Rakentamalla tekoälyjärjestelmiä, jotka nukkuvat ja näkevät unia, tutkijat uskovat voivansa parantaa niiden suorituskykyä ja luotettavuutta. Tavoitteena on ratkaista tekoälyn yleinen haaste, ”katastrofaalinen unohtaminen”, jossa uusien tehtävien koulutuksessa mallit menettävät kykynsä suorittaa aikaisemmin hallitsemansa tehtävät.
Cataniassa sijaitsevan yliopiston tutkijat kehittivät koulutusmenetelmän nimeltä wake-sleep consolidated learning (WSCL), joka matkii ihmisaivojen muistojen vakiinnuttamista unen aikana. Samalla tavoin kuin ihmiset siirtävät lyhytaikaisia muistoja pitkäaikaisiksi, WSCL-koulutetut tekoälymallit käyvät ”nukkumisjaksoja”, jolloin ne tarkastelevat hiljattain opittua ja vanhempaa tietoa. Tämä mahdollistaa mallien yhdistää yhteyksiä ja kuvioita sekä sulauttaa uutta tietoa aiemmin opitun kanssa unohtamatta sitä.
Unen vaiheen aikana WSCL-menetelmää käyttävät tekoälymallit altistetaan kuvien lisäksi myös aiempien oppituntien eläimille, kuten linnuille, leijonille ja elefanteille. Lisäksi WSCL sisältää ”unelmoivan” vaiheen, jossa mallit saavat täysin uutta tietoa yhdistämällä aiempia käsitteitä, kuten kalaan yhdistettyjä abstrakteja kuvia kirahveista tai leijonista yhdistettyjä elefanteista. Tämä unelman vaihe auttaa malleja yhdistämään menneitä digitaalisia ”neuroneja” ja luo kuvioita, jotka helpottavat uusien tehtävien oppimista tehokkaammin.
Kokeissa tutkijat huomasivat, että WSCL-koulutusta saaneet tekoälymallit osoittivat merkittävää tarkkuuden paranemista perinteisiin koulutusmenetelmiin verrattuna. Niiden kyky tunnistaa kuvien sisältö lisääntyi 2-12 prosentilla. WSCL-mallit myös osoittivat parempaa ”eteenpäin siirtoa”, mikä tarkoittaa, että ne säilyttivät paremmin aiemmin opitun tiedon uusia tehtäviä opettaessaan.
Vaikka nämä tulokset antavat lupausta, kaikki asiantuntijat eivät usko ihmisaivojen tarkan jäljittelemisen olevan tehokkain tapa tehostaa tekoälyn suorituskykyä. Surrey’n yliopiston Andrew Rogoyski ehdottaa, että tekoälytutkimus on edelleen alkuvaiheessa, eikä ihmisaivojen täydellinen matkiminen välttämättä ole tarpeellista. Sen sijaan hän ehdottaa inspiraation ammentamista muista biologisista järjestelmistä, kuten delfiineistä, jotka voivat ”nukkua” yhdellä aivojen osalla pysyen samalla valppaana toisella.
Yhteenvetona unen ja uneksimisen käsitteen tutkiminen tekoälyn koulutuksessa tarjoaa mielenkiintoisen näkökulman. Vaikka jotkut argumentoivat ihmisaivojen tarkan jäljittelemisen vastaan, kasvava näyttö viittaa siihen, että unenkaltaisten mekanismien integroiminen tekoälymalleihin voi johtaa parempaan suorituskykyyn ja tiedon säilyttämiseen. Tekoälytutkimuksen kehittyessä voi olla hyödyllistä tutkia vaihtoehtoisia biologisia inspiraatioita tekoälyn kyvykkyyksien parantamiseksi.
Usein kysytyt kysymykset unesta ja uneksimisesta tekoälyjärjestelmissä
K: Mikä on unen ja uneksimisen tutkimisen tavoite tekoälyjärjestelmissä?
V: Tavoitteena on ratkaista tekoälyn haaste, jossa mallit menettävät kykynsä suorittaa aikaisemmin hallitsemansa tehtävät, kun ne opetetaan uusia tehtäviä.
K: Minkä koulutusmenetelmän tutkijat kehittivät Catanian yliopistossa?
V: Tutkijat kehittivät koulutusmenetelmän nimeltä wake-sleep consolidated learning (WSCL).
K: Miten WSCL-menetelmä matkii ihmisaivojen muistojen vakiinnuttamista unen aikana?
V: WSCL-koulutetut tekoälymallit käyvät ”nukkumisjaksoja”, jolloin ne tarkastelevat hiljattain opittua ja vanhempaa tietoa, samalla tavoin kuin ihmiset siirtävät lyhytaikaisia muistoja pitkäaikaisiksi unen aikana.
K: Mitä tapahtuu WSCL:n unen ja uneksimisen vaiheissa?
V: Unen vaiheessa WSCL-menetelmää käyttävät mallit altistetaan hiljattain opitulle ja vanhemmalle tiedolle, kun taas uneksimisen vaiheessa niille syötetään täysin uutta tietoa, joka yhdistelee aiempia käsitteitä.
K: Mitkä ovat WSCL-koulutettujen tekoälymallien edut?
V: WSCL-koulutuksen saaneet tekoälymallit osoittivat tarkkuuden paranemista perinteisiin koulutusmenetelmiin verrattuna, sillä niiden kyky tunnistaa kuvien sisältö lisääntyi 2-12 prosentilla. Ne myös säilyttivät paremmin aiemmin opitun tiedon uusia tehtäviä opettaessaan.
K: Mitä tarkoitetaan ”eteenpäin siirrolla” tekoälymalleissa?
V: ”Eteenpäin siirto” tarkoittaa aiemmin opitun tiedon säilyttämistä uusien tehtävien oppimisen yhteydessä.
K: Minkälaisen näkökulman joillakin asiantuntijoilla on ihmisaivojen jäljittelyyn tekoälyjärjestelmissä?
V: Joidenkin asiantuntijoiden, kuten Surrey’n yliopistossa työskentelevän Andrew Rogoyskin, mielestä ihmisaivojen täydellinen jäljittely ei välttämättä ole tehokkain tapa tehostaa tekoälyjen suorituskykyä. Sen sijaan hän ehdottaa inspiraation ammentamista muista biologisista järjestelmistä, kuten delfiineistä.
Määritelmät:
– Katastrofaalinen unohtaminen: Yleinen haaste tekoälyssä, jossa mallit menettävät kykynsä suorittaa aikaisemmin hallitsemansa tehtävät uusia tehtäviä opettaessaan.
– Wake-sleep consolidated learning (WSCL): Koulutusmenetelmä, jonka tutkijat kehittivät Catanian yliopistossa ja joka matkii ihmisaivojen muistojen vakiinnuttamista unen aikana.
Ehdotetut liittyvät linkit:
– Catanian yliopisto
– Surreyn yliopisto
The source of the article is from the blog queerfeed.com.br