Nawigacja po krzywej uczenia się: walka AI z utratą pamięci

Gdy granice sztucznej inteligencji (AI) ciągle się rozszerzają, badacze zmagają się z jednym z największych wyzwań w tej dziedzinie: utratą pamięci. Znanym jako “katastrofalne zapominanie” w terminologii AI, zjawisko to poważnie utrudnia postępy w uczeniu maszynowym, naśladując ulotną naturę ludzkich wspomnień. Zespół inżynierów elektrycznych z Uniwersytetu Stanu Ohio bada, jak ciągłe uczenie się, czyli zdolność komputera do nieprzerwanego zdobywania wiedzy z serii zadań, wpływa na ogólną wydajność agentów AI.

Przełamywanie przepaści między uczeniem się ludzkim a maszynowym

Ness Shroff, Ohio Eminent Scholar i profesor nauk komputerowych i inżynierii na Uniwersytecie Stanu Ohio, podkreśla krytyczność pokonania tego przeszkody. “Gdy aplikacje jazdy autonomicznej lub inne systemy robotyczne uczą się nowych rzeczy, ważne jest, aby nie zapominały lekcji, które już się nauczyły, dla naszego bezpieczeństwa i ich”, powiedział Shroff. Kontynuuje: “Nasze badania zgłębiają złożoności ciągłego uczenia się w tych sztucznych sieciach neuronowych, a to, co odkryliśmy, to spostrzeżenia, które zaczynają przełamywać przepaść między tym, jak maszyna uczy się, a tym, jak uczy się człowiek”.

Badania ujawniają, że podobnie jak ludzie, sztuczne sieci neuronowe doskonale radzą sobie z zapamiętywaniem informacji, gdy są konfrontowane z zadaniami o różnorodnym charakterze, a nie z zadaniami o nachodzących się cechach. To spostrzeżenie jest kluczowe w zrozumieniu, jak ciągłe uczenie się może być optymalizowane w maszynach, aby ściśle naśladować zdolności kognitywne ludzi.

Rola różnorodności zadań i sekwencji w uczeniu maszynowym

Badacze mają przedstawić swoje wyniki na 40. corocznym Międzynarodowym Konferencji o Uczeniu Maszynowym w Honolulu, na Hawajach, która jest flagowym wydarzeniem w dziedzinie uczenia maszynowego. Badania ujawniają czynniki, które przyczyniają się do czasu, przez jaki sztuczna sieć utrzymuje określoną wiedzę.

Shroff wyjaśnia: “Aby zoptymalizować pamięć algorytmu, należy nauczyć go odmiennymi zadaniami na początku procesu ciągłego uczenia się. Metoda ta rozszerza pojemność sieci na nową wiedzę i poprawia jej zdolność do nauki podobnych zadań w przyszłości”. Stąd, podobieństwo zadań, korelacje dodatnie i ujemne oraz sekwencja uczenia się znacznie wpływają na utrzymanie pamięci w maszynach.

Celem tak dynamicznych, całkowicie nowych systemów jest zwiększenie tempa, w jakim algorytmy uczenia maszynowego mogą być skalowane i dostosowane do radzenia sobie z ewoluującymi środowiskami i nieprzewidzianymi sytuacjami. Ostatecznym celem jest umożliwienie tym systemom naśladownictwa zdolności uczenia się ludzi.

Badania przeprowadzone przez Shroffa i jego zespół, w tym postdoktoranckich badaczy Sen Lin i Peizhong Ju oraz profesorów Yingbin Liang, stanowią podstawę dla inteligentnych maszyn, które mogą się uczyć i adaptować podobnie jak ludzie. “Nasza praca zwiastuje nową erę inteligentnych maszyn, które mogą się uczyć i adaptować jak ich ludzcy odpowiednicy”, powiedział Shroff, podkreślając znaczący wpływ tego badania na nasze zrozumienie AI.