В прошлой статье (ссылка на статью) мы рассмотрели два возможных подхода к построению интеллектуальных систем и искусственных разумных существ. Мы обсудили ограничения, которые, на наш взгляд, связаны с развитием ИИ, основанного исключительно на производстве огромных нейронных сетей. Сегодня мы подробно рассмотрим несколько иной подход к разработке ИИ, который мы считаем более надежным и точным.
Вся совокупность информации, в том числе медицинских знаний, накопленная людьми, представлена в символической форме. Мы не будем углубляться в формальности представления знаний, так как это не имеет решающего значения для текущего обсуждения. Главное в том, что логика манипулирования символами прокладывает путь к рассуждениям. Этот подход принципиально отличается от нейронных сетей, какими бы глубокими они ни были. Вполне вероятно, что логика манипулирования символами может зародиться где-то глубоко в нейронной сети, но у нас нет возможности узнать об этом из-за отсутствия формализованной интерпретации нейронных сетей. В то же время у нас есть много формальных описаний обработки логических символов; математика дает нам много инструментов для этой работы.
Символический подход к ИИ был несправедливо отброшен. Вероятнее всего, это связано с некоторыми ранними разочарованиями в подходе из-за того, что естественный язык, наиболее развитая символическая система, используемая человечеством, очень сложен и с трудом поддается формализации. Неоднозначные формулировки, неточные утверждения, неопределенность в измерениях — все это крайне затрудняет принятие решений на основе символов. И хотя людям каким-то образом удается все это делать, несмотря на неопределенные, неполные и даже противоречивые поступающие данные, для компьютера это очень сложная задача. Но это возможно.
Основная проблема символического подхода состоит в быстром «комбинаторном взрыве» при попытках разгадать семантику обрабатываемых формул. Большое количество синонимов, неопределенные лингвистические переменные и частично определенные шкалы отпугивают экспертов и угнетают инженеров по знаниям. Чтобы создать базу данных знаний для обычной проблемной области, нужно было либо зарегистрировать тысячи правил для всех намерений и целей, либо репрезентативную абстракцию нужно было усилить до такой степени, что она стала неадекватной для рассматриваемой проблемы. Хорошим примером этого является база данных для идентификации заболеваний на основе общего анализа крови. База знаний содержит более 1000 постановок, но все же не может охватить все возможные случаи, возникающие в реальной жизни.
Однако сегодня эти проблемы решаемы. Тот же прирост вычислительной мощности, который возродил структурный метод, может помочь возродить символический подход к ИИ. Возьмем в качестве примера здравоохранение. Эта область предлагает отличные возможности для современных современных подходов к представлению и обработке символьной информации. Существует огромное количество знаний в области медицины, фармакологии, генетики и других смежных областях. Большая часть этих знаний либо уже формализована, либо легко может быть таковой. Новая задача состоит в том, чтобы построить нормальный механизм логического вывода, который мог бы справиться с «комбинаторным взрывом».
Символический подход к ИИ и системам поддержки принятия решений помогает решить центральную проблему структурного подхода (нейронные сети): интерпретацию результатов. Структурированные формализованные знания и основанные на них выводы позволяют пошагово объяснить, как были получены те или иные результаты. Это важный момент в здравоохранении, поскольку он предоставляет инструмент для перепроверки рекомендаций экспертов, а также позволяет пациенту или лицу, осуществляющему уход, понять, что рекомендуется. Все остальные аспекты структурного подхода доступны и в символическом подходе.
Используя эту информацию, мы начали разработку собственной системы поддержки принятия медицинских решений. Его ядро основано на символическом подходе и синтаксическом манипулировании символами. При этом его архитектура спроектирована таким образом, что СПР может принимать различные проблемные входы (назовем их «картриджами») и осевые модули, в том числе основанные на различных технологиях ИИ — нейронных сетях, машинном обучении и т. д. См. рис. №1.
Этот DSS предназначен для получения «второго мнения» по данному диагнозу или назначенному плану лечения. Уже существуют три картриджа: эпилепсия, гипертония и болезни сердца. Разрабатываются новые модули и модели обработки поступающих данных. Эти данные можно получить вручную от пользователя, загрузить с портативных устройств или получить через интеграцию с лабораторией. DSS предложит рекомендации относительно данного диагноза и назначенного лечения. У него либо не будет возражений, либо он представит хорошо аргументированный аргумент относительно того, какие аспекты можно обсудить.
Приглашаем всех желающих следить за нашим проектом. Мы предлагаем регулярные обновления наших исследований с описаниями результатов и достижений.
В заключение хотелось бы сказать, что рождение искусственного интеллекта, скорее всего, произойдет где-то на стыке обоих подходов. Крайне маловероятно, что в ближайшем будущем человечество сможет воспроизвести человеческую нервную систему in silico, поскольку она бесконечно сложна. Более вероятно вырастить биологическую нейронную сеть, чем найти вычислительную мощность, достаточную для ее моделирования. Однако подход нейронных сетей может дать основные необходимые инструменты для начальной обработки и коммутации данных, поступающих от разных датчиков, в систему управления и принятия решений, являющуюся частью ИИ. Символический подход будет использоваться внутри, в виде универсального механизма вывода. Такое сближение двух технологий, наконец, даст шанс осуществить извечную мечту человека. Вот как я это вижу.