Điều hướng Đường cong Học tập: Sự đấu tranh của Trí tuệ Nhân tạo với Lưu giữ Bộ nhớ

Khi ranh giới của trí tuệ nhân tạo (AI) liên tục mở rộng, các nhà nghiên cứu phải đối mặt với một trong những thách thức lớn nhất trong lĩnh vực này: mất bộ nhớ. Được biết đến với cái tên “quên mất thảm khốc” trong các thuật ngữ AI, hiện tượng này cản trở nghiêm trọng tiến trình học máy, giống như bản chất khó nắm bắt của ký ức con người. Một nhóm các kỹ sư điện từ Đại học Ohio đang điều tra cách học liên tục, khả năng của một máy tính để liên tục thu được kiến thức từ một loạt các nhiệm vụ, ảnh hưởng đến hiệu suất tổng thể của các tác nhân AI.

Đóng vai trò cầu nối giữa Học tập của Con người và Máy móc

Ness Shroff, một Nhà nghiên cứu nổi tiếng của Ohio và Giáo sư Khoa học và Kỹ thuật Máy tính tại Đại học Ohio, nhấn mạnh sự quan trọng của việc vượt qua chướng ngại vật này. “Khi các ứng dụng lái xe tự động hoặc các hệ thống robot khác được dạy những điều mới, điều quan trọng là chúng không quên những bài học đã học để đảm bảo an toàn cho con người và chúng,” Shroff nói. Ông tiếp tục, “Nghiên cứu của chúng tôi đi sâu vào sự phức tạp của học liên tục trong các mạng nơ-ron nhân tạo, và những gì chúng tôi tìm thấy là những hiểu biết bắt đầu bắc cầu giữa cách một máy học và cách con người học.”

Nghiên cứu cho thấy rằng, giống như con người, các mạng nơ-ron nhân tạo excels trong việc giữ lại thông tin khi đối mặt với các nhiệm vụ đa dạng liên tiếp thay vì các nhiệm vụ có tính năng chồng chéo. Sự hiểu biết này là then chốt trong việc hiểu cách học liên tục có thể được tối ưu hóa trong máy móc để giống với khả năng nhận thức của con người.

Vai trò của Sự đa dạng và Thứ tự Nhiệm vụ trong Học máy

Các nhà nghiên cứu sẽ trình bày phát hiện của mình tại Hội nghị Quốc tế lần thứ 40 về Học máy ở Honolulu, Hawaii, một sự kiện hàng đầu trong lĩnh vực học máy. Nghiên cứu này làm sáng tỏ các yếu tố đóng góp vào thời gian mà một mạng lưới nhân tạo giữ lại kiến thức cụ thể.

Shroff giải thích, “Để tối ưu hóa bộ nhớ của một thuật toán, các nhiệm vụ khác nhau nên được dạy sớm trong quá trình học liên tục. Phương pháp này mở rộng khả năng của mạng lưới để thu được thông tin mới và cải thiện khả năng học các nhiệm vụ tương tự sau này.” Do đó, sự tương tự của nhiệm vụ, mối tương quan dương và âm, và thứ tự học tập có ảnh hưởng đáng kể đến việc giữ lại bộ nhớ trong máy móc.

Mục tiêu của các hệ thống học tập động, suốt đời này là tăng tốc độ mà các thuật toán học máy có thể được mở rộng và thích nghi với các môi trường và tình huống thay đổi. Mục tiêu cuối cùng là cho phép các hệ thống này phản ánh khả năng học tập của con người.

Nghiên cứu được thực hiện bởi Shroff và nhóm của ông, bao gồm cả các nhà nghiên cứu sau tiến sĩ Sen Lin và Peizhong Ju và Giáo sư Yingbin Liang, đặt nền tảng cho các máy móc thông minh có thể thích nghi và học tập giống như con người. “Công việc của chúng tôi báo trước một kỷ nguyên mới của các máy móc thông minh có thể học tập và thích nghi như con người,” Shroff nói, nhấn mạnh sự ảnh hưởng đáng kể của nghiên cứu này đến sự hiểu biết của chúng ta về AI.