Budući algoritmi veštačke inteligencije (AI) imaju potencijal da uče kao ljudi

Nova studija meri efikasnost metoda mašinskog učenja

Kontinuirano učenje je kad je kompjuter istreniran da kontinuirano uči sekvencu zadataka, koristeći svoje akumulirano znanje iz starih zadataka kako bi bolje učio nove zadatke.

Preporučujemo

Ipak, jedna velika prepreka koju naučnici tek treba da savladaju da bi dostigli takve visine jeste učenje kako izbeći ekvivalent gubljenja pamćenja za mašinsko učenje– proces kod agenata AI poznat kao „katastrofalno zaboravljanje“.

Dok se veštačke nervne mreže vežbaju na novim zadacima jednim nakon drugog, imaju tendenciju da gube informacije stečene u tim prethodnim zadacima, što bi moglo postati problematično pošto se društvo sve više oslanja na sisteme AI, kaže Nes Šrof, profesor kompjuterske nauke i inženjerstva.

„Dok aplikacije automatizovane vožnje ili drugi robotski sistemi uče nove stvari, važno je da ne zaborave lekcije koje su već naučili zbog naše bezbednosti i njihove“, rekao je Šrof. „Naše istraživanje zadire u složenosti kontinuiranog učenja kod tih veštačkih nervnih mreža i ono što smo pronašli su uvidi koji počinju da premošćavaju jaz između načina na koji mašina uči i načina na koji čovek uči“.

Istraživači su otkrili da na isti način na koji se ljudi mogu mučiti da se sete suprotstavljenih činjenica o sličnim scenarijima, ali se s lakoćom sete inherentno različitih situacija, veštačke nervne mreže mogu da se sete informacija bolje kad su suočene sa različitim zadacima u nizu, umesto sa onima koji dele slična svojstva.

Istraživački tim treba da predstavi svoj rad ovog meseca na 40. godišnjoj Međunarodnoj konferenciji o mašinskom učenju u Honoluluu na Havajima.

Iako može biti teško učiti autonomne sisteme da ispolje ovu vrstu dinamičnog, doživotnog učenja, posedovanje takvih sposobnosti omogućilo bi naučnicima da uvećavaju algoritme mašinskog učenja bržim tempom, kao i da ih lako prilagode promenljivim sredinama i neočekivanim situacijama. U suštini, cilj ovih sistema bio bi da jednog dana kopiraju ljudske sposobnosti za učenje.

Tradicionalni algoritmi mašinskog učenja se vežbaju na podacimo odjednom, ali uvidi ovog tima su pokazali da faktori kao sličnost zadataka, negativne i pozitivne korelacije, pa čak i redosled kojim se neki algoritam uči nekom zadatku imaju značaj za dužinu vremena u kojoj veštačka mreža zadržava izvesno znanje.

Na primer, da bi se optimizovala memorija nekog algoritma, kaže Šrof, neslični zadaci bi trebalo da se uče rano u procesu kontinuiranog učenja. Ovaj metod proširuje kapacitet mreže za nove informacije i unapređuje njenu sposobnost da zatim uči više sličnih zadataka u budućnosti.

Njihov rad je naročito značajan zato što bi shvatanje sličnosti između mašina i ljudskog mozga moglo utrti put za bolje razumevanje veštačke inteligencije, rekao je Šrof.

„Naš rad najavljuje novo doba inteligentnih mašina koje mogu da uče i da se prilagođavaju kao njihove ljudske kolege“, kaže on.

(Telegraf Nauka/Science Daily)