Η κατασκευή Τεχνητών Νευρωνικών Δικτύων που κοιμούνται και ονειρεύονται έχει τη δυνατότητα να βελτιώσει την απόδοσή τους και την αξιοπιστία τους, σύμφωνα με ερευνητές που εξερευνούν τρόπους αναπαραγωγής της αρχιτεκτονικής και συμπεριφοράς του ανθρώπινου εγκεφάλου. Ο στόχος είναι να αντιμετωπιστεί μια κοινή πρόκληση στα Τεχνητά Νευρωνικά Δίκτυα, γνωστή ως “καταστροφική λήση μάθησης”, όπου τα μοντέλα που εκπαιδεύονται σε νέες εργασίες χάνουν την ικανότητά τους να εκτελούν προηγουμένως ολοκληρωμένες εργασίες.
Ερευνητές στο Πανεπιστήμιο της Κατάνιας ανέπτυξαν μια μέθοδο εκπαίδευσης που ονομάζεται “wake-sleep consolidated learning” (WSCL) που μιμείται τον τρόπο με τον οποίο ο ανθρώπινος εγκέφαλος κατακερματίζει τις μνήμες του κατά τη διάρκεια του ύπνου. Παρόμοια με τον τρόπο που οι άνθρωποι επαναβάλλουν τις πρόσφατες μνήμες στις μακροπρόθεσμες μνήμες, τα μοντέλα τεχνητής νοημοσύνης που εκπαιδεύονται με τη μέθοδο WSCL έχουν “περίοδοι ύπνου” όπου επανεξετάζουν μια μίξη πρόσφατων και παλαιότερων δεδομένων, επιτρέποντας στα μοντέλα να ανιχνεύουν συνδέσμους και πρότυπα και να ενσωματώνουν νέες πληροφορίες χωρίς να ξεχνούν τις υπάρχουσες γνώσεις.
Κατά τη διάρκεια της φάσης του ύπνου, τα μοντέλα τεχνητής νοημοσύνης που χρησιμοποιούν τη μέθοδο WSCL εκτίθενται όχι μόνο σε εικόνες ψαριών, αλλά και σε άλλα ζώα όπως πουλιά, λιοντάρια και ελέφαντες από προηγούμενα μαθήματα. Επιπλέον, η μέθοδος WSCL περιλαμβάνει μια φάση “όνειρου” όπου τα μοντέλα τροφοδοτούνται με εντελώς νέα δεδομένα, συνδυάζοντας προηγούμενες έννοιες, όπως αφηρημένες εικόνες καβαλαρίστρας συνδυασμένες με ψάρια ή λιοντάρια συνδυασμένα με ελέφαντες. Αυτή η φάση του ονείρου βοηθά τα μοντέλα να συγχωνεύσουν προηγούμενα ψηφιακά “νευρώνες” και δημιουργεί πρότυπα που διευκολύνουν την εκμάθηση νέων εργασιών με μεγαλύτερη αποτελεσματικότητα.
Σε πειράματα, οι ερευνητές παρατήρησαν ότι τα μοντέλα τεχνητής νοημοσύνης που εκπαιδεύονται με τη μέθοδο WSCL έδειξαν σημαντική αύξηση στην ακρίβεια σε σύγκριση με τις παραδοσιακές μεθόδους εκπαίδευσης, με αύξηση 2 έως 12% στη σωστή αναγνώριση του περιεχομένου των εικόνων. Τα μοντέλα που χρησιμοποιούν τη μέθοδο WSCL έδειξαν επίσης καλύτερη “έμμεση μεταφορά”, δηλαδή διατήρησαν καλύτερα τις προηγούμενες γνώσεις κατά την εκμάθηση νέων εργασιών.
Παρόλα αυτά τα αποτελέσματα που δείχνουν ελπίδα, όχι όλοι οι ειδικοί πιστεύουν ότι η αυστηρή αναπαραγωγή του ανθρώπινου εγκεφάλου είναι ο πιο αποτελεσματικός τρόπος ενίσχυσης της απόδοσης της τεχνητής νοημοσύνης. Ο Andrew Rogoyski από το Πανεπιστήμιο του Surrey υποστηρίζει ότι η έρευνα στην τεχνητή νοημοσύνη είναι ακόμα στα πρώιμα στάδια της, και η απόλυτη αναπαραγωγή του ανθρώπινου εγκεφάλου μπορεί να μην είναι απαραίτητη. Αντ’ αυτού, προτείνει να εμπνευστούμε από άλλα βιολογικά συστήματα, όπως τα δελφίνια, τα οποία μπορούν να “κοιμηθούν” με ένα μέρος του εγκεφάλου, ενώ παραμένουν επιφυλακτικά με το άλλο.
Συνοψίζοντας, η εξερεύνηση της έννοιας του ύπνου και του ονείρου στην εκπαίδευση των τεχνητών νευρωνικών δικτύων προσφέρει μια ενδιαφέρουσα οπτική. Παρόλο που κάποιοι αμφισβητούν την αυστηρή αντιγραφή του ανθρώπινου εγκεφάλου, υπάρχουν αυξανόμενα αποδεικτικά στοιχεία ότι η ενσωμάτωση μηχανισμών παρόμοιων με τον ύπνο στα μοντέλα τεχνητής νοημοσύνης μπορεί να οδηγήσει σε καλύτερη απόδοση και διατήρηση των γνώσεων. Καθώς η έρευνα στην τεχνητή νοημοσύνη εξελίσσεται, είναι επωφελές να εξετάσουμε εναλλακτικές βιολογικές εμπνεύσεις για να ενισχύσουμε περαιτέρω τις δυνατότητες της τεχνητής νοημοσύνης.
The source of the article is from the blog newyorkpostgazette.com