Die Lernkurve meistern: Der Kampf von KI mit dem Gedächtnisverlust

Da die Grenzen der künstlichen Intelligenz (KI) kontinuierlich expandieren, kämpfen Forscher mit einer der größten Herausforderungen in diesem Bereich: dem Gedächtnisverlust. Bekannt als “katastrophales Vergessen” in der KI-Terminologie, behindert dieses Phänomen den Fortschritt des maschinellen Lernens erheblich und ahmt die flüchtige Natur der menschlichen Erinnerungen nach. Ein Team von Elektroingenieuren der Ohio State University untersucht, wie kontinuierliches Lernen, die Fähigkeit eines Computers, kontinuierlich Wissen aus einer Reihe von Aufgaben zu erwerben, die Gesamtleistung von KI-Agenten beeinflusst.

Die Lücke zwischen menschlichem und maschinellem Lernen schließen

Ness Shroff, ein Ohio Eminent Scholar und Professor für Informatik und Elektrotechnik an der Ohio State University, betont die Wichtigkeit, diese Hürde zu überwinden. “Wenn automatisierte Fahrzeuge oder andere robotische Systeme neue Dinge lernen, ist es wichtig, dass sie die Lektionen, die sie bereits gelernt haben, nicht vergessen, für unsere Sicherheit und ihre”, sagte Shroff. Er fährt fort: “Unsere Forschung erforscht die Komplexitäten des kontinuierlichen Lernens in diesen künstlichen neuronalen Netzen, und was wir gefunden haben, sind Erkenntnisse, die beginnen, die Lücke zwischen dem, wie eine Maschine lernt, und dem, wie ein Mensch lernt, zu schließen.”

Forschungsergebnisse zeigen, dass künstliche neuronale Netze, ähnlich wie Menschen, Informationen am besten behalten, wenn sie mit unterschiedlichen Aufgaben konfrontiert werden, anstatt mit Aufgaben mit überlappenden Merkmalen. Diese Erkenntnis ist von entscheidender Bedeutung, um zu verstehen, wie kontinuierliches Lernen in Maschinen optimiert werden kann, um die kognitiven Fähigkeiten von Menschen nachzuahmen.

Die Rolle der Aufgabenvielfalt und -reihenfolge im maschinellen Lernen

Die Forscher werden ihre Ergebnisse auf der 40. jährlichen Internationalen Konferenz zum maschinellen Lernen in Honolulu, Hawaii, präsentieren, einem Flaggschiff-Event im Bereich des maschinellen Lernens. Die Forschung bringt die Faktoren ans Licht, die zur Länge der Zeit beitragen, die ein künstliches Netzwerk spezifisches Wissen behält.

Shroff erklärt: “Um den Algorithmus des Gedächtnisverlusts zu optimieren, sollten dissimilare Aufgaben zu Beginn des kontinuierlichen Lernprozesses gelehrt werden. Diese Methode erweitert die Kapazität des Netzwerks für neue Informationen und verbessert seine Fähigkeit, anschließend ähnliche Aufgaben zu lernen.” Daher haben Aufgabenähnlichkeit, positive und negative Korrelationen und die Reihenfolge des Lernens einen erheblichen Einfluss auf die Gedächtnisbehaltung in Maschinen.

Das Ziel solcher dynamischer, lebenslanger Lernsysteme ist es, die Rate zu erhöhen, mit der maschinelle Lernalgorithmen skaliert und an veränderte Umgebungen und unvorhersehbare Situationen angepasst werden können. Das ultimative Ziel ist es, diesen Systemen die Lernfähigkeiten von Menschen zu ermöglichen.

Die Forschung, die von Shroff und seinem Team, einschließlich der Ohio-State-Postdoktoranden Sen Lin und Peizhong Ju und der Professoren Yingbin Liang, durchgeführt wurde, legt den Grundstein für intelligente Maschinen, die wie Menschen lernen und sich anpassen können. “Unsere Arbeit kündigt eine neue Ära intelligenter Maschinen an, die wie ihre menschlichen Pendants lernen und sich anpassen können”, sagt Shroff und betont die erhebliche Auswirkung dieser Studie auf unser Verständnis von KI.