Навігація кривої навчання: боротьба штучного інтелекту з пам’яттю

Коли кордони штучного інтелекту (ШІ) безперервно розширюються, дослідники стикаються з однією з найбільших проблем у цій галузі: втратою пам’яті. Відома як “катастрофічне забування” у термінах ШІ, це явище серйозно перешкоджає прогресу машинного навчання, імітуючи невловиму природу людської пам’яті. Команда інженерів-електриків з Університету штату Огайо досліджує, як безперервне навчання, тобто здатність комп’ютера постійно набувати знань з серії завдань, впливає на загальну продуктивність агентів ШІ.

Замовчання розриву між людським і машинним навчанням

Несс Шрофф, видатний вчений штату Огайо та професор комп’ютерних наук і техніки в Університеті штату Огайо, підкреслює критичність подолання цієї перешкоди. “Коли програми автоматичного водіння або інші робототехнічні системи навчаються нових речей, важливо, щоб вони не забували уроки, які вони вже вивчили, для нашої безпеки та їхньої”, – сказав Шрофф. Він продовжує: “Наше дослідження вивчає складності безперервного навчання в цих штучних нейронних мережах, і те, що ми знайшли, – це знання, які починають замовчувати розрив між тим, як машина вчиться, і тим, як людина вчиться”.

Дослідження показує, що, подібно до людей, штучні нейронні мережі добре зберігають інформацію, коли їм подаються різні завдання послідовно, а не завдання з перекриваються ознаками. Це знання має вирішальне значення для розуміння того, як безперервне навчання можна оптимізувати в машинах, щоб воно було схоже на когнітивні можливості людини.

Роль різноманітності завдань і послідовності в машинному навчанні

Дослідники готуються представити свої висновки на 40-му щорічному Міжнародному конференції з машинного навчання в Гонолулу, Гаваї, флагманському заході у сфері машинного навчання. Дослідження висвітлює чинники, які впливають на тривалість часу, протягом якого штучна мережа зберігає певні знання.

Шрофф пояснює: “Щоб оптимізувати пам’ять алгоритму, різні завдання повинні бути наведені на початку процесу безперервного навчання. Цей метод розширює здатність мережі до нової інформації та покращує її здатність пізніше вивчати подібні завдання”. Отже, подібність завдань, позитивні та негативні кореляції, а також послідовність навчання суттєво впливають на збереження пам’яті в машинах.

Мета таких динамічних, довгострокових систем навчання полягає в тому, щоб прискорити темп, з яким алгоритми машинного навчання можна масштабувати, і адаптувати їх до роботи в змінних середовищах і непередбачуваних ситуаціях. Останньою метою є надання цим системам можливості відтворювати можливості навчання людини.

Дослідження, проведене Шроффом і його командою, включаючи постдокторантів Університету штату Огайо Сена Ліня і Пейчжун Джу, а також професорів Їнбіна Ляна, закладає основу для створення інтелектуальних машин, які могли б адаптуватися та навчатися подібно до людини. “Наша робота ознаменує нову еру інтелектуальних машин, які можуть навчатися та адаптуватися, як їхні людські аналоги”, – говорить Шрофф, підкреслюючи суттєвий вплив цього дослідження на наше розуміння ШІ.