Miega un sapņu integrēšana AI sistēmās varētu uzlabot to veiktspēju un uzticamību, apgalvo pētnieki, kas pēta veidus, kā kopēt cilvēka smadzeņu arhitektūru un uzvedību. Mērķis ir risināt izplatītu izaicinājumu AI jomā, ko sauc par “katastrofālo aizmirstību,” kad modeļi, kas apmācīti jaunās uzdevumos, zaudē spēju veikt iepriekš apgūtos uzdevumus.
Katanijas Universitātes pētnieki izstrādāja apmācības metodi, ko sauc par “wake-sleep consolidated learning” (WSCL), kas imitē cilvēka smadzeņu veidu, kādā tie konsolidē atmiņas miegā. Tāpat kā cilvēki apvieno īstermiņa atmiņu ar ilgtermiņa atmiņu, WSCL apmācītie AI modeļi “miegā” pārskata jaunākos un vecākus datus, ļaujot modeļiem atrast savstarpējas saistības un modeļus un integrēt jaunu informāciju, nemetot aizmirstībā esošo zināšanu.
Miega fāzē WSCL izmantotie AI modeļi nav pakļauti tikai zivju attēliem, bet arī citiem dzīvniekiem, piemēram, putniem, lauvām un ziloniem, no iepriekšējām nodarbībām. Papildus tam, WSCL ietver “sapņu” fāzi, kurā modeļiem tiek padevīgi pilnīgi jauni dati, apvienojot iepriekšējos konceptus, piemēram, abstraktus zirgu attēlus, krustojot ar zivīm vai lauvu un zilonu krustojumus. Šī sapņu fāze palīdz modeļiem apvienot iepriekšējos digitālos “neironus” un radīt modeļus, kas veicina efektīvāku jaunu uzdevumu apgūšanu.
Eksperimentos pētnieki konstatēja, ka WSCL apmācītie AI modeļi parādīja ievērojamu pareizā attēla satura identificēšanas precizitātes palielināšanos salīdzinājumā ar tradicionālajām apmācības metodēm. Precizitāte palielinājās par 2 līdz 12 procentiem. WSCL modeļi arī demonstrēja labāku “priekšējo nodrošināšanu”, kas nozīmē, ka tie labāk saglabāja iepriekšējās zināšanas, mācoties jaunus uzdevumus.
Lai gan šīs rezultāti liecina par cerībām, ne visi eksperti uzskata, ka cilvēka smadzeņu replicēšana ir efektīvākais veids, kā uzlabot AI veiktspēju. Universitātes of Surrey pētnieks Andru Rogoiski, piemēram, norāda, ka AI pētniecība joprojām ir agrīnās stadijās un pilnīga cilvēka smadzeņu imitēšana var nebūt nepieciešama. Viņš drīzāk ierosina iegūt iedvesmu no citiem bioloģiskiem sistēmām, piemēram, delfīniem, kuri var “miegot” ar vienu smadzeņu daļu, vienlaikus saglabājot nomodā esošu stāvokli ar citu.
Secinājumā jāatzīst, ka miega un sapņu kontepts apmācībā AI sniedz interesantu perspektīvu. Lai gan daži iebilst pret striktu cilvēka smadzeņu replicēšanu, aina augoša pierādījumu liecina, ka miega līdzīgu mehānismu integrēšana AI modeļos var uzlabot veiktspēju un zināšanu saglabāšanu. Attīstoties AI pētījumiem, būtu ieteicams izpētīt alternatīvus bioloģiskus iedvesmas avotus, lai papildus uzlabotu AI prasmes.
Bieži uzdotie jautājumi par miegu un sapņiem AI sistēmās
Q: Kādas ir miega un sapņu izpētes mērķis AI sistēmās?
A: Mērķis ir risināt “katastrofālo aizmirstību”, kad AI modeļi zaudē spēju veikt iepriekš apgūtos uzdevumus, mācoties jaunus uzdevumus.
J: Kādu apmācības metodi izstrādāja Katanijas Universitātes pētnieki?
A: Pētnieki izstrādāja apmācības metodi, ko sauc par “wake-sleep consolidated learning” (WSCL).
J: Kā WSCL imitē cilvēka smadzeņu atmiņas konsolidāciju miegā?
A: WSCL apmācītie AI modeļi “miega” periodos pārskata jaunāko un vecāko datu kombināciju, līdzīgi tam, kā cilvēki miegā apvieno īstermiņa atmiņu ar ilgtermiņa atmiņu.
J: Kas notiek miega un sapņu laikā WSCL?
A: Miegas fāzē WSCL modeļi tiek pakļauti jaunākajiem un vecākajiem datiem, bet sapņu fāzē tiem tiek padoti pilnīgi jauni dati, kas apvieno iepriekšējos konceptus.
J: Kādas ir WSCL apmācīto AI modeļu priekšrocības?
A: WSCL apmācītie AI modeļi parādīja precizitātes uzlabojumu salīdzinājumā ar tradicionālajām apmācības metodēm, palielinot attēlu saturu identificēšanas precizitāti par 2 līdz 12 procentiem. Turklāt tie labāk saglabāja iepriekšējās zināšanas, mācoties jaunus uzdevumus.
J: Kas ir “priekšējā nodrošināšana” AI modeļu kontekstā?
A: “Priekšējā nodrošināšana” attiecas uz iepriekšējo zināšanu saglabāšanu, mācoties jaunus uzdevumus.
J: Kādu perspektīvu izsaka daži eksperti par cilvēka smadzeņu replicēšanu AI sistēmās?
A: Daži eksperti, piemēram, Andru Rogoiski no Surrejas Universitātes, norāda, ka pilnīga cilvēka smadzeņu replicēšana var nebūt nepieciešama un ierosina izmantot iedvesmu no citām bioloģiskām sistēmām, piemēram, delfīniem.
Definīcijas:
– Katastrofālā aizmirstība: Izaicinājums AI jomā, kad modeļi, kas apmācīti jaunās uzdevumos, zaudē spēju veikt iepriekš apgūtos uzdevumus.
– Wake-sleep consolidated learning (WSCL): Apmācības metode, ko izstrādāja Katanijas Universitātes pētnieki, kas imitē cilvēka smadzeņu veidu, kādā tie konsolidē atmiņas miegā.
Ieteiktie saistītie resursi:
– Katanijas Universitāte
– Surrejas Universitāte
The source of the article is from the blog revistatenerife.com