Mengarungi Kurva Belajar: Perjuangan AI dengan Pemeliharaan Memori

Seiring dengan perkembangan artificial intelligence (AI) yang terus berkembang, para peneliti berhadapan dengan salah satu tantangan terbesar di bidang ini: kehilangan memori. Yang dikenal sebagai “lupa bencana” dalam istilah AI, fenomena ini sangat menghambat kemajuan pembelajaran mesin, meniru sifat memori manusia yang sulit dipahami. Tim insinyur listrik dari The Ohio State University sedang menyelidiki bagaimana pembelajaran terus-menerus, kemampuan komputer untuk terus-menerus memperoleh pengetahuan dari serangkaian tugas, mempengaruhi kinerja keseluruhan agen AI.

Mengatasi Kesenjangan Antara Pembelajaran Manusia dan Mesin

Ness Shroff, seorang Ohio Eminent Scholar dan Profesor Ilmu Komputer dan Teknik di The Ohio State University, menekankan pentingnya mengatasi hambatan ini. “Ketika aplikasi mengemudi otomatis atau sistem robotik lainnya diajarkan hal-hal baru, penting bahwa mereka tidak melupakan pelajaran yang telah mereka pelajari sebelumnya untuk keselamatan kita dan mereka,” kata Shroff. Ia melanjutkan, “Penelitian kami mengeksplorasi kompleksitas pembelajaran terus-menerus dalam jaringan saraf buatan, dan apa yang kami temukan adalah wawasan yang mulai mengatasi kesenjangan antara bagaimana mesin belajar dan bagaimana manusia belajar.”

Penelitian menunjukkan bahwa, serupa dengan manusia, jaringan saraf buatan unggul dalam mempertahankan informasi ketika dihadapkan pada tugas-tugas yang beragam secara berurutan daripada tugas-tugas dengan fitur yang tumpang tindih. Wawasan ini sangat penting dalam memahami bagaimana pembelajaran terus-menerus dapat dioptimalkan pada mesin untuk menyerupai kemampuan kognitif manusia.

Peran Keanekaragaman Tugas dan Urutan dalam Pembelajaran Mesin

Para peneliti akan mempresentasikan temuan mereka pada Konferensi Internasional ke-40 tentang Pembelajaran Mesin di Honolulu, Hawaii, sebuah acara bendera di bidang pembelajaran mesin. Penelitian ini membawa cahaya pada faktor-faktor yang berkontribusi pada durasi waktu jaringan buatan mempertahankan pengetahuan tertentu.

Shroff menjelaskan, “Untuk mengoptimalkan memori algoritma, tugas-tugas yang tidak serupa harus diajarkan pada awal proses pembelajaran terus-menerus. Metode ini memperluas kapasitas jaringan untuk informasi baru dan meningkatkan kemampuan untuk mempelajari tugas-tugas yang lebih serupa di kemudian hari.” Oleh karena itu, kesamaan tugas, korelasi positif dan negatif, dan urutan pembelajaran sangat mempengaruhi pemeliharaan memori pada mesin.

Tujuan dari sistem pembelajaran dinamis, pembelajaran seumur hidup ini adalah untuk meningkatkan laju di mana algoritma pembelajaran mesin dapat diperbesar dan disesuaikan untuk menangani lingkungan yang berkembang dan situasi yang tidak terduga. Tujuan akhirnya adalah untuk memungkinkan sistem ini meniru kemampuan belajar manusia.

Penelitian yang dilakukan oleh Shroff dan timnya, termasuk peneliti pasca-doktor Ohio State Sen Lin dan Peizhong Ju dan Profesor Yingbin Liang, meletakkan dasar untuk mesin pintar yang dapat beradaptasi dan belajar seperti manusia. “Karya kami membuka era baru mesin pintar yang dapat belajar dan beradaptasi seperti manusia,” kata Shroff, menekankan dampak signifikan dari studi ini pada pemahaman kita tentang AI.