ΑρχικήyoutubeAI: Πώς η μίμηση του ανθρώπινου εγκεφάλου ενισχύει την τεχνολογία της

AI: Πώς η μίμηση του ανθρώπινου εγκεφάλου ενισχύει την τεχνολογία της

Η τεχνολογία AI έχει καταφέρει εντυπωσιακά πράγματα έως τώρα, όμως χρειάζεται μεγάλο όγκο δεδομένων προκειμένου να τα πετύχει. Αντιθέτως, ο ανθρώπινος εγκέφαλος μπορεί συχνά να μάθει από έναν μικρό αριθμό παραδειγμάτων. Μία νέα έρευνα δείχνει ότι η χρήση των αρχιτεκτονικών αρχών του εγκεφάλου, μπορεί να βοηθήσει την τεχνητή νοημοσύνη να πλησιάσει την οπτική μας ικανότητα.

AI
AI τεχνολογία: Πώς η μίμηση του ανθρώπινου εγκεφάλου την ενισχύει

Όπως γνωρίζουμε μέχρι τώρα, το deep learning βασίζεται στην θεωρία ότι όσο περισσότερα δεδομένα χρησιμοποιούμε σε έναν αλγόριθμο, τόσο καλύτερα μαθαίνει. Και στην εποχή των Big Data, αυτό είναι ευκολότερο από ποτέ, ειδικά για τις μεγάλες εταιρείες τεχνολογίας με γνώμονα τα δεδομένα, που πραγματοποιούν έρευνα αιχμής για την τεχνητή νοημοσύνη.

Τα μεγαλύτερα μοντέλα deep learning, που υπάρχουν σήμερα όπως το OpenAI’s GPT-3 και το BERT της Google, εκπαιδεύονται με δισεκατομμύρια δεδομένα και ακόμη και τα πιο μετριοπαθή μοντέλα απαιτούν μεγάλες ποσότητες δεδομένων. Η συλλογή αυτών των συνόλων δεδομένων και η επένδυση των υπολογιστικών πόρων για τη διασταύρωσή τους είναι ένα σημαντικό εμπόδιο, ειδικά για ακαδημαϊκά εργαστήρια με λιγότερους πόρους.

Η τεχνητή νοημοσύνη λοιπόν είναι πολύ λιγότερο ευέλικτη από τη φυσική ευφυΐα. Ενώ ένας άνθρωπος χρειάζεται απλώς να δει λίγα παραδείγματα ενός ζώου, ενός εργαλείου ή κάποιου αντικειμένου για να μπορέσει να το ξεχωρίσει, οι περισσότερες AI πρέπει να εκπαιδευτούν με πολλά παραδείγματα ενός αντικειμένου για να είναι σε θέση να αναγνωρίσουν.

Υπάρχει ωστόσο μία υποκατηγορία της AI που στοχεύει σε αυτό που είναι γνωστό ως «one-shot» ή «few-shot» μάθηση, όπου οι αλγόριθμοι έχουν σχεδιαστεί για να μπορούν να μάθουν από πολύ λίγα παραδείγματα. Αλλά αυτές οι προσεγγίσεις είναι ακόμη σε μεγάλο βαθμό πειραματικές και δεν μπορούν να πλησιάσουν καν τον ανθρώπινο εγκέφαλο.

Δύο επιστήμονες θέλησαν να εξετάσουν αν θα μπορούσαν να σχεδιάσουν μια τεχνητή νοημοσύνη που θα μπορούσε να μάθει από λίγα δεδομένα, δανειζόμενη αρχές από το πώς πιστεύουμε ότι ο εγκέφαλος λύνει αυτό το πρόβλημα. Σε ένα έγγραφο στο Frontiers in Computational Neuroscience, εξήγησαν ότι η προσέγγιση ενισχύει σημαντικά την ικανότητα της AI να μάθει νέες οπτικές έννοιες από λίγα παραδείγματα.

τεχνολογία
AI τεχνολογία: Πώς η μίμηση του ανθρώπινου εγκεφάλου την ενισχύει

«Το μοντέλο μας παρέχει έναν βιολογικά εύλογο τρόπο για τα τεχνητά νευρικά δίκτυα να μάθουν νέες οπτικές έννοιες από έναν μικρό αριθμό παραδειγμάτων», δήλωσε ο Maximilian Riesenhuber, από το Ιατρικό Κέντρο του Πανεπιστημίου Georgetown. «Μπορούμε να κάνουμε τους υπολογιστές να μάθουν πολύ καλύτερα από λίγα παραδείγματα, αξιοποιώντας την προηγούμενη μάθηση με τρόπο που πιστεύουμε ότι αντικατοπτρίζει τι κάνει ο εγκέφαλος».

Αρκετές δεκαετίες έρευνας πάνω στη νευροεπιστήμη, υποδηλώνουν ότι η ικανότητα του εγκεφάλου να μαθαίνει τόσο γρήγορα, εξαρτάται από την ικανότητά του να χρησιμοποιεί προηγούμενες γνώσεις για την κατανόηση νέων εννοιών που βασίζονται σε λίγα δεδομένα. Όσον αφορά την οπτική κατανόηση, αυτό μπορεί να βασίζεται σε ομοιότητες σχήματος, δομής ή χρώματος, αλλά ο εγκέφαλος μπορεί επίσης να αξιοποιήσει αφηρημένες οπτικές έννοιες που πιστεύεται ότι κωδικοποιούνται σε μια περιοχή του εγκεφάλου που ονομάζεται πρόσθιος κροταφικός λοβός (ATL).

Οι ερευνητές αποφάσισαν να δοκιμάσουν και να αναδημιουργήσουν αυτήν την ικανότητα, για να βοηθήσουν την τεχνητή νοημοσύνη να μάθει γρήγορα από προηγούμενες κατηγορίες εικόνων.

Οι αλγόριθμοι deep learning λειτουργούν με τη δημιουργία στρώσεων τεχνητών νευρώνων για να μάθουν όλο και πιο περίπλοκα χαρακτηριστικά μιας εικόνας ή άλλου τύπου δεδομένων, τα οποία στη συνέχεια χρησιμοποιούνται για την κατηγοριοποίηση των νέων δεδομένων. Για παράδειγμα, τα αρχικά στρώματα θα αναζητήσουν απλές λειτουργίες όπως τα άκρα, ενώ αργότερα ενδέχεται να αναζητούν πιο περίπλοκα, όπως μύτες, πρόσωπα ή ακόμα περισσότερα χαρακτηριστικά υψηλού επιπέδου.

τεχνολογία AI
AI τεχνολογία: Πώς η μίμηση του ανθρώπινου εγκεφάλου την ενισχύει

Πρώτα εκπαίδευσαν το AI σε 2,5 εκατομμύρια εικόνες σε 2.000 διαφορετικές κατηγορίες από το δημοφιλές σύνολο δεδομένων ImageNet. Έπειτα εξήγαγαν χαρακτηριστικά από διάφορα επίπεδα του δικτύου, συμπεριλαμβανομένου του τελευταίου επιπέδου πριν από το επίπεδο εξόδου. Αναφέρονται σε αυτά ως «εννοιολογικά χαρακτηριστικά» επειδή είναι τα υψηλότερα επίπεδα γνώσεων που έχουν μάθει και μοιάζουν περισσότερο με τις αφηρημένες έννοιες που ενδέχεται να κωδικοποιούνται στο ATL.

Στη συνέχεια χρησιμοποίησαν αυτά τα διαφορετικά σύνολα δυνατοτήτων για να εκπαιδεύσουν το AI ώστε να μάθει νέες έννοιες με βάση 2, 4, 8, 16, 32, 64 και 128 παραδείγματα. Διαπίστωσαν ότι η τεχνητή νοημοσύνη που χρησιμοποίησε τα εννοιολογικά χαρακτηριστικά απέδωσε πολύ καλύτερα από αυτή που εκπαιδεύτηκε χρησιμοποιώντας λειτουργίες χαμηλότερου επιπέδου σε μικρότερο αριθμό παραδειγμάτων.

Ενώ οι ερευνητές παραδέχονται ότι η πρόκληση που έθεσε η τεχνητή νοημοσύνη τους ήταν σχετικά απλή και καλύπτει μόνο μια πτυχή της σύνθετης διαδικασίας οπτικής συλλογιστικής, δήλωσαν ότι η χρήση μιας βιολογικά εύλογης προσέγγισης για την επίλυση του ζητήματος, ανοίγει πολλά υποσχόμενες νέες οδούς.

“Τα ευρήματά μας όχι μόνο προτείνουν τεχνικές που θα μπορούσαν να βοηθήσουν τους υπολογιστές να μάθουν πιο γρήγορα και αποτελεσματικά, αλλά μπορούν επίσης να οδηγήσουν σε βελτιωμένα πειράματα νευροεπιστήμης που στοχεύουν στην κατανόηση του τρόπου με τον οποίο οι άνθρωποι μαθαίνουν τόσο γρήγορα, κάτι που δεν είναι ακόμη καλά κατανοητό”, δήλωσε ο Riesenhuber. Όπως σημειώνουν οι ερευνητές, το ανθρώπινο οπτικό σύστημα εξακολουθεί να είναι το χρυσό πρότυπο για την κατανόηση του κόσμου γύρω μας. Ο δανεισμός από τις αρχές σχεδιασμού του μπορεί να αποδειχθεί επικερδής κατεύθυνση για μελλοντική έρευνα.

Absenta Mia
Absenta Miahttps://www.secnews.gr
Being your self, in a world that constantly tries to change you, is your greater achievement

Εγγραφή στο Newsletter

* indicates required

FOLLOW US

LIVE NEWS