Μοντέλα και πλατφόρμες AI
Υιοθετώντας τη Νευρωνική Ποικιλότητα: Ένα Άλμα στην Απόδοση και την Αποτελεσματικότητα του AI
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Ο ρόλος της ποικιλότητας έχει αποτελέσει αντικείμενο συζήτησης σε διάφορα πεδία, από τη βιολογία στην κοινωνιολογία. Ωστόσο, μια πρόσφατη μελέτη από το Εργαστήριο Μη Γραμμικής Τεχνητής Νοημοσύνης του Πανεπιστημίου της Βόρειας Καρολίνας (NAIL) ανοίγει μια ενδιαφέρουσα διάσταση σε αυτή τη συζήτηση: την ποικιλότητα εντός των νευρωνικών δικτύων της τεχνητής νοημοσύνης (AI).
Η Δύναμη της Αυτοαντανάκλασης: Ρύθμιση Νευρωνικών Δικτύων Εσωτερικά
Ο Γουίλιαμ Ντίτο, καθηγητής φυσικής στο NC State και διευθυντής του NAIL, και η ομάδα του κατασκεύασαν ένα σύστημα AI που μπορεί να “κοιτάξει внутрь” και να điều chỉnh το νευρωνικό του δίκτυο. Η διαδικασία επιτρέπει στο AI να καθορίσει τον αριθμό, το σχήμα και τη δύναμη σύνδεσης μεταξύ των νευρώνων του, προσφέροντας τη δυνατότητα για υποδίκτυα με διαφορετικούς τύπους νευρώνων και δυνάμεις.
“Δημιουργήσαμε ένα σύστημα δοκιμής με μια μη ανθρώπινη νοημοσύνη, μια τεχνητή νοημοσύνη, για να δούμε αν το AI θα επέλεγε την ποικιλότητα έναντι της έλλειψης ποικιλότητας και αν η επιλογή του θα βελτίωνε την απόδοση του AI,” λέει ο Ντίτο. “Το κλειδί ήταν να δώσουμε στο AI τη δυνατότητα να κοιτάξει внутрь και να μάθει πώς μαθαίνει.”
Σε αντίθεση με τα συμβατικά AI που χρησιμοποιούν στατικά, ομοιόμορφα νευρώνες, το AI του Ντίτο έχει το “χέρι για το δικό του εγκέφαλο”, επιτρέποντάς του να ασχοληθεί με τη μετα-μάθηση, μια διαδικασία που αυξάνει τη δυνατότητά του να μαθαίνει και να λύνει προβλήματα. “Το AI μας μπορούσε επίσης να αποφασίσει μεταξύ διαφορετικών ή ομοιόμορφων νευρώνων,” αναφέρει ο Ντίτο, “Και βρήκαμε ότι σε κάθε περίπτωση το AI επέλεξε την ποικιλότητα ως τρόπο για να ενισχύσει την απόδοσή του.”
Μέτρηση Απόδοσης: Η Ποικιλότητα Κερδίζει την Ομοιόμορφια
Η ερευνητική ομάδα μετέτρεψε την απόδοση του AI με ένα τυπικό αριθμητικό άσκηση ταξινόμησης και βρήκε εξαιρετικά αποτελέσματα. Τα συμβατικά AI, με τα στατικά και ομοιόμορφα νευρωνικά δίκτυα, πέτυχαν ποσοστό ακρίβειας 57%. Σε αντίθεση, το AI της μετα-μάθησης και της ποικιλότητας έφτασε σε ένα εντυπωσιακό 70% ακρίβεια.
Σύμφωνα με τον Ντίτο, το AI που βασίζεται στην ποικιλότητα δείχνει μέχρι και 10 φορές περισσότερη ακρίβεια στην επίλυση πιο σύνθετων εργασιών, όπως η πρόβλεψη της κίνησης ενός κρεμασμένου ή της κίνησης των γαλαξιών. “Πράγματι, παρατηρήσαμε ότι όσο τα προβλήματα γίνονται πιο σύνθετα και χαοτικά, η απόδοση βελτιώνεται ακόμη πιο δραματικά σε σύγκριση με ένα AI που δεν υιοθετεί την ποικιλότητα,” εξηγεί.
Οι Επιπτώσεις: Μια Παραλλαγή Παράδειγματος στην Ανάπτυξη του AI
Τα ευρήματα της μελέτης αυτής έχουν μακροπρόθεσμες επιπτώσεις για την ανάπτυξη των τεχνολογιών του AI. Υποδεικνύουν μια παραλλαγή από τα τρέχοντα προedomικά μοντέλα νευρωνικών δικτύων σε δυναμικά, αυτο-ρυθμιζόμενα.
“Έχουμε δείξει ότι αν δώσετε στο AI τη δυνατότητα να κοιτάξει внутрь και να μάθει πώς μαθαίνει, θα αλλάξει την εσωτερική του δομή — τη δομή των τεχνητών νευρώνων — για να υιοθετήσει την ποικιλότητα και να βελτιώσει την ικανότητά του να μαθαίνει και να λύνει προβλήματα αποτελεσματικά και με μεγαλύτερη ακρίβεια,” καταλήγει ο Ντίτο. Αυτό θα μπορούσε να είναι ιδιαίτερα σχετικό σε εφαρμογές που απαιτούν υψηλά επίπεδα προσαρμοστικότητας και μάθησης, από αυτόνομες οχήματα έως ιατρική διάγνωση.
Αυτή η έρευνα δεν chỉ φωτίζει την εσωτερική αξία της ποικιλότητας αλλά και ανοίγει νέες οδούς για την έρευνα και την ανάπτυξη του AI, υπογραμμίζοντας την ανάγκη για δυναμικές και προσαρμοστικές νευρωνικές αρχιτεκτονικές. Με τη συνεχιζόμενη υποστήριξη από το Γραφείο Ναυτικής Έρευνας και άλλους συνεργάτες, η επόμενη φάση της έρευνας είναι αναμενόμενη.
Υιοθετώντας τις αρχές της ποικιλότητας εσωτερικά, τα συστήματα AI έχουν τη δυνατότητα να κερδίσουν σημαντικά σε όρους απόδοσης και ικανοτήτων επίλυσης προβλημάτων, потенτικά επαναπροσδιορίζοντας την προσέγγισή μας στη μηχανική μάθηση και την ανάπτυξη του AI.
