Bagaimana Kecerdasan Buatan Dapat Belajar Tentang Proses Pembelajaran?

Untuk membuat lompatan baru dalam mengembangkan kecerdasan buatan, AI harus, seperti yang dikatakan oleh penulis Jun Wu dalam Forbes, dapat ‘belajar untuk belajar’. Apa yang itu maksudkan?

Seperti yang dijelaskan oleh Wu, “manusia memiliki kemampuan unik untuk belajar dari situasi atau lingkungan apa pun.” Manusia dapat menyesuaikan proses pembelajaran mereka. Untuk memiliki kualitas yang fleksibel seperti itu, AI memerlukan Kecerdasan Buatan Umum – itu harus belajar tentang proses pembelajaran, yang disebut Meta-Pembelajaran.

Ada satu kontras yang sangat spesifik dalam proses pembelajaran antara manusia dan kecerdasan buatan. Sementara kapasitas pembelajaran manusia terbatas, AI memiliki banyak sumber daya seperti daya komputasi. Kemampuan otak manusia memiliki batasnya dan juga memiliki waktu terbatas untuk belajar. Namun, sementara AI “belajar dari lebih banyak data daripada data yang digunakan oleh otak manusia, memproses jumlah data yang besar memerlukan daya komputasi yang besar.”

Wu menjelaskan bahwa“seiring dengan meningkatnya kompleksitas tugas AI, ada peningkatan eksponensial dalam daya komputasi.” Ini berarti bahwa bahkan jika biaya daya komputasi rendah, “peningkatan eksponensial tidak pernah menjadi skenario yang diinginkan.” Ini adalah alasan utama bahwa saat ini “AI dirancang untuk menjadi pembelajar tujuan khusus,” membuat proses pembelajaran mereka lebih efisien.

Namun, ketika AI mulai belajar lebih, “belajar untuk belajar” itu mulai “mengambil kesimpulan dari data dengan kompleksitas yang meningkat.” Untuk menghindari peningkatan eksponensial dalam daya komputasi, sebuah jalur pembelajaran yang lebih efisien harus dirancang, dan AI harus mengingat jalur itu.

Masalah keseluruhan menjadi lebih kompleks ketika peneliti dan teknolog mulai menugaskan masalah multitasiking kepada AI. Untuk dapat melakukan itu, AI “perlu dapat mengevaluasi himpunan data independen secara paralel. Ini juga perlu menghubungkan potongan-potongan data dan mengambil kesimpulan tentang data itu.” Sementara satu tugas sedang dilakukan, AI perlu memperbarui pengetahuannya sehingga dapat diterapkan dalam situasi lain. “Karena tugas-tugas saling terkait, evaluasi untuk tugas-tugas tersebut perlu dilakukan oleh jaringan keseluruhan.”

Google (GOOGL ) mengembangkan satu model seperti itu, MultiModel, yang merupakan sistem AI yang “belajar untuk melakukan delapan tugas yang berbeda secara bersamaan. MultiModel dapat mendeteksi objek dalam gambar, memberikan keterangan, mengenali ucapan, menerjemahkan antara empat pasang bahasa, dan melakukan parsing konstituen tata bahasa.

Sementara pencapaian Google adalah lompatan besar ke depan, AI masih perlu membuat langkah-langkah lebih lanjut sehingga dapat menjadi pembelajar tujuan umum. Untuk dapat mencapai ini, itu perlu mengembangkan meta-alasan dan meta-pembelajaran lebih lanjut. Seperti yang dijelaskan oleh Wu, “meta-alasan fokus pada penggunaan sumber daya kognitif yang efisien. Meta-pembelajaran fokus pada kemampuan unik manusia untuk menggunakan sumber daya kognitif yang terbatas dan data yang terbatas untuk belajar.”

Saat ini, ada studi yang sedang dilakukan untuk mengetahui kesenjangan antara kognisi manusia dan cara AI belajar seperti kesadaran akan keadaan internal, akurasi memori atau kepercayaan.

Semua ini berarti bahwa “menjadi pembelajar buatan umum memerlukan penelitian yang luas tentang bagaimana manusia belajar serta penelitian tentang bagaimana AI dapat meniru cara manusia belajar. Untuk beradaptasi dengan situasi baru seperti memiliki kemampuan untuk “multitasking”, dan kemampuan untuk membuat “keputusan strategis” dengan sumber daya yang terbatas, adalah beberapa hambatan yang peneliti AI akan atasi sepanjang jalan.”