Personalmente, no creo que los últimos 50 años de lingüística computacional sean el enfoque correcto para la Inteligencia Artificial. Está funcionando de manera dolorosa y poco natural, pero creo que tiene que crecer una metodología diferente que es fundamentalmente diferente de la metodología ahora arraigada. Por lo tanto, recomendaría ver la disciplina de manera diferente ANTES de que te adoctrinen con una metodología anticuada e ineficaz en alguna clase en algún lugar. Esto es lo que quiero decir.
El procesamiento del lenguaje natural fue definido por Alan Turing como el santo grial de la IA. Turing supuso que para razonar, una inteligencia debe estar equipada primero lingüísticamente, y eligió, por supuesto, el lenguaje humano como objetivo de la máquina, incluidos los marcos de referencia humanos con todos sus matices e idiosincrasias orgánicas y emotivas. En primer lugar, parece demasiado engorroso y claramente poco realista para una máquina y sus programadores encargarse de la capa de complejidad exponencial de tener que intentar la incorporación del comportamiento social humano en una entidad de procesamiento de información no humana.
Más allá de eso, la desambiguación en las estructuras morfológicas, léxicas, sintácticas y symantec, junto con la pragmática y la clarificación discursiva, dependen actualmente de la diferenciación de probabilidad como primera línea de ataque. Pero en inteligencia real, minimizamos las funciones probabilísticas en lugar de tener en su lugar capas profundas de significación categórica en redes multidimensionales que verificamos y equilibramos en tiempo real. Nos lleva años construir un tapiz relacional suficiente para hablar de manera relevante como niños, y la red de ese tapiz se expande a lo largo de nuestras vidas. En computación, las únicas fuentes relacionales que tenemos para referencia computacional son listas de diccionarios basadas en definiciones obsoletas. Esta es una desventaja fundamental que impide el progreso en la IA. Sin embargo, crear redes de significación más sólidas no tiene por qué ser un proyecto de décadas. Simplemente necesita definirse bien primero, y luego hacerlo. Siento que la significación basada en sinónimos es la clave aquí, y éstas ya existen en abundancia.
Otro problema es el continuo temporal. Seguimos un temporum de tres pistas, retrocediendo de manera memorial, pasando el cambio de ciclo en bucles de magnitud variable. Mientras hacemos esto, actualizamos el presente, pero hacemos esto para que no sea relevante en el presente. Ya hemos alcanzado relevancia en el momento en que pasamos los ciclos de los incrementos anteriores. Estamos comprometidos en un programa de constante pre-relevancia. Estamos buscando relevancia futura, inclinándonos predeciblemente hacia los marcos temporales que se aproximan, utilizando nuestra lectura comparativa de los potenciales colapsados pasados y presentes para predecir y planificar interacciones en el futuro aún abierto, aún abierto. De esta manera también, no dependemos de la probabilidad.
- ¿Cuáles son algunas buenas fuentes de revisión de currículum en línea?
- ¿Qué es el curso en línea UI?
- ¿Cuáles son las opciones adicionales para el ingreso en línea para un principiante?
- ¿Cuáles son las mejores clases ‘LIVE’ en línea para la preparación de IIT-JEE?
- ¿Cuál es tu experiencia con el coaching de vida en línea de Asia como un occidental?
Como agentes contribuyentes integrados en un contexto relevante, interactuamos con e influenciamos el espacio temporal que ocupamos. Las tendencias son lo que nos insinúa, y luego tomamos medidas que responden parcialmente y se configuran parcialmente. A menudo se trata de acciones en gran medida influyentes, no solo una comprensión pasiva, que estamos tratando de identificar y lograr. La capacidad de preformar los bucles de revisión y los bucles potenciales es inadecuada en los sistemas computacionales actuales, y el enfoque es primero pasivo, no se apoya en el futuro y contribuye activamente en el propósito. Esta fundamentalidad necesita cambiar en el campo.
Un cuarto problema es un simple punto de partida. La verdadera inteligencia es auto contemplativa. Es decir, ya hay actividad dentro de un conjunto fundacional siempre presente de elementos relacionales. Repasamos constantemente lo que sabemos, ya sea el conjunto de información formal con el que estamos familiarizados, o los eventos aleatorios del día, a los que estamos continuamente añadiendo. Los sistemas lingüísticos actuales e inadecuados esperan que se proporcionen los conjuntos de datos y funcionan dentro de esos límites muy limitados. La verdadera inteligencia necesita tener conjuntos relacionales ya siempre en su lugar, y luego ser auto motivacional revisando y eligiendo qué ruta de relación seguir a continuación, al mismo tiempo, permitiendo que la interrupción de datos externos se redirija e influya en su actividad nativa. y también agregar, reorganizar y refinar las relaciones de base sobre las que ya descansa.
Por lo tanto, basado en un rico conjunto de datos sinónimos y con un algoritmo de memoria que recorre incrementos temporales (episodios conocidos) de contexto utilizando sinónimos comparativos y antónimos para desambiguar, un programa pasaría el cambio de ciclo en un flujo conocido para proyectar la relevancia en el el siguiente incremento se basa activamente en lecturas contextuales comparativas en lugar de lecturas de probabilidad no contextuales.
La disciplina de la lingüística computacional ha estado, en mi opinión, yendo al problema todo mal durante mucho tiempo. No recomiendo ignorar todo el trabajo que se ha hecho, pero sí recomiendo que las personas tengan cuidado de no dejarse atrapar por un viejo paradigma ANTES de pensar en nuevos enfoques para que el permafrost de adoctrinamiento no lo atasque de una manera ineficiente y enfoque erróneamente concebido para la verdadera IA.