Inteligência artificial simbólica - Symbolic artificial intelligence

Na história da inteligência artificial , inteligência artificial simbólica é o termo para a coleção de todos os métodos de pesquisa em inteligência artificial que são baseados em representações simbólicas de alto nível (legíveis por humanos) de problemas, lógica e pesquisa . A Symbolic AI usou ferramentas como programação lógica , regras de produção , redes semânticas e frames , e desenvolveu aplicativos como sistemas especialistas .

John Haugeland deu o nome de GOFAI ("Good Old-Fashioned Artificial Intelligence") à IA simbólica em seu livro de 1985, Artificial Intelligence: The Very Idea , que explorou as implicações filosóficas da pesquisa em inteligência artificial. Em robótica, o termo análogo é GOFR ("Good Old-Fashioned Robotics").

Inteligência artificial sub-simbólica é o conjunto de abordagens alternativas que não usam símbolos explícitos de alto nível, como otimização matemática , classificadores estatísticos e redes neurais .

A IA simbólica foi o paradigma dominante da pesquisa em IA de meados dos anos 1950 até meados dos anos 1990. No entanto, a abordagem simbólica acabaria sendo abandonada em favor de abordagens sub-simbólicas, em grande parte por causa de limites técnicos.

Os pesquisadores nas décadas de 1960 e 1970 estavam convencidos de que as abordagens simbólicas acabariam por ter sucesso na criação de uma máquina com inteligência geral artificial e consideravam isso o objetivo de seu campo. Foi sucedido por AI estatística altamente matemática que é amplamente direcionada a problemas específicos com objetivos específicos, ao invés de inteligência geral. A pesquisa em inteligência geral é agora estudada no subcampo exploratório da inteligência geral artificial .

Origens

O primeiro programa de IA simbólica foi o teórico da lógica , escrito por Allen Newell , Herbert Simon e Cliff Shaw em 1955-56.

A abordagem simbólica foi expressa de forma sucinta na " hipótese dos sistemas de símbolos físicos " proposta por Newell e Simon em meados dos anos 1960:

"Um sistema de símbolos físicos tem os meios necessários e suficientes para uma ação geral inteligente."

Paradigma dominante 1955-1990

Durante a década de 1960, as abordagens simbólicas obtiveram grande sucesso na simulação de comportamento inteligente em pequenos programas de demonstração. A pesquisa em IA foi centrada em três instituições na década de 1960: Carnegie Mellon University , Stanford , MIT e (mais tarde) University of Edinburgh . Cada um desenvolveu seu próprio estilo de pesquisa. Abordagens anteriores baseadas em cibernética ou redes neurais artificiais foram abandonadas ou colocadas em segundo plano.

Simulação cognitiva

O economista Herbert Simon e Allen Newell estudaram as habilidades humanas de resolução de problemas e tentaram formalizá-las, e seu trabalho lançou as bases do campo da inteligência artificial, bem como da ciência cognitiva , da pesquisa operacional e da ciência administrativa . Sua equipe de pesquisa usou os resultados de experimentos psicológicos para desenvolver programas que simulavam as técnicas que as pessoas usavam para resolver problemas. Essa tradição, centrada na Carnegie Mellon University , culminaria no desenvolvimento da arquitetura do Soar em meados dos anos 1980.

Baseado em lógica

Ao contrário de Simon e Newell, John McCarthy sentiu que as máquinas não precisavam simular o pensamento humano, mas deveriam tentar encontrar a essência do raciocínio abstrato e solução de problemas, independentemente de as pessoas usarem os mesmos algoritmos. Seu laboratório em Stanford ( SAIL ) se concentrou no uso de lógica formal para resolver uma ampla variedade de problemas, incluindo representação de conhecimento , planejamento e aprendizagem . A lógica também foi o foco do trabalho na Universidade de Edimburgo e em outras partes da Europa, que levou ao desenvolvimento da linguagem de programação Prolog e da ciência da programação lógica .

Anti-lógico ou "sujo"

Pesquisadores do MIT (como Marvin Minsky e Seymour Papert ) descobriram que resolver problemas difíceis de visão e processamento de linguagem natural requer soluções ad hoc - eles argumentaram que nenhum princípio simples e geral (como a lógica ) capturaria todos os aspectos do comportamento inteligente. Roger Schank descreveu suas abordagens "anti-lógicas" como " desleixadas " (em oposição aos paradigmas " legais " da CMU e de Stanford). Bases de conhecimento de senso comum (como o Cyc de Doug Lenat ) são um exemplo de IA "desalinhada", uma vez que devem ser construídas à mão, um conceito complicado de cada vez.

Baseado no conhecimento

Quando computadores com grandes memórias se tornaram disponíveis por volta de 1970, pesquisadores de todas as três tradições começaram a construir conhecimento em aplicações de IA. A revolução do conhecimento foi impulsionada pela percepção de que enormes quantidades de conhecimento seriam necessárias para muitas aplicações simples de IA.

Técnicas

Um sistema de IA simbólico pode ser realizado como um micromundo, por exemplo , mundo de blocos . O micromundo representa o mundo real na memória do computador. Ele é descrito com listas contendo símbolos, e o agente inteligente usa operadores para trazer o sistema a um novo estado. O sistema de produção é o software que busca no espaço de estado a próxima ação do agente inteligente. Os símbolos para representar o mundo são baseados na percepção sensorial. Em contraste com as redes neurais, o sistema geral trabalha com heurísticas, o que significa que o conhecimento específico do domínio é usado para melhorar a busca no espaço de estados .

Sucesso com sistemas especialistas 1975-1990

Essa "revolução do conhecimento" levou ao desenvolvimento e implantação de sistemas especialistas (introduzidos por Edward Feigenbaum ), a primeira forma verdadeiramente bem-sucedida de software de IA. Um componente-chave da arquitetura do sistema para todos os sistemas especialistas é a base de conhecimento, que armazena fatos e regras que ilustram a IA. Estes usam uma rede de regras de produção . As regras de produção conectam símbolos em um relacionamento semelhante a uma instrução If-Then. O sistema especialista processa as regras para fazer deduções e determinar quais informações adicionais são necessárias, ou seja, quais perguntas fazer, usando símbolos legíveis.

Abandonando a abordagem simbólica dos anos 90

Crítica de Dreyfus

Um dos primeiros críticos da IA simbólica foi o filósofo Hubert Dreyfus . A partir da década de 1960, a crítica de Dreyfus à IA teve como alvo os fundamentos filosóficos do campo em uma série de artigos e livros. Ele previu que só seria adequado para problemas de brinquedos e pensou que construir sistemas mais complexos ou expandir a ideia para um software útil não seria possível.

AI Winters

O mesmo argumento foi apresentado no relatório Lighthill , que deu início ao AI Winter em meados dos anos 1970.

IA subsimbólica

Robótica

Os oponentes da abordagem simbólica na década de 1980 incluem roboticistas como Rodney Brooks , que visa produzir robôs autônomos sem representação simbólica (ou apenas com representação mínima) e pesquisadores de inteligência computacional , que aplicam técnicas como redes neurais e otimização para resolver problemas em máquina aprendizagem e engenharia de controle .

Raciocínio incerto

Os símbolos podem ser usados quando a entrada é definitiva e está dentro da certeza. Mas quando há incerteza envolvida, por exemplo, na formulação de previsões, a representação é feita usando redes neurais artificiais .

Sintetizando simbólico e sub-simbólico

Recentemente, houve esforços estruturados para integrar as abordagens de IA simbólica e conexionista sob a égide da computação neural-simbólica. Como argumentado por Valiant e muitos outros, a construção eficaz de modelos cognitivos computacionais ricos exige a combinação de raciocínio simbólico sólido e modelos de aprendizado (de máquina) eficientes.

Veja também

Notas

Citações

Referências

Crevier, Daniel (1993). AI: The Tumultuous Search for Artificial Intelligence . Nova York, NY: BasicBooks. ISBN 0-465-02997-3..
Dreyfus, Hubert L (1981). "Dos micro mundos à representação do conhecimento: IA em um impasse" (PDF) . Mind Design . MIT Press, Cambridge, MA: 161–204.
Artur S. d'Avila Garcez, Tarek R. Besold, Luc De Raedt, Peter Földiák, Pascal Hitzler , Thomas Icard, Kai-Uwe Kühnberger, Luís C. Lamb, Risto Miikkulainen, Daniel L. Silver. Aprendizagem e Raciocínio Neural-Simbólico: Contribuições e Desafios . AAAI Spring Symposia 2015. Stanford: AAAI Press.CS1 maint: usa o parâmetro de autores ( link )
Haugeland, John (1985), Artificial Intelligence: The Very Idea , Cambridge, Mass: MIT Press, ISBN 0-262-08153-9
Hayes-Roth, Frederick; Murray, William; Adelman, Leonard. "Sistemas especializados". AccessScience . doi : 10.1036 / 1097-8542.248550 .
Honavar, Vasant; Uhr, Leonard (1994). Symbolic Artificial Intelligence, Connectionist Networks & Beyond (Relatório técnico). Repositório digital da Iowa State University, relatórios técnicos de ciência da computação. 76. p. 6
Honavar, Vasant (1995). Inteligência Artificial Simbólica e Redes Neurais Artificiais Numéricas: Para uma Resolução da Dicotomia . A Springer International Series In Engineering and Computer Science. Springer US. pp. 351–388. doi : 10.1007 / 978-0-585-29599-2_11 .
Howe, J. (novembro de 1994). "Artificial Intelligence at Edinburgh University: a Perspective" . Arquivado do original em 15 de maio de 2007 . Página visitada em 30 de agosto de 2007 .
Kolata, G. (1982). "Como os computadores podem ter bom senso?". Ciência . 217 (4566): 1237–1238. Bibcode : 1982Sci ... 217.1237K . doi : 10.1126 / science.217.4566.1237 . PMID 17837639 .
Maker, Meg Houston (2006). "AI @ 50: AI passado, presente, futuro" . Dartmouth College. Arquivado do original em 3 de janeiro de 2007 . Página visitada em 16 de outubro de 2008 .
McCorduck, Pamela (2004), Machines Who Think (2ª ed.), Natick, MA: AK Peters, Ltd., ISBN 1-56881-205-1.
Nilsson, Nils (1998). Artificial Intelligence: A New Synthesis . Morgan Kaufmann. ISBN 978-1-55860-467-4. Arquivado do original em 26 de julho de 2020 . Página visitada em 18 de novembro de 2019 .
Russell, Stuart J .; Norvig, Peter (2003), Artificial Intelligence: A Modern Approach (2ª ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-790395-2.
Xifan Yao e Jiajun Zhou e Jiangming Zhang e Claudio R. Boer (2017). Da Manufatura Inteligente à Manufatura Inteligente para a Indústria 4.0, Orientada pela Inteligência Artificial de Próxima Geração e Mais adiante . 2017 5ª Conferência Internacional sobre Sistemas Empresariais (ES). IEEE. doi : 10.1109 / es.2017.58 .

Este artigo é um esboço sobre inteligência artificial . Você pode ajudar a Wikipedia expandindo-a .

Languages

In other projects