Навигация по кривой обучения: Борьба ИИ с сохранением памяти

По мере того, как границы искусственного интеллекта (ИИ)不断 расширяются, исследователи сталкиваются с одной из самых больших проблем в этой области: потерей памяти. Известная как “катастрофическое забывание” в терминах ИИ, это явление серьезно препятствует прогрессу машинного обучения, имитируя эфемерную природу человеческой памяти. Команда электротехников из Университета штата Огайо исследует, как непрерывное обучение, способность компьютера постоянно приобретать знания из серии задач, влияет на общую производительность агентов ИИ.

Мост между человеческим и машинным обучением

Несс Шрофф, выдающийся ученый штата Огайо и профессор компьютерных наук и инженерии в Университете штата Огайо, подчеркивает критическую важность преодоления этого препятствия. “Когда приложения автоматического вождения или другие робототехнические системы обучаются новым вещам, важно, чтобы они не забыли уроки, которые они уже выучили, для нашей безопасности и их”, – сказал Шрофф. Он продолжает: “Наше исследование проникает в сложности непрерывного обучения в этих искусственных нейронных сетях, и то, что мы обнаружили, – это идеи, которые начинают мостить разрыв между тем, как машина учится и как человек учится”.

Исследования показывают, что, подобно людям, искусственные нейронные сети отлично сохраняют информацию, когда сталкиваются с разнообразными задачами последовательно, а не с задачами с перекрывающимися функциями. Этот вывод имеет решающее значение для понимания того, как непрерывное обучение может быть оптимизировано в машинах, чтобы тесно напоминать когнитивные способности человека.

Роль разнообразия задач и последовательности в машинном обучении

Исследователи собираются представить свои результаты на 40-й ежегодной Международной конференции по машинному обучению в Гонолулу, Гавайи, флагманском мероприятии в области машинного обучения. Исследование проливает свет на факторы, которые способствуют продолжительности сохранения конкретных знаний искусственной сетью.

Шрофф объясняет: “Чтобы оптимизировать память алгоритма, несхожие задачи должны быть преподаны на ранней стадии процесса непрерывного обучения. Этот метод расширяет способность сети к новой информации и улучшает ее способность последовательно учиться более схожим задачам”. Следовательно, сходство задач, положительные и отрицательные корреляции, а также последовательность обучения существенно влияют на сохранение памяти в машинах.

Цель таких динамических, непрерывных систем обучения – повысить скорость, с которой алгоритмы машинного обучения могут быть масштабированы и адаптированы для обработки меняющихся сред и непредвиденных ситуаций. Конечная цель – позволить этим системам отражать возможности обучения человека.

Исследование, проведенное Шроффом и его командой, включая постдокторантов Университета штата Огайо Сена Лина и Пейчжун Цзю и профессора Ин Лианга, закладывает основу для создания интеллектуальных машин, которые могли бы адаптироваться и учиться подобно человеку. “Наша работа знаменует начало новой эры интеллектуальных машин, которые могут учиться и адаптироваться, как их человеческие аналоги”, – говорит Шрофф, подчеркивая значительное влияние этого исследования на наше понимание ИИ.