Нова студија ја мери ефективноста на методите за машинско учење.
Спомените може да бидат еднакво незгодни за машините како што се за луѓето. За да придонесат во разбирањето зошто вештачките агенти развиваат дупки во сопствените когнитивни процеси, електроинженерите од Државниот универзитет во Охајо анализираа како процесот наречен „континуирано учење“ влијае на нивната севкупна изведба, пишува „Сајанс дејли“.
Континуираното учење е кога компјутерот е обучен постојано да учи низа задачи, користејќи го акумулираното знаење од старите задачи за подобро да научи нови задачи.
Сепак, една голема пречка што научниците допрва треба да ја надминат за да стигнат до тоа ниво е да научат како да го избегнат еквивалентот на губење на меморијата на машинското учење – процес познат на агентите за вештачка интелигенција како „катастрофално заборавање“.
Бидејќи вештачките невронски мрежи се обучуваат за нови задачи една по друга, тие имаат тенденција да ги губат информациите стекнати во тие претходни задачи, што би можело да стане проблематично бидејќи општеството сѐ повеќе се потпира на системи за вештачка интелигенција, вели Нес Шроф, професор по компјутерски науки и инженерство.
– Нашето истражување ја истражува сложеноста на континуираното учење во овие вештачки невронски мрежи, а она што го најдовме се сознанија што почнуваат да го премостуваат јазот помеѓу тоа како машината учи и како човекот учи – посочи Шроф.
Истражувачите открија дека на истиот начин на кој луѓето можат да се борат да запомнат спротивставени факти за слични сценарија, но лесно се сеќаваат на инхерентно различни ситуации, вештачките невронски мрежи можат подобро да запомнат информации кога се соочуваат со различни задачи во низа, наместо со оние што споделуваат слични својства.
Истражувачкиот тим треба да ја претстави својата работа овој месец на 40-та годишна меѓународна конференција за машинско учење во Хонолулу, Хаваи.
Иако може да биде тешко да се научат автономните системи да прикажуваат ваков вид динамично доживотно учење, имањето такви способности ќе им овозможи на научниците да ги развијат алгоритмите за машинско учење со побрзо темпо, како и лесно да се приспособат на променливите средини и неочекувани ситуации. Во суштина, целта на овие системи би била еден ден да ги реплицираат човечките способности за учење.
Овој метод го проширува капацитетот на мрежата за нови информации и ја подобрува нејзината способност потоа да научи повеќе слични задачи во иднина.
– Нашата работа најавува нова ера на интелигентни машини што можат да учат и да се приспособат како нивните човечки колеги – додава Шроф.
