การเดินผ่านเส้นโค้งการเรียนรู้: การต่อสู้ของ AI กับการคงคุณความจำ

เมื่อขอบเขตของปัญญาประดิษฐ์ (AI) ขยายตัวอย่างต่อเนื่อง นักวิจัยต้องเผชิญกับความท้าทายที่ยิ่งใหญ่ที่สุดในด้านนี้: การสูญเสียความจำ ซึ่งรู้จักกันในชื่อ “การลืมแบบหายนะ” ในแง่ของ AI สิ่งนี้ขัดขวางความก้าวหน้าของการเรียนรู้ของเครื่องจักรอย่างรุนแรง โดยเลียนแบบธรรมชาติที่หลบหลีกของความทรงจำของมนุษย์ ทีมวิศวกรไฟฟ้าจากมหาวิทยาลัยรัฐโอไฮโอต้องการสำรวจว่าการเรียนรู้อย่างต่อเนื่อง ซึ่งเป็นความสามารถของคอมพิวเตอร์ที่จะเรียนรู้อย่างต่อเนื่องจากชุดของงาน มีผลกระทบต่อประสิทธิภาพโดยรวมของตัวแทน AI อย่างไร

การเชื่อมช่องว่างระหว่างการเรียนรู้ของมนุษย์และเครื่องจักร

เนสส์ ชรอฟฟ์ นักวิชาการอาวุโสแห่งรัฐโอไฮโอและศาสตราจารย์ด้านวิทยาศาสตร์คอมพิวเตอร์และวิศวกรรมศาสตร์จากมหาวิทยาลัยรัฐโอไฮโอ เน้นย้ำถึงความสำคัญของการเอาชนะอุปสรรคนี้ “เมื่อแอปพลิเคชันการขับขี่อัตโนมัติหรือระบบหุ่นยนต์อื่นๆ ได้รับการสอนสิ่งใหม่ๆ มันสำคัญที่พวกเขาจะไม่ลืมบทเรียนที่พวกเขาได้เรียนรู้ไปแล้วสำหรับความปลอดภัยของเราและพวกเขา” ชรอฟฟ์กล่าว ต่อไป “การวิจัยของเราสำรวจความซับซ้อนของการเรียนรู้อย่างต่อเนื่องในเครือข่ายประสาทเทียมและเราพบข้อมูลเชิงลึกที่เริ่มต้นในการเชื่อมช่องว่างระหว่างวิธีการเรียนรู้ของเครื่องจักรและวิธีการเรียนรู้ของมนุษย์”

การวิจัยเผยให้เห็นว่าคล้ายกับมนุษย์ เครือข่ายประสาทเทียมมีความสามารถในการคงคุณความจำเมื่อเผชิญกับงานที่หลากหลายติดต่อกันมากกว่าเมื่อเผชิญกับงานที่มีลักษณะที่ทับซ้อนกัน ข้อมูลเชิงลึกนี้มีความสำคัญอย่างยิ่งในการทำความเข้าใจว่าการเรียนรู้อย่างต่อเนื่องสามารถได้รับการปรับให้เหมาะสมในเครื่องจักรเพื่อเลียนแบบความสามารถในการรับรู้ของมนุษย์ได้อย่างไร

บทบาทของความหลากหลายและลำดับของงานในการเรียนรู้ของเครื่องจักร

นักวิจัยเตรียมที่จะนำเสนอผลการวิจัยของตนในการประชุมสัมมนาประจำปีที่ 40 ของการเรียนรู้ของเครื่องจักรที่ฮอนโนลูลู รัฐฮาวาย ซึ่งเป็นงานสำคัญในด้านการเรียนรู้ของเครื่องจักร การวิจัยนี้เปิดเผยปัจจัยที่มีส่วนช่วยในการคงคุณความจำของเครือข่ายเทียม

ชรอฟฟ์อธิบายว่า “เพื่อปรับให้เหมาะสมกับหน่วยความจำของอัลกอริทึม งานที่แตกต่างกันควรได้รับการสอนในตอนต้นของกระบวนการเรียนรู้อย่างต่อเนื่อง วิธีนี้จะขยายความสามารถของเครือข่ายสำหรับข้อมูลใหม่และปรับปรุงความสามารถในการเรียนรู้งานที่คล้ายกันในภายหลัง” ดังนั้น ความคล้ายคลึงกันของงาน ความสัมพันธ์เชิงบวกและเชิงลบ และลำดับการเรียนรู้มีอิทธิพลอย่างมีนัยสำคัญต่อการคงคุณความจำในเครื่องจักร

เป้าหมายของระบบการเรียนรู้แบบไดนามิกและตลอดชีวิตคือการเพิ่มอัตราที่อัลกอริทึมการเรียนรู้ของเครื่องจักรสามารถขยายขนาดและปรับให้เหมาะสมเพื่อรับมือกับสภาพแวดล้อมที่เปลี่ยนแปลงและสถานการณ์ที่ไม่คาดคิด เป้าหมายสูงสุดคือการทำให้ระบบเหล่านี้เลียนแบบความสามารถในการเรียนรู้ของมนุษย์

การวิจัยที่ดำเนินการโดยชรอฟฟ์และทีมงานของเขา รวมถึงนักวิจัยหลังปริญญาเอก Sen Lin และ Peizhong Ju และศาสตราจารย์ Yingbin Liang จากมหาวิทยาลัยรัฐโอไฮโอ สร้างรากฐานสำหรับเครื่องจักรที่ฉลาดซึ่งสามารถเรียนรู้และปรับตัวได้เหมือนมนุษย์ “งานของเราสำหรับยุคใหม่ของเครื่องจักรที่ฉลาดซึ่งสามารถเรียนรู้และปรับตัวได้เหมือนมนุษย์” ชรอฟฟ์กล่าว โดยเน้นย้ำถึงผลกระทบสำคัญของการศึกษานี้ต่อความเข้าใจของเราเกี่ยวกับ AI