Monien herkkyyden omaksuminen: loikkaus tekoälytehokkuudessa ja suorituskyvyssä

Monien rooli on ollut keskustelun aiheena eri aloilla, biologiasta sosiologiaan. Viimeaikainen tutkimus Pohjois-Carolinan osavaltion yliopiston Epälineaarisen tekoälylaboratoriosta (NAIL) avaa mielenkiintoisen ulottuvuuden tähän keskusteluun: monien sisällä tekoälyverkoissa.

Itsereflektion voima: tekoälyverkkojen säätö sisäisesti

William Ditto, fysiikan professori NC Statessa ja NAIL:n johtaja, sekä hänen tiiminsä rakensivat tekoälyjärjestelmän, joka voi “katsoa sisäänpäin” ja säätää tekoälyverkkoa. Prosessi mahdollistaa tekoälylle määrittää lukumäärä, muoto ja yhteysvoimakkuus sen hermosolmujen välillä, tarjoten mahdollisuuden aliverkkojen eri hermosolmityypeille ja voimakkuuksille.

“Luimme testijärjestelmän, jossa oli epäinhimillinen äly, tekoäly, jotta nähtäisiin, valitsisiko tekoäly monimuotoisuuden vai yhdenmukaisuuden puute ja parantaisiko valinta tekoälyn suorituskykyä”, Ditto sanoo. “Avainasemassa oli antaa tekoälylle mahdollisuus katsoa sisäänpäin ja oppia, miten se oppii.”

Toisin kuin perinteinen tekoäly, joka käyttää staattisia, identtisiä hermosoluja, Dittón tekoälyllä on “säädin omalle aivolle”, mikä mahdollistaa metatason oppimisen, prosessin, joka lisää sen oppimiskykyä ja ongelmanratkaisutaitoja. “Tekoälymme pystyi myös päättämään monimuotoisten ja yhdenmukaisen hermosolmujen välillä”, Ditto toteaa, “Ja havaitsemme, että jokaisessa tapauksessa tekoäly valitsi monimuotoisuuden tapana vahvistaa suorituskykyään.”

Siirtymä perinteisestä tekoälyverkosta monimuotoiseen tekoälyverkkoon ja opittuun monimuotoiseen tekoälyverkkoon. Viivapaksuudet edustavat painoja

Suorituskykymittarit: monimuotoisuus voittaa yhdenmukaisuuden

Tutkimusryhmä mitatti tekoälyn suorituskykyä standardinumeroisen luokittelutehtävän avulla ja sai merkittäviä tuloksia. Perinteiset tekoälyt, joilla on staattiset ja yhdenmukaiset tekoälyverkot, saavuttivat 57 prosentin tarkkuuden. Vastakohtana metaoppimiseen perustuva, monimuotoisen tekoäly saavutti hämmästyttävän 70 prosentin tarkkuuden.

Dittón mukaan monimuotoisuuteen perustuva tekoäly näyttää jopa kymmenkertaisen tarkkuuden monimutkaisemmissa tehtävissä, kuten heiluriliikkeen ennustamisessa tai galaksien liikkeen ennustamisessa. “Todella, havaitsemme myös, että mitä monimutkaisempia ja kaaottisempia ongelmat ovat, sitä enemmän suorituskyky paranee dramaattisesti verrattuna tekoälyyn, joka ei omaksu monimuotoisuutta”, hän selittää.

Seuraukset: paradigmamuutos tekoälykehityksessä

Tutkimuksen tulokset ovat laajat vaikutukset tekoälytekniikoiden kehitykselle. Ne viittaavat paradigmamuutokseen nykyisestä “yksi kokoa kaikille” -tekoälymallista dynaamisiin, itseään säätöön perustuviin malleihin.

“Olemme osoittaneet, että jos annetaan tekoälylle mahdollisuus katsoa sisäänpäin ja oppia, miten se oppii, se muuttaa sisäistä rakennettaan – tekoälyhermosolmujen rakennetta – omaksumalla monimuotoisuuden ja parantamalla oppimiskykyään ja ongelmanratkaisutaitojaan tehokkaammin ja tarkemmin”, Ditto toteaa. Tämä voi olla erityisen merkittävää sovelluksissa, jotka vaativat korkeaa sopeutumiskykyä ja oppimista, aina itseohjautuvista ajoneuvoista lääketieteellisiin diagnooseihin.

Tämä tutkimus ei ainoastaan korosta monimuotoisuuden sisäistä arvoa, vaan myös avaa uusia polkuja tekoälytutkimukselle ja kehitykselle, korostaen dynaamisten ja sopeutuvien tekoälyarkkitehtuurien tarpeen. Jatkuvan tuen myötä Office of Naval Researchilta ja muilta yhteistyökumppaneilta, seuraava tutkimusvaihe odottaa innostuneesti.

Omaksuessaan monimuotoisuuden periaatteita sisäisesti, tekoälyjärjestelmät voivat saavuttaa merkittäviä parannuksia suorituskyvyssä ja ongelmanratkaisukyvyssä, mahdollisesti vallankumouksellisesti muuttaen lähestymistapaamme koneoppimiseen ja tekoälykehitykseen.