Nevroznanstveniki načrtujejo model za zrcaljenje človeškega vizualnega učenja

S programiranjem računalniško podprte umetne inteligence (AI) za uporabo hitrejše tehnike za učenje novih predmetov začne AI delovati bolj kot človeška inteligenca. To se zgodi, ko sta dva nevroznanstvenika oblikovala model, ki odraža človeško vizualno učenje.

Raziskava Maximillian Riesenhuber, PhD, profesor nevroznanosti na Georgetown University Medical Center, in Joshua Rule, PhD, podoktorski znanstvenik na UC Berkeley, je bila objavljena v reviji Meje v računalniški nevroznanosti. 

AI se uči novih vizualnih konceptov

Nevroznanstveniki so pokazali, kako novi pristop izboljša sposobnost programske opreme AI za hitro učenje novih vizualnih konceptov.

"Naš model zagotavlja biološko verjeten način, da se umetne nevronske mreže naučijo novih vizualnih konceptov iz majhnega števila primerov," pravi Riesenhuber. "Računalnike lahko dosežemo, da se veliko bolje učijo iz nekaj primerov, tako da izkoristimo predhodno učenje na način, za katerega mislimo, da odraža to, kar počnejo možgani."

Ljudje se lahko zelo hitro in natančno naučimo novih vizualnih konceptov iz redkih podatkov. To sposobnost imamo že zelo mladi, že pri treh mesecih. Vendar pa računalniki potrebujejo veliko primerov istega predmeta, da končno vedo, kaj je.

»Računalska moč možganske hierarhije leži v potencialu za poenostavitev učenja z uporabo predhodno naučenih predstavitev iz banke podatkov, tako rekoč polne konceptov o predmetih,« pravi Riesenhuber.

Umetne nevronske mreže proti človeškemu vizualnemu sistemu

Riesenhuber in Rule sta ugotovila, da se lahko umetne nevronske mreže veliko hitreje naučijo novih vizualnih konceptov in se približajo ravni človeških sposobnosti.

"Namesto da bi se naučili konceptov na visoki ravni v smislu vizualnih funkcij na nizki ravni, jih naš pristop razlaga v smislu drugih konceptov na visoki ravni," pravi Rule. "To je tako, kot če bi rekli, da je kljunaš podoben raci, bobru in morski vidri."

Učenje človeških vizualnih konceptov je močno odvisno od nevronskih mrež, vključenih v proces prepoznavanja predmetov, in verjame se, da ima sprednji temporalni reženj možganov sposobnost preseči obliko v zvezi s predstavitvami konceptov. Ker so te nevronske hierarhije, vključene v vizualno prepoznavanje, tako zapletene, se lahko ljudje naučijo novih nalog in izkoristijo predhodno učenje.

"S ponovno uporabo teh konceptov se lahko lažje naučite novih konceptov, novega pomena, kot je dejstvo, da je zebra preprosto konj drugačne črte," pravi Riesenhuber.

Umetna inteligenca še vedno ni dosegla enake ravni kot človeški vizualni sistem, ki ima vrhunsko sposobnost posploševanja iz nekaj primerov, obravnavanja variacij slik in razumevanja prizorov. Vendar ga napredek približuje.

"Naše ugotovitve ne kažejo samo na tehnike, ki bi lahko pomagale računalnikom pri hitrejšem in učinkovitejšem učenju, lahko vodijo tudi do izboljšanih nevroznanstvenih poskusov, katerih cilj je razumevanje, kako se ljudje tako hitro učijo, kar še ni dobro razumljeno," pravi Riesenhuber.