Å bygge kunstig intelligens (KI)-systemer som sover og drømmer har potensial til å forbedre ytelsen og påliteligheten deres, ifølge forskere som utforsker måter å etterligne arkitekturen og oppførselen til menneskehjernen. Målet er å takle en vanlig utfordring innen KI kjent som «katastrofal glemsel,» der modeller trent på nye oppgaver mister evnen til å utføre tidligere mestrede oppgaver.
Forskere ved Universitetet i Catania har utviklet en opplæringsmetode kalt «wake-sleep consolidated learning» (WSCL) som etterligner måten menneskehjernen konsoliderer minner under søvn. På samme måte som mennesker sorterer kortsiktige minner til langsiktige, har KI-modeller trent med WSCL «søvnperioder» der de gjennomgår en blanding av nylig og eldre data. Dette gjør det mulig for modellene å oppdage sammenhenger og mønstre, og integrere ny informasjon uten å glemme eksisterende kunnskap.
Under søvnfasen blir KI-modeller som bruker WSCL, eksponert ikke bare for bilder av fisker, men også for andre dyr som fugler, løver og elefanter fra tidligere leksjoner. I tillegg inkluderer WSCL en «drømmefase» der modellene får helt ny data ved å kombinere tidligere begreper, for eksempel abstrakte bilder av sebraer krysset med fisk eller løver krysset med elefanter. Denne drømmefasen hjelper modellene med å kombinere tidligere digitale «nevroner» og skape mønstre som letter læring av nye oppgaver mer effektivt.
I eksperimenter fant forskerne at KI-modellene trent med WSCL viste en betydelig forbedring i nøyaktighet sammenlignet med tradisjonelle opplæringsmetoder, med en økning på 2 til 12 prosent i korrekt identifisering av bildets innhold. WSCL-modellene viste også bedre «forward transfer», noe som betyr at de beholdt tidligere kunnskap bedre når de lærte nye oppgaver.
Selv om disse resultatene viser lovende tegn, er ikke alle eksperter enige i at det å bruke menneskehjernen som blåkopi er den mest effektive tilnærmingen for å forbedre KI-ytelsen. Andrew Rogoyski fra Universitetet i Surrey antyder at KI-forskning fortsatt er i en tidlig fase, og at det kanskje ikke er nødvendig å etterligne menneskehjernen fullstendig. I stedet foreslår han å hente inspirasjon fra andre biologiske systemer, som delfiner, som kan «sove» med den ene delen av hjernen mens de forblir våkne med den andre.
Konklusjonen er at utforskningen av søvn og drømmer i KI-opplæring gir en fascinerende perspektiv. Selv om noen argumenterer mot å replikere menneskehjernen strengt talt, er det økende bevis for at å inkludere søvn-lignende mekanismer i KI-modeller kan føre til forbedret ytelse og bevaring av kunnskap. Når KI-forskningen utvikler seg, kan det være nyttig å utforske alternative biologiske inspirasjoner for å videre forbedre KI-mulighetene.
Ofte stilte spørsmål om søvn og drømmer i KI-systemer
Q: Hva er målet med å utforske søvn og drømmer i KI-systemer?
A: Målet er å takle «katastrofal glemsel,» der KI-modeller mister evnen til å utføre tidligere mestrede oppgaver når de blir trent på nye oppgaver.
Q: Hvilken opplæringsmetode ble utviklet av forskere ved Universitetet i Catania?
A: Forskerne utviklet en opplæringsmetode kalt «wake-sleep consolidated learning» (WSCL).
Q: Hvordan etterligner WSCL konsolideringen av minner i menneskehjernen under søvn?
A: KI-modeller trent med WSCL har «søvnperioder» der de gjennomgår en blanding av nylig og eldre data, på samme måte som mennesker konsoliderer kortsiktige minner til langsiktige under søvn.
Q: Hva skjer under søvn- og drømmefasen i WSCL?
A: Under søvnfasen blir WSCL-modellene eksponert for en blanding av nylig og eldre data, mens de under drømmefasen blir matet helt ny data som kombinerer tidligere begreper.
Q: Hva er fordelene med WSCL-trente KI-modeller?
A: WSCL-trente KI-modeller viste en økning i nøyaktighet sammenlignet med tradisjonelle opplæringsmetoder, med en økning på 2 til 12 prosent i korrekt identifisering av bildets innhold. De beholdt også tidligere kunnskap bedre når de lærte nye oppgaver.
Q: Hva menes med «forward transfer» i sammenheng med KI-modeller?
A: «Forward transfer» viser til bevaring av tidligere kunnskap når man lærer nye oppgaver.
Q: Hvilken perspektiv har noen eksperter angående replikeringen av menneskehjernen i KI-systemer?
A: Noen eksperter, som Andrew Rogoyski fra Universitetet i Surrey, antyder at det kanskje ikke er nødvendig å imitere menneskehjernen fullstendig og foreslår å hente inspirasjon fra andre biologiske systemer, som delfiner.
Definisjoner:
– Katastrofal glemsel: En vanlig utfordring innen KI der modeller trent på nye oppgaver mister evnen til å utføre tidligere mestrede oppgaver.
– Wake-sleep consolidated learning (WSCL): En opplæringsmetode utviklet av forskere ved Universitetet i Catania som etterligner måten menneskehjernen konsoliderer minner under søvn.
Foreslåtte relaterte lenker:
– Universitetet i Catania
– Universitetet i Surrey
The source of the article is from the blog rugbynews.at