Neurovidenskabsmænd designer model til at spejle menneskelig visuel læring

Ved at programmere computerbaseret kunstig intelligens (AI) til at bruge en hurtigere teknik til at lære nye objekter, begynder AI at fungere mere som menneskelig intelligens. Dette kommer, da to neurovidenskabsmænd har designet en model til at afspejle menneskelig visuel læring.

Forskningen af ​​Maximillian Riesenhuber, PhD, professor i neurovidenskab ved Georgetown University Medical Center, og Joshua Rule, PhD, postdoc ved UC Berkeley, blev offentliggjort i tidsskriftet Frontiers in Computational Neuroscience. 

AI lærer nye visuelle koncepter

Neuroforskerne demonstrerede, hvordan den nye tilgang forbedrer AI-softwares evne til hurtigt at lære nye visuelle koncepter.

"Vores model giver en biologisk plausibel måde for kunstige neurale netværk til at lære nye visuelle koncepter fra et lille antal eksempler," siger Riesenhuber. "Vi kan få computere til at lære meget bedre fra få eksempler ved at udnytte realkompetencer på en måde, som vi tror, ​​afspejler, hvad hjernen gør."

Mennesker har evnen til at lære nye visuelle begreber fra sparsomme data meget hurtigt og præcist. Vi besidder denne evne i en meget ung alder, helt ned til tre måneder gamle. Computere kræver dog mange eksempler på det samme objekt for endelig at vide, hvad det er.

"Beregningskraften i hjernens hierarki ligger i potentialet til at forenkle læring ved at udnytte tidligere lærte repræsentationer fra en databank, så at sige fuld af begreber om objekter," siger Riesenhuber.

Kunstige neurale netværk vs menneskeligt visuelt system

Riesenhuber og Rule fandt ud af, at kunstige neurale netværk kan lære nye visuelle koncepter meget hurtigere og nærmer sig niveauet af menneskelig formåen.

"I stedet for at lære koncepter på højt niveau i form af visuelle funktioner på lavt niveau, forklarer vores tilgang dem i form af andre koncepter på højt niveau," siger Rule. "Det er som at sige, at et næbdyr ligner lidt en and, en bæver og en havodder."

Indlæring af menneskelige visuelle koncepter er stærkt afhængige af de neurale netværk, der er involveret i genkendelsesprocessen af ​​objekter, og den forreste tindingelap af hjernen menes at have evnen til at gå ud over formen med hensyn til begrebsrepræsentationer. Fordi disse neurale hierarkier involveret i visuel genkendelse er så komplekse, kan mennesker lære nye opgaver og udnytte tidligere læring.

"Ved at genbruge disse begreber kan du nemmere lære nye begreber, ny betydning, såsom det faktum, at en zebra simpelthen er en hest af en anden stribe," siger Riesenhuber.

AI har stadig ikke nået samme niveau som det menneskelige visuelle system, som har en overlegen evne til at generalisere ud fra få eksempler, håndtere billedvariationer og forstå scener. Fremskridt bringer det dog tættere på.

"Vores resultater tyder ikke kun på teknikker, der kan hjælpe computere med at lære hurtigere og mere effektivt, de kan også føre til forbedrede neurovidenskabelige eksperimenter med det formål at forstå, hvordan folk lærer så hurtigt, hvilket endnu ikke er godt forstået," siger Riesenhuber.