Přechodné období učení: Boj AI s retencí paměti

Jak hranice umělé inteligence (AI) neustále expandují, výzkumníci se potýkají s jednou z největších výzev v oblasti: ztrátou paměti. Takzvaná “katastrofická zapomnětlivost” v AI termínech vážně brzdí pokrok strojového učení, napodobující únikovou povahu lidských vzpomínek. Tým elektroinženýrů z Ohijské státní univerzity zkoumá, jak kontinuální učení, schopnost počítače neustále získávat znalosti z řady úkolů, ovlivňuje celkový výkon agentů AI.

Překlenutí mezery mezi lidským a strojovým učením

Ness Shroff, Ohio Eminent Scholar a profesor počítačového inženýrství na Ohijské státní univerzitě, zdůrazňuje kritičnost překonání této překážky. “Když jsou automatické řídicí aplikace nebo jiné robotické systémy učí nové věci, je důležité, aby nezapomněly na lekce, které již naučily, pro naší bezpečnost a jejich,” řekl Shroff. Pokračuje, “Naše výzkum se zabývá složitostmi kontinuálního učení v těchto umělých neuronových sítích a co jsme našli, jsou poznatky, které začínají překlenout mezeru mezi tím, jak stroj učí a jak člověk učí.”

Výzkum odhaluje, že podobně jako lidé, umělé neuronové sítě vynikají v ukládání informací, když jsou konfrontovány s rozmanitými úkoly po sobě, spíše než úkoly s překrývajícími se funkcemi. Tento poznatek je zásadní pro pochopení, jak kontinuální učení může být optimalizováno v strojích, aby se přiblížilo kognitivním schopnostem lidí.

Role rozmanitosti úkolů a sekvence ve strojovém učení

Výzkumníci jsou připraveni prezentovat své výsledky na 40. ročníku Mezinárodní konference o strojovém učení v Honolulu, Havaj, která je vlajkovou lodí v oblasti strojového učení. Výzkum přináší informace o faktorech, které přispívají k délce času, po kterou umělá síť uchovává specifické znalosti.

Shroff vysvětluje, “Abyste optimalizovali algoritmus paměti, měly by být odlišné úkoly vyučeny na počátku kontinuálního učení. Tato metoda rozšiřuje kapacitu sítě pro novou informaci a zlepšuje její schopnost následně učit se více podobným úkolům.” Protože podobnost úkolů, pozitivní a negativní korelace a sekvence učení významně ovlivňují retenci paměti ve strojích.

Cílem těchto dynamických, celoživotních učících se systémů je zrychlit tempo, ve kterém mohou být algoritmy strojového učení škálovány a přizpůsobeny pro zpracování se měnících se prostředí a neočekávaných situací. Konečným cílem je umožnit těmto systémům zrcadlit se učící schopnosti lidí.

Výzkum provedený Shroffem a jeho týmem, včetně postdoktorandů Sen Lin a Peizhong Ju a profesorů Yingbin Liang, vytváří základ pro inteligentní stroje, které by mohly se učit a přizpůsobovat se podobně jako lidé. “Naše práce ohlašuje novou éru inteligentních strojů, které se mohou učit a přizpůsobovat jako jejich lidské protějšky,” říká Shroff, zdůrazňující významný dopad této studie na naše chápání AI.