Autor u radu objašnjava osnove kauzalnog zaključivanja koje je važno za postizanje naprednije umjetne inteligencije…
SAŽETAK
Umjetna inteligencija (AI) se standardno dijeli na simboličku (često se naziva i logička AI) i subsimboličku (često se naziva i statistička AI).
Danas su u centru pažnje neuronske mreže, kao najvažniji dio subsimboličke AI, no u određenim aplikacijama (npr. AlphaGeometry) izvrsne rezultate postiže spoj neuronskih mreža i simboličke AI, tzv. neuro-simbolička AI.
Jedan podskup neuro-simboličke AI je sinergijski spoj kauzalnog zaključivanja (causal inference) i neuronskih mreža (napomena: ako se kauzalno zaključivanje i neuronske mreže koriste relativno nezavisno, to nije “prava” neuro-simbolička AI).
Danas se kauzalno zaključivanje smatra važnim za postizanje naprednije AI, npr. tog mišljenja je i jedan od “očeva” dubokih neuronskih mreža Yoshua Bengio (jedan od dobitnika Turingove nagrade 2018).
U prezentaciji/radu će se prikazati neke osnove kauzalnog zaključivanja.
U kauzalno zaključivanje ovdje uključujemo i kauzalno učenje (causal learning), kod kojega se gradi kauzalni model, i kauzalno rezoniranje (causal reasoning), gdje se kauzalni model koristi zajedno s podacima za kauzalno rezoniranje.