Preview

Russian Technological Journal

Расширенный поиск

Структура ассоциативно-гетерархической памяти

https://doi.org/10.32362/2500-316X-2022-10-5-7-15

Полный текст:

Аннотация

Цели. Начиная с ХХ века методы искусственного интеллекта разделяют на две парадигмы - нисходящую и восходящую. Методы восходящей парадигмы сложно интерпретировать в виде вывода естественного языка, а в методах нисходящей парадигмы затруднена актуализация информации. Обработка естественного языка (NLP, от англ. Natural Language Processing) искусственным интеллектом остается актуальной проблемой современности. Основная задача NLP - создание программ, способных обрабатывать и понимать естественные языки. С учетом авторского подхода к построению агентов искусственного интеллекта (ИИ-агентов) обработка естественного языка должна также вестись на двух уровнях: на нижнем - при помощи методов восходящей парадигмы и на верхнем - при помощи символьных методов нисходящей парадигмы. Для решения этих задач авторами предложен новый математический формализм - ассоциативно-гетерархическая память (АГ-память), структура и функционирование которой основаны как на бионических принципах, так и на достижениях обеих парадигм искусственного интеллекта.

Методы. Использованы методы искусственного интеллекта и алгоритмы распознавания естественного языка.

Результаты. Ранее авторским коллективом была исследована проблема привязки символов в приложении к АГ-памяти. В ней привязка абстрактных символов осуществлялась с помощью мультисенсорной интеграции. При этом первичные символы, получаемые программой, преобразовывались в интегрированные абстрактные символы. В данной статье приведено полное описание АГ-памяти в виде формул, пояснений к ним и соответствующим схемам.

Выводы. В статье представлена максимально универсальная структура АГ-памяти. При работе с АГ-памятью из множества возможных модулей следует выбирать те части АГ-памяти, которые обеспечивают успешное и эффективное функционирование ИИ-агента.

Об авторах

Р. В. Душкин
Агентство Искусственного Интеллекта
Россия

Душкин Роман Викторович - эксперт в области искусственного интеллекта, директор по науке и технологиям.

127591, Москва, ул. Дубнинская, д. 75Б, стр. 2, офис 10.

Scopus Author ID 14070035900, SPIN-код РИНЦ 1371-0337


Конфликт интересов:

Авторы заявляют об отсутствии конфликта интересов.



В. А. Лелекова
Агентство Искусственного Интеллекта
Россия

Лелекова Василиса Алексеевна – аналитик.

127591, Москва, ул. Дубнинская, д. 75Б, стр. 2, офис 10.


Конфликт интересов:

Авторы заявляют об отсутствии конфликта интересов.



В. Ю. Степаньков
Агентство Искусственного Интеллекта
Россия

Степаньков Владимир Юрьевич - технический директор.

127591, Москва, ул. Дубнинская, д. 75Б, стр. 2, офис 10.

Scopus Author ID 57226776426


Конфликт интересов:

Авторы заявляют об отсутствии конфликта интересов.



С. Фадеева
Агентство Искусственного Интеллекта
Россия

Фадеева Сандра - главный аналитик.

127591, Москва, ул. Дубнинская, д. 75Б, стр. 2, офис 10.


Конфликт интересов:

Авторы заявляют об отсутствии конфликта интересов.



Список литературы

1. Душкин Р.В. Искусственный интеллект. М.: ДМК-Пресс; 2019. 280 с. ISBN 978-5-97060-787-9.

2. Душкин Р.В. Обзор подходов и методов искусственного интеллекта. Радиоэлектронные технологии. 2018;3:85-89.

3. Николенко С., Архангельская Е., Кадурин А. Глубокое обучение. Погружение в мир нейронных сетей. СПб: Питер; 2018. 480 с. ISBN 978-5-496-02536-2.

4. Sarker M.K., Zhou L., Eberhart A., Hitzler P. Neuro-symbolic artificial intelligence: Current trends. AI Communications. 2021. 13 p. https://doi.org/10.48550/arXiv.2105.05330

5. Raina V., Krishnamurthy S. Natural language processing. In: Building an Effective Data Science Practice. Apress, Berkeley, CA; 2022. https://doi.org/10.1007/978-1-4842-7419-4_6

6. Zadeh L.A. From computing with numbers to computing with words - From manipulation of measurements to manipulation of perceptions. Int. J. Appl. Math. Comput. Sci. 2002;12(3):307-324. URL: https://www.zbc.uz.zgora.pl/Content/2928/1zade.pdf

7. Душкин Р.В. Развитие методов адаптивного обучения при помощи использования интеллектуальных агентов. Искусственный интеллект и принятие решений. 2019;1:87-96. https://doi.org/10.14357/20718594190108

8. Zhu L., Gao W. Hypergraph ontology sparse vector representation and its application to ontology learning. In: Tan Y., Shi Y., Zomaya A., Yan H., Cai J. (Eds.). Data Mining and Big Data. International Conference on Data Mining and Big Data (DMBD 2021). Part of the Communications in Computer and Information Science. Book series. Singapore: Springer; 2021. V. 1454. P. 16-27. https://doi.org/10.1007/978-981-16-7502-7_2

9. Кормен Т., Лейзерсон Ч., Ривест Р., Штайн К. Алгоритмы. Построение и анализ. М.: Вильямс; 2011. 1296 с. ISBN 0-07-013151-1

10. Horiguchi H., Winawer J., Dougherty R.F., Wandell B.A. Human trichromacy revisited. Proceedings of the National Academy of Sciences (PNAS). 2012;110(3):E260-E269. https://doi.org/10.1073/pnas.1214240110

11. Harnad S. The symbol grounding problem. Physica D: Nonlinear Phenomena. 1990;42(1-3):335-346. https://doi.org/10.1016/0167-2789(90)90087-6

12. Jentzsch R., Feustel D., Topf B. Unique identifier, method for providing the unique identifier and use of the unique identifier: US Pat. US8578162B2. Publ. 05.11.2013.

13. Kaminski B., Pralat P., Theberge F. Hypergraphs. In: Mining Complex Networks. NY: Chapman and Hall/CRC; 2021. https://doi.org/10.1201/9781003218869-7

14. Попов Э.В. Общение с ЭВМ на естественном языке. М.: Наука; 1982. 360 с.

15. Malchukov A., De Swart P. Differential case marking and actancy variation. In: The Oxford Handbook of Case. Oxford: Oxford University Press; 2012


Дополнительные файлы

1. Шаблон модели управления предикатного символа «Создавать»
Тема
Тип Исследовательские инструменты
Посмотреть (146KB)    
Метаданные

Основная задача обработки естественного языка искусственным интеллектом – создание программ, способных обрабатывать и понимать естественные языки. Для решения этой задачи авторами предложен новый математический формализм – ассоциативно-гетерархическая память (АГ-память), структура и функционирование которой основаны как на бионических принципах, так и на достижениях искусственного интеллекта.

Рецензия

Для цитирования:


Душкин Р.В., Лелекова В.А., Степаньков В.Ю., Фадеева С. Структура ассоциативно-гетерархической памяти. Russian Technological Journal. 2022;10(5):7-15. https://doi.org/10.32362/2500-316X-2022-10-5-7-15

For citation:


Dushkin R.V., Lelekova V.A., Stepankov V.Y., Fadeeva S. Structure of associative heterarchical memory. Russian Technological Journal. 2022;10(5):7-15. https://doi.org/10.32362/2500-316X-2022-10-5-7-15

Просмотров: 244


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2782-3210 (Print)
ISSN 2500-316X (Online)