Obecnie istnieje kilka chatbotów AI, które rozpoznają wzorce behawioralne i zbierają ważne dane z wypowiedzi pacjenta i dokonują prawidłowych ustaleń dotyczących zdrowia psychicznego danej osoby. Może to przyspieszyć i ułatwić psychiatrom i psychologom identyfikację skali choroby psychicznej, na którą cierpi dana osoba.
Pierwsze podejście do ILP opiera się na bardzo ogólnej zasadzie i stopniowej specjalizacji jej tak, aby pasowała do danych. Tak właśnie dzieje się w przypadku uczenia się drzew decyzyjnych, gdzie drzewo decyzyjne jest stopniowo rozwijane, aż stanie się spójne z obserwacjami. Aby wykonać ILP, używamy literałów pierwszego rzędu zamiast atrybutów, a hipotezą jest zbiór klauzul zamiast drzewa decyzyjnego. Ten rozdział opisuje FOIL (Quinlan, 1990), jeden z pierwszych programów ILP. Załóżmy, że próbujemy nauczyć się definicji predykatu Dziadek(x;y), używając tych samych danych rodzinnych, co poprzednio. Podobnie jak w przypadku uczenia się drzewa decyzyjnego, przykłady możemy podzielić na przykłady pozytywne i negatywne. Pozytywnymi przykładami są
a negatywne przykłady to
Zauważ, że każdy przykład jest parą obiektów, ponieważ Dziadek jest predykatem binarnym. W sumie w drzewie genealogicznym jest 12 pozytywnych przykładów i 388 negatywnych przykładów (wszystkie pozostałe pary osób). FOIL konstruuje zestaw klauzul, z których każda ma nagłówek dziadek(x;y). Klauzule muszą klasyfikować 12 pozytywnych przykładów jako przypadki relacji Dziadek(x;y), wykluczając 388 negatywnych przykładów. Klauzule są klauzulami Horn, z rozszerzeniem, że zanegowane literały są dozwolone w treści klauzuli i są interpretowane za pomocą negacji jako niepowodzenia, jak w Prologu. Klauzula początkowa ma pustą treść:
Ta klauzula klasyfikuje każdy przykład jako pozytywny, więc musi być wyspecjalizowany. Robimy to, dodając pojedynczo literały po lewej stronie. Oto trzy potencjalne dodatki:
(Zauważ, że zakładamy, że klauzula definiująca Rodzic jest już częścią wiedzy podstawowej.) Pierwsza z tych trzech klauzul błędnie klasyfikuje wszystkie 12 pozytywnych przykładów jako negatywne i dlatego może być zignorowana. Drugi i trzeci zgadzają się ze wszystkimi pozytywnymi przykładami, ale drugi jest niepoprawny w większej części negatywnych przykładów – dwa razy więcej, ponieważ pozwala na to zarówno matkom, jak i ojcom. Dlatego preferujemy trzecią klauzulę. Teraz musimy bardziej wyspecjalizować to zdanie, aby wykluczyć przypadki, w których x jest ojcem jakiegoś z, ale z nie jest rodzicem y. Dodanie pojedynczego literału Parent(z,y) daje
który poprawnie klasyfikuje wszystkie przykłady. FOIL znajdzie i wybierze ten dosłowny, rozwiązując w ten sposób zadanie uczenia się. Ogólnie rozwiązaniem jest zestaw klauzul Horn, z których każda implikuje predykat docelowy. Na przykład, gdybyśmy nie mieli predykatu Parent w naszym słowniku, to rozwiązaniem może być:
Zauważ, że każda z tych klauzul obejmuje niektóre pozytywne przykłady, że razem obejmują wszystkie pozytywne przykłady, a NOWA KLAUZULA jest zaprojektowana w taki sposób, że żadna klauzula
Można dodać trzy rodzaje literałów:
Wynikowy współczynnik rozgałęzienia w tej przestrzeni poszukiwań jest bardzo duży (zobacz Ćwiczenie 20.6), ale FOIL może również użyć informacji o typie, aby go zmniejszyć. Na przykład, jeśli domena zawiera zarówno liczby, jak i osoby, ograniczenia typu uniemożliwiłyby generowanie przez NEW-LITERALS literałów takich jak Parent(x;n), gdzie x to osoba, a n to liczba. CHOOSE-LITERAL używa heurystyki nieco podobnej do uzyskiwania informacji (patrz strona 680), aby zdecydować, który literał dodać. Dokładne szczegóły nie są tutaj ważne i wypróbowano wiele różnych odmian. Ciekawą dodatkową cechą FOIL jest użycie brzytwy Ockhama do wyeliminowania niektórych hipotez. Jeśli zdanie staje się dłuższe (zgodnie z pewną metryką) niż całkowita długość pozytywnych przykładów, które wyjaśnia zdanie, to zdanie nie jest uważane za potencjalną hipotezę. Ta technika zapewnia sposób na uniknięcie zbyt skomplikowanych klauzul, które dopasowują szum do danych. FOIL i jego krewni zostali wykorzystani do poznania szerokiej gamy definicji. Jedna z najbardziej imponujących demonstracji obejmowała rozwiązanie długiej sekwencji ćwiczeń dotyczących funkcji przetwarzania list z podręcznika Bratko Prolog. W każdym przypadku program był w stanie nauczyć się poprawnej definicji funkcji z małego zestawu przykładów, wykorzystując wcześniej poznane funkcje jako wiedzę podstawową.
W ferworze najgroźniejszej epidemii koronawirusa od ponad stu lat – COVID-19, prawie rok badań i testów zajęło opracowanie najskuteczniejszych sposobów leczenia i ostatecznie szczepionek zapobiegających chorobie. Pomoc ze strony robotów aptecznych AI może pomóc w szybszym i bardziej efektywnym przeprowadzaniu testów.
Przypomnijmy z równania , że ogólnym problemem indukcji opartej na wiedzy jest „rozwiązanie” ograniczenia implikacji
dla nieznanej hipotezy, biorąc pod uwagę podstawową wiedzę i przykłady opisane w Opisach i klasyfikacjach. Aby to zilustrować, posłużymy się problemem uczenia się relacji rodzinnych na przykładach. Opisy będą składać się z rozszerzonego drzewa genealogicznego, opisanego w kategoriach relacji matki, ojca i małżeństwa oraz właściwości męskich i żeńskich. Odpowiednie opisy są następujące:
Zdania w klasyfikacjach zależą od poznanego pojęcia docelowego. Możemy chcieć nauczyć się na przykład dziadka, brata lub przodka. Dla Dziadka, kompletny zestaw Klasyfikacji zawiera 20 20=400 koniunkcji formy
Moglibyśmy oczywiście uczyć się z podzbioru tego kompletnego zestawu. Celem indukcyjnego programu uczenia się jest wymyślenie takiego zestawu zdań dla Hipotezy, aby spełnione było ograniczenie wynikania. Załóżmy na chwilę, że agent nie ma podstawowej wiedzy: Tło jest puste. Wtedy jedno z możliwych rozwiązań Hipotezy jest następujące:
Zauważ, że algorytm uczenia się oparty na atrybutach, taki jak DECYZJA-DRZEWO-NAUKA, nie pomoże w rozwiązaniu tego problemu. Aby wyrazić Dziadka jako atrybut (tj. orzeczenie jednoargumentowe), musielibyśmy przekształcić pary ludzi w obiekty:
Następnie utkniemy w próbie przedstawienia przykładowych opisów. Jedynymi możliwymi atrybutami są okropne rzeczy, takie jak
Definicja Dziadka w kategoriach tych atrybutów staje się po prostu dużym rozdzieleniem konkretnych przypadków, które w ogóle nie uogólnia się na nowe przykłady. Algorytmy uczenia opartego na atrybutach nie są zdolne do uczenia się predykatów relacyjnych. Tak więc jedną z głównych zalet algorytmów ILP jest ich przydatność do znacznie szerszego zakresu problemów, w tym problemów relacyjnych. Czytelnik z pewnością zauważył, że odrobina podstawowej wiedzy pomogłaby w przedstawieniu definicji Dziadka. Na przykład, jeśli Tło zawiera zdanie
wtedy definicja Dziadka zostałaby zredukowana do
To pokazuje, jak wiedza podstawowa może radykalnie zmniejszyć rozmiar hipotez wymaganych do wyjaśnienia obserwacji. Algorytmy ILP mogą również tworzyć nowe predykaty w celu ułatwienia formułowania hipotez wyjaśniających. Biorąc pod uwagę przykładowe dane pokazane wcześniej, całkowicie rozsądne jest, aby program ILP zaproponował dodatkowy predykat, który nazwalibyśmy „Parent”, w celu uproszczenia definicji predykatów docelowych. To pokazuje, jak wiedza podstawowa może radykalnie zmniejszyć rozmiar hipotez wymaganych do wyjaśnienia obserwacji. Algorytmy ILP mogą również tworzyć nowe predykaty w celu ułatwienia formułowania hipotez wyjaśniających. Biorąc pod uwagę przykładowe dane pokazane wcześniej, całkowicie rozsądne jest, aby program ILP zaproponował dodatkowy predykat, który nazwalibyśmy „Parent”, w celu uproszczenia definicji predykatów docelowych. Algorytmy, które mogą generować nowe predykaty, nazywane są konstruktywnymi algorytmami indukcyjnymi. Oczywiście konstruktywna indukcja jest niezbędną częścią obrazu kumulatywnego uczenia się. Jest to jeden z najtrudniejszych problemów w uczeniu maszynowym, ale niektóre techniki ILP zapewniają skuteczne mechanizmy do jego osiągnięcia. W dalszej części przeanalizujemy dwa główne podejścia do ILP. Pierwsza wykorzystuje uogólnienie metod drzewa decyzyjnego, a druga wykorzystuje techniki oparte na odwracaniu dowodu rozdzielczości.
Obecnie kilka chatbotów AI wykrywa objawy pacjentów online i porównuje ich stan zdrowia i głos z ogromną bazą danych chorób, aby dokładnie określić, na co cierpi pacjent. Jeśli dana osoba cierpi na poważną chorobę, można skierować do lekarza na żywo, ale jeśli dana osoba nie cierpi na poważną chorobę, może to zaoszczędzić czas i pieniądze związane z wizytami w klinice lub szpitalu. Utworzono kilku lekarzy cyfrowych, takich jak Babylon w Wielkiej Brytanii.
Programowanie logiki indukcyjnej (ILP) łączy metody indukcyjne z potęgą reprezentacji pierwszego rzędu, koncentrując się w szczególności na reprezentacji hipotez jako programów logicznych. 3 Popularność zyskała z trzech powodów. Po pierwsze, ILP oferuje rygorystyczne podejście do ogólnego problemu uczenia się indukcyjnego opartego na wiedzy. Po drugie, oferuje kompletne algorytmy do wywoływania ogólnych teorii pierwszego rzędu na podstawie przykładów, dzięki czemu można z powodzeniem uczyć się w dziedzinach, w których trudno jest zastosować algorytmy oparte na atrybutach. Przykładem jest nauka fałdowania struktur białkowych (ryc. 20.10). Trójwymiarowej konfiguracji cząsteczki białka nie można rozsądnie przedstawić za pomocą zestawu atrybutów, ponieważ konfiguracja z natury odnosi się do relacji między obiektami, a nie do atrybutów pojedynczego obiektu. Logika pierwszego rzędu jest odpowiednim językiem do opisu relacji. Po trzecie, programowanie w logice indukcyjnej tworzy hipotezy, które są (stosunkowo) łatwe do odczytania przez ludzi. Na przykład angielskie tłumaczenie na rycinie 20.10 może być analizowane i krytykowane przez pracujących biologów. Oznacza to, że systemy programowania logiki indukcyjnej mogą uczestniczyć w naukowym cyklu eksperymentów, generowania hipotez, debaty i obalania. Taki udział nie byłby możliwy w przypadku systemów generujących klasyfikatory „czarnej skrzynki”, takich jak sieci neuronowe.
Obecni chirurdzy-robotycy są zaprogramowani do wykonywania określonych czynności. Jednak nie są zaprogramowane dla wszystkich scenariuszy. Sztuczna inteligencja i jej złożone algorytmy głębokiego uczenia mogą pomóc robotyce uczyć się na podstawie wcześniejszych operacji, a także poprawić ich precyzję, ucząc się na podstawie danych wizualnych w celu wykonywania lepszych i dokładniejszych operacji. Niektóre operacje wymagają wyjątkowej precyzji, a przy jednym niewłaściwym kroku mogą narazić życie pacjenta. Na przykład wzór przecinania ciała podczas operacji jest niezbędny, ponieważ musi zapewnić, że chirurg nie przetnie ważnych naczyń krwionośnych. Ten rodzaj precyzji można zapewnić tylko wtedy, gdy chirurg-robot nauczy się i ma dostęp do wielu wcześniejszych danych. W związku z tym kilka światowej klasy firm opracowuje sieci w chmurze, aby roboty chirurgiczne mogły przesyłać wizualizacje i wzory danych chirurgicznych. Chmura mogłaby również obejmować prawdziwych lekarzy, którzy mogliby dostarczyć wskazówek, które mogą odegrać istotną rolę w usprawnieniu operacji wykonywanych przez roboty . Dzięki ogromnym danym dostarczonym przez sztuczną inteligencję robot mógł precyzyjnie analizować swoje ruchy przez punkty danych. Sztuczna inteligencja może być również wykorzystywana do oceny narzędzi chirurgicznych i umiejętności chirurgicznych robota. W tym celu możemy wprowadzić algorytm śledzenia, który dokonuje segmentacji instancji. Dzięki temu generowane są dwie instancje:
(2) Maska służy do śledzenia ruchu końcówek tych instrumentów, które są wykreślane na wykresach w celu dokładnego pomiaru metryk ruchu. Rysunek przedstawia kreślenie.
Jak stwierdziliśmy we wstępie do tego rozdziału, wcześniejsza wiedza jest przydatna w uczeniu się; ale też trzeba się tego nauczyć. Aby przedstawić kompletną historię uczenia się opartego na trafności, musimy zatem zapewnić algorytm uczenia się do określania. Przedstawiony przez nas algorytm uczenia się opiera się na prostej próbie znalezienia najprostszego określenia zgodnego z obserwacjami. Określenie P Q mówi, że jeśli jakiekolwiek przykłady pasują do P, to muszą również pasować do Q. Określenie jest zatem spójne z zestawem przykładów, jeśli każda para, która pasuje do predykatów po lewej stronie, pasuje również do predykat celu. Załóżmy na przykład, że mamy następujące przykłady pomiarów przewodności na próbkach materiałów:
Minimalna spójna determinacja to Material Ʌ Temperature Conductance. Jest to zgodne z przykładami, ponieważ masa i rozmiar określają gęstość, aw naszym zestawie danych nie mamy dwóch różnych materiałów o tej samej gęstości. Jak zwykle potrzebowalibyśmy większego zestawu próbek, aby wyeliminować prawie poprawną hipotezę. Istnieje kilka możliwych algorytmów znajdowania minimalnych spójnych oznaczeń. Najbardziej oczywistym podejściem jest przeszukanie przestrzeni determinacji, sprawdzanie wszystkich determinacji jednym predykatem, dwoma predykatami i tak dalej, aż do znalezienia spójnego określenia. Przyjmiemy prostą reprezentację opartą na atrybutach, taką jak ta użyta do uczenia drzewa decyzyjnego w rozdziale 19. Wyznaczenie d będzie reprezentowane przez zestaw atrybutów po lewej stronie, ponieważ zakłada się, że predykat docelowy jest stały. Podstawowy algorytm przedstawiono na rysunku.
Złożoność czasowa tego algorytmu zależy od wielkości najmniejszego spójnego określenia. Załóżmy, że to określenie ma p atrybutów spośród n wszystkich atrybutów. Wtedy algorytm nie znajdzie go aż do przeszukania podzbiorów A o rozmiarze p. Jest 
takich podzbiorów; stąd algorytm jest wykładniczy w wielkości minimalnej determinacji. Okazuje się, że problem jest NP-zupełny, więc nie możemy oczekiwać, że w ogólnym przypadku będzie lepiej. Jednak w większości domen struktura lokalna będzie wystarczająca, aby p było małe. Dysponując algorytmem określania uczenia się, agent uczący ma sposób na skonstruowanie minimalnej hipotezy, w ramach której można nauczyć się predykatu docelowego. Na przykład możemy połączyć MINIMALNA-ZGODNA-DET z algorytmem DECYZJA-DRZEWO-UCZENIE. Daje to algorytm uczenia drzewa decyzyjnego RBDTL oparty na trafności, który najpierw identyfikuje minimalny zestaw odpowiednich atrybutów, a następnie przekazuje ten zestaw do algorytmu drzewa decyzyjnego w celu uczenia się. W przeciwieństwie do DECYZJI-DRZEWA-LEARNING, RBDTL jednocześnie uczy się i wykorzystuje istotne informacje w celu zminimalizowania przestrzeni hipotez. Spodziewamy się, że RBDTL nauczy się szybciej niż DECYZJA-DRZEWO-NAUKA i tak jest w rzeczywistości. Rysunek przedstawia wydajność uczenia się dwóch algorytmów na losowo generowanych danych dla funkcji, która zależy tylko od 5 z 16 atrybutów. Oczywiście w przypadkach, w których wszystkie dostępne atrybuty są istotne, RBDTL nie wykaże żadnej przewagi.
Ta sekcja tylko zarysowała powierzchnię pola błędu deklaratywnego, którego celem jest zrozumienie, w jaki sposób można wykorzystać wcześniejszą wiedzę do zidentyfikowania odpowiedniej przestrzeni hipotez, w której należy szukać prawidłowej definicji celu. Istnieje wiele pytań bez odpowiedzi:
Niektóre z tych pytań zostały omówione w następnej sekcji.
CAT oparty na sztucznej inteligencji to właściwe rozwiązanie do bezpieczniejszego, szybszego i tańszego skanowania. Załatwia wszystkie pola, rozwiązując każdy problem, jaki stwarza konwencjonalny CAT. Dzięki możliwościom głębokiego uczenia może skutkować bardziej szczegółowymi skanami, które ułatwią lekarzowi leczenie pacjenta. Po pierwsze, kiedy tradycyjny skaner CAT używa małej dawki promieniowania rentgenowskiego, powoduje to szum, który jest widoczny w postaci pewnych nieznanych losowych wzorów pojawiających się na skanie. Jednak w przypadku CAT z obsługą AI można stosować niskie dawki promieniowania, a mimo to jakość skanowania można poprawić, redukując hałas dzięki głębokiemu uczeniu, które integruje obrazy z metodami sieci neuronowych. Po drugie, prędkość jest porównywalnie wysoka w przypadku systemów opartych na sztucznej inteligencji. Systemy te oferują również lepszą wierność strukturalną, czyli jakość, z jaką obraz przedstawia strukturę wewnętrzną. Aby zoptymalizować koszty i zaangażować lekarza w proces, tylko wymagany obszar, który lekarz chce leczyć, może zostać wzmocniony poprzez podniesienie jakości tego konkretnego obszaru, co skutkuje abstrakcją danych [13]. Za pomocą tych algorytmów sieci neuronowych nie tylko osiągamy wysoką jakość skanu z niską dawką, ale możemy również uzyskać dane fenotypowe skanu poprzez włączenie algorytmów specyficznych dla fenotypu pacjenta. W istniejących systemach maszyna porównuje skan z uogólnionym fenotypem, który może, ale nie musi, dokładnie ocenić stan osoby. Ale trenując system w zakresie różnych fenotypów, system może dokładnie przewidzieć defekty w oparciu o to, co jest normalne dla fenotypu danej osoby, a także podać dodatkowe informacje ilościowe, na przykład frakcję tłuszczu ze zwykłego skanu wątroby.
Chociaż te ustalenia sankcjonują ogólne wnioski dotyczące wszystkich Brazylijczyków lub wszystkich kawałków miedzi w danej temperaturze, nie mogą oczywiście dać ogólnej teorii prognostycznej dla wszystkich narodowości lub dla wszystkich temperatur i materiałów na podstawie jednego przykładu. Ich główny efekt można postrzegać jako ograniczenie przestrzeni hipotez, które musi wziąć pod uwagę podmiot uczący się. Na przykład przy przewidywaniu przewodności należy wziąć pod uwagę tylko materiał i temperaturę i można pominąć masę, własność, dzień tygodnia, obecnego prezydenta i tak dalej. Hipotezy mogą z pewnością zawierać terminy, które są z kolei determinowane przez materiał i temperaturę, takie jak struktura molekularna, energia cieplna lub gęstość swobodnych elektronów. Determinacje J określają wystarczający słownik bazowy, z którego można konstruować hipotezy dotyczące predykatu docelowego. Stwierdzenie to można udowodnić, pokazując, że dane określenie jest logicznie równoważne stwierdzeniu, że poprawna definicja predykatu docelowego jest jedną ze zbioru wszystkich definicji dających się wyrazić przy użyciu predykatów po lewej stronie określenia. Intuicyjnie widać, że zmniejszenie rozmiaru przestrzeni hipotez powinno ułatwić poznanie predykatu docelowego. Korzystając z podstawowych wyników teorii uczenia się obliczeniowego, możemy określić ilościowo możliwe korzyści. Po pierwsze, przypomnijmy, że dla funkcji logicznych, przykłady log(|H|) muszą być zbieżne do rozsądnej hipotezy, gdzie |H| jest rozmiarem przestrzeni hipotez. Jeżeli uczący się ma n cech logicznych, za pomocą których może konstruować hipotezy, to przy braku dalszych ograniczeń |H| = O(22n), więc liczba przykładów wynosi O(2n). Jeżeli określenie zawiera d predykatów po lewej stronie, uczący się będzie potrzebował tylko O(2d) przykładów, czyli redukcji O(2n-d).