Hoe Kan Kunstmatige Intelligentie Leren Over Het Leerproces?

Om nieuwe sprongen te maken in het verbeteren van kunstmatige intelligentie, zou AI, zoals auteur Jun Wu het in Forbes zegt, moeten ‘leren om te leren’. Wat zou dat betekenen?

Zoals Wu uitlegt, “hebben mensen de unieke mogelijkheid om te leren van elke situatie of omgeving.” Mensen kunnen hun leerproces aanpassen. Om zo’n flexibele kwaliteit te hebben, heeft AI Kunstmatige Algemene Intelligentie nodig – het zou moeten leren over het leerproces, wat Meta-Leren wordt genoemd.

Er is één zeer specifiek contrast in het leerproces tussen mensen en kunstmatige intelligentie. Terwijl de menselijke capaciteit voor leren beperkt is, heeft AI veel meer bronnen zoals zijn rekenkracht. De menselijke hersencapaciteit heeft zijn beperkingen en het heeft ook beperkte tijd om te leren. Maar, terwijl AI “leert van meer gegevens dan de gegevens die onze menselijke hersenen gebruiken, vereist het verwerken van deze enorme hoeveelheden gegevens immense rekenkracht.”

Wu legt uit dat“naarmate de complexiteit van AI-taken toeneemt, is er ook een exponentiële toename in rekenkracht.” Dit zou betekenen dat zelfs als de kosten van rekenkracht laag zijn, “exponentiële toename nooit het scenario is dat we willen.” Dit is de belangrijkste reden dat op dit moment “AI is ontworpen om specifiek-doel-lerende machines te zijn,” waardoor hun leerproces efficiënter wordt.

Maar toen AI meer leerde, “leren om te leren” begon het “af te leiden uit gegevens met toenemende complexiteit.” Om de exponentiële toename in rekenkracht te vermijden, moest een efficiëntere leerweg worden bedacht, en AI moest die weg onthouden.

Het hele probleem werd nog complexer toen onderzoekers en technologen AI multi-tasking-problemen gaven. Om dat te kunnen doen, heeft AI “de mogelijkheid nodig om onafhankelijke gegevenssets in parallelle evaluaties te evalueren. Het moet ook stukken van gegevens met elkaar in verband brengen en afleiden op basis van die gegevens.” Terwijl één taak wordt uitgevoerd, moet AI zijn kennis updaten zodat het die kan toepassen in andere situaties. “Aangezien taken met elkaar verband houden, moeten de evaluaties voor de taken worden uitgevoerd door het hele netwerk.”

Google (GOOGL ) ontwikkelde zo’n model, MultiModel, dat een AI-systeem is dat “lerende acht verschillende taken tegelijkertijd. MultiModel kan objecten in afbeeldingen detecteren, onderschriften bieden, spraak herkennen, vertalen tussen vier paar talen en grammaticale constituentieparsing uitvoeren.

Terwijl Google’s prestatie een grote stap vooruit is, moet AI nog verdere stappen zetten om een algemeen-doel-lerende machine te worden. Om dat te bereiken, moet het verder meta-reasoning en meta-learning ontwikkelen. Zoals Wu uitlegt, “meta-reasoning richt zich op het efficiënte gebruik van cognitieve bronnen. Meta-learning richt zich op de unieke mogelijkheid van mensen om efficiënt gebruik te maken van beperkte cognitieve bronnen en beperkte gegevens om te leren.”

Op dit moment worden er studies uitgevoerd om de kloof tussen menselijke cognitie en de manier waarop AI leert te begrijpen, zoals het bewustzijn van interne staten, de nauwkeurigheid van geheugen of vertrouwen.

Alles bij elkaar betekent dit dat “worden een kunstmatige algemene leerder vereist uitgebreid onderzoek naar hoe mensen leren, evenals onderzoek naar hoe AI de manier waarop mensen leren kan imiteren. Om zich aan te passen aan nieuwe situaties, zoals het hebben van de mogelijkheid om “multi-tasken” en het maken van “strategische beslissingen” met beperkte middelen, zijn slechts enkele van de hindernissen die AI-onderzoekers onderweg zullen overwinnen.”