Nevroforskere designer modell for å speile menneskelig visuell læring

Ved å programmere datamaskinbasert kunstig intelligens (AI) til å bruke en raskere teknikk for å lære nye objekter, begynner AI å fungere mer som menneskelig intelligens. Dette kommer som to nevroforskere har designet en modell for å speile menneskelig visuell læring.

Forskningen, som er utført av Maximillian Riesenhuber, PhD, professor i nevrovitenskap ved Georgetown University Medical Center, og Joshua Rule, PhD, postdoktor ved UC Berkeley, ble publisert i tidsskriftet Frontiers in Computational Neuroscience. 

AI Lærer Nye Visuelle Konsepter

Nevroforskerne demonstrerte hvordan den nye tilnærmingen forbedrer AI-programvares evne til å raskt lære nye visuelle konsepter.

“Vår modell gir en biologisk plausibel måte for kunstige nevronale nettverk å lære nye visuelle konsepter fra et lite antall eksempler”, sier Riesenhuber. “Vi kan få datamaskiner til å lære mye bedre fra få eksempler ved å utnytte tidligere læring på en måte som vi tror speiler hva hjernen gjør.”

Mennesker har evnen til å lære nye visuelle konsepter fra sparsomme data meget raskt og nøyaktig. Vi besitter denne evnen allerede i en meget ung alder, så lavt som tre måneder gammel. Imidlertid trenger datamaskiner mange eksempler på samme objekt for å endelig vite hva det er.

“Den komputasjonelle kraften i hjernens hierarki ligger i potensialet for å forenkle læring ved å utnytte tidligere lært representasjoner fra en databank, som det var, full av konsepter om objekter”, sier Riesenhuber.

Kunstige Neuronale Nettverk vs Menneskelig Visuelt System

Riesenhuber og Rule fant at kunstige nevronale nettverk kan lære nye visuelle konsepter mye raskere, nærmer seg menneskelig evne.

“I stedet for å lære høynivåkonsepter i form av lavnivåvisuelle egenskaper, forklarer vår tilnærming dem i form av andre høynivåkonsepter”, sier Rule. “Det er som å si at en platypus ser litt ut som en and, en bever og en sjøotter.”

Menneskelig visuell konseptlæring avhenger sterkt av de nevronale nettverkene som er involvert i gjenkjenning av objekter, og den fremre delen av templet i hjernen antas å ha evnen til å gå ut over form i forhold til konseptrepresentasjoner. Fordi disse nevronale hierarkiene som er involvert i visuell gjenkjenning er så komplekse, kan mennesker lære nye oppgaver og utnytte tidligere læring.

“Ved å gjenbruke disse konseptene, kan du lettere lære nye konsepter, nye betydninger, som for eksempel at en sebra bare er en hest av en annen stripe”, sier Riesenhuber.

AI har fortsatt ikke nådd samme nivå som det menneskelige visuelle systemet, som har en overlegen evne til å generalisere fra få eksempler, håndtere bildevariasjoner og forstå scener. Imidlertid bringer fremgangen det nærmere.

“Våre funn antyder ikke bare teknikker som kan hjelpe datamaskiner å lære raskere og mer effektivt, men kan også føre til forbedrede nevrovitenskapelige eksperimenter rettet mot å forstå hvordan mennesker lærer så raskt, noe som ikke er godt forstått ennå”, sier Riesenhuber.