Neuro-simbolika protiv slijepe korelacije: tko stavlja pravila u AI?

Istraživači sa arXiv:2603.26948 predlažu rješenje za problem koji već godina muči prediktivno praćenje procesa: kako ugraditi pravila poput „operacija se može zakazati samo ako je pacijent otpušten prije tjedan dana“ u modele koji inačice uče samo iz podataka. Trenutni sub-simbolički pristupi — koji koreliraju, recimo, vitalne znakove pacijenata s potrebom za kirurškim zahvatom — ne razumiju te domenske ograničenja.

Rezultat? Predviđanja koja su ili netočna ili, još gore, neuskladiva s propisima.

Rješenje dolazi u obliku neuro-simboličkog pristupa koji kombinira Logic Tensor Networks (LTNs) s klasičnim dubokim učenjem. Autori tvrde da njihov četverostepeni pipeline (ekstrakcija značajki → vađenje pravila → izrada baze znanja → injektiranje znanja) omogućava modelima da „razumiju“ procesne ograničenja umjesto da ih ignoriraju.

Na papiru zvuči kao logičan sljedeći korak — ali koliko je ovo stvarno novo? Činjenica da se radi o arXiv preprintu (a ne recenziranom radu) već signalizira da je riječ o ranom stadiju.

Međutim, ključno pitanje nije „radi li ova metoda?“ — već „radi li bolje od postojećih hybridnih pristupa?“ poput onih koji već kombiniraju simboličku logiku s neuronskim mrežama. IBM-ov Watson i DeepMind-ovi diferencijabilni interpreteri već godinama eksperimentiraju s sličnim idejama.

Razlika? Ovdje se fokusira isključivo na prediktivno praćenje procesa — usku, ali kritičnu nišu u reguliranim industrijama.

Benchmark rezultati koje autori navode (viša točnost i bolja uskladjenost s pravilima u odnosu na „čiste“ neuronske mreže) nisu neočekivani. Logično je da će model koji koristi eksplicitna pravila biti bolji u scenarijima gdje ta pravila postoje — pitanje je koliko je ovo skalabilno.

Primjer: u zdravstvu, gdje su procesi visoko strukturirani, LTN pristup bi mogao donijeti stvarnu vrijednost. Ali što je s industrijama poput logistike, gdje su pravila dinamična i često neformalizirana?

Tamo bi ova metoda mogla postati još jedna „srebrna metka“ koja obećava više nego što može isporučiti. Zanimljivije od samog pristupa je tko bi od ovog mogao profitirati.

Startupi koji grade compliance-as-a-service rješenja za bolnice ili banke već su u trci — ali i velika imena poput Siemensa (sa svojim Mindsphere platformama) ili Pega (specijaliziranih za procesnu automatizaciju) imaju razlog brinuti se.

Bez obzira na konačan ishod, ovaj rad ističe važnost balansa između podataka i domenskih pravila. To je poruka koja bi mogla odjeknuti daleko izvan okvira neuro-simbolike.