בעידן שבו פרשנות הבינה המלאכותית היא מפתח להטמעה עסקית, תכנות לוגי אינדוקטיבי (ILP) מציע למידת חוקים קריאים בתחומים יחסיים. אולם, מערכות ILP קלאסיות מתקשות עם אילוצים מספריים, ומסתמכות על דיסקרטיזציה או פרדיקטים מותאמים ידנית. מאמר חדש מ-arXiv מציג גישה מודולרית המשלבת את PyGol עם פותר SMT Z3, ומאפשרת למידה של חוקים היברידיים.
המאמר בוחן את מגבלות ILP הקלאסי, שפועל על פרדיקטים דיסקרטיים בלבד. עבודות אחרונות ניסו לשלב SMT או מנגנוני הסקה מספריים מיוחדים, אך הגישה המוצעת כאן שומרת על מודולריות: סעיפי PyGol מומרות לנוסחאות ללא קוונטורים על תיאוריות רקע כמו אריתמטיקה ליניארית או לא-ליניארית. Z3 מממש ומאמת פרמטרים מספריים, תוך שמירה על הטיה יחסית דקלרטיבית של ILP.
בזכות שילוב זה, ניתן ללמוד חוקים המשלבים פרדיקטים סמליים עם אילוצים מספריים מתקדמים, כגון ספים, מרווחים ויחסים אריתמטיים מרובי-ליטרלים. הגישה מפורמלת באופן כולל ומערכת SMT-ILP, ומאפשרת הרחבה עתידית להסקה מודעת-תיאוריות עשירה יותר. זהו צעד משמעותי לקראת למידה סמלית גמישה יותר.
הערכה נערכה על מערך נתונים סינתטיים שנועד לבחון הסקה ליניארית, יחסית, לא-ליניארית ומכמה קפיצות. התוצאות מראות כיצד ארכיטקטורת SMT-ILP המודולרית מרחיבה את הביטוי של למידת חוקים סמלית, ומשלימה גישות קודמות ל-ILP מספרי. לעסקים ישראלים בתחום הבינה המלאכותית, זה פותח אפשרויות למודלים פרשניים מדויקים יותר.
לסיכום, שילוב SMT ב-ILP מציע בסיס גמיש לשיפור למידת חוקים. מנהלי טכנולוגיה צריכים לשקול כלים כאלה לפיתוח מערכות אמינות וקריאות. האם הגישה הזו תשנה את כללי המשחק בלמידה סמלית?