Giới thiệu về lĩnh vực AI neuro-symbolic đang nổi lên

Ngày nay, nhờ sự phát triển nhanh chóng của trí tuệ nhân tạo (AI) và khả năng tiếp cận ngày càng rộng rãi với năng lực tính toán, các model AI tiên tiến đang được phát hành nhanh hơn bao giờ hết. Trên thực tế, lĩnh vực AI đang thúc đẩy những đổi mới có ý nghĩa trong nhiều ngành.

Ví dụ, trong lĩnh vực chăm sóc sức khỏe, các hệ thống AI được sử dụng để hỗ trợ những tác vụ như phân tích ảnh y khoa nhằm chẩn đoán sớm. Tuy nhiên, giống như mọi công nghệ, AI có những hạn chế.

Một mối lo ngại lớn là tính minh bạch. Ví dụ, một model phát hiện đối tượng có thể xác định chính xác vị trí khối u trong ảnh chụp MRI não, nhưng rất khó hiểu cách model đi đến kết luận đó. Sự thiếu khả năng giải thích này khiến bác sĩ và nhà nghiên cứu khó hoàn toàn tin cậy hoặc xác thực các kết quả AI hơn.

Đó chính là lý do lĩnh vực mới nổi của AI thần kinh–ký hiệu ngày càng nhận được nhiều sự quan tâm. AI thần kinh–ký hiệu kết hợp thế mạnh nhận dạng mẫu của deep learning với khả năng suy luận có cấu trúc, dựa trên luật của AI ký hiệu. Mục tiêu là tạo ra các hệ thống đưa ra dự đoán chính xác nhưng cũng có thể giải thích quá trình suy luận theo cách con người có thể hiểu.

Trong bài viết này, chúng ta sẽ tìm hiểu cách trí tuệ nhân tạo thần kinh–ký hiệu hoạt động và cách nó kết hợp việc học với suy luận để xây dựng các hệ thống minh bạch hơn, có khả năng nhận biết ngữ cảnh. Hãy bắt đầu!

Hai khía cạnh của AI thần kinh–ký hiệu: Học và suy luận#

Trước khi đi sâu vào AI thần kinh–ký hiệu, hãy cùng xem xét kỹ hơn hai lĩnh vực con mà nó kết hợp: deep learning và AI ký hiệu.

Deep learning tập trung vào việc nhận dạng các mẫu trong dữ liệu, trong khi AI ký hiệu sử dụng luật, logic hoặc kiến thức thông thường để suy luận qua các vấn đề. Mỗi phương pháp đều có thế mạnh nhưng cũng có hạn chế. Bằng cách kết hợp chúng, AI thần kinh–ký hiệu tạo ra các hệ thống vừa có thể học từ dữ liệu vừa giải thích quyết định của mình rõ ràng hơn.

Tổng quan về deep learning#

Deep learning là một nhánh của machine learning, sử dụng các mạng neural nhân tạo lấy cảm hứng tương đối từ cách bộ não xử lý thông tin. Các mạng này học bằng cách phân tích lượng dữ liệu lớn và điều chỉnh các kết nối bên trong để cải thiện hiệu suất.

Điều này cho phép chúng nhận dạng mẫu trong hình ảnh, âm thanh và văn bản mà không cần các luật được xây dựng thủ công cho mọi tình huống. Vì vậy, deep learning rất hiệu quả đối với các tác vụ tập trung vào nhận thức như nhận dạng hình ảnh, xử lý giọng nói và dịch ngôn ngữ.

Một ví dụ điển hình là model computer vision được huấn luyện để phân đoạn các đối tượng trong hình ảnh. Với đủ ví dụ được gán nhãn, model có thể học cách tách đường sá, phương tiện và người đi bộ trong cảnh quay giao thông theo thời gian thực.

Tuy nhiên, dù có độ chính xác cao, các model deep learning thường gặp khó khăn khi giải thích rõ cách chúng đi đến một kết quả cụ thể. Thách thức này, thường được gọi là vấn đề hộp đen, khiến người dùng khó diễn giải hoặc xác minh các quyết định của model hơn, đặc biệt trong những lĩnh vực nhạy cảm như chăm sóc sức khỏe hoặc tài chính. Đây là vấn đề quan trọng vì AI có trách nhiệm đòi hỏi tính minh bạch, sự tin cậy và khả năng hiểu lý do model đưa ra một dự đoán nhất định.

Tìm hiểu về AI ký hiệu#

AI ký hiệu tiếp cận trí tuệ và việc ra quyết định theo cách có cấu trúc hơn. Nó biểu diễn kiến thức bằng các ký hiệu và áp dụng các luật logic để xử lý kiến thức đó, tương tự cách chúng ta sử dụng suy luận và ngôn ngữ để giải quyết vấn đề. Mỗi bước trong quá trình suy luận đều được xác định, khiến các quyết định của AI ký hiệu trở nên minh bạch và dễ giải thích hơn.

Kiến thức ký hiệu đặc biệt phù hợp với các tác vụ tuân theo những luật rõ ràng và được xác định cụ thể, chẳng hạn như lập kế hoạch, lập lịch hoặc quản lý kiến thức có cấu trúc. Tuy nhiên, AI ký hiệu gặp khó khăn với dữ liệu phi cấu trúc hoặc các tình huống không khớp gọn gàng với những danh mục được định nghĩa trước.

Một ví dụ phổ biến về các phương pháp ký hiệu trong thực tế là những chương trình cờ vua thời kỳ đầu. Chúng tuân theo các luật được xây dựng thủ công và chiến lược cố định thay vì học từ những ván đấu trước hoặc thích ứng với các đối thủ khác nhau. Vì vậy, lối chơi của chúng thường cứng nhắc và dễ đoán.

Hình 1. Cấu trúc của AI và các lĩnh vực con. (Hình ảnh do tác giả thực hiện)

AI thần kinh–ký hiệu là gì?#

Trong những năm 2010, khi deep learning được áp dụng rộng rãi hơn, các nhà nghiên cứu bắt đầu tìm cách vượt ra ngoài việc nhận dạng mẫu đơn thuần để hướng tới việc hiểu các mối quan hệ và ngữ cảnh. Sự chuyển dịch này cho phép các model AI không chỉ phát hiện các đối tượng trong một cảnh, chẳng hạn một con mèo và một tấm thảm, mà còn diễn giải mối quan hệ giữa chúng, ví dụ nhận biết rằng con mèo đang ngồi trên tấm thảm.

Tuy nhiên, tiến bộ này cũng làm nổi bật một hạn chế cốt lõi. Các model deep learning có thể nhận dạng mẫu cực kỳ tốt, nhưng thường gặp khó khăn khi giải thích quá trình suy luận hoặc xử lý những tình huống chưa từng biết. Sự quan tâm trở lại đối với suy luận đã đưa các nhà nghiên cứu quay về một lĩnh vực tồn tại từ những năm 1980: AI thần kinh–ký hiệu.

AI thần kinh–ký hiệu tích hợp deep learning và AI ký hiệu. Nó cho phép các model học từ ví dụ theo cách deep learning thực hiện, đồng thời áp dụng logic và suy luận như AI ký hiệu.

Nói đơn giản, AI thần kinh–ký hiệu có thể nhận dạng thông tin, hiểu ngữ cảnh và đưa ra lời giải thích rõ ràng hơn cho các quyết định của mình. Phương pháp này đưa chúng ta đến gần hơn với việc phát triển các hệ thống AI hoạt động đáng tin cậy và giống con người hơn.

Hình 2. Tìm hiểu AI thần kinh–ký hiệu (Hình ảnh do tác giả thực hiện)

Nền tảng về cách AI thần kinh–ký hiệu hoạt động#

Một kiến trúc thần kinh–ký hiệu kết hợp việc học và suy luận trong một framework duy nhất. Kiến trúc này thường gồm ba phần chính: lớp nhận thức neural diễn giải dữ liệu thô, lớp suy luận ký hiệu áp dụng logic và lớp tích hợp kết nối hai lớp còn lại. Tiếp theo, chúng ta sẽ xem xét kỹ hơn từng lớp.

Lớp nhận thức neural#

Thành phần nhận thức neural xử lý dữ liệu phi cấu trúc như hình ảnh, video, văn bản hoặc âm thanh, rồi chuyển đổi dữ liệu đó thành các biểu diễn nội bộ mà hệ thống có thể xử lý. Thành phần này thường sử dụng các model deep learning để phát hiện mẫu và xác định đối tượng hoặc đặc trưng trong đầu vào. Ở giai đoạn này, hệ thống nhận biết những gì hiện diện trong dữ liệu nhưng chưa suy luận về ý nghĩa, mối quan hệ hoặc ngữ cảnh.

Dưới đây là một số loại model deep learning phổ biến được sử dụng trong lớp này:

• Mạng neural tích chập (CNNs): Đây là một loại mạng neural được thiết kế để xử lý dữ liệu dạng lưới như hình ảnh. CNNs sử dụng các bộ lọc tích chập để quét qua hình ảnh và phát hiện những mẫu như cạnh, kết cấu và hình dạng. Bằng cách xếp chồng các mẫu này, chúng học cách nhận dạng những đối tượng như ô tô, trái cây và con người.
• Transformers: Transformers là các model được thiết kế để hiểu cách những phần khác nhau của đầu vào liên hệ với nhau. Thay vì đọc thông tin строго theo thứ tự, chúng có thể xem xét nhiều phần dữ liệu cùng lúc và xác định phần nào quan trọng nhất. Điều này giúp chúng hiểu ngữ cảnh trong văn bản, hình ảnh hoặc cả hai. Nhờ tính linh hoạt này, Transformers là kiến trúc cốt lõi đứng sau hầu hết các model ngôn ngữ hiện đại và nhiều hệ thống vision-language.
• Mạng neural hồi quy (RNNs): Loại model này được thiết kế để phân tích dữ liệu tuần tự như tín hiệu giọng nói hoặc chuỗi thời gian. Nó lưu giữ thông tin ghi nhớ về các đầu vào trước đó, nghĩa là các dự đoán có thể tính đến ngữ cảnh theo thời gian.

Sau cùng, các model neural này trích xuất và biểu diễn những đặc trưng có ý nghĩa từ dữ liệu thô. Đầu ra này sau đó trở thành đầu vào cho lớp suy luận ký hiệu, nơi diễn giải và suy luận về những gì hệ thống đã phát hiện.

Lớp suy luận ký hiệu#

Lớp suy luận ký hiệu tiếp nhận thông tin do lớp nhận thức neural tạo ra và diễn giải thông tin đó bằng logic. Thay vì chỉ dựa trên các mẫu, lớp này dựa vào những thành phần như luật, knowledge graph, knowledge base và ontology (các mô tả có tổ chức về những khái niệm và mối quan hệ giữa chúng). Các thành phần này giúp hệ thống hiểu cách những yếu tố khác nhau kết hợp với nhau và hành động nào là hợp lý trong một tình huống nhất định.

Ví dụ, trong một xe tự lái, lớp nhận thức neural có thể nhận biết đèn giao thông màu đỏ trong luồng hình ảnh từ camera. Sau đó, lớp suy luận ký hiệu có thể áp dụng một luật như: “Nếu đèn màu đỏ, phương tiện phải dừng lại.” Vì quá trình suy luận dựa trên các luật rõ ràng, quyết định của hệ thống dễ giải thích và xác minh hơn, điều đặc biệt quan trọng trong những tình huống đòi hỏi an toàn và trách nhiệm giải trình.

Lớp tích hợp#

Lớp tích hợp kết nối lớp nhận thức neural với lớp suy luận ký hiệu, bảo đảm việc học và suy luận hoạt động cùng nhau. Theo một hướng, lớp này chuyển đổi đầu ra từ các model neural (chẳng hạn phát hiện người đi bộ) thành các biểu diễn ký hiệu mô tả đối tượng và thuộc tính của đối tượng.

Theo hướng ngược lại, lớp này tiếp nhận các luật ký hiệu (ví dụ: “phương tiện phải dừng lại nếu có người đi bộ trên vạch sang đường”) và chuyển chúng thành các tín hiệu định hướng cho các model neural. Quá trình này có thể bao gồm làm nổi bật các khu vực liên quan trong hình ảnh, tác động đến attention hoặc định hình các đường dẫn ra quyết định của model.

Trao đổi hai chiều này tạo thành một vòng lặp phản hồi. Phía neural nhận được cấu trúc và khả năng diễn giải từ các luật ký hiệu, trong khi phía ký hiệu có thể thích ứng hiệu quả hơn dựa trên dữ liệu thực tế. Các kỹ thuật như mạng neural logic (LNNs) giúp thúc đẩy tương tác này bằng cách nhúng trực tiếp các ràng buộc logic vào kiến trúc neural.

Bằng cách liên kết nhận thức và suy luận theo cách này, AI thần kinh–ký hiệu có thể tạo ra các quyết định vừa chính xác vừa dễ diễn giải hơn. Nhiều nhà nghiên cứu xem phương pháp này là một bước đầy hứa hẹn hướng tới AI đáng tin cậy hơn, phù hợp hơn với con người và có khả năng là nền tảng cho những tiến bộ trong tương lai hướng tới trí tuệ nhân tạo tổng quát (AGI).

Các ứng dụng của AI thần kinh–ký hiệu#

Giờ đây, khi đã hiểu rõ hơn AI thần kinh–ký hiệu là gì và cách nó hoạt động, hãy cùng xem xét một số trường hợp sử dụng trong thực tế.

Lái xe an toàn hơn: Từ nhìn thấy người đi bộ đến hiểu họ#

Các phương tiện tự hành cần hiểu môi trường xung quanh để vận hành an toàn. Chúng sử dụng những công nghệ như computer vision để phát hiện người đi bộ, phương tiện, vạch làn đường và biển báo giao thông.

Mặc dù các model deep learning có thể xác định chính xác những đối tượng này, chúng không phải lúc nào cũng hiểu ý nghĩa của các đối tượng trong ngữ cảnh hoặc cách chúng liên hệ với nhau trong một tình huống thực tế. Chẳng hạn, một model neural có thể nhận biết người đi bộ trên vạch sang đường nhưng không thể biết người đó sắp sang đường hay chỉ đang đứng chờ.

AI thần kinh–ký hiệu cố gắng thu hẹp khoảng cách này bằng cách cho phép phương tiện tự lái kết hợp nhận dạng hình ảnh với suy luận logic, nhờ đó có thể diễn giải tình huống thay vì chỉ xác định đối tượng. Các nghiên cứu AI gần đây cho thấy những hệ thống kết hợp nhận thức neural với các luật ký hiệu có thể cải thiện dự đoán hành vi người đi bộ.

Trong các hệ thống này, thành phần neural phân tích những dấu hiệu trực quan như tư thế, chuyển động và vị trí của người đi bộ. Sau đó, thành phần ký hiệu áp dụng các luật logic, xem xét những yếu tố như người đó có ở gần vạch sang đường hay không hoặc tín hiệu giao thông hiện tại đang biểu thị điều gì.

Bằng cách kết hợp hai góc nhìn này, hệ thống thần kinh–ký hiệu có thể làm được nhiều hơn việc chỉ phát hiện người đi bộ. Hệ thống có thể đưa ra dự đoán hợp lý về khả năng người đi bộ sẽ sang đường và giải thích lý do đưa ra quyết định đó. Điều này tạo ra hành vi an toàn hơn và minh bạch hơn ở các phương tiện tự hành.

Hình 3. Đưa ra dự đoán dựa trên hành vi người đi bộ được quan sát bằng AI thần kinh–ký hiệu. (Nguồn)

Diễn giải logic trong visual question answering#

Một ứng dụng quan trọng khác của AI thần kinh–ký hiệu là visual question answering (VQA). Các hệ thống VQA được thiết kế để trả lời câu hỏi về hình ảnh.

Công nghệ này kết hợp các model ngôn ngữ lớn (LLMs) và các model thị giác để thực hiện suy luận đa phương thức, kết hợp những gì hệ thống nhìn thấy với những gì nó hiểu. Ví dụ, nếu một hệ thống VQA được hiển thị một hình ảnh và hỏi “Cốc có ở trên bàn không?”, hệ thống không chỉ phải nhận dạng các đối tượng mà còn phải hiểu mối quan hệ giữa chúng. Hệ thống cần xác định liệu chiếc cốc có thực sự nằm trên mặt bàn trong khung cảnh hay không.

Một nghiên cứu gần đây đã chứng minh cách AI thần kinh–ký hiệu có thể nâng cao VQA bằng cách tích hợp nhận thức neural với suy luận ký hiệu. Trong hệ thống được đề xuất, mạng neural trước tiên phân tích hình ảnh để nhận dạng các đối tượng và thuộc tính của chúng, chẳng hạn như màu sắc, hình dạng hoặc kích thước.

Sau đó, thành phần suy luận ký hiệu áp dụng các luật logic để diễn giải mối quan hệ giữa những đối tượng này và trả lời câu hỏi. Nếu được hỏi “Có bao nhiêu hình trụ màu xám trong cảnh?”, phần neural xác định tất cả hình trụ và màu sắc của chúng, còn phần ký hiệu lọc chúng theo tiêu chí rồi đếm những hình trụ phù hợp.

Hình 4. Ví dụ về các tình huống VQA cần đến kiến thức trừu tượng và logic. (Nguồn)

Các nghiên cứu như vậy cho thấy VQA thần kinh–ký hiệu có thể vượt ra ngoài việc chỉ cung cấp câu trả lời. Vì model có thể hiển thị các bước dẫn đến kết luận, nó hỗ trợ AI có khả năng giải thích, trong đó hệ thống đưa ra dự đoán và biện minh cho quá trình suy luận theo cách con người có thể hiểu.

Ưu điểm và nhược điểm của AI thần kinh–ký hiệu#

Dưới đây là một số lợi ích chính của việc sử dụng AI thần kinh–ký hiệu:

• Khả năng suy luận mạnh hơn: Không giống các model deep learning thuần túy, AI thần kinh–ký hiệu có thể thực hiện những tác vụ đòi hỏi suy luận nhiều bước, lập kế hoạch, tuân theo luật và xử lý các lĩnh vực kiến thức có cấu trúc, vốn là thế mạnh truyền thống của AI ký hiệu.
• Khả năng thích ứng: Các hệ thống này hoạt động tốt trên những tác vụ mới hoặc chưa từng thấy vì chúng có thể suy luận logic vượt ra ngoài dữ liệu đã được huấn luyện. Thay vì chỉ ghi nhớ dữ liệu, chúng hiểu các mối quan hệ và mẫu.
• Khả năng chống chịu với nhiễu và sự mơ hồ: Các ràng buộc logic có thể giúp ngăn lỗi khi dữ liệu nhiễu, không đầy đủ hoặc mơ hồ. Lớp suy luận có thể thực thi các luật để định hướng hoặc hiệu chỉnh những dự đoán neural.

Dù có nhiều tiềm năng, AI thần kinh–ký hiệu vẫn đang phát triển và đi kèm một số thách thức thực tế. Dưới đây là một số hạn chế chính:

• Tích hợp phức tạp: Mặc dù framework hybrid này mang lại khả năng diễn giải mạnh, việc thiết kế các thuật toán hợp nhất nhận thức và suy luận vẫn là một thách thức.
• Khả năng mở rộng: Suy luận ký hiệu có thể trở nên chậm hoặc tiêu tốn nhiều tài nguyên tính toán khi xử lý các knowledge graph lớn hoặc những bộ luật phức tạp. Điều này có thể khiến các ứng dụng thời gian thực như lái xe tự hành, xử lý video hoặc suy luận kiến thức quy mô lớn khó được triển khai hiệu quả hơn.
• Độ bền vững của suy luận: Nếu các luật ký hiệu quá cứng nhắc, hệ thống có thể gặp khó khăn trong những tình huống thực tế mơ hồ hoặc khó dự đoán. Việc cân bằng giữa khả năng học linh hoạt và suy luận đáng tin cậy vẫn là một thách thức đang tiếp diễn.

Những điểm chính#

AI thần kinh–ký hiệu là một bước tiến quan trọng hướng tới việc xây dựng các hệ thống AI không chỉ có thể nhận thức thế giới mà còn suy luận về thế giới và giải thích các quyết định của mình. Không giống các hệ thống deep learning truyền thống, vốn chủ yếu dựa vào những mẫu học được từ dữ liệu, AI thần kinh–ký hiệu kết hợp học thống kê với logic và kiến thức có cấu trúc. Thay vì thay thế deep learning, phương pháp này xây dựng trên nền tảng của deep learning, đưa chúng ta tiến gần hơn một chút đến việc phát triển AI có thể hiểu và suy luận theo cách giống con người hơn.

Hãy tham gia cộng đồng của chúng tôi và khám phá repository GitHub. Xem các trang giải pháp của chúng tôi để tìm hiểu nhiều ứng dụng khác nhau của AI trong nông nghiệp và computer vision trong chăm sóc sức khỏe. Khám phá các tùy chọn cấp phép và bắt đầu xây dựng dự án vision AI của bạn!