محاسبات را به عنوان زبان رایج بخوان، ما راه درازی را پیموده ایم، اما سفر پیش رو هنوز طولانی است. هیچ یک از ماشین های هوشمند امروزی به وسعت و عمق هوش انسان نزدیک نمی شوند. در بسیاری از برنامه‌های کاربردی دنیای واقعی، همانطور که توسط AlphaGo و چالش علمی Allen AI نشان داده شده است، مشخص نیست که آیا فرمول‌بندی مسئله به طور منظم در یادگیری کامل قرار می‌گیرد یا خیر. مشکل ممکن است دارای یک جزء بزرگ باشد که می‌توان آن را با استفاده از یک الگوریتم هوش مصنوعی بدون مؤلفه یادگیری مدل‌سازی کرد، اما ممکن است محدودیت‌های اضافی یا دانش گمشده وجود داشته باشد که مشکل را خارج از رژیم خود قرار دهد و یادگیری ممکن است به پر کردن شکاف کمک کند. به طور مشابه، دانش برنامه ریزی شده و استدلال ممکن است به یادگیرندگان کمک کند تا شکاف های خود را پر کنند. بین هوش مصنوعی و ML تفاوت متقارن وجود دارد، و رفتار هوشمند در ماشین‌ها یک جست‌وجو مشترک است، با بسیاری از مشکلات تحقیقاتی باز گسترده و جذاب:
• چگونه کامپیوترها می توانند در مورد داده های پیچیده مانند داده های چندوجهی، نمودارها و پایگاه های داده نامشخص استدلال کنند و یاد بگیرند؟
• چگونه می توان از دانش از قبل موجود بهره برداری کرد؟
• چگونه می توانیم اطمینان حاصل کنیم که ماشین های یادگیری محدودیت های داده شده را برآورده می کنند و تضمین های خاصی را ارائه می دهند؟
• چگونه کامپیوترها می توانند به طور مستقل بهترین نمایش را برای داده های در دست تصمیم بگیرند؟
• چگونه الگوریتم های مختلف را که شامل الگوریتم های آموخته شده یا ناآموخته می شود، هماهنگ می کنیم؟
• چگونه ML و AI را دموکراتیک کنیم؟
• آیا نتایج آموخته شده از نظر فیزیکی قابل قبول یا به راحتی برای ما قابل درک است؟
• چگونه کامپیوترها را با ما در حلقه یاد بگیرند؟
• چگونه کامپیوترها را با کمک و داده های کمتری که ما ارائه می کنیم، یاد بگیرند؟
• آیا آنها می توانند به طور مستقل بهترین محدودیت ها و الگوریتم ها را برای یک کار در دست تصمیم گیری کنند؟
• چگونه می‌توانیم رایانه‌ها را به اندازه انسان‌ها، به شیوه‌ای سریع، انعطاف‌پذیر و قابل توضیح، درباره جهان یاد بگیرند؟
پاسخ به این سؤالات و سایر سؤالات مشابه، رویای ماشین های هوشمند و مسئولیت پذیر را در دسترس قرار می دهد. محاسبات کاملاً برنامه‌ریزی‌شده، همراه با محاسبات برنامه‌ریزی‌شده مبتنی بر یادگیری، به تعمیم بهتر، فراتر از داده‌های خاصی که دیده‌ایم، کمک می‌کنند که آیا تلفظ جدید یک کلمه یا یک تصویر به‌طور قابل‌توجهی با تلفظ‌هایی که قبلا دیده‌ایم متفاوت است. آنها به ما اجازه می دهند به طور قابل توجهی فراتر از یادگیری نظارت شده، به سمت یادگیری تصادفی و بدون نظارت برویم، که چندان به داده های آموزشی برچسب گذاری شده بستگی ندارد. آنها زمینه مشترکی برای دستکاری های مداوم، عمیق و نمادین فراهم می کنند. آنها به ما اجازه می دهند که بینش هایی را از علوم شناختی و سایر رشته ها برای ML و AI بدست آوریم. آنها به ما این امکان را می دهند که بیشتر بر روی کسب دانش عقل سلیم و استدلال علمی تمرکز کنیم، در حالی که مسیر روشنی را برای دموکراتیزه کردن فناوری ML-AI، همانطور که توسط De Raedt و همکاران پیشنهاد شده است، فراهم می کنند. (1395) و کردجمشیدی و همکاران. (2018). ساختن سیستم‌های هوشمند نیازمند تخصص در علوم کامپیوتر و مهارت‌های برنامه‌نویسی گسترده برای کار با روش‌های مختلف استدلال ماشینی و یادگیری در سطح نسبتاً پایینی از انتزاع است. ساختن سیستم های هوشمند همچنین نیازمند کاوش آزمایشی و خطای گسترده برای انتخاب مدل، پاکسازی داده ها، انتخاب ویژگی و تنظیم پارامتر است. در واقع فقدان درک نظری وجود دارد که بتوان از آن برای حذف این ظرافت ها استفاده کرد. زبان‌های برنامه‌نویسی مرسوم و پارادایم‌های مهندسی نرم‌افزار نیز برای رسیدگی به چالش‌هایی که متخصصان هوش مصنوعی و ML با آن مواجه هستند، مانند برخورد با داده‌های درهم و برهم و دنیای واقعی در سطح مناسب انتزاع و با تعاریف دائمی متغیر مسئله، طراحی نشده‌اند. در نهایت، علم داده محور یک کار اکتشافی است. با شروع از یک پایه اساسی دانش تخصصی حوزه، مفاهیم مرتبط و همچنین مدل‌های اکتشافی می‌توانند تغییر کنند، و حتی تعریف مسئله احتمالاً به طور همزمان در پرتو شواهد جدید تغییر شکل می‌دهد. ML و AI تعاملی می‌توانند مبنای روش‌های جدیدی باشند که اهداف در حال تکامل پویا را مدل‌سازی می‌کنند و دانش تخصصی را در پرواز ترکیب می‌کنند. برای اینکه متخصص حوزه بتواند تحقیقات مبتنی بر داده را هدایت کند، فرآیند پیش‌بینی نیز باید به اندازه کافی شفاف باشد.