Sjećanja mogu mašinama biti nezgodna za pridržavanje koliko i ljudima. Da bi doprinijeli shvatanju zašto vještački agenti razvijaju rupe u vlastitim kognitivnim procesima, elektroinžinjeri s Univerziteta Ohajo analizirali su koliko proces zvan ''kontinuirano učenje'' utječe na njihov ukupan učinak, piše "Science Daily".

Istreniran kompjuter

Kontinuirano učenje je kad je kompjuter istreniran da kontinuirano uči sekvencu zadataka, koristeći svoje akumulirano znanje iz starih zadataka kako bi bolje učio nove zadatke.

Ipak, jedna velika prepreka koju naučnici tek treba da savladaju da bi dostigli takve visine, jeste učenje kako izbjeći ekvivalent gubljenja pamćenja za mašinsko učenje – proces kod agenata AI poznat kao „katastrofalno zaboravljanje“.

Dok se vještačke nervne mreže vježbaju na novim zadacima jednim nakon drugog, imaju tendenciju da gube informacije stečene u tim prethodnim zadacima, što bi moglo postati problematično pošto se društvo sve više oslanja na sisteme AI, kaže Nes Šrof, profesor kompjuterske nauke i inžinjerstva.

- Dok aplikacije automatizirane vožnje ili drugi robotski sistemi uče nove stvari, važno je da ne zaborave lekcije koje su već naučili radi naše sigurnosti i njihove - rekao je Šrof.

- Naše istraživanje zadire u složenosti kontinuiranog učenja kod tih vještačkih nervnih mreža i ono što smo pronašli su uvidi koji počinju da premošćavaju jaz između načina na koji mašina uči i načina na koji čovjek uči.

Različiti zadaci

Istraživači su otkrili da na isti način na koji se ljudi mogu mučiti da se sjete suprotstavljenih činjenica o sličnim scenarijima, ali se s lakoćom sjete inherentno različitih situacija, vještačke nervne mreže mogu da se sjete informacija bolje kad su suočene s različitim zadacima u nizu, umjesto s onima koji dijele slična svojstva.

Istraživački tim treba da predstavi svoj rad ovog mjeseca na 40. međunarodnoj konferenciji o mašinskom učenju u Honoluluu na Havajima.

Iako može biti teško učiti autonomne sisteme da ispolje ovu vrstu dinamičnog, doživotnog učenja, posjedovanje takvih sposobnosti omogućilo bi naučnicima da uvećavaju algoritme mašinskog učenja bržim tempom, kao i da ih lako prilagode promjenljivim sredinama i neočekivanim situacijama. U suštini, cilj ovih sistema bio bi da jednog dana kopiraju ljudske sposobnosti za učenje.

Tradicionalni algoritmi mašinskog učenja se vježbaju na podacima odjednom, ali uvidi ovog tima su pokazali da faktori kao sličnost zadataka, negativne i pozitivne korelacije, pa čak i redoslijed kojim se neki algoritam uči nekom zadatku imaju značaj za dužinu vremena u kojoj vještačka mreža zadržava izvjesno znanje.

Naprimjer, da bi se optimizirala memorija nekog algoritma, kaže Šrof, neslični zadaci bi trebalo da se uče rano u procesu kontinuiranog učenja. Ovaj metod proširuje kapacitet mreže za nove informacije i unapređuje njenu sposobnost da zatim uči više sličnih zadataka u budućnosti.

Shvatanje sličnosti

Njihov rad je naročito značajan zato što bi shvatanje sličnosti između mašina i ljudskog mozga moglo utrti put za bolje razumijevanje vještačke inteligencije, rekao je Šrof.

- Naš rad najavljuje novo doba inteligentnih mašina koje mogu da uče i da se prilagođavaju kao njihove ljudske kolege - kaže on.