आजकल, आर्टिफिशियल इंटेलिजेंस लगभग मशीन लर्निंग, विशेष रूप से डीप लर्निंग के बराबर लगता है। कुछ लोगों ने कहा है कि इस क्षेत्र में गहरी शिक्षा मानव विशेषज्ञों को बदल देगी, जो परंपरागत रूप से फीचर इंजीनियरिंग के लिए बहुत महत्वपूर्ण है। कहा जाता है कि दो सफलताओं गहरी सीखने के उदय का आधार: एक हाथ, तंत्रिका विज्ञान, और पर neuroplasticityविशेष रूप से, हमें बताता है कि मानव मस्तिष्क की तरह, जो अत्यधिक प्लास्टिक है, कृत्रिम नेटवर्क का उपयोग लगभग सभी कार्यों के लिए किया जा सकता है; दूसरी ओर, कम्प्यूटेशनल पावर में वृद्धि, विशेष रूप से GPU और FPGA की शुरूआत ने, शानदार तरीके से एल्गोरिथम खुफिया को बढ़ावा दिया है, और दशकों पहले बनाए गए मॉडल को बेहद शक्तिशाली और बहुमुखी बना दिया है। मैं जोड़ूंगा कि पिछले वर्षों में जमा हुआ बड़ा डेटा (ज्यादातर लेबल डेटा) भी प्रासंगिक है।
इस तरह के विकास कंप्यूटर दृष्टि (और आवाज की पहचान) को एक नए युग में लाते हैं, लेकिन प्राकृतिक भाषा प्रसंस्करण और विशेषज्ञ प्रणालियों में, स्थिति बहुत अधिक नहीं बदली है।
तंत्रिका नेटवर्क के लिए सामान्य ज्ञान प्राप्त करना एक लंबा क्रम लगता है, लेकिन अधिकांश वाक्यों, वार्तालापों और लघु ग्रंथों में ऐसे संदर्भ होते हैं जिन्हें पृष्ठभूमि के विश्व ज्ञान से खींचा जाना चाहिए। इस प्रकार आर्टिफिशियल इंटेलिजेंस के लिए ज्ञान रेखांकन का बहुत महत्व है। ज्ञान जालों के निर्माण में तंत्रिका नेटवर्क का उपयोग किया जा सकता है, लेकिन ऐसा लगता है कि तंत्रिका नेटवर्क मॉडल को इन निर्मित ज्ञान अड्डों का उपयोग करने में कठिनाई होती है।
मेरे प्रश्न हैं:
क्या ज्ञान का आधार (उदाहरण के लिए, "ज्ञान ग्राफ", जैसा कि Google द्वारा बनाया गया है) AI में एक आशाजनक शाखा है? यदि हां, तो किन तरीकों से केबी मशीन सीखने को सशक्त बना सकता है? हम एनएलयू और एनएलजी में असतत अव्यक्त चर को कैसे शामिल कर सकते हैं?
डीएल के वर्चस्व वाले युग में जीवित रहने के लिए, ज्ञान का आधार (या छतरी शब्द प्रतीकात्मक दृष्टिकोण) की दिशा कहाँ है? क्या वुल्फरम -जैसे z गतिशील ज्ञान का आधार नई दिशा है? या कोई नई दिशा?
क्या मुझे कुछ मौलिक, या कुछ विचार याद आ रहे हैं जो इन मुद्दों को संबोधित करते हैं?