Oletame, et mängite jalgpalli. Pall jõuab teie jalgade ette ja te otsustate selle sööta märgistamata ründajale. See, mis tundub ühe lihtsa toiminguna, nõuab kahte erinevat mõtlemist.
Esiteks tunnete ära, et teie jalge ees on jalgpall. See äratundmine nõuab intuitiivset tajumõtlemist – te ei saa lihtsalt sõnastada, kuidas saate teada, et teie jalge ees on pall, vaid näete, et see on seal. Teiseks otsustate sööta palli konkreetsele ründajale. See otsus nõuab kontseptuaalset mõtlemist. Teie otsus on seotud põhjendusega – põhjus, miks te palli ründajale söötsite, oli see, et ta oli märkimata.
Eristamine on meie jaoks huvitav, kuna need kaks mõtlemisviisi vastavad kahele erinevale masinõppe lähenemisviisile: sügavõpe ja sümboolne programmi süntees. Süvaõpe keskendub intuitiivsele tajumõtlemisele, sümboolse programmi süntees aga kontseptuaalsele reeglipõhisele mõtlemisele. Igal süsteemil on erinevad eelised – süvaõppesüsteemid on vastupidavad mürarikastele andmetele, kuid neid on raske tõlgendada ja nende treenimiseks on vaja suuri andmemahtusid, samas kui sümboolseid süsteeme on palju lihtsam tõlgendada ja need nõuavad vähem koolitusandmeid, kuid võitlevad mürarikaste andmetega. Kuigi inimese tunnetus ühendab sujuvalt Nende kahe erineva mõtteviisi tõttu on palju vähem selge, kas või kuidas on võimalik seda ühes AI-süsteemis korrata.
Meie uus paber, avaldati hiljuti ajakirjas JAIR, näitab, et süsteemidel on võimalik ühendada intuitiivne taju ja kontseptuaalne tõlgendatav arutluskäik. Meie kirjeldatud süsteem ∂ILP on mürakindel, andmesäästlik ja loob tõlgendatavaid reegleid.
Allikas: https://deepmind.com/blog/article/learning-explanatory-rules-noisy-data