આજકાલ જ્યારે લોકો AI વિશે વાત કરે છે, ત્યારે વાતચીત લગભગ હંમેશા એવા ચેટબોટ્સ પર જાય છે જે વિચિત્ર રીતે માનવ લાગે છે, ડેટા ક્રંચ કરતા વિશાળ ન્યુરલ નેટવર્ક્સ, અથવા તે છબી-ઓળખ સિસ્ટમ્સ જે બિલાડીઓને કેટલાક થાકેલા માણસો કરતાં વધુ સારી રીતે ઓળખે છે. પરંતુ તે ચર્ચાના ઘણા સમય પહેલા, સિમ્બોલિક AI . અને વિચિત્ર રીતે - તે હજી પણ અહીં છે, હજુ પણ ઉપયોગી છે. તે મૂળભૂત રીતે કમ્પ્યુટર્સને લોકોની જેમ તર્ક શીખવવા વિશે છે: પ્રતીકો, તર્ક અને નિયમોનો . જૂના જમાનાનું? કદાચ. પરંતુ "બ્લેક બોક્સ" AI થી ગ્રસ્ત દુનિયામાં, સિમ્બોલિક AI ની સ્પષ્ટતા થોડી તાજગીભરી લાગે છે [1].
આ પછી તમને વાંચવા ગમશે તેવા લેખો:
🔗 એઆઈ ટ્રેનર શું છે?
આધુનિક AI ટ્રેનર્સની ભૂમિકા અને જવાબદારીઓ સમજાવે છે.
🔗 શું ડેટા સાયન્સને AI દ્વારા બદલવામાં આવશે?
AI પ્રગતિ ડેટા સાયન્સની કારકિર્દીને જોખમમાં મૂકે છે કે કેમ તે શોધે છે.
🔗 AI તેની માહિતી ક્યાંથી મેળવે છે?
શીખવા અને અનુકૂલન કરવા માટે AI મોડેલો કયા સ્ત્રોતોનો ઉપયોગ કરે છે તેનું વિભાજન કરે છે.
સિમ્બોલિક AI બેઝિક્સ✨
અહીં વાત છે: સિમ્બોલિક AI સ્પષ્ટતા . તમે તર્ક શોધી શકો છો, નિયમો પર તીર લગાવી શકો છો અને શાબ્દિક રીતે જોઈ શકો છો કે મશીને શું કહ્યું. તેની સરખામણી એક ન્યુરલ નેટ સાથે કરો જે ફક્ત જવાબ આપે છે - તે કિશોરને "શા માટે?" પૂછવા જેવું છે અને ખભા ઉંચા કરવા જેવું છે. તેનાથી વિપરીત, સિમ્બોલિક સિસ્ટમ્સ કહેશે: "કારણ કે A અને B C સૂચવે છે, તેથી C." પોતાને સમજાવવાની તે ક્ષમતા ઉચ્ચ-દાવવાળી વસ્તુઓ (દવા, નાણાં, કોર્ટરૂમ પણ) માટે ગેમ-ચેન્જર છે જ્યાં કોઈ હંમેશા પુરાવા માંગે છે [5].
નાની વાર્તા: એક મોટી બેંકની પાલન ટીમે પ્રતિબંધોની નીતિઓને નિયમોના એન્જિનમાં એન્કોડ કરી. જેવી વસ્તુઓ: “if origin_country ∈ {X} and missing_beneficiary_info → escalate.” પરિણામ? દરેક ફ્લેગ કરેલ કેસ ટ્રેસ કરી શકાય તેવા, માનવ-વાંચી શકાય તેવા તર્કની સાંકળ સાથે આવ્યો. ઓડિટર્સને ગમ્યું . તે સિમ્બોલિક AI ની સુપરપાવર છે - પારદર્શક, નિરીક્ષણ કરી શકાય તેવી વિચારસરણી .
ઝડપી સરખામણી કોષ્ટક 📊
| સાધન / અભિગમ | કોણ તેનો ઉપયોગ કરે છે | ખર્ચ શ્રેણી | તે કેમ કામ કરે છે (અથવા નથી કરતું) |
|---|---|---|---|
| એક્સપર્ટ સિસ્ટમ્સ 🧠 | ડોક્ટરો, ઇજનેરો | ખર્ચાળ સેટઅપ | ખૂબ જ સ્પષ્ટ નિયમ-આધારિત તર્ક, પણ બરડ [1] |
| જ્ઞાન આલેખ 🌐 | સર્ચ એન્જિન, ડેટા | મિશ્ર ખર્ચ | એકમો + સંબંધોને સ્કેલ પર જોડે છે [3] |
| નિયમ-આધારિત ચેટબોટ્સ 💬 | ગ્રાહક સેવા | નીચું-મધ્યમ | બનાવવા માટે ઝડપી; પણ સૂક્ષ્મતા? બહુ નહીં |
| ન્યુરો-સિમ્બોલિક AI ⚡ | સંશોધકો, સ્ટાર્ટઅપ્સ | ઉચ્ચ અપફ્રન્ટ | લોજિક + એમએલ = સમજાવી શકાય તેવી પેટર્નિંગ [4] |
સિમ્બોલિક AI કેવી રીતે કાર્ય કરે છે (વ્યવહારમાં) 🛠️
તેના મૂળમાં, સિમ્બોલિક AI ફક્ત બે વસ્તુઓ છે: પ્રતીકો (વિભાવનાઓ) અને નિયમો (તે વિભાવનાઓ કેવી રીતે જોડાય છે). ઉદાહરણ:
-
પ્રતીકો:
કૂતરો,પ્રાણી,હેસટેલ -
નિયમ: જો X કૂતરો હોય તો → X એક પ્રાણી છે.
અહીંથી, તમે તર્કની સાંકળો બનાવવાનું શરૂ કરી શકો છો - જેમ કે ડિજિટલ LEGO ટુકડાઓ. ક્લાસિક એક્સપર્ટ સિસ્ટમ્સે તથ્યોને ત્રિગુણિત (એટ્રિબ્યુટ-ઓબ્જેક્ટ-વેલ્યુ) માં પણ સંગ્રહિત કર્યા અને ગોલ-ડિરેક્ટેડ રૂલ ઇન્ટરપ્રીટરનો [1].
સિમ્બોલિક AI ના વાસ્તવિક જીવનના ઉદાહરણો 🌍
-
MYCIN - ચેપી રોગો માટે તબીબી નિષ્ણાત સિસ્ટમ. નિયમ-આધારિત, સમજૂતી-મૈત્રીપૂર્ણ [1].
-
ડેન્ડ્રલ - પ્રારંભિક રસાયણશાસ્ત્ર AI જેણે સ્પેક્ટ્રોમેટ્રી ડેટા [2] પરથી પરમાણુ માળખાંનો અંદાજ લગાવ્યો હતો.
-
ગુગલ નોલેજ ગ્રાફ - "વસ્તુઓ, નહીં કે સ્ટ્રિંગ્સ" પ્રશ્નોના જવાબ આપવા માટે એન્ટિટીઝ (લોકો, સ્થાનો, વસ્તુઓ) + તેમના સંબંધોનું મેપિંગ [3].
-
નિયમ-આધારિત બોટ્સ - ગ્રાહક સપોર્ટ માટે સ્ક્રિપ્ટેડ ફ્લો; સુસંગતતા માટે નક્કર, ખુલ્લી ચિટ-ચેટ માટે નબળા.
શા માટે પ્રતીકાત્મક AI ઠોકર ખાઈ ગયું (પણ મરી ગયું નહીં) 📉➡️📈
અહીં સિમ્બોલિક AI ઉપર ચઢે છે: અવ્યવસ્થિત, અપૂર્ણ, વિરોધાભાસી વાસ્તવિક દુનિયા. વિશાળ નિયમ આધાર જાળવવો એ થકવી નાખનારું છે, અને બરડ નિયમો તૂટે ત્યાં સુધી બલૂન થઈ શકે છે.
છતાં - તે ક્યારેય સંપૂર્ણપણે દૂર થયું નહીં. ન્યુરો-સિમ્બોલિક AI : ન્યુરલ નેટ (દ્રષ્ટિકરણમાં સારા) ને સાંકેતિક તર્ક (તર્કમાં સારા) સાથે ભેળવો. તેને રિલે ટીમની જેમ વિચારો: ન્યુરલ ભાગ સ્ટોપ સાઇન શોધે છે, પછી પ્રતીકાત્મક ભાગ ટ્રાફિક કાયદા હેઠળ તેનો અર્થ શું છે તે શોધે છે. તે કોમ્બો એવી સિસ્ટમોનું વચન આપે છે જે વધુ સ્માર્ટ અને સમજાવી શકાય તેવી છે [4][5].
સિમ્બોલિક AI ની શક્તિઓ 💡
-
પારદર્શક તર્ક : તમે દરેક પગલાને અનુસરી શકો છો [1][5].
-
નિયમન-મૈત્રીપૂર્ણ : નીતિઓ અને કાનૂની નિયમોને સ્પષ્ટ રીતે નકશા આપે છે [5].
-
મોડ્યુલર જાળવણી : તમે આખા મોન્સ્ટર મોડેલને ફરીથી તાલીમ આપ્યા વિના એક નિયમ બદલી શકો છો [1].
સિમ્બોલિક AI ની નબળાઈઓ ⚠️
-
સમજવામાં ભયંકર : છબીઓ, ઑડિઓ, અવ્યવસ્થિત ટેક્સ્ટ - અહીં ન્યુરલ નેટવર્ક્સ પ્રભુત્વ ધરાવે છે.
-
સ્કેલિંગમાં દુખાવો : નિષ્ણાત નિયમો કાઢવા અને અપડેટ કરવા કંટાળાજનક છે [2].
-
કઠોરતા : નિયમો તેમના ક્ષેત્રની બહાર તૂટી જાય છે; અનિશ્ચિતતાને પકડવી મુશ્કેલ છે (જોકે કેટલીક સિસ્ટમોએ આંશિક સુધારાઓ હેક કર્યા છે) [1].
સિમ્બોલિક AI માટે આગળનો રસ્તો 🚀
ભવિષ્ય કદાચ શુદ્ધ પ્રતીકાત્મક કે શુદ્ધ ચેતાકીય નથી. તે સંકર છે. કલ્પના કરો:
-
ન્યુરલ → કાચા પિક્સેલ/ટેક્સ્ટ/ઓડિયોમાંથી પેટર્ન કાઢે છે.
-
ન્યુરો-સિમ્બોલિક → પેટર્નને સંરચિત ખ્યાલોમાં ઉપાડે છે.
-
પ્રતીકાત્મક → નિયમો, મર્યાદાઓ લાગુ કરે છે, અને પછી - અગત્યનું - સમજાવે છે .
આ તે લૂપ છે જ્યાં મશીનો માનવ તર્ક જેવું લાગે છે: જુઓ, રચના કરો, ન્યાયી બનાવો [4][5].
તેને સમાપ્ત કરી રહ્યા છીએ 📝
તો, સિમ્બોલિક AI: તે તર્ક-સંચાલિત, નિયમ-આધારિત, સમજૂતી-તૈયાર છે. ચમકદાર નથી, પરંતુ તે કંઈક ઊંડા જાળમાં ખીલે છે જે હજુ પણ કરી શકતું નથી: સ્પષ્ટ, ઓડિટેબલ તર્ક . સ્માર્ટ શરત? બંને કેમ્પમાંથી ઉધાર લેતી સિસ્ટમો - દ્રષ્ટિ અને સ્કેલ માટે ન્યુરલ જાળ, તર્ક અને વિશ્વાસ માટે પ્રતીકાત્મક [4][5].
મેટા વર્ણન: સિમ્બોલિક AI સમજાવ્યું - નિયમ-આધારિત સિસ્ટમો, શક્તિઓ/નબળાઈઓ, અને શા માટે ન્યુરો-સિમ્બોલિક (લોજિક + ML) આગળનો માર્ગ છે.
હેશટેગ્સ:
#કૃત્રિમ બુદ્ધિ 🤖 #પ્રતીકાત્મકAI 🧩 #મશીન લર્નિંગ #ન્યુરોસિમ્બોલિકAI ⚡ #ટેક્નોલોજી #જ્ઞાન પ્રતિનિધિત્વ #AIઆંતરદૃષ્ટિ #AIનું ભવિષ્ય
સંદર્ભ
[1] બુકાનન, બીજી, અને શોર્ટલિફ, EH નિયમ-આધારિત નિષ્ણાત સિસ્ટમ્સ: સ્ટેનફોર્ડ હ્યુરિસ્ટિક પ્રોગ્રામિંગ પ્રોજેક્ટના MYCIN પ્રયોગો , પ્રકરણ 15. PDF
[2] લિન્ડસે, આરકે, બુકાનન, બીજી, ફીજેનબૌમ, ઈએ, અને લેડરબર્ગ, જે. “ડેન્ડ્રલ: વૈજ્ઞાનિક પૂર્વધારણા રચના માટે પ્રથમ નિષ્ણાત પ્રણાલીનો કેસ સ્ટડી.” કૃત્રિમ બુદ્ધિ 61 (1993): 209–261. પીડીએફ
[3] ગુગલ. "જ્ઞાન આલેખનો પરિચય: વસ્તુઓ, તાર નહીં." સત્તાવાર ગુગલ બ્લોગ (16 મે, 2012). લિંક
[4] મનરો, ડી. "ન્યુરોસિમ્બોલિક AI." ACM ના સંદેશાવ્યવહાર (ઓક્ટો. 2022). DOI
[5] સાહોહ, બી., વગેરે. "ઉચ્ચ-દાવના નિર્ણય લેવામાં સમજાવી શકાય તેવી કૃત્રિમ બુદ્ધિની ભૂમિકા: એક સમીક્ષા." પેટર્ન (2023). પબમેડ સેન્ટ્રલ. લિંક