Un modello di IA ibrido gli consente di ragionare sulla fisica del mondo come un bambino

Categoria: Intelligenza artificiale Inserito 06 marzo

Un nuovo set di dati rivela quanto l'IA sia pessima nel ragionare e suggerisce che un nuovo approccio ibrido potrebbe essere il modo migliore per andare avanti.

Domande, domande: Conosciuto come CLEVER, il set di dati è composto da 20.000 brevi video clip sintetici e più di 300.000 accoppiamenti di domande e risposte che ragionano sugli eventi nei video. Ogni video mostra un semplice mondo di oggetti giocattolo che si scontrano tra loro seguendo la fisica simulata. In uno, una palla di gomma rossa colpisce un cilindro di gomma blu, che continua a colpire un cilindro di metallo.

Le domande si dividono in quattro categorie: descrittive (ad esempio, che forma ha l'oggetto che entra in collisione con il cilindro ciano?), esplicative (qual è il responsabile della collisione del cilindro grigio con il cubo?), predittive (quale evento accadrà dopo?) , e controfattuale (senza l'oggetto grigio, quale evento non si verificherà?). Le domande rispecchiano molti dei concetti che i bambini imparano all'inizio mentre esplorano l'ambiente circostante. Ma le ultime tre categorie, che richiedono specificamente un ragionamento causale per rispondere, spesso ostacolano i sistemi di deep learning.

Fallire: Il set di dati, creato dai ricercatori di Harvard, DeepMind e MIT-IBM Watson AI Lab, ha lo scopo di aiutare a valutare quanto bene i sistemi di intelligenza artificiale possono ragionare. Quando i ricercatori testato diversi modelli di computer vision e linguaggio naturale all'avanguardia con il set di dati, hanno scoperto che tutti hanno funzionato bene sulle domande descrittive ma male sulle altre.

Mescolando il vecchio e il nuovo: Il team ha quindi provato un nuovo sistema di intelligenza artificiale che combina sia il deep learning che la logica simbolica. I sistemi simbolici erano di gran moda prima che lo fossero eclissato dall'apprendimento automatico alla fine degli anni '80. Ma entrambi gli approcci hanno i loro punti di forza: il deep learning eccelle nella scalabilità e nel riconoscimento dei modelli; i sistemi simbolici sono più bravi nell'astrazione e nel ragionamento.

Il sistema composito, noto come modello neuro-simbolico, sfrutta entrambi: utilizza una rete neurale per riconoscere i colori, le forme e i materiali degli oggetti e un sistema simbolico per comprendere la fisica dei loro movimenti e le relazioni causali tra di loro. Ha superato i modelli esistenti in tutte le categorie di domande.

Perchè importa: Da bambini impariamo a osservare il mondo che ci circonda, a dedurre perché sono accadute le cose e fare previsioni su ciò che accadrà dopo. Queste previsioni ci aiutano a prendere decisioni migliori, a navigare nei nostri ambienti e a rimanere al sicuro. Replicare quel tipo di comprensione causale nelle macchine le equipaggerà allo stesso modo per interagire con il mondo in un modo più intelligente.