Navigering av læringskurven: AI sin kamp med minnehald

Ettersom grensene for kunstig intelligens (AI) kontinuerlig utvides, kjemper forskerne med en av de største utfordringene i feltet: minnetap. kjent som “katastrofalt glemming” i AI-termer, hemmer denne fenomenen kraftig fremgangen i maskinlæring, og ligner den flyktige naturen til menneskelige minner. Et team av elektroingeniører fra The Ohio State University undersøker hvordan kontinuerlig læring, evnen til en datamaskin til å kontinuerlig tilegne seg kunnskap fra en rekke oppgaver, påvirker den totale ytelsen til AI-agenter.

Broen mellom menneskelig og maskinlæring

Ness Shroff, en Ohio Eminent Scholar og Professor i datateknologi og ingeniørvitenskap ved The Ohio State University, understreker kritikaliteten av å overvinne denne hindringen. “Når automatiserte kjøretøyapplikasjoner eller andre robotiske systemer læres nye ting, er det viktig at de ikke glemmer leksjonene de allerede har lært for vår sikkerhet og deres,” sier Shroff. Han fortsetter: “Vår forskning går inn i kompleksiteten av kontinuerlig læring i disse kunstige nevralt nettverkene, og hva vi fant er innsikter som begynner å brokke gapet mellom hvordan en maskin lærer og hvordan et menneske lærer.”

Forskning viser at, lik mennesker, utmerker kunstige nevralt nettverk seg i å beholde informasjon når de møter diverse oppgaver på rad, snarere enn oppgaver med overlappende egenskaper. Denne innsikten er avgjørende for å forstå hvordan kontinuerlig læring kan optimeres i maskiner for å ligne menneskelige kognitive evner.

Rollen til oppgave-mangfold og sekvens i maskinlæring

Forskerne skal presentere sine funn på den 40. årlige internasjonale konferansen om maskinlæring i Honolulu, Hawaii, en flaggskip-hendelse i maskinlæring-feltet. Forskningen bringer til lys faktorene som bidrar til hvor lenge en kunstig nettverk beholder bestemt kunnskap.

Shroff forklarer: “For å optimalisere en algoritmes minne, bør ulike oppgaver læres tidlig i kontinuerlig læring-prosessen. Denne metoden utvider nettverkets kapasitet for ny informasjon og forbedrer dessens evne til å lære mer like oppgaver senere.” Derfor påvirker oppgave-lignende, positive og negative korrelasjoner, og sekvensen av læring, minnehald i maskiner.

Målet med slike dynamiske, livslange læringssystemer er å øke hastigheten på hvilken maskinlæring-algoritmer kan skaleres opp og tilpasse seg til å håndtere utviklende miljøer og uforutsette situasjoner. Det ultimate målet er å aktivere disse systemene til å speile læringsevnen til mennesker.

Forskningen utført av Shroff og hans team, inkludert Ohio State-postdoktor Sen Lin og Peizhong Ju og Professor Yingbin Liang, legger grunnarbeidet for intelligente maskiner som kan tilpasse seg og lære lik mennesker. “Vår arbeid markerer en ny æra av intelligente maskiner som kan lære og tilpasse seg som deres menneskelige motparter,” sier Shroff, og understreker den betydelige innvirkningen av denne studien på vår forståelse av AI.