오늘날 인공 지능은 기계 학습, 특히 딥 러닝과 거의 같은 것으로 보입니다. 딥 러닝은이 분야에서 전통적으로 형상 공학에 매우 중요한 인간 전문가를 대체 할 것이라고 말했다. 한편, 신경 과학, 그리고에 : 두 돌파구 깊은 학습의 상승을 뒷받침했다고한다 신경 가소성을특히, 소성 인 인간의 뇌와 같이 인공 네트워크는 거의 모든 기능을 모델링하는 데 사용될 수 있다고한다. 반면에 컴퓨팅 성능의 증가, 특히 GPU 및 FPGA의 도입은 알고리즘 인텔리전스를 대폭 향상 시켰으며 수십 년 전에 만들어진 모델을 엄청나게 강력하고 다재다능하게 만들었습니다. 지난 몇 년 동안 축적 된 빅 데이터 (주로 레이블이 지정된 데이터)도 관련이 있다고 덧붙입니다.
이러한 발전으로 인해 컴퓨터 비전 (및 음성 인식)이 새로운 시대로 접어 들었지만 자연어 처리 및 전문가 시스템에서는 상황이 크게 변하지 않은 것으로 보입니다.
신경망에 대한 상식을 달성하는 것은 큰 순서로 보이지만 대부분의 문장, 대화 및 짧은 텍스트에는 배경 세계 지식에서 도출 된 추론이 포함되어 있습니다. 따라서 지식 정보는 인공 지능에 매우 중요합니다. 신경망은 지식 기반 구축에 활용 될 수 있지만 신경망 모델은 이러한 구성된 지식 기반을 활용하는 데 어려움이있는 것으로 보입니다.
내 질문은 :
지식 기반 (예 : Google이 만든 "지식 그래프")이 AI의 유망한 지점입니까? 그렇다면 KB는 어떤 방식으로 기계 학습을 강화할 수 있습니까? 이산 잠재 변수를 어떻게 NLU와 NLG에 통합 할 수 있습니까?
DL이 지배하는 시대의 생존을 위해, 지식 기반 (또는 포괄적 인 용어 접근)의 방향은 어디에 있습니까? 가 볼프람 -like Z의 역동적 인 지식 기반은 새로운 방향? 아니면 새로운 방향?
근본적인 문제가 있거나 이러한 문제를 해결하는 아이디어가 있습니까?