Neurovědci navrhli model, který napodobuje lidské vizuální učení

Programováním počítačové umělé inteligence (AI) k použití rychlejší techniky pro učení nových objektů začíná AI fungovat více jako lidská inteligence. To přichází, když dva neurovědci navrhli model, který napodobuje lidské vizuální učení.

Výzkum Maximilliána Riesenhubera, PhD, profesora neurovědy na Georgetown University Medical Center, a Joshi Rula, PhD, postdoktorálního výzkumníka na UC Berkeley, byl zveřejněn v časopise Frontiers in Computational Neuroscience. 

AI učení nových vizuálních konceptů

Neurovědci prokázali, jak nový přístup zlepšuje schopnost softwaru AI rychle učit nové vizuální koncepty.

“Náš model poskytuje biologicky přijatelný způsob, jak umělým neuronovým sítím umožnit učení nových vizuálních konceptů z malého počtu příkladů,” říká Riesenhuber. “Můžeme dostat počítače, aby se učily mnohem lépe z few příkladů, využíváním předchozího učení způsobem, který si myslíme, že napodobuje to, co dělá mozek.”

Lidé mají schopnost učit se nové vizuální koncepty z řídkých dat velmi rychle a přesně. Touto schopností disponujeme již ve velmi mladém věku, již od tří měsíců. Avšak počítače vyžadují mnoho příkladů stejného objektu, aby nakonec věděly, co to je.

“Komputační síla hierarchie mozkové činnosti spočívá v potenciálu zjednodušit učení, využíváním předchozích naučených reprezentací z databanky, jako by to byla banka konceptů o objektech,” říká Riesenhuber.

Umělé neuronové sítě vs lidský vizuální systém

Riesenhuber a Rule zjistili, že umělým neuronovým sítím lze naučit nové vizuální koncepty mnohem rychleji, blížící se úrovni lidské schopnosti.

“Rather než učit se vysoké koncepty ve formě nízkouhlíkových vizuálních funkcí, náš přístup vysvětluje je ve formě jiných vysokých konceptů,” říká Rule. “Je to jako říci, že platypus vypadá trochu jako kachna, bobr a mořská vydra.”

Lidské vizuální učení konceptů silně závisí na neuronových sítích zapojených do procesu rozpoznávání objektů a přední temporální lalok mozkové kůry se má za to, že má schopnost jít za rámec tvaru v ohledu na konceptuální reprezentace. Protože tyto neuronové hierarchie zapojené do vizuálního rozpoznávání jsou tak složité, lidé mohou učit se nové úkoly a využívat předchozí učení.

“Používáním těchto konceptů můžete mnohem snadněji učit se nové koncepty, nové významy, jako je fakt, že zebra je prostě kůň jiného druhu,” říká Riesenhuber.

AI dosud nedosáhla stejné úrovně jako lidský vizuální systém, který má nadřazenou schopnost generalizovat z few příkladů, zvládat variace obrazů a chápat scény. Avšak pokroky ji přivádějí blíž.

“Naše zjištění nejen navrhují techniky, které by mohly pomoci počítačům učit se rychleji a efektivněji, ale mohou také vést k vylepšeným neurovědním experimentům zaměřeným na pochopení, jak lidé učí se tak rychle, což dosud není dobře pochopeno,” říká Riesenhuber.