Νευροεπιστήμονες Σχεδιάζουν Μοντέλο για Αντιγραφή της Ανθρώπινης Οπτικής Μάθησης

Προγραμματίζοντας την υπολογιστική νοημοσύνη (AI) 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 αντιγραφή της ανθρώπινης οπτικής μάθησης.

Η έρευνα από τον Maximillian Riesenhuber, PhD, καθηγητή νευροεπιστημών στο Ιατρικό Κέντρο του Πανεπιστημίου Georgetown, και τον Joshua Rule, PhD, μεταδιδακτορικό ερευνητή στο UC Berkeley, δημοσιεύθηκε στο περιοδικό Frontiers in Computational Neuroscience. 

Η Μάθηση της AI σε Νέα Οπτικά Εννοιώματα

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

«Το μοντέλο μας παρέχει έναν βιολογικά πιστό τρόπο για τις τεχνητές νευρωνικές δικτυώσεις να μαθαίνουν νέα οπτικά εννοιώματα από λίγα παραδείγματα», λέει ο Riesenhuber. «Μπορούμε να κάνουμε τους υπολογιστές να μαθαίνουν πολύ καλύτερα από λίγα παραδείγματα, αξιοποιώντας την προηγούμενη μάθηση με έναν τρόπο που νομίζουμε ότι αντανακλά τι κάνει ο εγκέφαλος».

Οι άνθρωποι έχουν την ικανότητα να μαθαίνουν νέα οπτικά εννοιώματα από σπάρια δεδομένα πολύ γρήγορα και ακριβώς. Κατακτήσαμε αυτή την ικανότητα από πολύ μικρή ηλικία, ακόμη και από τρεις μήνες. Ωστόσο, οι υπολογιστές απαιτούν πολλά παραδείγματα του ίδιου αντικειμένου για να καταλάβουν τι είναι.

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

Τεχνητές Νευρωνικές Δικτυώσεις vs Ανθρώπινη Οπτική Σύστημα

Οι Riesenhuber και Rule βρήκαν ότι οι τεχνητές νευρωνικές δικτυώσεις μπορούν να μαθαίνουν νέα οπτικά εννοιώματα πολύ γρήγορα, πλησιάζοντας το επίπεδο της ανθρώπινης ικανότητας.

«Αντί να μαθαίνουμε 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 ένα πλάτυπο μοιάζει λίγο με μια πάπια, einen κάστορα και μια θαλάσσια νυφίτσα».

Η ανθρώπινη μάθηση οπτικών εννοιών εξαρτάται nặng από τις νευρωνικές δικτυώσεις που εμπλέκονται στη διαδικασία αναγνώρισης αντικειμένων, και το ανώτερο τμήμα του κροταφικού λοβού του εγκεφάλου πιστεύεται ότι έχει την ικανότητα να ξεπεράσει τη μορφή σε σχέση με τις αναπαραστάσεις εννοιών. Επειδή αυτές οι νευρωνικές ιεραρχίες που εμπλέκονται στην οπτική αναγνώριση είναι τόσο σύνθετες, οι άνθρωποι μπορούν να μαθαίνουν νέα καθήκοντα και να αξιοποιούν την προηγούμενη μάθηση.

«Αξιοποιώντας αυτές τις εννοιώματα, μπορείτε να μαθαίνετε πιο εύκολα νέα εννοιώματα, νέες έννοιες, όπως το γεγονός ότι μια ζέβρα είναι απλώς ένα άλογο με διαφορετικές ρίγες», λέει ο Riesenhuber.

Η AI ακόμη δεν έχει φτάσει στο ίδιο επίπεδο με το ανθρώπινο οπτικό σύστημα, το οποίο έχει μια υπεροχή ικανότητα να γενικεύει από λίγα παραδείγματα, να αντιμετωπίζει παραλλαγές εικόνων και να καταλαβαίνει σκηνές. Ωστόσο, οι προοδοί την φέρνουν πιο κοντά.

«Τα ευρήματά μας δεν προτείνουν μόνο τεχνικές που θα μπορούσαν να βοηθήσουν τους υπολογιστές να μαθαίνουν πιο γρήγορα και αποτελεσματικά, αλλά επίσης μπορούν να οδηγήσουν σε βελτιωμένα πειράματα νευροεπιστημών που στοχεύουν στην κατανόηση του πώς οι άνθρωποι μαθαίνουν τόσο γρήγορα, το οποίο δεν είναι ακόμη καλά κατανοητό», λέει ο Riesenhuber.