상징적 AI

상징적 AI(GOFAI)라고도 불리는 심볼릭 AI는 인공 지능(AI)의 한 분야로 사람이 읽을 수 있는 높은 수준의 문제 표현과 정보를 처리하는 명시적인 규칙에 의존합니다. 현대의 대규모 데이터 세트에서 패턴을 학습하는 데이터 기반 접근 방식과 달리, 심볼릭 AI는 다음과 같은 전제를 바탕으로 구축되었습니다. 논리적 규칙을 사용하여 기호를 조작함으로써 지능을 얻을 수 있다는 전제를 기반으로 합니다. 이 패러다임은 1950년대부터 1980년대까지 AI 연구를 지배했으며, 1950년대부터 1980년대까지 다음과 같은 선구자들에 의해 옹호되었습니다. 존 매카시와 같은 선구자들이 옹호했으며, 오늘날에도 오늘날에도 논리적 제약과 명확한 해석 가능성을 엄격하게 준수해야 하는 애플리케이션에서 여전히 높은 연관성을 유지하고 있습니다.

심볼릭 시스템의 핵심 구성 요소

상징적 AI 시스템은 명시적으로 정의된 지식을 처리하여 인간의 추론을 모방합니다. 일반적으로 다음 두 가지로 구성됩니다. 주요 아키텍처 구성 요소:

• 지식 베이스: 세상에 대한 사실과 정보를 담고 있는 중앙 저장소로, 종종 구조화된 지식 그래프 또는 IF-THEN 문으로 구성됩니다. 이 데이터베이스는 시스템 인텔리전스의 '무엇'을 나타냅니다.
• 추론 엔진: 지식창고에 논리적 규칙을 적용하여 새로운 정보나 결정을 추론하기 위해 새로운 정보를 추론하거나 결정을 내리는 처리 장치입니다. 연역적 추론을 사용하여 연역적 추론을 사용하여 엔진은 기호를 탐색하여 기호를 탐색하여 결론에 도달하고, 입력에 따라 결과를 수학적으로 증명할 수 있는지 확인합니다.

이 구조는 높은 수준의 설명 가능한 AI(XAI)를 구현할 수 있습니다. 의사 결정 경로를 적용한 규칙을 통해 단계별로 추적할 수 있기 때문입니다.

상징적 AI와 통계적 AI 비교

현대의 AI 환경을 이해하려면 심볼릭 AI를 다음과 같이 구분하는 것이 중요합니다. 통계적 AI.

• 심볼릭 AI는 하향식 접근 방식을 채택합니다. 프로그래머는 시스템의 규칙을 명시적으로 코딩합니다. It 추상적 추론, 수학, 계획에는 뛰어나지만 원시 픽셀이나 오디오와 같은 모호하고 복잡한 비정형 데이터는 원시 픽셀이나 오디오와 같은 모호하고 복잡한 비정형 데이터에는 어려움을 겪습니다.
• 통계적 AI에는 다음이 포함됩니다. 머신러닝(ML) 및 딥러닝(DL)을 포함하는 통계 AI는 상향식 접근 방식을 사용합니다. 다음과 같은 모델 컨볼루션 신경망(CNN) 과 같은 모델은 학습 데이터에서 암묵적으로 패턴을 학습합니다. 패턴을 암시적으로 학습합니다.

동안 YOLO11 모델은 수천 개의 객체 감지에 탁월하지만 이미지로부터 학습하여 물체 감지를 수행하는 데 탁월하지만, 순수 기호 시스템에서는 물체의 모든 가능한 시각적 변형에 대한 규칙을 수동으로 작성하는 것이 불가능하기 때문입니다.

실제 애플리케이션

신경망의 부상에도 불구하고 심볼릭 AI는 여전히 널리 사용되고 있으며, 종종 다른 방법과 함께 사용됩니다.

1. 전문가 시스템: 인간 전문가의 의사 결정 능력을 모방하도록 설계된 최초의 성공적인 상용 AI 제품으로 인간 전문가의 의사결정 능력을 모방하도록 설계되었습니다. 다음과 같은 시스템 MYCIN은 수백 개의 규칙을 사용하여 박테리아 감염을 진단합니다. 감염을 진단합니다. 오늘날에는 유사한 로직이 비즈니스 규칙 엔진 을 통해 대출 자격을 자동으로 결정합니다.
2. 로봇 공학 및 계획: In 자율 주행 차량 및 로봇 공학에서 높은 수준의 계획은 종종 상징적입니다. 신경망은 도로에 대한 인식을 처리할 수 있지만, 심볼릭 플래너는 논리를 사용하여 논리를 사용하여 "신호등이 빨간색이면 정지" 또는 "보행자에게 양보"와 같은 동작을 결정하여 안전 제약 조건을 충족합니다.
3. 자연어 처리(NLP): 초기 자연어 처리(NLP) 은 상징적 문법 규칙에 크게 의존했습니다. 다음과 같은 최신 시스템은 대규모 언어 모델(LLM) 과 같은 최신 시스템은 통계적이지만 최근의 추세는 신경 기호적 AI는 LLM의 유창함과 사실적 신뢰성 의 유창함과 기호 논리의 사실적 신뢰성을 결합하여 환각.

하이브리드 신경심리학적 워크플로

오늘날 심볼릭 AI를 사용하는 가장 강력한 방법 중 하나는 통계 모델과 결합하는 것입니다. 이 접근 방식은 은 딥러닝의 인식 기능과 기호 시스템의 논리적 추론을 활용합니다.

예를 들어, 통계 모델을 사용하여 개체를 detect 다음 기호 규칙을 적용하여 이러한 감지할 수 있습니다.

from ultralytics import YOLO

# Load a statistical model (YOLO11) for visual perception
model = YOLO("yolo11n.pt")

# Perform inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Apply Symbolic Logic (Rule-based reasoning) on top of statistical predictions
# Rule: If a 'person' is detected with high confidence (>0.8), trigger a specific action.
for result in results:
    for box in result.boxes:
        if box.cls == 0 and box.conf > 0.8:  # Class 0 is 'person' in COCO dataset
            print(f"Action Triggered: High-confidence person detected at {box.xywh}")

장점 및 제한 사항

심볼릭 AI의 가장 큰 장점은 투명성입니다. 의료나 금융과 같은 산업에서는 AI 윤리 및 규정 준수가 가장 중요한 의료나 금융 산업에서는 결정의 이면에 있는 규칙을 결정 이면의 규칙을 감사할 수 있다는 것은 매우 중요합니다. 또한, 심볼릭 시스템은 방대한 양의 빅데이터가 필요하지 않습니다. 방대한 양의 빅 데이터가 필요하지 않습니다. 규칙만 있으면 됩니다.

그러나 '지식 습득 병목 현상'은 중요한 한계입니다. 필요한 모든 지식을 수동으로 인코딩하여 규칙으로 인코딩하는 것은 시간이 많이 걸리고 깨지기 쉽습니다. 시스템은 실수로부터 학습하거나 새로운 환경에 적응할 수 없습니다. 사람의 개입 없이는 실수로부터 학습하거나 새로운 환경에 적응할 수 없습니다. 프레임 문제. 이러한 경직성 때문에 현대의 AI 연구 하이브리드 접근 방식을 선호하는 이유입니다. 학습을 위한 신경망과 기호 논리 을 통합하는 하이브리드 접근 방식을 선호하는 이유입니다.