Berta Sándor

A mesterséges intelli­genciának is kell pihenés

Az alvás szimulálásával egyszerre két különböző feladatra tanítottak be egy neurális hálózatot.

A mesterséges intelligenciák csak bizonyos, világosan meghatározott számú feladat kezelésére és elvégzésére képesek. Amennyiben újakat tanulnak, elfelejtik a régieket. Azonban egyfajta mesterséges alvás megváltoztathatja ezt. "A probléma akkor merül fel, amikor olyan rendszereket akarunk kifejleszteni, amelyek képesek az úgynevezett élethosszig tartó tanulásra" - magyarázta Pavel Sanda, a Cseh Tudományos Akadémia munkatársa. A kutatók azt találták, hogy a mesterséges intelligencia képes megtanulni különböző feladatok elsajátítását és emlékezetét, ha az emberi alvást utánozza. Az alvás segít nekünk, embereknek, hogy hosszú távon megszilárdítsuk agyunkban a napközben tanultakat.

Maxim Bazsenov, a Kaliforniai Egyetem munkatársa szerint az idegtudomány és a biológia ötleteinek alkalmazása a gépi tanulás javítására jelenleg nagy divat. Az alvás az egyik ilyen ötlet, idézte a New Scientist a tudóst. Bazsenov, Sanda és a kollégáik az emberi agyhoz hasonló neurális hálózatot képeztek ki két különböző feladat megtanulására anélkül, hogy felülírták volna az első feladatban megtanult kapcsolatokat. Ezt úgy tették, hogy az edzésfázisokat alvásszerű időszakokkal szakították meg. A kísérleteik során a szakemberek megállapították, hogy a megfelelő feladatok megtanulása utáni hosszú alvási fázis kevésbé működött, mint a gyorsan váltakozó edzés és alvás - miközben a mesterséges intelligencia a második feladatot tanulta.

A tudósok így megtanították a rendszert arra, hogy két különböző mintát tanuljon meg, amikor szimulált élelmiszer-részecskéket keres, miközben elkerüli a mérgező részecskéket. Bazsenov, Sanda és a kollégáik meggyőződése, hogy egy neurális hálózat egyszer képes lesz intelligensen kombinálni az egymás után megszerzett tudást és a megtanultakat új helyzetekben alkalmazni - ahogyan az emberek és az állatok teszik.

Hozzászólások

A témához csak regisztrált és bejelentkezett látogatók szólhatnak hozzá!
Bejelentkezéshez klikk ide
(Regisztráció a fórum nyitóoldalán)
  • kvp #3
    "Vagy programozási akadálya van, esetleg lassú lenne?"

    Nincs akadalya es nem is lassu. Marmint ha kivulrol belenyulva egy Neumann elvu programbol vezereljuk a neuralis halot. Viszont tudtommal jelenleg tisztan neuralis modellel nem lehet ilyen mukodest leirni. Roviden szolva fel kellene elobb talalni hozza az algoritmust...
  • Tetsuo #2
    Ne feledd, hogy az agynak is vannak erősen differenciált területei, miért ne lehetne hasonlóan egy mesterséges hálózatban? Egyébként homogén területen is dinamikusan ki- és továbbalakíthatná önmagának a rendszer, azzal sincs gond szerintem. Vagy programozási akadálya van, esetleg lassú lenne?
  • kvp #1
    Ha egy megtanult fuggvenyt (tudast) akarunk rogziteni egy neuralis halozatban, akkor a legegyszerubb ha a sulytenyezok megvaltoztatasanak kepesseget is sulyozzuk egy masik seged halozattal es a rogzitesi fazisban a nemreg jelentosen megvaltozott sulytenyezokhoz tartozo valtozasi kepesseget csokkentjuk jelentos mertekben, ezaltal az uj tanulasi fazis mar csak a maradek szabadon maradt halozatba tud adatot betolteni.

    Alternativ megoldas, ha van egy magas plaszicitasu tanulo halozat, majd ennek adatait irjuk at a tanulasi fazis utan egy alacsony plaszticiatasu halozat meg nem hasznalt reszeire.

    Az igazi kihivas valahol az lenne, hogyan lehetne a fenti a funkcionalitasokat egy kiindulaskor homogen, egy szintes, de teljes mertekben feedback-es halozatra atultetni, mivel az agy a jelek szerint valami ilyesmihez hasonlo.