Warstwy interakcji poznawczej dla AI neuro-symbolicznej

Pomimo ostatnich przełomów w dużych modelach językowych (LLM), obecne systemy AI pozostają ograniczone w swojej zdolności do angażowania się w wiedzę w sposób, który odpowiada ludzkiej kognicji. Chociaż LLM doskonale radzą sobie z przetwarzaniem syntaktycznym i kontekstowym, często zawodzą w interpretacji semantycznej, asocjacyjnej i rozumowaniu zorientowanym na pamięć. Ta luka podkreśla potrzebę warstw interakcji kognitywnej, które służą jako interfejsy człowiek-AI, integrujące uporządkowaną wiedzę z strategiami kodowania kognitywnego, aby wspierać intuicyjne, interpretowalne i efektywne w pamięci uczenie się. Niniejszy artykuł wprowadza koncepcyjne i technologiczne ramy dla warstw interakcji kognitywnej, które funkcjonują jako mediatorzy między systemami AI a użytkownikami ludzkimi. Poprzez wbudowanie mechanizmów takich jak wskazówki semantyczne, reprezentacje asocjacyjne, metafory wizualne i uporządkowane schematy, te warstwy umożliwiają bardziej zharmonizowaną z człowiekiem interakcję i transfer wiedzy. Omawiamy teoretyczne podstawy wsparcia kognitywnego i rozumowania neuro-symbolicznego, przedstawiamy matematyczną formułę funkcji kodowania i odzyskiwania kognitywnego oraz porównujemy istniejące architektury kognitywne z proponowanym podejściem. Ramy te otwierają nowe możliwości dla interakcji człowiek-AI, przekształcając statyczne reprezentacje wiedzy w wzbogacone kognitywnie środowiska, które wspierają edukację, nabywanie umiejętności i interpretowalność w inteligentnych systemach.