Denne AI-algoritme lærer simple opgaver lige så hurtigt som vi gør

Med inspiration fra den måde, mennesker synes at lære, har videnskabsmænd skabt AI-software, der er i stand til at opsamle ny viden på en langt mere effektiv og sofistikeret måde.

Fig. 1. Folk kan lære rige begreber fra begrænsede data. (A og B) Et enkelt eksempel på et nyt koncept (røde felter) kan være nok information til at understøtte (i) klassificering af nye eksempler, (ii) generering af nye eksempler, (iii) parsing af et objekt i dele og relationer ( dele segmenteret efter farve), og (iv) generering af nye koncepter fra relaterede koncepter.

Det nye AI-program kan genkende en håndskrevet karakter omtrent lige så præcist, som et menneske kan, efter blot at have set et enkelt eksempel. De bedste eksisterende maskinlæringsalgoritmer, som anvender en teknik kaldet deep learning, skal se mange tusinde eksempler på en håndskrevet karakter for at lære forskellen mellem et A og et Z.

Softwaren er udviklet af Brenden Sø , en forsker ved New York University, sammen med Ruslan Salakhutdinov , en assisterende professor i datalogi ved University of Toronto, og Joshua Tenenbaum , professor ved Institut for Hjerne- og Kognitionsvidenskab ved MIT. Detaljer om programmet, og ideerne bag det, er offentliggjort i dag i tidsskriftet Videnskab.

Computere er blevet meget klogere i løbet af de sidste par år, idet de blandt mange andre ting har lært at genkende ansigter, forstå tale og endda køre bil sikkert. Og de fleste fremskridt er sket ved hjælp af store eller dybe neurale netværk. Men der er en afgørende ulempe ved disse systemer: de kræver masser af data for at lære at udføre selv den enkleste opgave.

Denne begrænsning skyldes i høj grad, at algoritmerne ikke behandler information, som vi gør. Selvom dyb læring er modelleret på et virtuelt netværk af neuroner – og tilgangen har givet meget imponerende resultater i perceptuelle opgaver – er det en meget grov efterligning af den måde, hjernen fungerer på. En deep-learning-algoritme forbinder pixels i et billede med en bestemt karakter. Hjernen kan behandle nogle visuelle stimuli på en lignende måde, men mennesker bruger også højere former for kognitiv funktion for at fortolke indholdet af et billede.

Forskerne brugte en teknik, de kalder Bayesian program learning framework, eller BPL. Grundlæggende genererer softwaren et unikt program for hver karakter ved hjælp af strøg med en imaginær pen. En probabilistisk programmeringsteknik bruges derefter til at matche et program til en bestemt karakter eller til at generere et nyt program til en ukendt. Softwaren efterligner ikke den måde, børn opnår evnen til at læse og skrive på, men snarere den måde, voksne, som allerede ved hvordan, lærer at genkende og genskabe nye karakterer.

Det vigtigste ved probabilistisk programmering - og temmelig forskellig fra den måde, de fleste af de dybe læringsting fungerer på - er, at det starter med et program, der beskriver årsagsprocesserne i verden, siger Tenenbaum. Det, vi forsøger at lære, er ikke en signatur af funktioner eller et mønster af funktioner. Vi forsøger at lære et program, der genererer disse karakterer.

Tenenbaum og kolleger testede tilgangen ved at lade både mennesker og softwaren tegne nye karakterer efter at have set et håndskrevet eksempel, og derefter bad en gruppe mennesker om at vurdere, om en karakter var skrevet af en person eller en maskine. De fandt ud af, at færre end 25 procent af dommerne var i stand til at se forskel.

Holdet siger, at teknikken kunne udvides til mere praktiske anvendelser. Det kan for eksempel gøre det muligt for computere hurtigt at lære at genkende og gøre brug af nye ord i talesproget. Eller det kan gøre det muligt for en computer at genkende nye forekomster af et bestemt objekt. Mere generelt peger tilgangen på en vigtig ny retning inden for kunstig intelligens, da forskere henter inspiration fra forskning i menneskelig kognition.

Geoffrey Hinton , en professor i psykologi ved University of Toronto, som spillede en nøglerolle i udviklingen af ​​dyb læring, siger, at arbejdet er et vigtigt skridt for feltet. Det er et smukt papir, og et meget imponerende eksempel på at lære af ikke mange eksempler, siger han.

Hinton, som også var ph.d.-rådgiver for en af ​​papirets forfattere, Salakhutdinov, siger, at AI-forskere kan lære mange nyttige ting fra både neurovidenskab og kognitiv videnskab. Han foreslår også, at tilgange som den, der er udviklet til håndskriftsgenkendelse, faktisk kan være forenelige med dyb læring. Jeg tror, ​​man kan få det bedste fra begge verdener, siger han.

Gary Marcus , en kognitiv videnskabsmand ved New York University og medstifter af et firma kaldet Geometric Intelligence, som også udvikler maskinlæringstilgange inspireret af menneskelig adfærd, siger, at han ikke er helt enig i, at det menneskelige sind fungerer på den måde, der er beskrevet i Videnskab papir. Men han mener, at tilgangen viser et vigtigt mål for AI, fordi der i mange situationer ikke er store mængder data for en maskine at lære af.

Problemet med det dominerende paradigme er, at det er meget, meget data-hungrende, siger Marcus. Dette er et bevis på, at du kan lære hurtigere. Og jeg tror, ​​det er noget, folk kommer til at tænke meget over.

Marcus tilføjer, at sprog kunne være den dræbende app for sådanne systemer. Mange dybdelærende forskere arbejder allerede på denne udfordring (se Teaching Machines to Understand Us), men Marcus mener, at maskiner bliver nødt til at lære på mere effektive og fleksible måder for at knække den. Det virkelige vendepunkt i AI kommer, når maskiner rent faktisk kan forstå sprog, siger han. Ikke bare laver middelmådige oversættelser, men forstår virkelig, hvad du mener.

skjule