Az elmélet mögött gépi tanulási eszközök, amelyek olyanok, mint a neurális hálózatok az, hogy az emberi agyhoz hasonló módon működnek és pontosabban tanulnak. Ahogy a világot próbálgatással fedezzük fel, úgy a modern mesterséges intelligencia is ezt teszi. A gyakorlatban azonban a dolgok egy kicsit másképp mennek. A gyermekkori tanulásnak vannak olyan aspektusai, amelyeket a gépek nem képesek megismételni – és ezek azok a dolgok, amelyek sok területen kiváló tanulókká teszik az embert.
A New York-i Egyetem kutatói azon dolgoznak, hogy ez megváltozzon. Kutatók Kanishk Gandhi és Brenden-tó azt vizsgálták, hogy a gyerekeknél jelenlévő „kölcsönös kizárólagossági elfogultság” miként segítheti az A.I. jobb, ha olyan tanulási feladatokról van szó, mint a nyelvértés.
Ajánlott videók
„Amikor a gyerekek egy új szó megtanulására törekszenek, induktív torzításokra hagyatkoznak, hogy szűkítsék a lehetséges teret. jelentéseket” – mondta Gandhi, a New York-i Egyetem Human & Machine Learning Lab végzős hallgatója a Digitalnak Trendek. „A kölcsönös kizárólagosság (ME) az a meggyőződés, hogy a gyerekeknek megvan az a véleménye, hogy ha egy tárgynak egy neve van, akkor nem lehet más. A kölcsönös kizárólagosság segít megérteni egy újszerű szó jelentését kétértelmű összefüggésekben. Például [ha] azt mondják a gyerekeknek, hogy „mutasd meg a dögöt”, amikor egy ismerős és egy ismeretlen tárgyat mutatnak be nekik, hajlamosak az ismeretlent választani.
Összefüggő
- Ezek a zseniális ötletek segíthetnek abban, hogy az AI egy kicsit kevésbé legyen gonosz
- A Meta megalkotta a DALL-E-t videóhoz, és hátborzongató és lenyűgöző
- Az optikai illúziók segíthetnek a mesterséges intelligencia következő generációjának felépítésében
A kutatók munkájukkal néhány ötletet kívántak feltárni. Az egyik annak vizsgálata volt, hogy a közös tanulási paradigmák alapján kiképzett mély tanulási algoritmusok kölcsönösen kizárólagosak-e. Azt is látni akarták, hogy a kölcsönös kizárólagosságon alapuló érvelés segít-e az algoritmusok tanulásában azokban a feladatokban, amelyeket általában mély tanulással oldanak meg.
E vizsgálatok elvégzéséhez a kutatók először 400 neurális hálózatot képeztek ki, hogy szópárokat társítsanak a jelentésükhöz. A neurális hálókat ezután 10 olyan szóval tesztelték, amelyeket még soha nem láttak. Azt jósolták, hogy az új szavak valószínűleg ismert jelentéseknek felelnek meg, nem pedig ismeretleneknek. Ez arra utal, hogy A.I. nem rendelkezik kizárólagossági torzítással. Ezután a kutatók olyan adatkészleteket elemeztek, amelyek segítenek az A.I. nyelvek fordítására. Ez segített megmutatni, hogy az exkluzivitás elfogultsága előnyös lenne a gépek számára.
„Eredményeink azt mutatják, hogy ezek a jellemzők rosszul illeszkednek a gyakori gépi tanulási feladatok szerkezetéhez” – folytatta Gandhi. „Az ME általánosítási jelzésként használható a gyakori fordítási és osztályozási feladatokban, különösen a képzés korai szakaszában. Úgy gondoljuk, hogy az elfogultság kimutatása elősegítené a tanulási algoritmusok gyorsabb és alkalmazkodóbb tanulását.”
Mint Gandhi és Lake írj egy papírba munkájukat leírva: „Az erős induktív torzítások lehetővé teszik a gyerekek számára, hogy gyors és alkalmazkodó módon tanuljanak… meggyőző eset a neurális hálózatok tervezésére, amelyek a kölcsönös kizárólagosságon alapulnak, ami nyitott marad kihívás."
Szerkesztői ajánlások
- Az Apple ChatGPT riválisa automatikusan kódot írhat helyetted
- A Photoshop AI úgy gondolja, hogy a „boldogság” egy mosoly, melynek fogai vannak
- Nevetséges indítási ötletemet egy robot-VC-nek adtam le
- Honnan fogjuk tudni, hogy egy mesterséges intelligencia valójában mikor válik érzővé?
- A Microsoft felhagy hátborzongató, érzelmekkel teli A.I.
Frissítse életmódjátA Digital Trends segítségével az olvasók nyomon követhetik a technológia rohanó világát a legfrissebb hírekkel, szórakoztató termékismertetőkkel, éleslátó szerkesztőségekkel és egyedülálló betekintésekkel.
