الملاحة من خلال المنحنى التعلمي: كفاح الذكاء الاصطناعي مع الاحتفاظ بالذاكرة

مع استمرار توسع حدود الذكاء الاصطناعي، يتصارع الباحثون مع واحدة من أكبر التحديات في هذا المجال: فقدان الذاكرة. والمعروف باسم “النسيان الكارثي” في مصطلحات الذكاء الاصطناعي، يمنع هذا الظاهرة بشكل كبير تقدم التعلم الآلي، مما يجعلها تشبه الطبيعة الهاربة للذكريات البشرية. وفريق من مهندسي الكهرباء من جامعة ولاية أوهايو يبحثون في كيفية تأثير التعلم المستمر، وهو القدرة على الحاسوب لاكتساب المعرفة بشكل مستمر من سلسلة من المهام، على الأداء العام للوكلاء الآليين.

جسر الفجوة بين التعلم البشري والتعلم الآلي

NESS Shroff، عالم بارز في ولاية أوهايو وأستاذ علوم الحاسوب والهندسة في جامعة ولاية أوهايو، يؤكد على الحاجة إلى التغلب على هذا العائق. “عندما يتم تعليم التطبيقات القيادية الآلية أو الأنظمة الروبوتية الأخرى أشياء جديدة، من المهم ألا ينسيوا الدروس التي تعلموها بالفعل من أجل سلامتهم و سلامتنا”، يقول Shroff. ويستمر، “بحوثنا ت深 في تعقيدات التعلم المستمر في هذه الشبكات العصبية الاصطناعية، وما وجدناه هو رؤى تبدأ في جسر الفجوة بين كيفية تعلم الآلة وكيفية تعلم الإنسان”.

تظهر الأبحاث أن الشبكات العصبية الاصطناعية، مثل البشر، تتفوق في الاحتفاظ بالمعلومات عندما تواجه مهام متنوعة بشكل متتالي بدلاً من المهام التي تتشابه في الميزات. هذا الاكتشاف هو حاسم في فهم كيفية تحسين التعلم المستمر في الآلات لتقارب قدرات الإدراك البشري.

دور تنوع المهام وتسلسلها في التعلم الآلي

سيقدم الباحثون نتائجهم في المؤتمر الدولي السنوي الـ 40 حول التعلم الآلي في هونولولو، هاواي، وهو حدث رائد في مجال التعلم الآلي. وتلقي الأبحاث الضوء على العوامل التي تساهم في طول فترة الاحتفاظ بالمعرفة المحددة في الشبكة الاصطناعية.

يشرح Shroff، “من أجل تحسين ذاكرة الخوارزمية، يجب تعليم المهام غير المتشابهة في البداية في عملية التعلم المستمر. هذا الأسلوب يوسع قدرة الشبكة على المعلومات الجديدة ويعزز قدرتها على التعلم لاحقًا لمهام أكثر تشابهًا في المستقبل”. وبالتالي، فإن تشابه المهام، والارتباطات الإيجابية والسلبية، وتسلسل التعلم يؤثرون بشكل كبير على الاحتفاظ بالذاكرة في الآلات.

الهدف من هذه الأنظمة الديناميكية للتعلم مدى الحياة هو زيادة معدل تسريع خوارزميات التعلم الآلي وتكيفها مع التعامل مع البيئات المتطورة والظروف غير المتوقعة. والهدف النهائي هو تمكين هذه الأنظمة من反عكس قدرات التعلم البشري.

البحث الذي أجراه Shroff وفريقه، بما في ذلك باحثي ما بعد الدكتوراه في ولاية أوهايو Sen Lin و Peizhong Ju وأستاذي Yingbin Liang، يضع الأساس لآلات ذكية يمكنها التعلم والتكيف مثل البشر. “عملنا يعلن عن عهد جديد من الآلات الذكية التي يمكنها التعلم والتكيف مثل نظيراتها البشرية”، يقول Shroff، مشيرًا إلى التأثير الكبير لهذا الدراس على فهمنا للذكاء الاصطناعي.