هوش مصنوعی نمادین یا Symbolic AI زیرشاخه‌ای از هوش مصنوعی است که به‌جای داده‌های عددی، بر پردازش و دستکاری نمادها یا مفاهیم تمرکز می‌کند. هدف از هوش مصنوعی نمادین ساختن سیستم‌های هوشمندی است که می‌توانند با بازنمایی و دستکاری دانش و استدلال براساس قوانین منطقی، مانند انسان‌ها استدلال کنند و فکر کنند.
هوش مصنوعی نمادین یا Symbolic AI چیست؟
الگوریتم‌های Symbolic AI با پردازش نمادها کار می‌کنند که اشیا یا مفاهیم موجود در جهان و روابط آن‌ها را نشان می‌دهند. رویکرد اصلی در هوش مصنوعی نمادین استفاده از برنامه‌نویسی مبتنی بر منطق است که در آن از قوانین و بدیهیات برای استنتاج استفاده می‌شود.
فرض کنید یک سیستم هوش مصنوعی نمادین داریم که برای تشخیص شرایط پزشکی بر اساس علائم گزارش‌شده ازسوی بیمار طراحی شده است. این سیستم مجموعه‌ای از قوانین و بدیهیات دارد که از آن‌ها برای استنباط درمورد وضعیت بیمار استفاده می‌کند.
برای مثال، اگر بیمار گزارش کند که تب دارد، سیستم ممکن است از این قانون استفاده کند:
اگر بیمار تب داشته باشد و سرفه کند و در تنفس مشکل داشته باشد، ممکن است به ذات‌الریه مبتلا باشد.
سپس سیستم بررسی می‌کند که آیا بیمار سرفه و مشکل تنفسی نیز دارد یا خیر. اگر چنین باشد، نتیجه می‌گیرد که بیمار ممکن است ذات‌الریه داشته باشد.
این رویکرد بسیار قابل تفسیر است؛ زیرا می‌توانیم به‌راحتی فرایند استدلال را با قواعد منطقی اعمال‌شده ردیابی کنیم. همچنین به ما این امکان را می‌دهد که با در دسترس قرارگرفتن اطلاعات جدید، قوانین سیستم را به‌راحتی تغییر دهیم و به‌روز کنیم.
هوش مصنوعی نمادین یا Symbolic AI از زبان‌های رسمی، مانند منطق برای نشان‌دادن دانش، استفاده می‌کند. موتورهای استدلالی این دانش را پردازش می‌کنند. آن‌ها از الگوریتم‌ها هم برای دستکاری نمادها استفاده می‌کنند. این کار امکان ایجاد سیستم‌هایی مانند سیستم‌های خبره و سیستم‌های پشتیبانی تصمیم را فراهم می‌کند که می‌توانند براساس قوانین و دانش ازپیش‌تعریف‌شده استنتاج کنند.
نمونه‌هایی از برنامه‌های کاربردی هوش مصنوعی نمادین در دنیای واقعی
هوش مصنوعی نمادین یا Symbolic AI در زمینه‌های مختلفی ازجمله پردازش زبان طبیعی، سیستم‌های خبره و رباتیک استفاده شده است. برخی از نمونه‌های خاص عبارت‌اند از:
- سیری و دیگر دستیاران دیجیتال از هوش مصنوعی نمادین برای درک زبان طبیعی و ارائه پاسخ استفاده می‌کنند.
- سیستم‌های تشخیص پزشکی از Symbolic AI برای ارائه توصیه‌هایی به پزشکان براساس علائم بیمار استفاده می‌کنند.
- خودروهای خودران از هوش مصنوعی نمادین یا Symbolic AI برای تصمیم‌گیری براساس محیط، مانند تشخیص علائم ایست و چراغ راهنمایی، استفاده می‌کنند.
- سیستم‌های بینایی کامپیوتری از هوش مصنوعی نمادین برای تشخیص اشیا و الگوهای موجود در تصاویر استفاده می‌کنند.
تفاوت هوش مصنوعی نمادین با دیگر تکنیک‌های هوش مصنوعی
هوش مصنوعی نمادین با دیگر تکنیک‌های هوش مصنوعی، مانند یادگیری ماشین و یادگیری عمیق، تفاوت دارد؛ زیرا به حجم زیادی از داده‌های آموزشی نیاز ندارد؛ درعوض، هوش مصنوعی نمادین یا Symbolic AI مبتنی بر بازنمایی و استدلال دانش است و آن را برای حوزه‌هایی مناسب‌تر می‌کند که دانش به‌خوبی تعریف شده است و می‌توان آن را در قوانین منطقی نشان داد.
یادگیری ماشین برای یادگیری الگوها و پیش‌بینی هم به مجموعه داده‌های بزرگی نیاز دارد. یادگیری عمیق از شبکه‌های عصبی برای یادگیری مستقیم ویژگی‌ها از داده‌ها استفاده می‌کند و آن را برای حوزه‌هایی با داده‌های پیچیده و بدون ساختار مناسب می‌کند.
زمان استفاده از هر تکنیک به حوزه مسئله و داده‌های موجود بستگی دارد. هوش مصنوعی نمادین یا Symbolic AI برای حوزه‌هایی با دانش تعریف‌شده و ساختاریافته مناسب است، درحالی‌که یادگیری ماشین و یادگیری عمیق برای حوزه‌هایی با مقادیر زیاد داده و الگوهای پیچیده مناسب است.
پیشنهاد می‌کنیم درباره ماشین لرنینگ و همین‌طور یادگیری عمیق هم مطالعه کنید.
مزیت‌های هوش مصنوعی نمادین چیست؟
Symbolic AI چندین مزیت دارد، ازجمله:
- تفسیرپذیری: هوش مصنوعی نمادین شفافیت را در فرایند استدلال فراهم می‌کند و درک چگونگی رسیدن یک سیستم به نتیجه را آسان‌تر می‌کند.
- بازنمایی دانش: Symbolic AI می‌تواند دانش پیچیده را به‌روشی رسمی و ساختاریافته نشان دهد و امکان دستکاری و استدلال آسان را فراهم کند.
- انعطاف‌پذیری: هوش مصنوعی نمادین بسیار انعطاف‌پذیر است و می‌توان آن را با اصلاح قوانین و پایگاه دانش در حوزه‌های مختلف تطبیق داد.
محدودیت‌های هوش مصنوعی نمادین چیست؟
Symbolic AI محدودیت‌هایی دارد، ازجمله:
- دانش ناقص: Symbolic AI برای عملکرد صحیح به دانش کامل و کاملاً تعریف‌شده نیاز دارد. در حوزه‌هایی که دانش ناقص است، هوش مصنوعی نمادین ممکن است موثر نباشد.
- مقیاس‌پذیری: با افزایش تعداد نمادها و قوانین، Symbolic AI از نظر محاسباتی گران می‌شود و مقیاس آن را برای حوزه‌های بزرگ دشوار می‌کند.
- مشکل در مدیریت اطلاعات نامشخص یا مبهم: Symbolic AI بر بازنمایی دقیق و بدون ابهام دانش متکی است و توانایی آن را برای استدلال مؤثر با داده‌های نامشخص یا مبهم محدود می‌کند.
- توانایی محدود برای یادگیری و انطباق: سیستم‌های Symbolic AI به برنامه‌نویسی دستی نیاز دارند و ممکن است امکان یادگیری و انطباق به شکل بلادرنگ را ندهند.
نکته پایانی
در پایان لازم است بدانیم که Symbolic AI نقشی محوری در تاریخ هوش مصنوعی ایفا کرده و اساس بسیاری از پیشرفت‌های اولیه را گذاشته است. درحالی‌که در استدلال و وظایف مبتنی بر منطق برتری دارد، محدودیت‌های آن در مدیریت قطعیت‌نداشتن و مقیاس‌پذیری به ظهور دیگر رویکردهای هوش مصنوعی، مانند یادگیری ماشین و شبکه‌های عصبی، انجامیده است. با درک نقاط قوت و ضعف هوش مصنوعی نمادین، می‌توانیم از کمک‌های آن قدردانی کنیم و چشم‌انداز متنوع فناوری‌های هوش مصنوعی را که به نوآوری در حال و آینده می‌انجامد بشناسیم.
یادگیری ماشین لرنینگ را از امروز شروع کنید!
دنیای داده‌ها جذاب است و دانستن علم داده، توانایی تحلیل داده یا بازاریابی مبتنی بر داده و یادگیری ماشین شما را برای فرصت‌های شغلی بسیاری مناسب می‌کند. شما، فارغ از رشته و پیش‌زمینه، می‌توانید یادگیری این دانش را همین امروز شروع کنید و از سطح مقدماتی تا پیشرفته بیاموزید. اگر دوست دارید به این حوزه وارد شوید، پیشنهاد می‌کنیم با کلیک روی این لینک قدم اول را همین حالا بردارید.
مشاوران کافه‌تدریس به شما کمک می‌کنند مسیر یادگیری برای ورود به این حوزه را شروع کنید: