эмоции помогают взвешивать, ранжировать и выбирать различные реакции субъекта на события. Это действительно важная часть сознания, системы логического вывода. Есть интересная книга Марвина Минского "Машина эмоций" https://flibusta.su/book/64350-mashina-emotsiy/d/?f=a4.pdf
явные знания о лингвистических значений слов можно трансформировать в варианты нейронных сетей и получить единую среду обработки информации без потери скорости с увеличенной точностью. Системы логического вывода, в отличии от нейронных сетей, легко отслеживать, верифицировать и доказывать точность решения. Для критичных приложений тира экспртных систем ошибки статистических методов и нейрокомпьютинга могут быть недопустимы.
я частично согласен с Вами но всегда ратую за комбинированные решения сильного и слабого ИИ. Разумеется для новых слов можно использовать не словарные методы лемматизации и статистические методы оценки но в целом безусловно следует опираться на глубокие знания лингвистических значений слов из WordNet, FrameNet и BERT эмбеддингов.
я думаю, что в задачах POS-тэггинга и парсинга предложений не следует опираться на статические закономерности использования различных значений слов в контексте и использовать HMM и CRF методы. Существуют точные толковые словари всех семантических вариантов значений слов и нужен простой перебор всех комбинаций всех значений слов левого и правого контекстов. При этом будут найдены единственные, абсолютно точны лингвистические значения всех слов предложения если они реально существуют. CRF никогда не сможет дать такую точность и способен выдавать ошибки. Перебор комбинаций не будет очень глубок и скорее всего его можно распараллелить при помощи специальных алгоритмов для GPU.
коль скоро Вы приняли графовую модель представления знаний, то логичным мне кажется использование стандартных движков логического вывода типа Пролога вместо неких эрзацев биологических нейронных сетей. Интеграция сильного и слабого ИИ может быть достигнута связыванием эмбеддингов нейронных сетей с узлами графа знаний.
Для реализации сознания одного графа не достаточно. Нужны механизмы логического вывода аналогичные используемым в языке Prolog: унификация, перебор с возвратом. Ключевую роль в работе мозга играют эмоции, нейромедиаторы и что самое главное, сознание это активная динамическая система, построенная на принципах самообучения, с контурами обратной связи. Очевидно, что теорию придется дополнять методами синергетики, кибернетики, имитации эмоций и т.д..
эмоции помогают взвешивать, ранжировать и выбирать различные реакции субъекта на события. Это действительно важная часть сознания, системы логического вывода. Есть интересная книга Марвина Минского "Машина эмоций" https://flibusta.su/book/64350-mashina-emotsiy/d/?f=a4.pdf
явные знания о лингвистических значений слов можно трансформировать в варианты нейронных сетей и получить единую среду обработки информации без потери скорости с увеличенной точностью. Системы логического вывода, в отличии от нейронных сетей, легко отслеживать, верифицировать и доказывать точность решения. Для критичных приложений тира экспртных систем ошибки статистических методов и нейрокомпьютинга могут быть недопустимы.
я частично согласен с Вами но всегда ратую за комбинированные решения сильного и слабого ИИ. Разумеется для новых слов можно использовать не словарные методы лемматизации и статистические методы оценки но в целом безусловно следует опираться на глубокие знания лингвистических значений слов из WordNet, FrameNet и BERT эмбеддингов.
я думаю, что в задачах POS-тэггинга и парсинга предложений не следует опираться на статические закономерности использования различных значений слов в контексте и использовать HMM и CRF методы. Существуют точные толковые словари всех семантических вариантов значений слов и нужен простой перебор всех комбинаций всех значений слов левого и правого контекстов. При этом будут найдены единственные, абсолютно точны лингвистические значения всех слов предложения если они реально существуют. CRF никогда не сможет дать такую точность и способен выдавать ошибки. Перебор комбинаций не будет очень глубок и скорее всего его можно распараллелить при помощи специальных алгоритмов для GPU.
коль скоро Вы приняли графовую модель представления знаний, то логичным мне кажется использование стандартных движков логического вывода типа Пролога вместо неких эрзацев биологических нейронных сетей. Интеграция сильного и слабого ИИ может быть достигнута связыванием эмбеддингов нейронных сетей с узлами графа знаний.
Для реализации сознания одного графа не достаточно. Нужны механизмы логического вывода аналогичные используемым в языке Prolog: унификация, перебор с возвратом. Ключевую роль в работе мозга играют эмоции, нейромедиаторы и что самое главное, сознание это активная динамическая система, построенная на принципах самообучения, с контурами обратной связи. Очевидно, что теорию придется дополнять методами синергетики, кибернетики, имитации эмоций и т.д..