Neurowetenschappers ontwerpen model om menselijk visueel leren na te bootsen

Door computergebaseerde kunstmatige intelligentie (AI) te programmeren om een snellere techniek te gebruiken voor het leren van nieuwe objecten, begint de AI meer te functioneren als menselijke intelligentie. Dit komt doordat twee neurowetenschappers een model hebben ontwikkeld om menselijk visueel leren na te bootsen.

Het onderzoek van Maximillian Riesenhuber, PhD, professor in neurowetenschappen aan het Georgetown University Medical Center, en Joshua Rule, PhD, postdoctoraal onderzoeker aan UC Berkeley, werd gepubliceerd in het tijdschrift Frontiers in Computational Neuroscience. 

AI leert nieuwe visuele concepten

De neurowetenschappers hebben aangetoond hoe de nieuwe aanpak de mogelijkheid van AI-software om snel nieuwe visuele concepten te leren, verbetert.

“Ons model biedt een biologisch plausibele manier voor kunstmatige neurale netwerken om nieuwe visuele concepten te leren van een klein aantal voorbeelden,” zegt Riesenhuber. “We kunnen computers ertoe brengen om veel beter te leren van weinig voorbeelden door eerder verworven kennis te benutten op een manier die we denken dat het brein doet.”

Mensen hebben de mogelijkheid om nieuwe visuele concepten te leren van schaarse gegevens, zeer snel en nauwkeurig. We bezitten deze mogelijkheid al op zeer jonge leeftijd, vanaf drie maanden oud. Computers daarentegen hebben veel voorbeelden van hetzelfde object nodig om te weten wat het is.

“De computationele kracht van de hiërarchie van de hersenen ligt in het potentieel om het leren te vereenvoudigen door eerder verworven representaties te benutten uit een databank, als het ware, vol met concepten over objecten,” zegt Riesenhuber.

Kunstmatige neurale netwerken vs het menselijk visueel systeem

Riesenhuber en Rule ontdekten dat kunstmatige neurale netwerken nieuwe visuele concepten veel sneller kunnen leren, waardoor ze dichter bij het niveau van de menselijke mogelijkheid komen.

“In plaats van hoogwaardige concepten te leren in termen van laagwaardige visuele kenmerken, legt onze aanpak ze uit in termen van andere hoogwaardige concepten,” zegt Rule. “Het is alsof je zegt dat een platypus een beetje lijkt op een eend, een bever en een zeeotter.”

Het leren van visuele concepten door mensen is sterk afhankelijk van de neurale netwerken die betrokken zijn bij het objectherkenningproces, en men denkt dat de anterior temporale kwab van de hersenen de mogelijkheid heeft om verder te gaan dan vorm bij conceptrepresentaties. Omdat deze neurale hiërarchieën die betrokken zijn bij visuele herkenning zo complex zijn, kunnen mensen nieuwe taken leren en eerder verworven kennis benutten.

“Door deze concepten te hergebruiken, kun je nieuwe concepten, nieuwe betekenis, zoals het feit dat een zebra gewoon een paard is met een andere streep, veel gemakkelijker leren,” zegt Riesenhuber.

AI heeft nog niet hetzelfde niveau bereikt als het menselijk visueel systeem, dat een superieure mogelijkheid heeft om te generaliseren vanuit weinig voorbeelden, omgaat met beeldvariaties en begrijpt scènes. Echter, vooruitgang brengt het dichterbij.

“Onze bevindingen suggereren niet alleen technieken die computers kunnen helpen om sneller en efficiënter te leren, maar ze kunnen ook leiden tot verbeterde neurowetenschappelijke experimenten die zijn gericht op het begrijpen van hoe mensen zo snel leren, wat nog niet goed begrepen wordt,” zegt Riesenhuber.