Het navigeren van de leercurve: de strijd van AI met geheugenbehoud

Naarmate de grenzen van kunstmatige intelligentie (AI) voortdurend worden uitgebreid, worstelen onderzoekers met een van de grootste uitdagingen in het veld: geheugenverlies. Bekend als “catastrofisch vergeten” in AI-termen, verhindert dit fenomeen de vooruitgang van machine learning aanzienlijk, waardoor het lijkt op de ontvlambare aard van menselijke herinneringen. Een team van elektrotechnische ingenieurs van The Ohio State University onderzoekt hoe continue leren, de mogelijkheid van een computer om voortdurend kennis te verwerven uit een reeks taken, de algehele prestaties van AI-agenten beïnvloedt.

De kloof tussen menselijk en machinaal leren overbruggen

Ness Shroff, een Ohio Eminent Scholar en Professor of Computer Science and Engineering aan The Ohio State University, benadrukt de criticaliteit van het overwinnen van deze hindernis. “Als automatische besturingstoepassingen of andere robotische systemen nieuwe dingen leren, is het belangrijk dat ze de lessen die ze al hebben geleerd niet vergeten, voor onze veiligheid en die van hen,” zei Shroff. Hij vervolgt: “Ons onderzoek duikt in de complexiteiten van continue leren in deze kunstmatige neurale netwerken, en wat we hebben gevonden zijn inzichten die beginnen de kloof tussen hoe een machine leert en hoe een mens leert te overbruggen.”

Onderzoek toont aan dat, net als bij mensen, kunstmatige neurale netwerken uitstekend zijn in het behouden van informatie wanneer ze worden geconfronteerd met diverse taken in plaats van taken met overlappende kenmerken. Deze inzichten zijn van cruciaal belang voor het begrijpen van hoe continue leren in machines kan worden geoptimaliseerd om de cognitieve capaciteiten van mensen na te bootsen.

De rol van taakdiversiteit en -volgorde in machine learning

De onderzoekers zullen hun bevindingen presenteren op de 40e jaarlijkse Internationale Conferentie over Machine Learning in Honolulu, Hawaï, een vlaggenschip-evenement in het veld van machine learning. Het onderzoek brengt de factoren aan het licht die bijdragen aan de duur van de tijd die een kunstmatig netwerk specifieke kennis behoudt.

Shroff legt uit: “Om de geheugen van een algoritme te optimaliseren, moeten ongelijksoortige taken vroeg in het proces van continue leren worden onderwezen. Deze methode breidt de capaciteit van het netwerk voor nieuwe informatie uit en verbetert zijn vermogen om later meer gelijkaardige taken te leren.” Daarom hebben taakgelijkenis, positieve en negatieve correlaties en de volgorde van leren een aanzienlijke invloed op geheugenbehoud in machines.

Het doel van dergelijke dynamische, levenslange leer systemen is om de snelheid waarmee machine learning-algoritmen kunnen worden opgeschaald en ze aan te passen aan evoluerende omgevingen en onvoorziene situaties. Het uiteindelijke doel is om deze systemen in staat te stellen de leer capaciteiten van mensen na te bootsen.

Het onderzoek dat door Shroff en zijn team is uitgevoerd, waaronder de postdoctorale onderzoekers Sen Lin en Peizhong Ju en Professors Yingbin Liang, legt de basis voor intelligente machines die kunnen leren en zich aanpassen zoals mensen. “Ons werk kondigt een nieuwe era van intelligente machines aan die kunnen leren en zich aanpassen zoals hun menselijke tegenhangers,” zegt Shroff, waarbij hij de aanzienlijke impact van deze studie op ons begrip van AI benadrukt.