학습 곡선 탐색: AI의 기억 보존에 대한 고민

인공지능(AI)의 경계가 끊임없이 확장됨에 따라 연구자들은 인공지능 분야에서 가장 큰 도전 중 하나인 기억 손실에 직면합니다. “기억 소실”이라고 불리는 이 현상은 기계 학습의 진행을 크게 방해하며, 인간의 기억의 어려운 본성을 모방합니다. 오하이오 주립 대학교의 전기 공학 팀은 지속적인 학습, 즉 컴퓨터가 일련의 작업에서 지속적으로 지식을 습득하는 능력이 AI 에이전트의 전체 성능에 미치는 영향을 조사하고 있습니다.

인간과 기계 학습 간의 격차 해소

오하이오 주립 대학교의 컴퓨터 과학 및 공학 교수인 네스 스크로프(Ness Shroff)는 이障壁을 극복하는 것이 중요하다고 강조합니다. “자율 주행 애플리케이션 또는 다른 로봇 시스템이 새로운 것을 배우면 이미 배운 교훈을 잊지 않도록 하는 것이 중요합니다. 우리의 안전과 그들의 안전을 위해”라고 스크로프는 말합니다. 그는 계속해서 “우리의 연구는 이러한 인공 신경망에서 지속적인 학습의 복잡성을 조사하고, 우리가 발견한 통찰력은 기계가 학습하는 방식과 인간이 학습하는 방식 간의 격차를 해소하기 시작합니다.”
연구에 따르면, 인간과 마찬가지로 인공 신경망은 연속적인 작업에서 정보를 보존하는 데 탁월합니다. 이 통찰력은 기계에서 지속적인 학습을 최적화하는 방법을 이해하는 데 중요합니다.

기계 학습에서 작업 다양성과 순서의 역할

연구자들은 하와이 호놀룰루에서 열리는 40번째 국제 기계 학습 회의에서 연구 결과를 발표할 예정입니다. 이 연구는 인공 신경망이 특정 지식을 얼마나 오래 보존하는지에 기여하는 요인에 대해 밝혀줍니다.

스크로프는 “알고리즘의 기억을 최적화하려면, 초기에 서로 다른 작업을 가르치는 것이 중요합니다. 이 방법은 네트워크의 새로운 정보 처리 능력을 확장하고 이후 더 유사한 작업을 학습하는 능력을 향상시킵니다.”라고 설명합니다. 따라서, 작업의 유사성, 양의 상관관계와 음의 상관관계, 학습 순서는 기계에서 기억 보존에 영향을 미칩니다.

이러한 동적, 종신 학습 시스템의 목표는 기계 학습 알고리즘이 확장되고,不断变化하는 환경과 예상치 못한 상황에 적응할 수 있도록 하는 것입니다. 궁극적인 목표는 이러한 시스템이 인간의 학습 능력을 모방할 수 있도록 하는 것입니다.

스크로프와 그의 팀, 오하이오 주립 대학교의 연구원인 센린(Sen Lin)과 페이종주(Peizhong Ju) 그리고 교수인 잉빈량(Yingbin Liang)이 수행한 연구는 인간과 같은 방식으로 학습하고 적응할 수 있는 지능형 기계를 위한 기초를 마련합니다. “우리의 연구는 인간과 같은 방식으로 학습하고 적응할 수 있는 지능형 기계의 새로운 시대를 예고합니다.”라고 스크로프는 말합니다. 그는 이 연구가 AI에 대한 우리의 이해에 미치는重大한 영향을 강조합니다.