La inteligencia artificial neurosimbólica (IA NeSy) es un campo en rápida evolución que busca combinar las capacidades perceptivas de las redes neuronales con las fortalezas del razonamiento lógico de los sistemas simbólicos. Este enfoque híbrido está diseñado para abordar tareas complejas que requieren tanto el reconocimiento de patrones como el razonamiento deductivo. Los sistemas NeSy tienen como objetivo crear modelos de IA más robustos y generalizables mediante la integración de componentes neuronales y simbólicos. A pesar de los datos limitados, estos modelos están mejor equipados para manejar la incertidumbre, tomar decisiones informadas y funcionar de manera eficaz. El campo representa un avance significativo en la IA, con el objetivo de superar las limitaciones de los enfoques puramente neuronales o puramente simbólicos.
Uno de los principales desafíos que enfrenta el desarrollo de la IA NeSy es la complejidad que implica el aprendizaje a partir de los datos cuando se combinan componentes neuronales y simbólicos. En concreto, la integración de las señales de aprendizaje de la red neuronal con el componente lógico simbólico es una tarea difícil. Los métodos de aprendizaje tradicionales en los sistemas NeSy suelen basarse en una inferencia lógica probabilística exacta, que es computacionalmente costosa y necesita escalarse mejor a sistemas más complejos o de mayor tamaño. Esta limitación ha obstaculizado la aplicación generalizada de los sistemas NeSy, ya que las demandas computacionales los hacen poco prácticos para muchos problemas del mundo real donde la escalabilidad y la eficiencia son fundamentales.
Existen varios métodos que intentan abordar este desafío de aprendizaje en los sistemas NeSy, cada uno con sus limitaciones. Por ejemplo, las técnicas de compilación de conocimiento proporcionan una propagación exacta de las señales de aprendizaje, pero necesitan una mejor escalabilidad, lo que las hace poco prácticas para sistemas más grandes. Los métodos de aproximación, como las soluciones k-best o el marco A-NeSI, ofrecen enfoques alternativos al simplificar el proceso de inferencia. Sin embargo, estos métodos a menudo introducen sesgos o requieren una optimización extensa y un ajuste de hiperparámetros, lo que da como resultado tiempos de entrenamiento prolongados y una aplicabilidad reducida a tareas complejas. Además, estos enfoques generalmente necesitan garantías más sólidas de la precisión de sus aproximaciones, lo que genera inquietudes sobre la confiabilidad de sus resultados.
Investigadores de la KU Leuven han desarrollado un nuevo método conocido como EXPLICAR, CONCORDAR, APRENDER (EXAL)Este método está diseñado específicamente para mejorar la escalabilidad y la eficiencia del aprendizaje en sistemas NeSy. El marco EXAL introduce un objetivo basado en muestreo que permite un aprendizaje más eficiente y, al mismo tiempo, proporciona garantías teóricas sólidas sobre el error de aproximación. Estas garantías son cruciales para asegurar que las predicciones del sistema sigan siendo confiables incluso cuando aumenta la complejidad de las tareas. Al optimizar un objetivo sustituto que se aproxima a la probabilidad de los datos, EXAL aborda los problemas de escalabilidad que afectan a otros métodos.
El método EXAL implica tres pasos clave:
En el primer paso, el algoritmo EXPLAIN genera muestras de posibles explicaciones para los datos observados. Estas explicaciones representan diferentes asignaciones lógicas que podrían satisfacer los requisitos del componente simbólico. Por ejemplo, en un escenario de un automóvil autónomo, EXPLAIN podría generar múltiples explicaciones de por qué el automóvil debería frenar, como detectar un peatón o una luz roja. El segundo paso, AGREE, implica volver a ponderar estas explicaciones en función de su probabilidad de acuerdo con las predicciones de la red neuronal. Este paso garantiza que se le dé más importancia a las explicaciones más plausibles, lo que mejora el proceso de aprendizaje. Finalmente, en el paso LEARN, estas explicaciones ponderadas se utilizan para actualizar los parámetros de la red neuronal a través de un enfoque tradicional de descenso de gradiente. Este proceso permite que la red aprenda de manera más efectiva a partir de los datos sin necesidad de una inferencia probabilística exacta.
El rendimiento del método EXAL se ha validado mediante experimentos exhaustivos en dos tareas NeSy importantes:
- Adición del MNIST
- Búsqueda de rutas en Warcraft
En la tarea de suma MNIST, que implica sumar secuencias de dígitos representados por imágenes, EXAL logró una precisión de prueba del 96,40 % para secuencias de dos dígitos y del 93,81 % para secuencias de cuatro dígitos. Cabe destacar que EXAL superó al método A-NeSI, que logró una precisión del 95,96 % para dos dígitos y del 91,65 % para cuatro dígitos. EXAL demostró una escalabilidad superior, manteniendo una precisión competitiva del 92,56 % para secuencias de 15 dígitos, mientras que A-NeSI tuvo dificultades con una precisión significativamente menor del 73,27 %. En la tarea de búsqueda de rutas de Warcraft, que requiere encontrar el camino más corto en una cuadrícula, EXAL logró una precisión impresionante del 98,96 % en una cuadrícula de 12 × 12 y del 80,85 % en una cuadrícula de 30 × 30, superando significativamente a otros métodos NeSy en términos de precisión y tiempo de aprendizaje.
En conclusión, el método EXAL aborda los desafíos de escalabilidad y eficiencia que han limitado la aplicación de los sistemas NeSy. Al aprovechar un enfoque basado en muestreo con sólidas garantías teóricas, EXAL mejora la precisión y la confiabilidad de los modelos NeSy y reduce significativamente el tiempo necesario para el aprendizaje. EXAL es una solución prometedora para muchas tareas complejas de IA, en particular datos a gran escala y razonamiento simbólico. El éxito de EXAL en tareas como la suma de MNIST y la búsqueda de rutas de Warcraft subraya su potencial para convertirse en un enfoque estándar en el desarrollo de sistemas de IA de próxima generación.
Echa un vistazo a la Papel. Todo el crédito por esta investigación corresponde a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de Telegram y LinkedIn Gr¡Arriba!. Si te gusta nuestro trabajo, te encantará nuestro hoja informativa..
No olvides unirte a nuestro Subreddit de más de 48 000 millones de usuarios
Encuentra lo próximo Seminarios web sobre IA aquí
Asif Razzaq es el director ejecutivo de Marktechpost Media Inc. Como ingeniero y emprendedor visionario, Asif está comprometido con aprovechar el potencial de la inteligencia artificial para el bien social. Su iniciativa más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, Marktechpost, que se destaca por su cobertura en profundidad de noticias sobre aprendizaje automático y aprendizaje profundo que es técnicamente sólida y fácilmente comprensible para una amplia audiencia. La plataforma cuenta con más de 2 millones de visitas mensuales, lo que ilustra su popularidad entre el público.
