En tant qu’expert en IA, je suis d’accord avec le sentiment exprimé dans l’article « Rescuing Machine Learning with Symbolic AI for Language Understanding », d’expert.ai à savoir que si l’apprentissage automatique a ses points forts dans certains domaines tels que la vision par ordinateur, il est insuffisant lorsqu’il s’agit de la compréhension du langage.
L’une des principales limites de l’apprentissage automatique pour la compréhension du langage est son coût et l’intensité de ses ressources. La construction, l’entraînement et le réglage d’un modèle de compréhension du langage peuvent facilement dépasser 5 millions de dollars et nécessitent de puissants GPU ou des méthodes de calcul à haute performance. De plus, la recherche et l’étiquetage des données d’entraînement peuvent représenter une dépense importante en soi.
Une autre limite de l’apprentissage automatique pour la compréhension du langage est son manque de compréhension des nuances et des complexités du langage. Les modèles d’apprentissage automatique, tels que ceux basés sur l’apprentissage profond et les réseaux neuronaux, sont bons pour la reconnaissance des formes, mais ne comprennent pas vraiment la sémantique et les hiérarchies du langage. Cela les rend moins efficaces pour certaines tâches de traitement du langage naturel.