Gradnja umetno inteligentnih sistemov, ki spijo in sanjajo, ima potencial za izboljšanje njihove uspešnosti in zanesljivosti, tako trdijo raziskovalci, ki raziskujejo načine za posnemanje arhitekture in delovanja človeškega možganovja. Cilj je obravnavati pogosto težavo v umetni inteligenci, imenovano “katastrofalno pozabljanje”, kjer modeli, naučeni novih nalog, izgubijo sposobnost izvajanja že prej osvojenih nalog.
Raziskovalci na Univerzi v Catanii so razvili metodo usposabljanja, imenovano konsolidirano učenje med spanjem in budnostjo (angl. wake-sleep consolidated learning – WSCL), ki posnema način delovanja človeških možganov pri konsolidaciji spominov med spanjem. Podobno kot pri ljudeh, ki prenašajo kratkoročne spomine v dolgoročne, imajo WSCL-usposobljeni modeli AI “spalne” periode, med katerimi pregledujejo mešanico nedavnih in starejših podatkov. To omogoča modelom odkrivanje povezav in vzorcev ter integracijo novega znanja brez pozabljanja že pridobljenega znanja.
Med fazo spanja modeli AI, ki uporabljajo WSCL, niso izpostavljeni samo slikam rib, ampak tudi drugim živalim, kot so ptiči, levi in sloni, s prejšnjih lekcij. Poleg tega WSCL vključuje tudi fazo “sanjanja”, kjer so modelom vstavljene popolnoma nove podatke, ki združujejo prejšnje koncepte, kot so abstraktne slike žiraf, ki jih preseka riba, ali levi, ki se križajo s sloni. Ta faza sanjanja pomaga modelom združiti pretekle digitalne “nevrone” in ustvarja vzorce, ki olajšujejo bolj učinkovito učenje novih nalog.
V eksperimentih so raziskovalci ugotovili, da so AI modeli, usposobljeni z WSCL, pokazali pomembno povečanje natančnosti v primerjavi s tradicionalnimi metodami usposabljanja, z 2 do 12 odstotnim povečanjem pravilnega prepoznavanja vsebine slik. Modeli WSCL so tudi pokazali boljšo “prekrivno prenos”, kar pomeni, da so bolje obdržali prej pridobljeno znanje pri učenju novih nalog.
Čeprav ti rezultati obetajo, nekateri strokovnjaki menijo, da je uporaba človeških možganov kot vzorca za izboljšanje uspešnosti umetne inteligence morda ne najbolj učinkovit pristop. Andrew Rogoyski s Univerze v Surreyju predlaga, da je raziskava umetne inteligence še vedno v zgodnjih fazah in da morda ni potrebno popolnoma posnemati človeških možganov. Namesto tega predlaga, da se poiščejo navdihi v drugih bioloških sistemih, kot so delfini, ki lahko “spijo” z enim delom možganov, medtem ko drugi del ostaja pozoren.
Zaključno, raziskovanje koncepta spanja in sanjanja pri usposabljanju AI ponuja zanimiv pogled. Čeprav nekateri nasprotujejo natančnemu posnemanju človeških možganov, obstaja naraščajoče dokazno gradivo, da vključevanje mehanizmov, podobnih spanju, v modele AI lahko pripelje do izboljšane uspešnosti in ohranjanja znanja. Medtem ko se raziskave umetne inteligence razvijajo, je smiselno raziskati alternative biološkim navdihom za še nadaljnje izboljšanje zmogljivosti AI.
Pogosto zastavljena vprašanja o spanju in sanjanju v AI sistemih
V: Kakšen je namen raziskovanja spanja in sanjanja v AI sistemih?
O: Namen je obravnavati “katastrofalno pozabljanje”, kjer modeli umetne inteligence izgubijo sposobnost izvajanja že prej osvojenih nalog, ko so naučeni novih nalog.
V: Katero usposabljanje so razvili raziskovalci na Univerzi v Catanii?
O: Raziskovalci so razvili metodo usposabljanja, imenovano konsolidirano učenje med spanjem in budnostjo (WSCL).
V: Kako WSCL posnema konsolidacijo spominov človeških možganov med spanjem?
O: WSCL-usposobljeni modeli umetne inteligence imajo “spalne” periode, med katerimi pregledujejo mešanico nedavnih in starejših podatkov, podobno kot ljudje prenašamo kratkoročne spomine v dolgoročne med spanjem.
V: Kaj se dogaja med fazama spanja in sanjanja pri WSCL?
O: Med fazo spanja so WSCL modeli izpostavljeni mešanici nedavnih in starejših podatkov, med fazo sanjanja pa se jim vstavijo popolnoma novi podatki, ki združujejo prejšnje koncepte.
V: Kateri so prednosti WSCL-usposobljenih modelov umetne inteligence?
O: WSCL-usposobljeni modeli umetne inteligence so pokazali povečanje natančnosti v primerjavi s tradicionalnimi metodami usposabljanja, z 2 do 12 odstotnim povečanjem pravilnega prepoznavanja vsebine slik. Prav tako so bolje ohranili prejšnje znanje pri učenju novih nalog.
V: Kaj pomeni “prekrivni prenos” v kontekstu modelov AI?
O: “Prekrivni prenos” se nanaša na ohranjanje prej pridobljenega znanja pri učenju novih nalog.
V: Kakšno mnenje imajo nekateri strokovnjaki glede posnemanja človeških možganov v AI sistemih?
O: Nekateri strokovnjaki, kot je Andrew Rogoyski s Univerze v Surreyju, menijo, da ni nujno potrebno popolnoma posnemati človeških možganov in predlagajo iskanje navdiha v drugih bioloških sistemih, na primer delfinih.
Opredelitve:
– Katastrofalno pozabljanje: Pogosta težava v umetni inteligenci, kjer modeli, naučeni novih nalog, izgubijo sposobnost izvajanja že prej osvojenih nalog.
– Konsolidirano učenje med spanjem in budnostjo (WSCL): Metoda usposabljanja, ki so jo razvili raziskovalci na Univerzi v Catanii in posnema način delovanja človeških možganov pri konsolidaciji spominov med spanjem.
Predlagane povezane povezave:
– Univerza v Catanii
– Univerza v Surreyju
The source of the article is from the blog qhubo.com.ni