| |
|
|
| |
SNg - 概念邏輯推理與演譯
N-Gram base Concept Inference – 概念模糊推導
Ontology Network – 分散式ontology 架構
Logical Reasoning Interpreter – 邏輯推理
Neural Networks – 類神經網路 |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
SNg - 概念邏輯推理與演譯
|
| |
當人類聽到別人陳述的事情時，大腦開始歷經複雜的訊號處理及過濾，並將資訊元素 ( Information element ) 經過神經元(Neuron) 迅速的觸發並收集相關資訊，這個過程便是超感知能力。之後由經驗累積學習到的語言基礎進行語言的處理及判斷，找出正確的事件邏輯。例如：“幫我尋找電視新聞內容有關於人工智慧的相關文件”，這時電腦便知道必須要電視新聞裡面找文件，而且是與人工智慧相關的文件。
SNg 提供一模擬實現人類處理語言時的思考邏輯，並建立與存取 CCSR KR 的方法，透過概念的延伸搜尋相關的CCSR KR概念描述就如同神經元的觸發，並根據已建立的邏輯實現推理與演譯的過程。這也是HPLE引擎的動力來源。 |
|
|
|
|
| |
|
|
| |
Neural Networks – 類神經網路
|
| |
| 類神經網路理論起源於1950年代，當時科學家仿造人類大腦的組織及運作方式，開始提出稱之為「感知機」(perceptron) 的神經元模型，這是最簡單也是最早的類神經模型，感知機通常被拿來做分類器(classifier) 使用。自1982年霍普菲爾(Hopfield)提出神經網路的理論以來，直到今日仍然有新的架構及理論不斷地被提出，並配合電腦運算速度的一日千里，使得類神經網路的功能更為強大，運用層面也更為廣泛，尤其是在機器學習(machine learning) 的領域。而Aibelive 的HPLE引擎，將類神經網路技術在機器學習方面的優勢，運用在企業級(Server Edition) 擷取語言概念特徵與專業知識領域(Domain knowledge) 的區分方面，賦予人工智慧具備自我學習的能力，也讓HPLE引擎的企業級應用提升至全新的領域。 |
|
|
|
|
| |
|
|
