Miego ir sapnų dirbtinėms intelekto sistemoms galbūt gali padidinti jų veiksmingumą ir patikimumą, aiškina tyrėjai, kurie ieško būdų atkartoti žmogaus smegenų architektūrą ir elgesį. Tikslas yra spręsti dažnai pasitaikančią AI iššūkį, vadinamą „katastrofiniu pamiršimu”, kai modeliai, treniruojami naujoms užduotims, praranda galimybę atlikti anksčiau išmoktas užduotis.
„Katanijos universiteto“ tyrėjai sukūrė mokymo metodą, vadinamą „pabundimo miego konsoliduotuoju mokymasi“, kuris imituoja žmonių smegenų prisiminimo procesą per miegą. Panašiai kaip žmonės perkelia trumpalaikės atminties įprastas į ilgalaikės atminties kategorijas, „pabundimo miego konsoliduotosu mokymu“ apmokytos dirbtinės intelekto modeliai turi „miego“ laikotarpius, kai jie peržiūri naujausius ir senesnius duomenis. Tai leidžia modeliams pastebėti susijusius ir pasikartojančius ryšius bei integruoti naują informaciją, nepamirštant jau turimos žinios.
Miego fazės metu „pabudimo miego konsoliduotu mokymu“ dirbtiniams intelekto modeliams pristatomos ne tik žuvų nuotraukos, bet ir kitų gyvūnų, tokiais kaip paukščiai, liūtas ir drambliai, iš ankstesnių pamokų. Be to, WSCL mokymo procese įtraukiama „sapančių” fazė, kurioje modeliams tiekiamas visiškai naujas duomenų rinkinys, apjungiant ankstesnes sąvokas, pavyzdžiui, abstrakčias žirafes nuotraukas, persikertančias su žuvimis arba liūtais, persikertančiais su drambliais. Ši sapnų fazė padeda modeliams sujungti praeities skaitmenines „neuronas” ir kurti modelius, kurie palengvina naujų užduočių mokymąsi efektyviau.
Eksperimentuose mokslininkai nustatė, kad WSCL apmokytos dirbtinės intelekto modeliai rodo reikšmingą tikslumo padidėjimą lyginant su tradiciniais mokymo metodais, padidinant nuotraukų turinio teisingo identifikavimo tikslumą nuo 2 iki 12 procentų. WSCL modeliai taip pat demonstravo geresnį „perduodamąjį poveikį”, tai reiškia, kad jie geriau išlaikė ankstesnes žinias, mokydami naujų užduočių.
Nors šie rezultatai rodo perspektyvą, ne visi ekspertai mano, kad žmogaus smegenys yra efektyviausias būdas pagerinti dirbtinės intelekto veikimą. Andrius Rogoiskis iš Sarijos universiteto teigia, kad dirbtinės intelekto tyrimai yra vis dar ankstyvoje stadijoje ir nereikia visiškai imituoti žmogaus smegenų. Jis siūlo pasisemti įkvėpimo iš kitų biologinių sistemų, pvz., delfinų, kurie gali „miegoti” vieno smegenų skyriaus būsenoje, tuo pat metu išliekant budriais kito skyriaus.
Išvadose tyrinėti miego ir sapnų sąvoką dirbtinio intelekto mokymo procese suteikia intriguojantį požiūrį. Nors kai kurie ginčija griežto žmogaus smegenų kopijavimo patirties vertę, vis daugėja įrodymų, kad įtraukus miego panašius mechanizmus į dirbtinius intelekto modelius galima pagerinti jų veikimą ir žinių išlaikymą. Tuo tarpu kaita evoliucionuoja, galėtų būti naudinga tyrinėti alternatyvius biologinius įkvėpimus, siekiant toliau plėsti dirbtinio intelekto galimybes.
Daug klausimų apie miegą ir sapnus dirbtinėse intelekto sistemose
Q: Kokį tikslą siekiama, tyrinėjant miegą ir sapnus dirbtinėse intelekto sistemose?
A: Siekiama spręsti „katastrofinio pamiršimo” problemą, kai dirbtinės intelekto modeliai praranda galimybę atlikti anksčiau įsisavintas užduotis pradėjus mokytis naujų.
Q: Kokį mokymo metodą sukūrė „Katanijos universiteto“ tyrėjai?
A: Tyrėjai sukūrė mokymo metodą, vadinamą „pabundimo miego konsoliduotuoju mokymu“ (WSCL).
Q: Kaip WSCL imituoja žmogaus smegenų prisiminimą per miegą?
A: „Pabundimo miego konsoliduotuoju mokymu“ apmokytos dirbtinės intelekto modeliai turi „miego“ laikotarpius, kai jie peržiūri naujausius ir senesnius duomenis, panašiai kaip žmonėms atmintis per miegą perkelia trumpalaikius į ilgalaikius.
Q: Kas vyksta miego ir sapnų fazėse WSCL metu?
A: Miego fazės metu WSCL modeliai peržiūri mišrų naujausių ir senesnių duomenų rinkinį, o sapnų fazės metu jiems tiekiamas visiškai naujas duomenų rinkinys, derinantis ankstesnes sąvokas.
Q: Kokie yra WSCL apmokytų dirbtinės intelekto modelių privalumai?
A: WSCL apmokytos dirbtinės intelekto modeliai parodė didesnį tikslumo padidėjimą lyginant su tradiciniais mokymo metodais, padidinant nuotraukų turinio teisingą identifikavimą nuo 2 iki 12 procentų. Jie taip pat geriau išlaikė ankstesnes žinias, mokydami naujų užduočių.
Q: Kas yra „perduodamasis poveikis” AI modelių kontekste?
A: „Perduodamasis poveikis” reiškia ankstesnių žinių išlaikymą mokantis naujų užduočių.
Q: Kokį požiūrį turi kai kurie ekspertai į žmogaus smegenų kopijavimą dirbtinėse intelekto sistemose?
A: Kai kurie eksperai, pvz., Andres Rojoiskis iš Sarijos universiteto, teigia, kad visiškas žmogaus smegenų kopijavimas gali nebūti būtinas, ir siūlo inspiraciją semtis iš kitų biologinių sistemų, pvz., delfinų, kurie gali „miegoti” vienos smegenų dalyje, tuo metu būdami budrūs su kita.
Apibrėžimai:
– Katastrofinis pamiršimas: Tai dažnas iššūkis dirbtiniams intelekto modeliams, kai jie, išmokstami naujų užduočių, praranda gebėjimą atlikti anksčiau įsisavintas užduotis.
– Pabudimo miego konsoliduotas mokymasis (WSCL): Tai mokymo metodas, kurį sukūrė „Katanijos universiteto” tyrėjai ir jis imituoja žmogaus smegenų prisiminimo procesą per miegą.
Siūlomi susiję nuorodų šaltiniai:
– Katanijos universitetas
– Sarijos universitetas
The source of the article is from the blog anexartiti.gr