Teadlased, kes uurivad inimaju arhitektuuri ja käitumist jäljendavate tehisintellektisüsteemide loomist, leiavad, et tehisintellekt võiks kasu saada unest ja unistamisest, mis parandaks nende jõudlust ja usaldusväärsust. Eesmärk on lahendada tehisintellektis sageli esinev “katastroofiline unustamine”, kus uute ülesannetega koolitatud mudelid kaotavad võime teha varem omandatud ülesandeid.
Catania Ülikooli teadlased on välja töötanud koolitusmeetodi nimega “ärkvel-uni konsolideeritud õpe” (WSCL), mis matkib inimaju mälestuste konsolideerumist une ajal. Sarnaselt sellele, kuidas inimesed viivad lühiajalised mälestused üle pikaajalisteks, võimaldavad WSCL-koolitatud tehisintellekti mudelid “magamis” perioodidel läbi vaadata hiljutisi ja vanemaid andmeid, mis võimaldab mudelitel tuvastada seoseid ja mustreid ning integreerida uut teavet, unustamata olemasolevat teadmist.
Magneetofaasis on WSCL-ga tehisintellekti mudelid kujutatud mitte ainult kalade piltidega, vaid ka teiste loomade, nagu lindude, lõvide ja elevandide piltidega varasematest õppetundidest. Lisaks hõlmab WSCL “unistuste” faasi, kus mudelitele esitatakse täiesti uusi andmeid, kombineerides varasemaid kontseptsioone, näiteks abstraktseid giraffe kala või lõvi elevandi ristandeid. See unistamise faas aitab mudelitel ühendada mineviku digitaalsed “neuronid” ja luua mustreid, mis hõlbustavad uute ülesannete õppimist tõhusamalt.
Katsetes leidsid teadlased, et WSCL-ga koolitatud tehisintellekti mudelid näitasid märkimisväärset täpsuse kasvu võrreldes traditsiooniliste koolitusmeetoditega, suurendades pildisisu õigesti tuvastamist 2 kuni 12 protsendi võrra. WSCL mudelid näitasid samuti paremat “edasikandumist”, mis tähendab, et uute ülesannete õppimisel suutsid need säilitada paremini varasemat teadmist.
Kuigi need tulemused on paljulubavad, ei usu kõik eksperdid, et inimaju rangelt järgimine on tehisintellekti jõudluse parendamiseks kõige tõhusam lähenemisviis. Surrey Ülikooli teadlane Andrew Rogoyski väidab, et tehisintellekti uurimine on endiselt varases staadiumis ning inimaju täielik jäljendamine ei pruugi olla vajalik. Selle asemel pakub ta inspiratsiooni saamist teistest bioloogilistest süsteemidest, näiteks delfiinidest, kes saavad “magada” ühe ajupoolkera juures, säilitades samal ajal teadvuse teise poolkeraga.
Kokkuvõttes pakub unest ja unistamisest lähtuv tehisintellekti koolitus idee huvitavat perspektiivi. Kuigi mõned väidavad, et inimaju range jäljendamine pole vajalik, on üha enam tõendeid selle kohta, et unetaoliste mehhanismide kasutamine tehisintellekti mudelites võib viia parema jõudluse ja teadmiste säilitamiseni. Tehisintellekti uurimisel võib olla kasulik uurida alternatiivseid bioloogilisi inspiratsioone, et veelgi parandada tehisintellekti võimeid.
Korduma kippuvad küsimused une ja unistamise kohta tehisintellekti süsteemides
K: Milles seisneb unest ja unistamise uurimise eesmärk tehisintellekti süsteemides?
V: Eesmärk on lahendada “katastroofilist unustamist”, kus tehisintellekti mudelid kaotavad võime teha varem omandatud ülesandeid, kui neid koolitatakse uute ülesannetega.
K: Milline koolitusmeetod välja töötati Catania Ülikooli teadlaste poolt?
V: Teadlased arendasid välja koolitusmeetodi nimega “ärkvel-uni konsolideeritud õpe” (WSCL).
K: Kuidas matkib WSCL inimaju mälestuste konsolideerumist une ajal?
V: WSCL-ga koolitatud tehisintellekti mudelitel on “unefaasid”, kus nad vaatavad läbi hiljutisi ja vanemaid andmeid, sarnaselt sellele, kuidas inimesed une ajal üle viivad lühiajalised mälestused pikaajalisteks.
K: Mis toimub WSCL-ga magamise ja unistamise faasides?
V: Magamise faasis puutuvad WSCL mudelid kokku hiljutiste ja vanemate andmetega, unistamise faasis aga esitatakse neile täiesti uut andmestikku, mis ühendab varasemaid kontseptsioone.
K: Millised on WSCL-ga koolitatud tehisintellekti mudelite eelised?
V: WSCL-ga koolitatud tehisintellekti mudelid näitasid täpsuse märkimisväärset kasvu võrreldes traditsiooniliste koolitusmeetoditega, suurendades pildisisu õigesti tuvastamist 2 kuni 12 protsendi võrra. Samuti suutsid nad paremini säilitada varasemat teadmist uute ülesannete õppimisel.
K: Mida tähendab “edasikandumine” tehisintellekti mudelite kontekstis?
V: “Edasikandumine” viitab varasema teadmise säilitamisele uute ülesannete õppimisel.
K: Millist seisukohta omavad mõned eksperdid inimaju jäljendamise osas tehisintellekti süsteemides?
V: Mõned eksperdid, nagu Andrew Rogoyski Surrey Ülikoolist, leiavad, et inimaju rangelt jäljendamine ei pruugi olla vajalik ning pakuvad inspiratsiooni teistest bioloogilistest süsteemidest, näiteks delfiinidest.
Definitsioonid:
– Katastroofiline unustamine: Tavaline tehisintellektis esinev väljakutse, kus uute ülesannetega koolitatud mudelid kaotavad võime teha varem omandatud ülesandeid.
– Ärkvel-uni konsolideeritud õpe (WSCL): Catania Ülikooli teadlaste välja töötatud koolitusmeetod, mis matkib inimaju mälestuste konsolideerumist une ajal.
Soovitatud seotud lingid:
– Catania Ülikool
– Surrey Ülikool
The source of the article is from the blog yanoticias.es