10184

مروري بر روش هاي استدلال بر روي گراف دانش

1400-1401

دكتر بهروز مينايي بيدگلي

دكتر علي فرجامي

الگوريتم هاي ارائه شده در موج دوم هوش مصنوعي كه از آن تحت عنوان هاي شبكه هاي عصبي و يادگيري عميق نام برده مي شود، توانسته اند به دقت ها و عملكردهاي بسيار مناسب در وظايف مربوط به حوزه هاي تصوير، ويديو و متن برسند. اما اشكال اساسي اين الگوريتم ها و سامانه ها عدم توانايي در ايجاد توضيح براي يك خروجي توليد شده و بيان استدلال نحوه ي به دست آوردن آن است. توضيح پذير نبودن اين سامانه ها باعث شده است كه نتوان از آنها در كاربردهايي مانند پزشكي و قضاوت كه مستقيم با جان انسان ها سروكار دارند، استفاده مناسب و موثر داشت. براي اينكه بتوان سامانه هايي هوشمند با قدرت سامانه هاي امروزه داشت، و همچنين توانايي توضيح پذيري را به آنها اضافه كرد، بايد از تركيب روش هاي عصبي فعلي و سامانه ها و استدلالگرهاي خودكار منطقي استفاده كرد. به اين تركيب ذكر شده به اصطلاح هوش مصنوعي نمادي-عصبي گفته مي شود و هدف اين است كه با ساخت اين سامانه ها مزايا و قدرت هاي دو دنياي موجود يعني روش هاي عصبي و روش هاي نمادي را تركيب كرد. همچنين براي اينكه سامانه هاي هوشمند بتوانند عمل استدلال را به صورت مناسب و دقيق تر انجام دهند، نياز دارند كه دانش دنياي واقعي به صورت جامع و مناسب در اختيار آنها قرار گرفته باشد. با استفاده از گراف هاي دانش مي توان دانش دنياي واقعي را به صورت مناسب در اختيار سامانه هاي هوشمند قرار داد. در سال هاي اخير توجهات بسياري به گراف هاي دانش براي ذخيره سازي داده ها شده است و گراف هاي مشهور و بزرگي كه داراي ميليون ها و حتي ميلياردها حقيقت هستند، ساخته شده است. در اين نوع ذخيره سازي داده ها تلاش مي شود دانش دنياي واقعي در قالب موجوديت ها و ارتباطات بين آنها ذخيره و نمايش داده شود. سامانه ها مي توانند با استدلال بر روي اين گراف هاي دانش تصميمات منطقي و توضيح پذير اخذ كنند.

12/1/2021 12:00:00 AM

73292

1400/09/20

An Overview of Reasoning Methods on the Knowledge Graph

توضيح پذيري , هوش مصنوعي توضيح پذير , هوش مصنوعي نمادي-عصبي , گراف دانش

Explainability , Explainable Artificial Intelligence , Neural-Symbolic Artificial Intelligence , Knowledge Graph