Ερευνητές Νευροεπιστημών Σχεδιάζουν Μοντέλο για Ανάκληση της Ανθρώπινης Οπτικής Μάθησης

Προγραμματίζοντας την τεχνητή νοημοσύνη (AI) με βάση τον υπολογιστή για να χρησιμοποιήσει μια ταχύτερη τεχνική για την εκμάθηση νέων αντικειμένων, η AI αρχίζει να λειτουργεί περισσότερο σαν η ανθρώπινη νοημοσύνη. Αυτό έρχεται ως δύο νευροεπιστήμονες σχεδίασαν ένα μοντέλο για να ανακλείσει την ανθρώπινη οπτική μάθηση.

Η έρευνα από τον Maximillian Riesenhuber, PhD, καθηγητή νευροεπιστημών στο Georgetown University Medical Center, και τον Joshua Rule, PhD, μεταδιδάκτορα στο UC Berkeley, δημοσιεύθηκε στο περιοδικό Frontiers in Computational Neuroscience. 

Η Μάθηση της AI σε Νέα Οπτικά Εννοιώματα

Οι νευροεπιστήμονες απέδειξαν πώς η νέα προσέγγιση βελτιώνει την ικανότητα του λογισμικού AI να μάθει γρήγορα νέα οπτικά εννοιώματα.

“Το μοντέλο μας παρέχει einen βιολογικά πιθανό τρόπο για τα τεχνητά νευρωνικά δίκτυα να μάθουν νέα οπτικά εννοιώματα από ένα μικρό αριθμό παραδειγμάτων”, λέει ο Riesenhuber. “Μπορούμε να κάνουμε τους υπολογιστές να μάθουν πολύ καλύτερα από λίγα παραδείγματα αξιοποιώντας την προηγούμενη μάθηση με έναν τρόπο που πιστεύουμε ότι ανακλείει αυτό που κάνει ο εγκέφαλος.”

Οι άνθρωποι έχουν την ικανότητα να μάθουν νέα οπτικά εννοιώματα από σπάνιες δεδομένες πολύ γρήγορα και ακριβώς. Διαθέτουμε αυτή την ικανότητα από πολύ μικρή ηλικία, ακόμη και από τρεις μήνες. Ωστόσο, οι υπολογιστές απαιτούν πολλά παραδείγματα του ίδιου αντικειμένου για να μάθουν τελικά τι είναι.

“Η υπολογιστική δύναμη της ιεραρχίας του εγκεφάλου βρίσκεται στην δυνατότητα να απλοποιήσει την μάθηση αξιοποιώντας τις προηγουμένως μάθειες αναπαραστάσεις από μια βάση δεδομένων, όπως θα ήταν, πλήρη εννοιών για αντικείμενα”, λέει ο Riesenhuber.

Τεχνητά Νευρωνικά Δίκτυα vs Ανθρώπινη Οπτική Σύστημα

Ο Riesenhuber και ο Rule βρήκαν ότι τα τεχνητά νευρωνικά δίκτυα μπορούν να μάθουν νέα οπτικά εννοιώματα πολύ γρήγορα, πλησιάζοντας το επίπεδο της ανθρώπινης ικανότητας.

“Αντί να μάθουν υψηλού επιπέδου εννοιώματα σε όρους χαμηλού επιπέδου οπτικών χαρακτηριστικών, η προσέγγισή μας τα εξηγεί σε όρους άλλων υψηλού επιπέδου εννοιών”, λέει ο Rule. “Είναι σαν να λέμε ότι ένας πλάτυπος μοιάζει λίγο με μια πάπια, einen βέβηρα και μια θαλάσσια αλεπού.”

Η ανθρώπινη οπτική μάθηση εννοιών εξαρτάται βαθιά από τα νευρωνικά δίκτυα που εμπλέκονται στη διαδικασία αναγνώρισης αντικειμένων, και το πρόσθιο κροταφικό λοβό του εγκεφάλου πιστεύεται ότι έχει την ικανότητα να ξεπεράσει το σχήμα σε σχέση με τις αναπαραστάσεις εννοιών. Επειδή αυτές οι νευρωνικές ιεραρχίες που εμπλέκονται στην οπτική αναγνώριση είναι τόσο σύνθετες, οι άνθρωποι μπορούν να μάθουν νέα καθήκοντα και να αξιοποιήσουν την προηγούμενη μάθηση.

“Αξιοποιώντας αυτές τις εννοιώματα, μπορείτε να μάθετε πιο εύκολα νέα εννοιώματα, νέες σημασίες, όπως το γεγονός ότι μια ζέβρα είναι απλά ένα άλογο διαφορετικού ρυθμού”, λέει ο Riesenhuber.

Η AI εξακολουθεί να μην έχει φτάσει στο ίδιο επίπεδο με το ανθρώπινη οπτικό σύστημα, το οποίο έχει μια υπεροχή ικανότητα να γενικεύει από λίγα παραδείγματα, να αντιμετωπίζει παραλλαγές εικόνων και να κατανοεί σκηνές. Ωστόσο, οι προόδους τις φέρνουν πιο κοντά.

“Τα ευρήματά μας δεν chỉ προτείνουν τεχνικές που θα μπορούσαν να βοηθήσουν τους υπολογιστές να μάθουν πιο γρήγορα και αποτελεσματικά, αλλά cũng possono να οδηγήσουν σε βελτιωμένα πειράματα νευροεπιστημών που στοχεύουν στην κατανόηση του πώς οι άνθρωποι μάθουν τόσο γρήγορα, το οποίο δεν είναι ακόμη καλά κατανοητό”, λέει ο Riesenhuber.