Η αποθήκευση μνήμης μπορεί να είναι τόσο δύσκολη για τις μηχανές όσο και για τους ανθρώπους. Για να κατανοήσουν γιατί οι τεχνητές νοημοσύνες αναπτύσσουν κενά στις δικές τους γνωστικές διαδικασίες, ηλεκτρολόγοι μηχανικοί του Πολιτειακού Πανεπιστημίου του Οχάιο ανέλυσαν πόσο επηρεάζει τη συνολική τους απόδοση μια διαδικασία που ονομάζεται “συνεχής μάθηση”.

Η συνεχής μάθηση είναι όταν ένας υπολογιστής εκπαιδεύεται να μαθαίνει συνεχώς μια σειρά εργασιών, χρησιμοποιώντας τη συσσωρευμένη γνώση του από τις παλιές εργασίες για να μαθαίνει καλύτερα τις νέες εργασίες.

Ωστόσο, ένα σημαντικό εμπόδιο που οι επιστήμονες πρέπει ακόμη να ξεπεράσουν για να επιτύχουν τέτοια ύψη είναι να μάθουν πώς να παρακάμπτουν το ισοδύναμο της μηχανικής μάθησης με την απώλεια μνήμης – μια διαδικασία που στα AI είναι γνωστή ως “καταστροφική λήθη”. Καθώς τα τεχνητά νευρωνικά δίκτυα εκπαιδεύονται στη μία νέα εργασία μετά την άλλη, τείνουν να χάνουν τις πληροφορίες που αποκτήθηκαν από αυτές τις προηγούμενες εργασίες, ένα ζήτημα που θα μπορούσε να γίνει προβληματικό καθώς η κοινωνία θα βασίζεται όλο και περισσότερο στα συστήματα τεχνητής νοημοσύνης, δήλωσε ο Ness Shroff, διακεκριμένος υπότροφος του Οχάιο και καθηγητής πληροφορικής και μηχανικής στο Πολιτειακό Πανεπιστήμιο του Οχάιο.

“Καθώς οι εφαρμογές αυτοματοποιημένης οδήγησης ή άλλα ρομποτικά συστήματα διδάσκονται νέα πράγματα, είναι σημαντικό να μην ξεχνούν τα μαθήματα που έχουν ήδη μάθει για τη δική μας ασφάλεια και τη δική τους”, δήλωσε ο Shroff. “Η έρευνά μας εμβαθύνει στην πολυπλοκότητα της συνεχούς μάθησης σε αυτά τα τεχνητά νευρωνικά δίκτυα και αυτό που βρήκαμε είναι γνώσεις που αρχίζουν να γεφυρώνουν το χάσμα μεταξύ του πώς μαθαίνει μια μηχανή και του πώς μαθαίνει ένας άνθρωπος“.

Οι ερευνητές διαπίστωσαν ότι με τον ίδιο τρόπο που οι άνθρωποι μπορεί να δυσκολεύονται να ανακαλέσουν αντιθετικά γεγονότα για παρόμοια σενάρια, αλλά θυμούνται με ευκολία εγγενώς διαφορετικές καταστάσεις, τα τεχνητά νευρωνικά δίκτυα μπορούν να ανακαλέσουν πληροφορίες καλύτερα όταν έρχονται αντιμέτωπα με διαφορετικές εργασίες διαδοχικά, αντί για εργασίες που μοιράζονται παρόμοια χαρακτηριστικά, δήλωσε ο Shroff.

Αν και μπορεί να είναι δύσκολο να διδάξει κανείς στα αυτόνομα συστήματα να επιδεικνύουν αυτό το είδος δυναμικής, δια βίου μάθησης, η κατοχή τέτοιων δυνατοτήτων θα επιτρέψει στους επιστήμονες να επεκτείνουν τους αλγορίθμους μηχανικής μάθησης με ταχύτερο ρυθμό, καθώς και να τους προσαρμόζουν εύκολα ώστε να χειρίζονται εξελισσόμενα περιβάλλοντα και απρόβλεπτες καταστάσεις. Ουσιαστικά, ο στόχος για αυτά τα συστήματα θα ήταν να μιμηθούν μια μέρα τις μαθησιακές ικανότητες των ανθρώπων.

Οι παραδοσιακοί αλγόριθμοι μηχανικής μάθησης εκπαιδεύονται σε δεδομένα όλα μαζί, αλλά τα ευρήματα αυτής της ομάδας έδειξαν ότι παράγοντες όπως η ομοιότητα εργασιών, οι αρνητικές και θετικές συσχετίσεις, ακόμη και η σειρά με την οποία ένας αλγόριθμος διδάσκεται μια εργασία έχουν σημασία για το χρονικό διάστημα που ένα τεχνητό δίκτυο διατηρεί ορισμένες γνώσεις.

Για παράδειγμα, για να βελτιστοποιηθεί η μνήμη ενός αλγορίθμου, δήλωσε ο Shroff, οι ανόμοιες εργασίες θα πρέπει να διδάσκονται νωρίς στη διαδικασία συνεχούς μάθησης. Αυτή η μέθοδος διευρύνει την ικανότητα του δικτύου για νέες πληροφορίες και βελτιώνει την ικανότητά του να μαθαίνει στη συνέχεια περισσότερες παρόμοιες εργασίες στη συνέχεια.

Το έργο τους είναι ιδιαίτερα σημαντικό, καθώς η κατανόηση των ομοιοτήτων μεταξύ των μηχανών και του ανθρώπινου εγκεφάλου θα μπορούσε να ανοίξει το δρόμο για μια βαθύτερη κατανόηση της τεχνητής νοημοσύνης, δήλωσε ο Shroff.

“Το έργο μας προαναγγέλλει μια νέα εποχή ευφυών μηχανών που μπορούν να μαθαίνουν και να προσαρμόζονται όπως οι ανθρώπινες αντίστοιχες μηχανές”, δήλωσε.

Παραπομπές:

Theory on Forgetting and Generalization of Continual Learning.