Построяването на изкуствени интелигентни системи, които спят и сънуват, има потенциала да подобрят тяхната производителност и надеждност, според изследователи, които изучават начини за репликация на архитектурата и поведението на човешкия мозък. Целта е да се справят с общо предизвикателство в изкуствения интелект, наречено „катастрофално забравяне“, при което модели, обучени на нови задачи, губят способността си да изпълняват предишно овладени задачи.
Изследователите от Университета на Катания разработиха метод за обучение наречен съчетано учене при будни и спящи състояния (wake-sleep consolidated learning – WSCL), който имитира начина, по който човешкият мозък консолидира спомени по време на сън. Подобно на това както хората преместват краткосрочни спомени в дългосрочни, AI модели, обучени с WSCL, преживяват „сън“ фаза, когато преглеждат смес от скорошни и по-стари данни, позволявайки на моделите да забележат връзки и модели и да интегрират нова информация, без да забравят съществуващото знание.
По време на спящата фаза, AI моделите, използващи WSCL, не се излагат само на изображения на риби, но и на други животни като птици, лъвове и слонове от по-рано проведени уроци. Освен това, WSCL включва и „сънуване“, където моделите се подхранват със съвсем нови данни, като комбинират предишни концепции, например абстрактни изображения на жирафи, кръстени с риби или лъвове, кръстени със слонове. Тази фаза на сънуване помага на моделите да съчетаят миналите цифрови „неврони“ и създава модели, които облекчават по-ефективното научаване на нови задачи.
В експериментите, изследователите откриха, че AI моделите, обучени чрез WSCL, показват значително повишение на точността в сравнение с традиционните методи за обучение, с увеличение от 2 до 12 процента в правилното откриване на съдържанието на изображенията. Моделите, обучени с WSCL, също проявяват по-добър „предавателен пренос“, което означава, че запазват предишните си познания по-добре, когато учат нови задачи.
Въпреки че тези резултати показват обещание, не всички експерти вярват, че използването на човешкия мозък като основа е най-ефективният подход за подобряване на производителността на изкуствения интелект. Андрю Рогойски от Университета на Съри предлага, че изследванията в областта на изкуствения интелект все още са в начален етап и напълно копирането на човешкия мозък може да не е необходимо. Вместо това той предлага да се вдъхновяваме от други биологични системи, като делфини, които могат „да спят“ с една част от мозъка, докато друга част е бодра.
Заключително, изследването на концепцията за сънуване и сън в обучението на изкуствен интелект предлага интересна перспектива. Въпреки че някои възразяват срещу стриктното репликиране на човешкия мозък, има все повече доказващи се доказателства, че включването на механизми, подобни на сън, в AI моделите може да доведе до по-добра производителност и запазване на знанието. С развитието на изследванията в областта на изкуствения интелект, може да бъде полезно да се проучат алтернативни биологични вдъхновения, за да се подобри още повече функционалността на AI системите.
Често задавани въпроси относно сънуването и сънуването в AI системите
В: Каква е целта на изследването на сънуването и сънуването в AI системите?
О: Целта е да се справят с „катастрофалното забравяне“ при AI моделите, когато загубят способността си да изпълняват предишно овладени задачи, когато са обучени на нови задачи.
В: Какъв метод за обучение разработиха изследователите от Университета на Катания?
О: Изследователите разработиха метод за обучение, наречен съчетано учене при будни и спящи състояния (WSCL).
В: Как WSCL имитира консолидирането на спомените в човешкия мозък по време на сън?
О: AI моделите, обучени с WSCL, преживяват „сън“ фаза, когато преглеждат смесица от скорошни и по-стари данни, подобно на начина, по който хората консолидират краткосрочни спомени в дългосрочни по време на сън.
В: Какво се случва по време на фазите на сънуване и сънуване в WSCL?
О: По време на фазата на сън, моделите, обучени с WSCL, се излагат на смесица от скорошни и по-стари данни, а по време на фазата на сънуване, те се подхранват със съвсем нови данни, комбинирайки предишни концепции.
В: Какви са предимствата на моделите, обучени с WSCL?
О: Моделите, обучени с WSCL, показват повишение на точността в сравнение с традиционните методи за обучение, с увеличение от 2 до 12 процента в правилното откриване на съдържанието на изображенията. Те също запазват предишните си познания по-добре, когато учат нови задачи.
В: Какво представлява „предавателният пренос“ в контекста на AI моделите?
О: „Предавателният пренос“ се отнася до запазването на предишните познания при усвояването на нови задачи.
В: Какъв е погледът някои експерти имат относно репликацията на човешкия мозък в AI системите?
О: Някои експерти, като Андрю Рогойски от Университета на Съри, предлагат, че изцяло копирането на човешкия мозък може да не е необходимо и предлагат да се вдъхновяваме от други биологични системи, като делфини, които могат „да спят“ с една част от мозъка, докато другата е бодра.
Дефиниции:
– Катастрофално забравяне: Общо предизвикателство при изкуствения интелект, при което моделите, обучени на нови задачи, губят способността си да изпълняват предишно овладени задачи.
– Съчетано учене при будни и спящи състояния (WSCL): Метод за обучение, разработен от изследователи от Университета на Катания, който имитира начина, по който човешкият мозък консолидира спомени по време на сън.
Препоръчителни свързани връзки:
– Университет на Катания
– Университет на Съри
The source of the article is from the blog exofeed.nl