Navigering af Læringskurven: AI’s Kamp med Hukommelsesretention

Da grænserne for kunstig intelligens (AI) løbende udvides, kæmper forskere med en af de største udfordringer på området: hukommelses-tab. Kendt som “katastrofalt glemsomhed” i AI-termer, hindrer denne fænomen fremgangen i maskinlæring, efterligner den flygtige natur af menneskelige erindringer. Et hold af elektroingeniører fra The Ohio State University undersøger, hvordan kontinuerlig læring, evnen til, at en computer kan erhverve viden fra en række opgaver, påvirker den samlede præstation af AI-agenter.

Broen mellem Menneskelig og Maskinlæring

Ness Shroff, en Ohio Eminent Scholar og Professor i Datateknik og Ingeniørvidenskab ved The Ohio State University, understreger vigtigheden af at overvinde denne hindring. “Når automatiserede kørselsapplikationer eller andre robotiske systemer læres nye ting, er det vigtigt, at de ikke glemmer de lektioner, de allerede har lært, for vores sikkerhed og deres,” siger Shroff. Han fortsætter: “Vores forskning dykker ned i kompleksiteten af kontinuerlig læring i disse kunstige neurale netværk, og hvad vi fandt, er indsigt, der begynder at brokke gabets mellem, hvordan en maskine lærer, og hvordan et menneske lærer.”

Forskning viser, at, ligesom mennesker, kunstige neurale netværk excellerer i at fastholde information, når de konfronteres med diverse opgaver sekventielt snarere end opgaver med overlappende funktioner. Denne indsigt er afgørende for at forstå, hvordan kontinuerlig læring kan optimeres i maskiner for at ligne den kognitive kapacitet af mennesker.

Rollen for Opgave-mangfoldighed og Sekvens i Maskinlæring

Forskerne er klar til at præsentere deres resultater på den 40. årlige Internationale Konference om Maskinlæring i Honolulu, Hawaii, en flagskib begivenhed på maskinlæringsområdet. Forskningen bringer lys på de faktorer, der bidrager til, hvor længe en kunstig netværk fastholder bestemt viden.

Shroff forklarer: “For at optimere en algoritmes hukommelse skal ulige opgaver læres tidligt i den kontinuerlige læreproces. Denne metode udvider netværkets kapacitet for ny information og forbedrer dets evne til at lære mere lignende opgaver senere.” Derfor påvirker opgave-lighed, positive og negative korrelationer og læresekvensen hukommelsesretentionen i maskiner.

Målet med sådanne dynamiske, livslange læringssystemer er at øge hastigheden, hvormed maskinlæringsalgoritmer kan skaleres op og tilpasse dem til at håndtere udviklende miljøer og uforudsete situationer. Det endelige mål er at aktivere disse systemer til at spejle læringskapaciteten af mennesker.

Forskningen udført af Shroff og hans hold, herunder Ohio State-postdoktorerne Sen Lin og Peizhong Ju og professorerne Yingbin Liang, lægger grundlaget for intelligente maskiner, der kan tilpasse sig og lære ligesom mennesker. “Vores arbejde varsler en ny æra af intelligente maskiner, der kan lære og tilpasse sig som deres menneskelige modparter,” siger Shroff, understreger den betydelige indvirkning af denne studie på vores forståelse af AI.