Теорията зад инструменти за машинно обучение, които са като невронни мрежи е, че те функционират и по-конкретно учат по начин, подобен на човешкия мозък. Точно както ние откриваме света чрез проба и грешка, така го прави и съвременният изкуствен интелект. На практика обаче нещата стоят малко по-различно. Има аспекти на обучението в детството, които машините не могат да възпроизведат – и те са едно от нещата, които в много области правят хората по-добри учащи.
Изследователи от Нюйоркския университет работят, за да променят това. Изследователи Каниш Ганди и Езерото Брендън са проучили как нещо, наречено „пристрастие към взаимната изключителност“, което присъства при децата, може да помогне за създаването на ИИ. по-добре, когато става въпрос за учебни задачи като разбиране на език.
Препоръчани видеоклипове
„Когато децата се стремят да научат нова дума, те разчитат на индуктивни пристрастия, за да стеснят пространството на възможните значения“, каза Ганди, завършил студент в лабораторията за човешко и машинно обучение на Нюйоркския университет, пред Digital Тенденции. „Взаимната изключителност (ME) е убеждение, което децата имат, че ако даден предмет има едно име, той не може да има друго. Взаимната изключителност ни помага да разберем значението на нова дума в двусмислен контекст. Например, [ако] на децата се каже „покажете ми дакса“, когато им се представят познат и непознат предмет, те са склонни да изберат непознатия.“
Свързани
- Тези гениални идеи могат да помогнат да направим ИИ малко по-малко зло
- Meta направи DALL-E за видео и това е едновременно страховито и невероятно
- Оптичните илюзии могат да ни помогнат да изградим следващото поколение AI
Изследователите искаха да проучат няколко идеи с работата си. Единият беше да се проучи дали алгоритмите за дълбоко обучение, обучени с помощта на общи парадигми за обучение, биха се мотивирали с взаимна изключителност. Те също искаха да видят дали разсъжденията чрез взаимна изключителност биха помогнали за изучаване на алгоритми в задачи, които обикновено се решават чрез задълбочено обучение.
За да извършат тези изследвания, изследователите първо са обучили 400 невронни мрежи да свързват двойки думи с техните значения. След това невронните мрежи бяха тествани върху 10 думи, които никога преди не бяха виждали. Те прогнозираха, че новите думи вероятно ще отговарят на известни значения, а не на неизвестни. Това предполага, че А.И. няма пристрастие към изключителността. След това изследователите анализираха масиви от данни, които помагат на A.I. за превод на езици. Това помогна да се покаже, че пристрастието към изключителността би било от полза за машините.
„Нашите резултати показват, че тези характеристики не съответстват добре на структурата на обичайните задачи за машинно обучение“, продължи Ганди. „ME може да се използва като реплика за обобщение в общи задачи за превод и класификация, особено в ранните етапи на обучение. Ние вярваме, че показването на пристрастие ще помогне на алгоритмите за учене да се учат по по-бързи и по-адаптивни начини.
Като Ганди и Лейк напишете в хартия описвайки тяхната работа: „Силните индуктивни отклонения позволяват на децата да учат по бързи и адаптивни начини... Има убедителен случай за проектиране на невронни мрежи, които се основават на взаимна изключителност, която остава отворена предизвикателство."
Препоръки на редакторите
- Съперникът на Apple ChatGPT може автоматично да напише код вместо вас
- Photoshop AI смята, че „щастието“ е усмивка с развалени зъби
- Представих нелепата си идея за стартиране на робот VC
- Как ще разберем кога изкуственият интелект наистина ще стане разумен?
- Microsoft се отказва от своя страховит, четещ емоции A.I.
Надградете начина си на животDigital Trends помага на читателите да следят забързания свят на технологиите с всички най-нови новини, забавни ревюта на продукти, проницателни редакционни статии и единствени по рода си кратки погледи.
