Sembolik yapay zekâ

Yapay zekâ araştırmalarında sorunların, mantığın ve araştırmanın ileri düzey "sembolik" (insan tarafından okunabilir) temsillerine dayanan tüm yöntemlerin toplanması için kullanılan terimdir. Sembolik YZ, 1950'lerin ortalarından 1980'lerin sonuna kadar YZ araştırmalarının baskın paradigmasıydı.^[1][1] 23 Mayıs 2021 tarihinde Wayback Machine sitesinde arşivlendi.^[2][2] 23 Mayıs 2021 tarihinde Wayback Machine sitesinde arşivlendi.

John Haugeland, yapay zekâ araştırmalarının felsefi sonuçlarını araştıran 1985 tarihli Yapay Zekâ kitabı: The Very Idea, GOFAI ("Kaliteli Eski Tip Yapay Zekâ") adını verdi. Robotikte benzer terim GOFR'dir ("Eski Tip Robotik").

Yaklaşım, 1960'ların ortalarında Allen Newell ve Herbert A. Simon tarafından "fiziksel simge sistemleri hipotezi" olarak tanımlanan bir varsayım olan, zekânın birçok yönünün sembollerin manipülasyonuyla elde edilebileceği varsayımına dayanmaktadır.

Yaygın bir sembolik yapay zekâ biçimi, bir üretim kuralları ağı kullanan uzman sistemlerdir. Üretim kuralları, If-Then ifadesine benzer bir ilişkideki sembolleri birbirine bağdaştırır. Uzman sistem, Tahmin yapmak ve hangi ek bilgilere ihtiyaç duyduğunu belirlemek için kuralları işler, yani insan tarafından okunabilir duruma getirerek hangi soruların sorulacağını belirler.

Sembolik yaklaşımın karşıtları arasında, sembolik temsil olmadan (veya yalnızca minimum temsille) otonom robotlar üretmeyi amaçlayan Rodney Brooks gibi robotik ve makine öğrenimi ve kontrolündeki sorunları çözmek için sinir ağları ve optimizasyon gibi teknikleri uygulayan hesaplamalı zekâ araştırmacıları yer alır.

Sembolik YZ, bir makinede genel, insan benzeri zekâ üretmeyi amaçlarken, çoğu modern araştırma belirli alt problemlere yöneliktir. Genel zekâ ile ilgili araştırmalar şimdi genel yapay zekâ alt alanında incelenmektedir.

Makineler başlangıçta, sembollerle temsil edilen girdilere dayalı olarak çıktıları formüle etmek için tasarlandı. Giriş kesin olduğunda ve kesinlik altına düştüğünde semboller kullanılır. Ancak, örneğin tahminlerin formüle edilmesinde belirsizlik olduğunda, temsili yapay sinir ağları kullanılarak yapılır.^[3] Valiant ve diğerlerinin^[4] iddia ettiği gibi, zengin bilişimsel ve bilişsel modellerin etkili inşası, sağlam sembolik akıl yürütme ve verimli (makine) öğrenme modellerinin kombinasyonunu gerektirir.

Sınırlayıcı alan araması

Sembolik bir YZ sistemi, bir mikro dünya olarak gerçekleştirilebilir, örneğin dünyayı engeller. Mikro dünya, bilgisayar belleğindeki gerçek dünyayı temsil eder. Semboller içeren listelerle açıklanmıştır ve akıllı aracı, sistemi yeni bir duruma getirmek için operatörleri("uygulayıcı") kullanır.^[5] Üretim sistemi, akıllı ajanın bir sonraki hareketi için durum uzayında arama yapan yazılımdır. Dünyayı temsil eden semboller duyusal algıya dayanır. Sinir ağlarının aksine, Yüzeysel sistem buluşsal yöntemlerle çalışır, yani alana özgü bilginin Sınırlayıcı alan aramasını iyileştirmek için kullanıldığı anlamına gelir.

Sembolik Yapay Zekâ, Hubert Dreyfus tarafından sadece oyuncak problemleri için uygun olduğunu düşündüğü ve daha karmaşık sistemler kurmanın veya fikri faydalı yazılıma doğru ölçeklendirmenin mümkün olmayacağını düşündüğü için reddedildi. Aynı argüman, 1970'lerin ortalarında YZ Kışını başlatan Lighthill report'a, verildi.^[6]

Tavsiye edilen diğer başlıklar

Kaynakça

^ Haugeland, John (1985). Artificial intelligence : the very idea. Cambridge, Mass.: MIT Press. ISBN 0-262-08153-9. OCLC 11840529.
^ Kosko, Bart (1993). Fuzzy thinking : the new science of fuzzy logic. 1st ed. New York: Hyperion. ISBN 1-56282-839-8. OCLC 27071314.
^ Sun, Ron; Bookman, Lawrence A., (Ed.) (1994). "Computational Architectures Integrating Neural And Symbolic Processes". The Springer International Series In Engineering and Computer Science. doi:10.1007/b102608.
^ Besold, Tarek R.; Garcez, Artur d’Avila; Kühnberger, Kai-Uwe; Stewart, Terrence C. (Temmuz 2014). "Neural-symbolic networks for cognitive capacities". Biologically Inspired Cognitive Architectures. 9: iii-iv. doi:10.1016/s2212-683x(14)00061-9. ISSN 2212-683X.
^ Leonard, Honavar, Vasant Uhr, (18 Ağustos 1994). Symbolic Artificial Intelligence, Connectionist Networks & Beyond. Iowa State University Digital Repository. OCLC 880678662.
^ Yao, Xifan; Zhou, Jiajun; Zhang, Jiangming; Boer, Claudio R. (Eylül 2017). "From Intelligent Manufacturing to Smart Manufacturing for Industry 4.0 Driven by Next Generation Artificial Intelligence and Further On". 2017 5th International Conference on Enterprise Systems (ES). Pekin: IEEE: 311-318. doi:10.1109/ES.2017.58. ISBN 978-1-5386-0936-1. 24 Mayıs 2021 tarihinde kaynağından arşivlendi24 Mayıs 2021.

[1] Haugeland, John (1985). Artificial intelligence : the very idea. Cambridge, Mass.: MIT Press. ISBN 0-262-08153-9. OCLC 11840529.

[2] Kosko, Bart (1993). Fuzzy thinking : the new science of fuzzy logic. 1st ed. New York: Hyperion. ISBN 1-56282-839-8. OCLC 27071314.

[3] Sun, Ron; Bookman, Lawrence A., (Ed.) (1994). "Computational Architectures Integrating Neural And Symbolic Processes". The Springer International Series In Engineering and Computer Science. doi:10.1007/b102608.

[4] Besold, Tarek R.; Garcez, Artur d’Avila; Kühnberger, Kai-Uwe; Stewart, Terrence C. (Temmuz 2014). "Neural-symbolic networks for cognitive capacities". Biologically Inspired Cognitive Architectures. 9: iii-iv. doi:10.1016/s2212-683x(14)00061-9. ISSN 2212-683X.

[5] Leonard, Honavar, Vasant Uhr, (18 Ağustos 1994). Symbolic Artificial Intelligence, Connectionist Networks & Beyond. Iowa State University Digital Repository. OCLC 880678662.

[6] Yao, Xifan; Zhou, Jiajun; Zhang, Jiangming; Boer, Claudio R. (Eylül 2017). "From Intelligent Manufacturing to Smart Manufacturing for Industry 4.0 Driven by Next Generation Artificial Intelligence and Further On". 2017 5th International Conference on Enterprise Systems (ES). Pekin: IEEE: 311-318. doi:10.1109/ES.2017.58. ISBN 978-1-5386-0936-1. 24 Mayıs 2021 tarihinde kaynağından arşivlendi24 Mayıs 2021.

[1]

[2]

[3]

[4]

[5]

[6]