U veštačkoj inteligenciji, simbolička veštačka inteligencija (takođe poznata kao klasična veštačka inteligencija ili veštačka inteligencija zasnovana na logici) je termin za kolekciju svih metoda u istraživanju veštačke inteligencije koje se zasnivaju na simboličkim (ljudski-čitljivim) reprezentacijama visokog nivoa za probleme, logiku i pretrage. Simbolička VI je koristila alate kao što su logičko programiranje, proizvodna pravila, semantičke mreže i okviri, i razvijala je aplikacije kao što su sistemi zasnovani na znanju (posebno ekspertni sistemi), simbolička matematika, automatizovani dokazi teorema, ontologije, semantička mreža i automatizovani sistemi planiranja i rasporeda. Simbolička VI paradigma je dovela do seminalnih ideja u pretrazi, simboličkim programskim jezicima, agentima, sistemima sa više agenata, semantičkom vebu, kao i prednostima i ograničenjima formalnog znanja i sistema rasuđivanja.
Simbolička VI je bila dominantna paradigma istraživanja VI od sredine 1950-ih do sredine 1990-ih. Istraživači su tokom 1960-ih i 1970-ih bili ubeđeni da će simbolički pristupi na kraju uspeti da stvore mašinu sa veštačkom opštom inteligencijom i smatrali su to krajnjim ciljem svog polja. Rani procvat, sa ranim uspesima, kao što su Teoretičar logike i Samjuelov program za igranje dama, doveo je do nerealnih očekivanja i obećanja. Zatim je usledila prva zima veštačke inteligencije pošto je finansiranje prestalo. Drugi procvat (1969–1986) dogodio se sa usponom ekspertskih sistema, njihovim obećanjem da će steći korporativnu ekspertizu i entuzijastičnom korporativnom potporom. Taj bum i neki rani uspesi, na primer, sa XCON-om na DEC-u, ponovo su praćeni kasnijim razočarenjem. Pojavili su se problemi sa poteškoćama u sticanju znanja, održavanjem velike baze znanja i krhkosti u rešavanju problema van domena. Usledila je još jedna, druga VI zima (1988–2011). Nakon toga, istraživači veštačke inteligencije su se fokusirali na rešavanje osnovnih problema u rešavanju neizvesnosti i sticanju znanja. Neizvesnost je adresirana formalnim metodama kao što su skriveni Markovljevi modeli, Bajesovo rezonovanje i statističko relaciono učenje. Simboličko mašinsko učenje se bavilo problemom sticanja znanja putem doprinosa kao što su prostor verzija, Valijantovo PAC učenje, Kvinlanovo ID3 učenje na stablu odluka, učenje zasnovano na slučajevima i induktivno logičko programiranje za učenje odnosa.
Neuronske mreže, podsimbolički pristup, su korišćene od ranih dana i ponovo su se snažno pojavile 2012. Rani primeri su Rozenblatov rad na učenju perceptrona, rad na bekpropagaciji Ramelharta, Hintona i Vilijamsa, i rad na konvolucionim neuronskim mrežama Lekuna i saradinka iz 1989. godine. Međutim, na neuronske mreže se nije gledalo kao na uspešne sve do 2012: „Dok velike količine podataka nisu postale uobičajene, opšti konsenzus u VI zajednici je bio da je takozvani pristup neuronske mreže beznadežan. Sistemi jednostavno nisu adekvatno funkcionisali, u poređenju sa drugim metodama ... Revolucija je nastupila 2012. godine, kada su brojni istraživači, uključujući tim istraživača koji su radili sa Hintonom, razradili način da iskoriste prednosti GPU-a za enormno povećanje snage neuronskih mreža.“ Tokom narednih nekoliko godina, duboko učenje je imalo spektakularan uspeh u rukovanju vidom, prepoznavanju govora, sintezi govora, generisanju slika i mašinskom prevođenju. Međutim, od 2020. godine, pošto su inherentne poteškoće sa pristrasnošću, objašnjivošću, razumljivosti i robusnosti postali očigledniji sa pristupima dubokog učenja, sve veći broj istraživača veštačke inteligencije poziva na kombinovanje najboljeg od oba pristupa, simboličkih i neuronskih mreža i rešavanje poteškoća sa kojima oba pristupa imaju poteškoća, kao što je zdravorazumsko rezonovanje.
Reference
Literatura
.
Категорија:Вештачка интелигенција