jau dešimtmečius ir grindžiamas idėja atstovauti žinių simboliais ir taisyklių rinkiniais. Skirtingai nei neuroniniai tinklai, kurie remiasi statistine priartinimo ir mokymusi iš pavyzdžių, simbolinis intelektas yra pagrįstas taisyklės, manipuliuojančios simboliais, kad išspręstų konkretų uždavinį. Morganas teigia, kad simbolinis intelektas suteikia kelias privalumus, įskaitant didesnį patikimumą, skaidrumą ir paaiškinamumą.
„Symbolica AI” sukūrė įrankių rinkinį kuriant simbolinio intelekto modelius, specialiai skirtus uždaviniams, tokiems kaip kodo generavimas ir matematinės teoremos įrodymas. Įmonės 16 žmonių komanda sunkiai dirba, kad teiktų išankstinius modelius šiems uždaviniams. Nors tikslus verslo modelis dar nustatomas, „Symbolica AI” planuoja teikti konsultacines paslaugas ir paramą įmonėms, besidomintiems kurti įvairias programas, naudojant jų technologiją.
„Symbolica AI” neseniai išėjo iš paslėpto režimo, gavęs 33 milijonų dolerių investiciją, kurios vadovas buvo „Khosla Ventures”, ir kitų pastebimų investuotojų. Vinodas Khosla, „Khosla Ventures” įkūrėjas, mano, kad „Symbolica AI” sprendžia kritines problemas DI pramonėje ir suformavęs labai įgūdžingą komandą.
Tačiau dėl simbolinio intelekto veiksmingumo skiriasi nuomonės. Kritikai tvirtina, kad simboliniai intelekto modeliai sunkiai remiasi gerai apibrėžta ir struktūrizuota informacija, todėl jie linkę į trapumą ir konteksto priklausomybę. Būtinas žinių apibrėžimas simbolinio intelekto modeliams taip pat gali būti darbo intensyvus procesas. Nepaisant to, kai kurie mato potencialą derinant gilųjį mokymą ir simbolinius požiūrius.
Morganas yra įsitikinęs, kad „Symbolica AI” struktūrizuotų DI modeliai siūlo perspektyvų alternatyvą esamiems mokymo būdams. Kadangi DI paklausa toliau auga, „Symbolica AI” mato save strategiškai paruoštą ateičiai. Su įsitikinimu dėl finansavimo ir santykinai mažesnių bei ekonomiškesnių modelių, „Symbolica AI” siekia patenkinti įmonių poreikius, norinčių išnaudoti DI įvairiems tikslams.
DUK:
Kas yra struktūrizuotas intelektas?
Struktūrizuotas intelektas, taip pat vadinamas simboline intelektu, yra dirbtinio intelekto šaka, kuri sutelkia dėmesį į duomenų pagrindinės struktūros kodavimą naudojant simbolius ir taisykles. Skirtingai nei neuroniniai tinklai, kurie remiasi statistiniu priartinimu, struktūrizuotas intelektas sprendžia uždavinius per simbolių manipuliavimą ir taisyklių rinkinius, skirtus tam tikriems darbams atlikti.
Kuo „Symbolica AI” skiriasi nuo tradicinių intelekto požiūrių?
„Symbolica AI” siekia sukurti naujus modelius, kurie pasiekia didesnį tikslumą su mažesniais duomenų reikalavimais, sumažintu mokymo laiku ir mažesnėmis išlaidomis. Tradiciniai intelekto požiūriai dažnai susiję su didinant skaičiavimo galią, bet „Symbolica AI” mano, kad duomenų struktūros kodavimas siūlo tvarias ir efektyvias sprendimus.
Kokios galimos „Symbolica AI” struktūrizuoto sprendimo galimybės?
„Symbolica AI” struktūrizuoto sprendimo galimybės turi milžinišką komercinį pritaikymą, ypač kodo generavime. Aptarinėjant didelius kodus ir generuojant naudingą kodą, „Symbolica AI” siūlo alternatyvą esamoms paslaugoms, kurios šioje srityje gali pasitarnauti nepakankamai.
Kas yra „Symbolica AI” investuotojai?
„Symbolica AI” gavo 33 milijonų dolerių investiciją, kurios vadovavo „Khosla Ventures”, kartu dalyvavo investuotojai, tokiu kaip „Abstract Ventures”, „Buckley Ventures”, „Day One Ventures” ir „General Catalyst”.
Šaltinis:
– TechCrunch
Papildoma informacija apie pramonę, rinkos prognozes ir su pramone ar produktais susijusias problemas:
Dirbtinio intelekto (DI) pramonė pastaraisiais metais patyrė ženklų augimą, turintį įvairių sektorių taikymus. Remiantis „Grand View Research” ataskaita, pasaulinė DI rinka 2020 m. buvo vertinama 62,35 mlrd. JAV dolerių ir prognozuojama, kad iki 2028 m. ji augs 42,2% metiniu tempu. Šį augimą skatina veiksniai, tokiu kaip DI technologijos vis plačiau naudojimas tokiuose sektoriuose kaip sveikatos apsauga, finansai ir automobiliai, taip pat pažanga mašininio mokymosi algoritmų ir natūraliųjų kalbų apdorojimo srityse.
Tačiau nepaisant pažangos DI tyrimuose, vis dar yra iššūkių ir apribojimų, kuriuos reikia spręsti. Vienas pagrindinių klausimų yra didelis priklausomybės nuo didelių duomenų rinkinių reikalavimas gilaus mokymosi modeliams. Didelio duomenų kiekio poreikis gali būti kliūtis, ypač sritims, kur duomenų rinkimas yra sudėtingas ar ribotas. „Symbolica AI” fokusas į struktūrizuotų AI modelių kūrimą, kurie reikalauja mažesnių duomenų reikalavimų, galėtų padėti įveikti šią kliūtį ir padaryti DI prieinamesnį įvairiems taikymams.
Kitas iššūkis DI pramonėje yra pasitikėjimo ir paaiškinamumo stoka DI sistemose. Gilusis mokymasis dažnai veikia kaip „juoda dėžė”, todėl sunku suprasti, kaip buvo pasiektas tam tikras sprendimas ar prognozė. Simboliniai AI, skiriantys dėmesį taisyklių rinkiniams ir simbolių manipuliavimui, siūlo potencialių privalumų patikimumo, skaidrumo ir paaiškinamumo prasme. Tai galėtų būti ypatingai svarbu jautriose srityse, tokiomis kaip sveikatos apsauga ar finansai, kur pasitikėjimas ir aiškinamumas yra esminiai.
Giliųjų mokymosi ir simbolinių AI požiūrių derinys taip pat turi potencialą įveikti abiejų metodų ribas. Gilusis mokymasis išsiskiria rašto atpažinimo ir netvarkingų duomenų tvarkymo srityse, tuo tarpu simbolinis AI suteikia loginį ir dedukcinį požiūrį. Integruojant šiuos du požiūrius, DI tyrėjai ir kūrėjai galėtų sukurti tvirtesnius ir lankstesnius AI modelius, galinčius tvarkyti platesnio spektro uždavinius ir duomenų tipus.
Apskritai DI pramonė toliau evoliucionuoja, su tyrėjais ir startuoliais, tokiais kaip „Symbolica AI”, išjudinančiais galimybių ribas. Technologijos pažengus ir atlikus naujus proveržius, DI potencialas transformuoti pramonę ir padaryti esminį pokytį.
The source of the article is from the blog karacasanime.com.ve