A kutatók új stratégiákat dolgoznak ki, hogy megtanítsák a számítógépeket az emberekhez hasonlóan tanulni
Amint azt a mesterséges intelligencia (AI) különböző területein elért áttörések bizonyítják, mint például a képfeldolgozás, az intelligens egészségügy, az önvezető járművek és az intelligens városok, ez kétségtelenül a mély tanulás aranykorszaka. Az elkövetkező évtizedben a mesterséges intelligencia és a számítástechnikai rendszerek rendelkezni fognak azzal a képességgel, hogy úgy tanuljanak és gondolkodjanak, ahogyan az emberek – a folyamatos információáramlás feldolgozásra és a való világgal való interakcióra.
A jelenlegi AI-modellek azonban teljesítménycsökkenést szenvednek el, amikor folyamatosan képezik őket az új információkra. Ennek az az oka, hogy minden alkalommal, amikor új adat jön létre, az a meglévő adatok fölé kerül, így törli a korábbi információkat. Ezt a hatást „katasztrofális felejtésnek” nevezik.
Nehézséget okoz a stabilitás-plaszticitás probléma, amikor az AI-modellnek frissítenie kell a memóriáját, hogy folyamatosan alkalmazkodjon az új információkhoz, és egyúttal megőrizze jelenlegi tudásának stabilitását. Ez a probléma megakadályozza, hogy a legmodernebb mesterséges intelligencia folyamatosan tanuljon a való világ információiból.
Az edge computing rendszerek lehetővé teszik a számítástechnika áthelyezését a felhőalapú tárolókból és adatközpontokból az eredeti forrás közelébe, például a dolgok internetéhez (IoT) csatlakozó eszközökbe. Továbbra is kihívást jelent a folyamatos tanulás hatékony alkalmazása korlátozott erőforrás-szegmensű számítástechnikai rendszereken, bár számos folyamatos tanulási modellt javasoltak a probléma megoldására. A hagyományos modellek nagy számítási teljesítményt és nagy memóriakapacitást igényelnek.
A Szingapúri Műszaki és Tervezési Egyetem (SUTD) kutatócsoportja nemrégiben új típusú kódot tervezett egy energiahatékony, folyamatos tanulási rendszer megvalósítására. A csoportot a vezető kutató, Desmond Loke adjunktus vezette a SUTD-től. A kutatók „Continual Learning Electrical Conduction in Resistive-Switching-Memory Materials” című tanulmányát az Advanced Theory and Simulations folyóiratban tették közzé.
A csapat a Brain-Inspired Replay (BIR) modellt javasolta, amely az agy által ihletett modell, amely természetes módon végzi a folyamatos tanulást. A mesterséges neurális hálózaton és egy variációs autoencoderen alapuló BIR-modell az emberi agy funkcióit utánozza, és adattárolás nélkül is jól tud teljesíteni osztályonkénti tanulási helyzetekben.
„Ebben a modellben a tudás megőrződik a betanított modelleken belül, hogy minimálisra csökkentsék a teljesítményveszteséget további feladatok bevezetésekor anélkül, hogy a korábbi munkák adataira kellene hivatkozni” – magyarázta Loke adjunktus. „Tehát ezzel jelentős mennyiségű energiát takarítunk meg.”
„Ezen túlmenően a legmodernebb, 89%-os pontosságot értük el az aktuális tanulási feladatoknak való kihívó megfelelés során, adatok tárolása nélkül, ami körülbelül kétszerese a hagyományos folyamatos tanulási modellekénél, valamint magas energiahatékonyságot”, tette hozzá.
Annak érdekében, hogy a modell önállóan tudja feldolgozni a valós világban található információkat, a csapat azt tervezi, hogy a kutatás következő szakaszában bővíti a modell igazíthatóságát.
„A kis léptékű demonstrációk alapján ez a kutatás még korai szakaszában van” – mondta Loke adjunktus. „Ennek a megközelítésnek az elfogadása várhatóan lehetővé teszi, hogy a szélsőséges AI-rendszerek függetlenül, emberi irányítás nélkül fejlődjenek.”
Forrás: Techxplore
