ナレッジベースは現在どのような役割を果たしており、今後どのような役割を果たすのでしょうか?


13

現在、人工知能は機械学習、特にディープラーニングとほぼ同等のようです。この分野では、ディープラーニングが、従来は機能エンジニアリングにとって非常に重要だった人間の専門家に取って代わると言っている人もいます。ディープラーニングの台頭は、一方では神経科学と神経可塑性という2つのブレークスルーによって支えられたと言われています特に、高度に可塑的な人間の脳のように、人工ネットワークを使用してほぼすべての機能をモデル化できることがわかります。一方、計算能力の向上、特にGPUとFPGAの導入により、アルゴリズムインテリジェンスが格段に向上し、数十年前に作成されたモデルが非常に強力で多用途になりました。過去数年間に蓄積されたビッグデータ(ほとんどはラベル付けされたデータ)も関連していると付け加えます。

このような開発はコンピュータービジョン(および音声認識)を新しい時代にもたらしますが、自然言語処理とエキスパートシステムでは、状況はそれほど変わっていないようです。

ニューラルネットワークの常識を達成するのは難しいように見えますが、ほとんどの文章、会話、短いテキストには、背景世界の知識から引き出されるべき推論が含まれています。したがって、知識グラフ化は人工知能にとって非常に重要です。ニューラルネットワークは知識ベースの構築に利用できますが、ニューラルネットワークモデルはこれらの構築された知識ベースを利用するのが難しいようです。

私の質問は:

  • 1)ナレッジベース(たとえば、Googleによって作成された「ナレッジグラフ」)は、AIの有望なブランチですか?もしそうなら、KBはどのように機械学習を強化できますか?そして、自然言語の生成にどのように役立つのでしょうか?

  • 2)DLが支配的な時代の生存のために、知識ベース(または包括的な用語のシンボリックアプローチ)の方向はどこにありますか?あるヴォルフラム様のzダイナミックな知識ベースは、新たな方向性?または新しい方向性はありますか?

「知識ベース」または「知識グラフ」として質問にタグ付けできなかったため、ここで適切な質問をしていることを願っています。

基本的な何か、またはこれらの問題に対処するアイデアがありませんか?


私は、かつてAI製品を販売していた大手IT企業で働いていました。ニューラルネットワークアプローチの問題は、セイごとの知識ベースがないことです。したがって、なんらかのルールがなければ、ニューラルネットワークが「なぜ」を説明することは不可能です。ニューラルネットワークをトレーニングし、ネットワークを複製するルールを定式化すると、そのような答えが得られます。しかし、現在そのような動作が可能な機械学習の形式はありません。
MaxW

うん。私たちの会社では、NNのみがサポートするchitchatボットは非常に愚かです。
ラーナーチャン

科学的に、1つは完全に自分自身の概念を困難にします!
キンツムニア

私はこの論文を見つけました:arxiv.org/abs/1702.01932
Lerner Zhang

@lernerは紙の推薦に感謝します。
セス・シンバ

回答:


4

まず、主に「データサイエンス」ではなく「AI」に重点を置いている場合に、ナレッジベースと(ディープ)機械学習の主な違いを指摘します。

  • NNはブラックボックスのようなものです。彼らがデータセットを学習し、問題領域で一般化の力を得たとしても、それらがどのように機能するかは決してわかりません。開発したモデルの詳細を精査すると、表示されるのは、数字、重み、弱い接続と強い接続、および変換関数のみです。トレーニング段階の前の「特徴抽出」ステップは文字通りあなたに言います:「人間よ、あなたの複雑な世界で十分です、ゼロと1を始めましょう」。DLの場合、さらに悪いことです!選択された効果的な機能が何であるかさえわかりません。私はDLの専門家ではありませんが、私が知っている限りでは、DLのブラックボックスは暗いです!しかし、知識ベースは人間に優しい言語で書かれています。知識の蓄積段階の後、エンティティ間のすべての接続を確認できました。さらに重要なのは、これらの接続を解釈できます。知識ベースでワイヤを切断すると、モデルのパワーがわずかに失われ、モデルが何を失うかが正確にわかります。たとえば、「太陽系」ノードから「Pluto」ノードを切断すると、deGrasse Tysonが言ったことをモデルに伝えることができます。しかし、MLモデルでは、これは純粋に役に立たないものに変わる可能性があります。どの惑星が太陽系に属するかを予測するために使用されるNNモデルのニューロン番号14と47の間の接続を操作するとどうなりますか?!

  • MLモデルは、単なるデータの碑文です。彼らは推論の力を持っていないし、あなたに1つを与えません。一方、知識ベースは、質問で示したように、事前知識から推論することができます。画像分類データなどでトレーニングされたDLモデルは、音声検出問題にも適用できることが示されています。しかし、これは、DLモデルが画像の領域での事前知識を音声の領域に適用できることを意味しません。

  • 従来のMLアルゴリズムには数キロのデータが必要で、DLアルゴリズムには大量のデータが必要です。しかし、データセットの単一のインスタンスは、意味のある知識ベースを作成します。

NLPには、機械翻訳と質問応答の2つの主要な研究トピックがあります。実際には、DLは機械翻訳の問題を大幅に処理することが示されていますが、特に人間と機械の会話で扱われるトピックの領域が広い場合は、質問への回答の質問で愚かな行為をします。知識ベースは機械翻訳には適していませんが、おそらく高貴な質問応答マシンの鍵です。機械翻訳で重要なのはテキストの翻訳版だけであるため(そして、それが真実である限り、機械がどのようにそれを行うかは気にしません)、問題に答える質問では、私はオウムを必要としません私が彼に与えたのと同じ情報を繰り返しますが、私は彼に「リンゴは果物です」と「


すべての果物は、比phor的でない限り、「自分の労働の」果物のように、食用です。(もう一度、「おいしい」スタック回答を
貪り
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.