Inteligencia artificial simbólica es el término para la recopilación de todos los métodos en la investigación de la inteligencia artificial que se basan en representaciones "simbólicas" (legibles por humanos) de alto nivel de problemas, lógica y búsqueda . La IA simbólica fue el paradigma dominante de la investigación de la IA desde mediados de la década de 1950 hasta finales de la de 1980. [1] [ página necesaria ] [2] [ página necesaria ]
John Haugeland dio el nombre de GOFAI ("Buena inteligencia artificial pasada de moda") a la IA simbólica en su libro de 1985 Artificial Intelligence: The Very Idea , que exploró las implicaciones filosóficas de la investigación en inteligencia artificial. En robótica, el término análogo es GOFR ("Buena robótica pasada de moda").
El enfoque se basa en el supuesto de que muchos aspectos de la inteligencia pueden lograrse mediante la manipulación de símbolos , un supuesto definido como la " hipótesis de los sistemas de símbolos físicos " por Allen Newell y Herbert A. Simon a mediados de la década de 1960.
Una forma popular de IA simbólica son los sistemas expertos , que utilizan una red de reglas de producción . Las reglas de producción conectan símbolos en una relación similar a una declaración Si-Entonces. El sistema experto procesa las reglas para hacer deducciones y determinar qué información adicional necesita, es decir, qué preguntas hacer, utilizando símbolos legibles por humanos.
Los opositores al enfoque simbólico incluyen a los roboticistas como Rodney Brooks , que tiene como objetivo producir robots autónomos sin representación simbólica (o con solo una representación mínima) e investigadores de inteligencia computacional , que aplican técnicas como las redes neuronales y la optimización para resolver problemas en el aprendizaje y el control de máquinas. ingenieria .
La IA simbólica estaba destinada a producir inteligencia general similar a la humana en una máquina, mientras que la mayoría de las investigaciones modernas se dirigen a subproblemas específicos. La investigación sobre inteligencia general ahora se estudia en el subcampo de la inteligencia general artificial .
Las máquinas se diseñaron inicialmente para formular salidas basadas en las entradas que estaban representadas por símbolos. Los símbolos se utilizan cuando la entrada es definida y está bajo certeza. Pero cuando hay incertidumbre involucrada, por ejemplo en la formulación de predicciones, la representación se realiza mediante redes neuronales artificiales . [3] Recientemente, se han realizado esfuerzos estructurados para integrar los enfoques simbólico y conexionista de la IA bajo el paraguas de la computación neuronal-simbólica. Como argumentan Valiant y muchos otros [4], la construcción eficaz de modelos cognitivos computacionales ricos exige la combinación de un razonamiento simbólico sólido y modelos de aprendizaje (de máquina) eficientes.
Búsqueda de espacio de estado
Un sistema de IA simbólico se puede realizar como un micromundo, por ejemplo , un mundo de bloques . El micromundo representa el mundo real en la memoria de la computadora. Se describe con listas que contienen símbolos y el agente inteligente utiliza operadores para llevar el sistema a un nuevo estado. [5] El sistema de producción es el software que busca en el espacio de estados la siguiente acción del agente inteligente. Los símbolos para representar el mundo se basan en la percepción sensorial. A diferencia de las redes neuronales, el sistema general funciona con heurísticas, lo que significa que el conocimiento específico del dominio se utiliza para mejorar la búsqueda del espacio de estados .
La Inteligencia Artificial Simbólica fue rechazada por Hubert Dreyfus , porque la consideró adecuada solo para problemas de juguetes , y pensó que construir sistemas más complejos o escalar la idea hacia un software útil no sería posible. [6] El mismo argumento se dio en el informe Lighthill , que inició AI Winter a mediados de la década de 1970. [7]
Ver también
Referencias
- ^ Haugeland, John (1985), Inteligencia artificial: la idea misma , Cambridge, Mass: MIT Press, ISBN 0-262-08153-9
- ^ Kosko, Bart (1993). Pensamiento difuso . Hyperion. ISBN 978-0786880218.
- ^ Vasant Honavar. Inteligencia artificial simbólica y redes neuronales artificiales numéricas: hacia una resolución de la dicotomía . La Serie Internacional Springer en Ingeniería y Ciencias de la Computación. Springer EE. UU. págs. 351–388. doi : 10.1007 / 978-0-585-29599-2_11 .
- ^ 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: Aprendizaje neural-simbólico y Razonamiento: aportes y retos. Simposios de primavera de AAAI 2015, Stanford, AAAI Press.
- ^ Honavar, Vasant; Uhr, Leonard (1994). Inteligencia artificial simbólica, redes conexionistas y más allá (Informe técnico). Repositorio digital de la Universidad Estatal de Iowa, Informes técnicos de ciencias de la computación. 76. p. 6.
- ^ Dreyfus, Hubert L (1981). "De los micro-mundos a la representación del conocimiento: IA en un callejón sin salida" (PDF) . Diseño mental . MIT Press, Cambridge, MA: 161-204.
- ^ Xifan Yao y Jiajun Zhou y Jiangming Zhang y Claudio R. Boer (2017). De la fabricación inteligente a la fabricación inteligente para la industria 4.0 impulsada por la inteligencia artificial de próxima generación y más . 2017 5ta Conferencia Internacional de Sistemas Empresariales (ES). IEEE. doi : 10.1109 / es.2017.58 .