न्यूरोसाइंटिस्ट्स ने मानव दृश्य शिक्षा को प्रतिबिंबित करने के लिए मॉडल डिज़ाइन किया

कंप्यूटर-आधारित कृत्रिम बुद्धिमत्ता (एआई) को नए वस्तुओं के लिए सीखने की एक तेज़ तकनीक का उपयोग करने के लिए प्रोग्राम करके, एआई मानव बुद्धिमत्ता की तरह अधिक कार्य करना शुरू कर देता है। यह जॉर्जटाउन यूनिवर्सिटी मेडिकल सेंटर में न्यूरोसाइंस के प्रोफेसर मैक्सिमिलियन रीसेनहबर, पीएचडी और यूसी बर्कले में पोस्टडॉक्टरल स्कॉलर जोशुआ रूल, पीएचडी द्वारा डिज़ाइन किए गए मॉडल के रूप में आता है।

जॉर्जटाउन यूनिवर्सिटी मेडिकल सेंटर में न्यूरोसाइंस के प्रोफेसर मैक्सिमिलियन रीसेनहबर, पीएचडी और यूसी बर्कले में पोस्टडॉक्टरल स्कॉलर जोशुआ रूल, पीएचडी द्वारा किए गए शोध को फ्रंटियर्स इन कंप्यूटेशनल न्यूरोसाइंस पत्रिका में प्रकाशित किया गया था।

एआई नए दृश्य अवधारणाओं को सीखना

न्यूरोसाइंटिस्ट्स ने दिखाया कि नए दृष्टिकोण से एआई सॉफ़्टवेयर की क्षमता में सुधार होता है ताकि यह जल्दी से नए दृश्य अवधारणाओं को सीख सके।

“हमारे मॉडल में एक जैविक रूप से संभव तरीका है जिससे कृत्रिम तंत्रिका नेटवर्क छोटे से उदाहरणों से नए दृश्य अवधारणाओं को सीख सकते हैं,” रीसेनहबर कहते हैं। “हम पिछले सीखने को एक तरह से लाभ उठाकर जो हम सोचते हैं कि मस्तिष्क क्या कर रहा है, कम उदाहरणों से बेहतर सीखने के लिए कंप्यूटर प्राप्त कर सकते हैं।”

मानव नए दृश्य अवधारणाओं को बहुत कम डेटा से जल्दी और सटीक रूप से सीखने में सक्षम हैं। हमें यह क्षमता बहुत कम उम्र में, तीन महीने से भी कम उम्र में मिल जाती है। हालांकि, कंप्यूटर को एक ही वस्तु के कई उदाहरणों की आवश्यकता होती है ताकि यह जान सके कि यह क्या है।

“मस्तिष्क की पदानुक्रम की गणनात्मक शक्ति पहले से सीखे गए प्रतिनिधित्वों को एक डेटाबेस से लाभ उठाकर सीखने को सरल बनाने की संभावना में निहित है, जैसे कि वस्तुओं के बारे में अवधारणाओं का एक डेटाबेस,” रीसेनहबर कहते हैं।

कृत्रिम तंत्रिका नेटवर्क बनाम मानव दृश्य प्रणाली

रीसेनहबर और रूल ने पाया कि कृत्रिम तंत्रिका नेटवर्क मानव क्षमता के स्तर को प्राप्त करते हुए नए दृश्य अवधारणाओं को बहुत तेजी से सीख सकते हैं।

“हमारे दृष्टिकोण में उच्च-स्तरीय अवधारणाओं को निम्न-स्तरीय दृश्य विशेषताओं के संदर्भ में नहीं बल्कि अन्य उच्च-स्तरीय अवधारणाओं के संदर्भ में समझाया जाता है,” रूल कहते हैं। “यह एक प्लैटिपस को एक बतख, एक बीवर और एक समुद्री ओटर की तरह देखने जैसा है।”

मानव दृश्य अवधारणा सीखने में वस्तु पहचान प्रक्रिया में शामिल तंत्रिका नेटवर्क पर बहुत अधिक निर्भर करता है, और मस्तिष्क के पूर्वकाल लोब को आकार के संबंध में अवधारणा प्रतिनिधित्व में आगे बढ़ने की क्षमता माना जाता है। क्योंकि दृश्य पहचान में शामिल तंत्रिका पदानुक्रम इतने जटिल हैं, मानव नए कार्य सीख सकते हैं और पिछले सीखने का लाभ उठा सकते हैं।

“इन अवधारणाओं को पुन: उपयोग करके, आप नए अवधारणाओं, नए अर्थ, जैसे कि एक ज़ेब्रा एक घोड़े की एक अलग धारी है, को अधिक आसानी से सीख सकते हैं,” रीसेनहबर कहते हैं।

एआई अभी भी मानव दृश्य प्रणाली के समान स्तर पर नहीं पहुंचा है, जिसमें कम उदाहरणों से सामान्यीकरण करने, छवि भिन्नताओं से निपटने और दृश्यों को समझने की एक उत्कृष्ट क्षमता है। हालांकि, प्रगति इसे करीब ला रही है।

“हमारे निष्कर्ष न केवल उन तकनीकों का सुझाव देते हैं जो कंप्यूटरों को अधिक तेजी से और कुशलता से सीखने में मदद कर सकते हैं, वे बेहतर तंत्रिका विज्ञान प्रयोगों को भी जन्म दे सकते हैं जो यह समझने के लिए हैं कि लोग इतनी जल्दी कैसे सीखते हैं, जो अभी तक अच्छी तरह से समझा नहीं गया है,” रीसेनहबर कहते हैं।