Neuroforskere 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 som to neuroforskere har designede en model til at spejle menneskelig visuel læring.

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

AI Lærer Nye Visuelle Koncepter

De to neuroforskere demonstrerede, hvordan den nye tilgang forbedrer AI-softwarens evne til hurtigt at lære nye visuelle koncepter.

“Vores model giver en biologisk plausibel måde for kunstige neurale netværk at lære nye visuelle koncepter fra få eksempler,” siger Riesenhuber. “Vi kan få computerne til at lære meget bedre fra få eksempler ved at udnytte tidligere læring på en måde, som vi mener spejler, hvad hjernen gør.”

Mennesker har evnen til at lære nye visuelle koncepter fra sparsomme data meget hurtigt og nøjagtigt. Vi besidder denne evne allerede i en meget ung alder, så lavt som tre måneder gammel. Men computerne kræver mange eksempler af det samme objekt for endelig at vide, hvad det er.

“Den komputermæssige kraft i hjernens hierarki ligger i potentialet for at simplificere læring ved at udnytte tidligere lærte repræsentationer fra en databank, som det var, fuld af koncepter om objekter,” siger Riesenhuber.

Kunstige Neurale Netværk vs Menneskeligt Visuelt System

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

“I stedet for at lære højt niveau koncepter i form af lavt niveau visuelle funktioner, forklarer vores tilgang dem i form af andre højt niveau koncepter,” siger Rule. “Det er som at sige, at en platypus ligner en del en and, en bæver og en havodder.”

Menneskelig visuel konceptlæring afhænger stærkt af de neurale netværk, der er involveret i genkendelsesprocessen, og den anteriore temporallæbe i hjernen menes at have evnen til at gå ud over form, når det gælder konceptrepræsentationer. Fordi disse neurale hierarkier, der er involveret i visuel genkendelse, er så komplekse, kan mennesker lære nye opgaver og udnytte tidligere læring.

“Ved at genbruge disse koncepter, kan du meget lettere lære nye koncepter, nye betydninger, såsom det faktum, at en zebra blot er en hest af en anden stribe,” siger Riesenhuber.

AI har endnu ikke nået samme niveau som det menneskelige visuelle system, der har en overlegen evne til at generalisere fra få eksempler, håndtere billedvariationer og forstå scener. Men fremgang bringer det tættere.

“Vores resultater antyder ikke kun teknikker, der kan hjælpe computerne med at lære hurtigere og mere effektivt, men kan også føre til forbedrede neurovidenskabelige eksperimenter rettet mod at forstå, hvordan mennesker lærer så hurtigt, hvilket endnu ikke er godt forstået,” siger Riesenhuber.