De theorie erachter Machine learning-tools die op neurale netwerken lijken is dat ze op een vergelijkbare manier functioneren en, meer specifiek, leren als het menselijk brein. Net zoals wij de wereld met vallen en opstaan ontdekken, zo ontdekt ook de moderne kunstmatige intelligentie. In de praktijk liggen de zaken echter iets anders. Er zijn aspecten van het leren in de kindertijd die machines niet kunnen repliceren – en dit is een van de dingen die mensen in veel domeinen tot superieure leerlingen maken.
Onderzoekers van de New York University proberen daar verandering in te brengen. Onderzoekers Kanishk Gandhi En Brenden-meer hebben onderzocht hoe iets dat ‘wederzijdse exclusiviteitsbias’ wordt genoemd en dat bij kinderen aanwezig is, zou kunnen helpen om A.I. beter als het gaat om het leren van taken zoals het begrijpen van taal.
Aanbevolen video's
“Wanneer kinderen proberen een nieuw woord te leren, vertrouwen ze op inductieve vooroordelen om de mogelijke ruimte te verkleinen betekenissen,” vertelde Gandhi, een afgestudeerde student aan het Human & Machine Learning Lab van de New York University, aan Digital Trends. “Wederzijdse exclusiviteit (ME) is de overtuiging die kinderen hebben dat als een object de ene naam heeft, het geen andere naam kan hebben. Wederzijdse exclusiviteit helpt ons de betekenis van een nieuw woord in dubbelzinnige contexten te begrijpen. Als kinderen bijvoorbeeld wordt verteld ‘me de dax te laten zien’ wanneer ze een bekend en een onbekend voorwerp voorgeschoteld krijgen, hebben ze de neiging om het onbekende te kiezen.”
Verwant
- Deze ingenieuze ideeën kunnen ervoor zorgen dat AI iets minder kwaadaardig wordt
- Meta heeft DALL-E gemaakt voor video, en het is zowel griezelig als verbazingwekkend
- Optische illusies kunnen ons helpen de volgende generatie AI te bouwen
De onderzoekers wilden met hun werk een aantal ideeën onderzoeken. Eén daarvan was om te onderzoeken of deep learning-algoritmen die zijn getraind met behulp van gemeenschappelijke leerparadigma's zouden redeneren met wederzijdse exclusiviteit. Ze wilden ook zien of redeneren op basis van wederzijdse exclusiviteit zou helpen bij het leren van algoritmen bij taken die vaak worden aangepakt met behulp van deep learning.
Om dit onderzoek uit te voeren, trainden de onderzoekers eerst 400 neurale netwerken om woordparen te associëren met hun betekenis. De neurale netwerken werden vervolgens getest op tien woorden die ze nog nooit eerder hadden gezien. Ze voorspelden dat nieuwe woorden waarschijnlijk zouden corresponderen met bekende betekenissen in plaats van met onbekende. Dit suggereert dat A.I. heeft geen exclusiviteitsvooroordeel. Vervolgens analyseerden de onderzoekers datasets die A.I. talen vertalen. Dit hielp aantonen dat exclusiviteitsbias gunstig zou zijn voor machines.
“Onze resultaten laten zien dat deze kenmerken slecht aansluiten bij de structuur van algemene machine learning-taken”, vervolgde Gandhi. “ME kan worden gebruikt als signaal voor generalisatie bij algemene vertaal- en classificatietaken, vooral in de vroege stadia van de training. Wij zijn van mening dat het tentoonspreiden van deze bias leeralgoritmen zou helpen om sneller en beter aanpasbaar te leren.”
Zoals Gandhi en Lake schrijf in een papier hun werk beschrijven: “Sterke inductieve vooroordelen zorgen ervoor dat kinderen op snelle en aanpasbare manieren kunnen leren … Er is een overtuigend argument voor het ontwerpen van neurale netwerken die redeneren op basis van wederzijdse exclusiviteit, die open blijft uitdaging."
Aanbevelingen van de redactie
- Apple's ChatGPT-rivaal schrijft mogelijk automatisch code voor u
- Photoshop AI denkt dat ‘geluk’ een glimlach met rotte tanden is
- Ik pitchte mijn belachelijke startup-idee voor een robot-VC
- Hoe weten we wanneer een AI daadwerkelijk bewust wordt?
- Microsoft stopt met zijn griezelige, emotielezende A.I.
Upgrade uw levensstijlMet Digital Trends kunnen lezers de snelle technische wereld in de gaten houden met het laatste nieuws, leuke productrecensies, inzichtelijke redactionele artikelen en unieke sneak peeks.
