Ефективність нейросимвольних архітектур у інтелектуальних системах

Abstract

системах. Розглянуто узагальнену схему гібридної взаємодії конекціоністської та символьної парадигм штучного інтелекту, виділено три типи зв’язку підсистем (послідовний, паралельний і циклічний) та запропоновано критерії оцінювання ефективності таких архітектур: точність вирішення цільової задачі, інтерпретованість результатів, обчислювальні витрати та переносимість на нові предметні області. Як приклад розглянуто власну розробку — програмний модуль перетворення природної мови в запити мови Cypher до графової бази знань, побудований за нейросимвольним принципом. Експериментально підтверджено, що додавання символьного шару семантичної корекції до нейронної мовної моделі підвищує точність трансляції природної мови у формальний запит на 23,3 процентного пункту, що ілюструє загальну ефективність розглянутої архітектурної парадигми.

systems. A generalised scheme of the hybrid interaction between the connectionist and the symbolic paradigms of artificial intelligence is considered; three coupling patterns (sequential, parallel and cyclic) are distinguished, and a set of evaluation criteria for such architectures is proposed: target-task accuracy, interpretability, computational cost and portability across domains. The author’s own development — a software module that translates natural-language questions into Cypher queries against a graph knowledge base, built on the neurosymbolic principle, is used as the example. It is experimentally confirmed that adding a symbolic semantic-correction layer on top of a neural language model increases the accuracy of natural-language-to-formal-query translation by 23.3 percentage points, which illustrates the general effectiveness of the architectural paradigm under study.