Navigera inlärningskurvan: AI:s kamp med minnesretention

Medan gränserna för artificiell intelligens (AI) kontinuerligt expanderar, brottas forskare med en av de största utmaningarna inom området: minnesförlust. Känd som “katastrofalt glömska” inom AI-termer, hämmar denna fenomen den progressiva utvecklingen av maskinlärande, och efterliknar den flyktiga naturen av mänskliga minnen. En grupp av elektroingenjörer från The Ohio State University undersöker hur kontinuerligt lärande, förmågan hos en dator att konstant förvärva kunskap från en serie uppgifter, påverkar den övergripande prestationen hos AI-agenter.

Att överbrygga klyftan mellan mänskligt och maskinlärande

Ness Shroff, en Ohio Eminent Scholar och professor i datavetenskap och elektroteknik vid The Ohio State University, betonar hur viktigt det är att övervinna denna hinder. “När automatiserade körapplikationer eller andra robotiska system lär sig nya saker, är det viktigt att de inte glömmer de lektioner de redan har lärt sig, för vår säkerhet och deras”, säger Shroff. Han fortsätter, “Vår forskning undersöker komplexiteten i kontinuerligt lärande i dessa artificiella neurala nätverk, och vad vi har funnit är insikter som börjar överbrygga klyftan mellan hur en maskin lär sig och hur en människa lär sig.”

Forskning visar att, liknande människor, artificiella neurala nätverk excellerar i att behålla information när de ställs inför diverse uppgifter i följd, snarare än uppgifter med överlappande funktioner. Denna insikt är avgörande för att förstå hur kontinuerligt lärande kan optimeras i maskiner för att nära efterlikna de kognitiva förmågorna hos människor.

Rollen för uppgiftsdiversitet och sekvens i maskinlärande

Forskarna är redo att presentera sina resultat vid den 40:e årliga internationella konferensen om maskinlärande i Honolulu, Hawaii, en flaggskeppshändelse inom maskinlärandeområdet. Forskningen belyser de faktorer som bidrar till den tid en artificiell nätverk behåller specifik kunskap.

Shroff förklarar, “För att optimera en algoritm’s minne, bör olika uppgifter läras ut tidigt i det kontinuerliga lärandeprocessen. Denna metod expanderar nätverkets kapacitet för ny information och förbättrar dess förmåga att senare lära sig mer liknande uppgifter.” Därför påverkar uppgiftslikhet, positiva och negativa korrelationer, och sekvensen av lärande signifikant minnesretention i maskiner.

Målet med sådana dynamiska, livslånga lärandesystem är att öka takten för vilken maskinlärandealgoritmer kan skalas upp och anpassas för att hantera föränderliga miljöer och oförutsedda situationer. Det ultimata målet är att möjliggöra för dessa system att spegla de lärandeförmågor som finns hos människor.

Forskningen som utförts av Shroff och hans team, inklusive Ohio State-postdoktoranderna Sen Lin och Peizhong Ju och professorerna Yingbin Liang, lägger grunden för intelligenta maskiner som kan anpassa sig och lära sig likt människor. “Vår forskning förkunnar en ny era av intelligenta maskiner som kan lära sig och anpassa sig som deras mänskliga motsvarigheter”, säger Shroff, och betonar den betydande påverkan som denna studie har på vår förståelse av AI.