Neurovedci navrhujú model, ktorý zrkadlí ľudské vizuálne učenie

Naprogramovaním počítačovej umelej inteligencie (AI) na použitie rýchlejšej techniky na učenie sa nových predmetov začne AI fungovať viac ako ľudská inteligencia. Prichádza to tak, že dvaja neurovedci navrhli model, ktorý odráža ľudské vizuálne učenie.

Výskum Maximilliana Riesenhubera, PhD, profesora neurovedy na Georgetown University Medical Center, a Joshua Rule, PhD, postdoktorandského vedca na UC Berkeley, bol publikovaný v časopise. Hranice vo výpočtovej neurovede. 

AI sa učí nové vizuálne koncepty

Neurovedci ukázali, ako nový prístup zlepšuje schopnosť softvéru AI rýchlo sa učiť nové vizuálne koncepty.

„Náš model poskytuje umelým neurónovým sieťam biologicky prijateľný spôsob, ako sa naučiť nové vizuálne koncepty z malého počtu príkladov,“ hovorí Riesenhuber. "Môžeme prinútiť počítače, aby sa učili oveľa lepšie z niekoľkých príkladov tým, že využijeme predchádzajúce učenie spôsobom, o ktorom si myslíme, že odzrkadľuje to, čo robí mozog."

Ľudia majú schopnosť naučiť sa nové vizuálne koncepty z riedkych údajov veľmi rýchlo a presne. Túto schopnosť máme vo veľmi mladom veku, už vo veku troch mesiacov. Počítače však vyžadujú veľa príkladov toho istého objektu, aby konečne vedeli, čo to je.

„Výpočtová sila hierarchie mozgu spočíva v potenciáli zjednodušiť učenie využitím skôr naučených reprezentácií z databanky, ktorá je plná konceptov o objektoch,“ hovorí Riesenhuber.

Umelé neurónové siete verzus ľudský vizuálny systém

Riesenhuber a Rule zistili, že umelé neurónové siete sa dokážu naučiť nové vizuálne koncepty oveľa rýchlejšie, čím sa približujú úrovni ľudských schopností.

„Namiesto učenia sa konceptov na vysokej úrovni z hľadiska vizuálnych prvkov nízkej úrovne ich náš prístup vysvetľuje z hľadiska iných konceptov na vysokej úrovni,“ hovorí Rule. "Je to ako povedať, že ptakopysk vyzerá trochu ako kačica, bobor a morská vydra."

Učenie ľudských vizuálnych konceptov sa vo veľkej miere spolieha na neurónové siete zapojené do procesu rozpoznávania objektov a predpokladá sa, že predný temporálny lalok mozgu má schopnosť ísť za hranice tvaru, pokiaľ ide o reprezentácie konceptov. Pretože tieto nervové hierarchie zapojené do vizuálneho rozpoznávania sú také zložité, ľudia sa môžu naučiť nové úlohy a využiť predchádzajúce učenie.

„Opätovným použitím týchto konceptov sa môžete ľahšie naučiť nové koncepty, nový význam, ako napríklad skutočnosť, že zebra je jednoducho kôň iného druhu,“ hovorí Riesenhuber.

AI stále nedosiahla rovnakú úroveň ako ľudský vizuálny systém, ktorý má vynikajúcu schopnosť zovšeobecňovať z niekoľkých príkladov, zaoberať sa variáciami obrázkov a porozumieť scénam. Pokroky ho však približujú.

„Naše zistenia nielen naznačujú techniky, ktoré by mohli pomôcť počítačom učiť sa rýchlejšie a efektívnejšie, ale môžu viesť aj k zlepšeným neurovedeckým experimentom zameraným na pochopenie toho, ako sa ľudia učia tak rýchlo, čo ešte nie je dobre pochopené,“ hovorí Riesenhuber.