از داده تا منطق: مروری بر رویکردها، معماری ها و کاربردهای رایانش عصبی– نمادین در هوش مصنوعی

رشد چشمگیر مدل های یادگیری عمیق موجب پیشرفت قابل توجهی در حل مسائل داده محور شده است، با این حال محدودیت هایی همچون فقدان قابلیت استدلال صریح، شفافیت تصمیم گیری و تعمیم پذیری همچنان پابرجا هستند. در مقابل، رویکردهای نمادین با تکیه بر منطق و دانش صریح، توانایی استنتاج و تفسیرپذیری بالایی ارائه می دهند، اما در مواجهه با داده های حجیم و نویزی با چالش هایی روبه رو هستند. رایانش عصبی– نمادین به عنوان پارادایمی نوظهور، تلاش دارد با ترکیب این دو رویکرد، چارچوب هایی کارآمد برای توسعه سیستم های هوشمند قابل استدلال فراهم کند. پیشرفت های اخیر در این حوزه منجر به شکل گیری معماری های ترکیبی متنوعی شده اند که قابلیت یادگیری، استنتاج منطقی و تفسیرپذیری را به صورت هم زمان پشتیبانی می کنند. این رویکردها در حوزه هایی نظیر پردازش زبان طبیعی، بینایی ماشین، سیستم های تصمیم یار و رباتیک کاربرد یافته اند. با وجود این پیشرفت ها، چالش هایی همچون مقیاس پذیری، یکپارچه سازی دانش نمادین با نمایش های پیوسته و ارزیابی عملکرد سیستم های ترکیبی همچنان مطرح هستند. بررسی این تحولات نشان می دهد رایانش عصبی– نمادین می تواند نقش مهمی در توسعه نسل آینده هوش مصنوعی قابل اعتماد و قابل توضیح ایفا کند.

کلیدواژه ها:

رایانش عصبی– نمادین ، هوش مصنوعی ترکیبی ، استدلال نمادین ، شبکه های عصبی ، تفسیرپذیری مدل ها