Už nugaros slypi teorija mašininio mokymosi įrankiai, kurie yra tarsi neuroniniai tinklai yra tai, kad jie veikia ir, konkrečiau, mokosi panašiai kaip žmogaus smegenys. Kaip pasaulį atrandame per bandymus ir klaidas, taip ir šiuolaikinis dirbtinis intelektas. Tačiau praktikoje viskas yra šiek tiek kitaip. Yra vaikystės mokymosi aspektų, kurių mašinos negali atkartoti – ir tai yra vienas iš dalykų, dėl kurių daugelyje sričių žmonės tampa pranašesniais besimokančiaisiais.
Niujorko universiteto mokslininkai stengiasi tai pakeisti. Tyrinėtojai Kanishk Gandhi ir Brendeno ežeras ištyrė, kaip kažkas, vadinamas „abipusio išskirtinumo šališkumu“, būdingas vaikams, galėtų padėti A.I. geriau, kai reikia atlikti tokias mokymosi užduotis kaip kalbos supratimas.
Rekomenduojami vaizdo įrašai
„Kai vaikai stengiasi išmokti naują žodį, jie pasikliauja indukciniu šališkumu, kad susiaurintų galimų žodžių erdvę. reikšmes“, – „Digital“ pasakojo Niujorko universiteto Žmogaus ir mašinų mokymosi laboratorijos magistrantas Gandhi Tendencijos. „Abipusis išskirtinumas (AŠ) yra vaikų įsitikinimas, kad jei daiktas turi vieną pavadinimą, jis negali turėti kitokio. Abipusis išskirtinumas padeda mums suprasti naujojo žodžio reikšmę dviprasmiškuose kontekstuose. Pavyzdžiui, [jei] vaikams liepiama „parodyk man daksą“, kai jiems pateikiamas pažįstamas ir nepažįstamas daiktas, jie linkę pasirinkti nepažįstamą.
Susijęs
- Šios išradingos idėjos gali padėti AI padaryti mažiau blogą
- Meta sukūrė DALL-E vaizdo įrašams, ir tai yra baisu ir nuostabu
- Optinės iliuzijos gali padėti mums sukurti naujos kartos AI
Tyrėjai savo darbu norėjo ištirti keletą idėjų. Vienas iš jų buvo ištirti, ar gilaus mokymosi algoritmai, parengti naudojant įprastas mokymosi paradigmas, būtų abipusiai išskirtiniai. Jie taip pat norėjo išsiaiškinti, ar samprotavimai pagal abipusį išskirtinumą padėtų mokymosi algoritmams atliekant užduotis, kurios dažniausiai sprendžiamos naudojant gilųjį mokymąsi.
Norėdami atlikti šiuos tyrimus, mokslininkai pirmiausia išmokė 400 neuroninių tinklų susieti žodžių poras su jų reikšmėmis. Tada neuroniniai tinklai buvo išbandyti su 10 žodžių, kurių jie niekada anksčiau nematė. Jie numatė, kad nauji žodžiai greičiausiai atitiks žinomas reikšmes, o ne nežinomas. Tai rodo, kad A. I. neturi išskirtinumo šališkumo. Tada mokslininkai išanalizavo duomenų rinkinius, kurie padeda A.I. kalboms versti. Tai padėjo parodyti, kad išskirtinumo šališkumas būtų naudingas mašinoms.
„Mūsų rezultatai rodo, kad šios charakteristikos yra prastai suderintos su įprastų mašininio mokymosi užduočių struktūra“, - tęsė Gandhi. „ME gali būti naudojamas kaip apibendrinimo užuomina atliekant įprastas vertimo ir klasifikavimo užduotis, ypač ankstyvosiose mokymo stadijose. Manome, kad šališkumo demonstravimas padėtų mokymosi algoritmams mokytis greičiau ir labiau pritaikomais būdais.
Kaip Gandis ir ežeras rašyti į popierių apibūdindami savo darbą: „Stiprus indukcinis šališkumas leidžia vaikams mokytis greitai ir lengvai prisitaikančiais būdais... įtikinamas atvejis kuriant neuroninius tinklus dėl abipusio išskirtinumo, kuris lieka atviras iššūkis."
Redaktorių rekomendacijos
- „Apple“ „ChatGPT“ konkurentas gali automatiškai parašyti kodą už jus
- „Photoshop AI“ mano, kad „laimė“ yra šypsena supuvusiais dantimis
- Savo juokingą paleidimo idėją pateikiau robotui VC
- Kaip mes žinosime, kada AI iš tikrųjų tampa jautrus?
- „Microsoft“ atsisako savo baisaus, emocijų skaitymo A.I.
Atnaujinkite savo gyvenimo būdąSkaitmeninės tendencijos padeda skaitytojams stebėti sparčiai besivystantį technologijų pasaulį – pateikiamos visos naujausios naujienos, smagios produktų apžvalgos, įžvalgūs vedamieji leidiniai ir unikalūs žvilgsniai.
