Символический ИИ против машинного обучения в обработке естественного языка

С момента своего основания в качестве академической дисциплины в 1955 году область исследований искусственного интеллекта (ИИ) была разделена на разные лагеря, в том числе на символический ИИ и машинное обучение. В то время как символический ИИ доминировал в первые десятилетия, машинное обучение стало очень модным в последнее время, поэтому давайте попробуем понять каждый из этих подходов и их основные отличия применительно к обработке естественного языка (NLP).

Что такое машинное обучение?

Согласно Википедии, машинное обучение — это приложение искусственного интеллекта, в котором «алгоритмы и статистические модели используются компьютерными системами для выполнения конкретной задачи без использования явных инструкций, вместо этого полагаясь на шаблоны и выводы. (…) Алгоритмы машинного обучения строят математическую модель на основе выборочных данных, известных как «данные для обучения», чтобы делать прогнозы или принимать решения без явного программирования для выполнения задачи».

Проще говоря, технология машинного обучения использует алгоритм, чтобы научить компьютер решать проблемы и получать информацию от решения этих проблем. Именно так компьютер обучается автоматически, без вмешательства или помощи человека: наблюдая и ища закономерности в данных и используя циклы обратной связи для мониторинга и улучшения своих прогнозов. В то время как люди были бы перегружены массой данных, машинное обучение процветает и способно развивать свое понимание, чтобы в будущем принимать более эффективные решения на основе предоставленных ему примеров.

Машинное обучение в NLP

Машинное обучение можно применять во многих дисциплинах, и одна из них Обработка естественного языка, который используется в Разговорные чат-боты на базе искусственного интеллекта.

Вот как работает машинное обучение в этом конкретном случае: человек, который наблюдает за ботом, обычно называемый ботмастером, передает движку как можно больше релевантных данных. Затем боту задают вопросы его пользователи, и он автоматически решает, какой ответ нажимать для каждого запрашиваемого намерения. Затем ботмастер должен просмотреть эти ответы и вручную сообщить движку, какие ответы были правильными, а какие нет. Так машина учится подавать правильный ответ на намерение.

Как вы можете себе представить, это очень тяжелая и трудоемкая работа, поскольку существует множество способов задать или сформулировать один и тот же вопрос. А если принять во внимание, что база знаний обычно содержит в среднем 300 намерений, то теперь вы видите, насколько повторяющимся может быть поддержание базы знаний при использовании машинного обучения.

Не поймите нас неправильно, машинное обучение — это удивительный инструмент, который позволяет нам раскрыть огромный потенциал и дисциплины искусственного интеллекта, такие как распознавание изображений или распознавание голоса, но когда дело доходит до НЛП, мы твердо убеждены, что машинное обучение — не самое лучшее. технологии, которые будут использоваться.

Что такое символический ИИ?

Символический искусственный интеллект, также известный как старый добрый ИИ (GOFAI), использует удобочитаемые символы, которые представляют объекты или концепции реального мира, а также логику (математически доказуемые логические методы) для создания «правил» для конкретных действий. манипулирование этими символами, ведущее к системе, основанной на правилах.

В двух словах, символический ИИ предполагает явное встраивание человеческих знаний и правил поведения в компьютерные программы.

Символический подход в применении к НЛП

Одним из многих применений символического искусственного интеллекта является обработка естественного языка для разговорных чат-ботов. При таком подходе, также называемом «детерминированным», идея состоит в том, чтобы научить машину как понимать языки точно так же, как мы, люди, научились читать и писать. Для этого мы пошли в школу и научились структурировать язык с помощью правил, грамматики, спряжения и словарного запаса. Компьютерные лингвисты делают то же самое: используют правила, лексику и семантический чтобы научить движок бота понимать язык.

При использовании символического ИИ все становится видимым, понятным и объяснимым, что приводит к тому, что называется «прозрачным ящиком», в отличие от «черного ящика», созданного машинным обучением.

Как следствие, работа ботмастера при использовании технологии символического ИИ полностью отличается от работы с технологией, основанной на машинном обучении, поскольку он сосредоточен на написании нового контента для базы знаний, а не на произнесении существующего контента. Он также имеет полную информацию о том, как настроить двигатель, когда он работает неправильно, поскольку он смог понять, почему было принято конкретное решение, и у него есть инструменты для его исправления.

Подводя итог, можно сказать, что одно из основных различий между машинным обучением и традиционным символическим мышлением заключается в том, как происходит обучение. В машинном обучении алгоритм изучает правила, поскольку устанавливает корреляции между входными и выходными данными.В символическом мышлении правила создаются с помощью человеческого вмешательства, а затем жестко закодированы в статическую программу.

Если машинное обучение поначалу может показаться революционным подходом, его отсутствие прозрачности и большой объем данных, необходимых для обучения системы, являются двумя его основными недостатками. Теперь компании понимают, насколько важно иметь прозрачный ИИ не только по этическим, но и по операционным причинам, и детерминированный (или символический) подход снова становится популярным.

Мы надеемся, что к настоящему времени вы убедились, что символический ИИ является обязательным, когда дело доходит до НЛП, применяемого к чат-ботам. Наша электронная книга о том, как создать успешного чат-бота, может быть интересна для чтения.

Посмотрите наши похожие статьи

• Этот трюк поможет вам выявить тенденции из ваших данных службы поддержки
• Отличные примеры диалогового маркетинга для увеличения доходов в 2022 году
• 5 примеров использования страхового чат-бота на пути клиента

• ИИ
• Чат-бот с искусственным интеллектом
• Управление взаимодействием с клиентами
• Обслуживание клиентов
• Электронная коммерция
• Новости Инбенты
• Управление знаниями
• Мессенджер
• НЛП
• Товар
• Поиск
• Самообслуживание
• Технологии
• Без категории

• Технологии
• Разговорный ИИ: Полное руководство
• Символический ИИ
• Как Inbenta находит ответы
• Теория смыслового текста
• Семантическая кластеризация
• Языки
• Лучший чат-бот с искусственным интеллектом
• Справочный сайт Long-Tail SEO