Teoria za narzędzia do uczenia maszynowego, które działają jak sieci neuronowe polega na tym, że funkcjonują, a dokładniej, uczą się w podobny sposób jak ludzki mózg. Tak jak odkrywamy świat metodą prób i błędów, tak też robi to współczesna sztuczna inteligencja. W praktyce jednak sprawy wyglądają nieco inaczej. Istnieją aspekty uczenia się w dzieciństwie, których maszyny nie są w stanie odtworzyć – i są one jedną z rzeczy, które w wielu dziedzinach sprawiają, że ludzie są lepszymi uczniami.
Naukowcy z New York University pracują nad tym, aby to zmienić. Naukowcy Kaniszka Gandhiego I Jezioro Brenden zbadali, w jaki sposób zjawisko zwane „skłonnością do wzajemnej wyłączności”, które występuje u dzieci, może pomóc w uczynieniu sztucznej inteligencji lepiej, jeśli chodzi o naukę zadań takich jak rozumienie języka.
Polecane filmy
„Kiedy dzieci próbują nauczyć się nowego słowa, polegają na uprzedzeniach indukcyjnych, aby zawęzić przestrzeń możliwych znaczenia” – powiedział Digital Gandhi, absolwent Human & Machine Learning Lab na Uniwersytecie Nowojorskim Trendy. „Wzajemna wyłączność (ME) to przekonanie, że dzieci mają to, że jeśli przedmiot ma jedną nazwę, nie może mieć innej. Wzajemna wyłączność pomaga nam zrozumieć znaczenie nowego słowa w niejednoznacznych kontekstach. Na przykład, [jeśli] dzieciom powiedziano, aby „pokazały mi dax”, gdy przedstawiono im znajomy i nieznany przedmiot, mają tendencję do wybierania nieznanego”.
Powiązany
- Te genialne pomysły mogą pomóc uczynić sztuczną inteligencję trochę mniej złą
- Meta stworzyła DALL-E na potrzeby wideo i jest zarówno przerażający, jak i niesamowity
- Złudzenia optyczne mogą pomóc nam w zbudowaniu sztucznej inteligencji nowej generacji
W swojej pracy badacze chcieli zbadać kilka pomysłów. Jednym z nich było zbadanie, czy algorytmy głębokiego uczenia się szkolone przy użyciu powszechnych paradygmatów uczenia się będą rozumować w oparciu o wzajemną wyłączność. Chcieli także sprawdzić, czy rozumowanie oparte na wzajemnej wyłączności pomoże w uczeniu się algorytmów w zadaniach, które są powszechnie rozwiązywane przy użyciu głębokiego uczenia się.
Aby przeprowadzić te badania, naukowcy najpierw przeszkolili 400 sieci neuronowych, aby kojarzyły pary słów z ich znaczeniami. Następnie sieci neuronowe przetestowano na 10 słowach, których nigdy wcześniej nie widzieli. Przewidywali, że nowe słowa będą prawdopodobnie odpowiadać znanym znaczeniom, a nie nieznanym. Sugeruje to, że A.I. nie ma tendencji do wyłączności. Następnie badacze przeanalizowali zbiory danych, które pomagają A.I. tłumaczyć języki. Pomogło to wykazać, że tendencja do wyłączności byłaby korzystna dla maszyn.
„Nasze wyniki pokazują, że te cechy są słabo dopasowane do struktury typowych zadań uczenia maszynowego” – kontynuował Gandhi. „ME może służyć jako wskazówka do uogólnień w typowych zadaniach związanych z tłumaczeniem i klasyfikacją, szczególnie na wczesnych etapach szkolenia. Wierzymy, że wykazanie błędu pomogłoby algorytmom uczącym się uczyć w szybszy i bardziej elastyczny sposób”.
Jak Gandhi i Lake napisz w gazecie opisując swoją pracę: „Silne odchylenie indukcyjne pozwala dzieciom uczyć się w szybki i elastyczny sposób… Jest przekonujący argument za projektowaniem sieci neuronowych, które wynikają z wzajemnej wyłączności, która pozostaje otwarta wyzwanie."
Zalecenia redaktorów
- Rywal Apple ChatGPT może automatycznie napisać kod za Ciebie
- Sztuczna inteligencja Photoshopa uważa, że „szczęście” to uśmiech z zepsutymi zębami
- Przedstawiłem mój absurdalny pomysł na start-up robotowi VC
- Skąd będziemy wiedzieć, kiedy sztuczna inteligencja faktycznie stanie się świadoma?
- Microsoft porzuca swoją przerażającą, czytającą emocje sztuczną inteligencję.
Ulepsz swój styl życiaDigital Trends pomaga czytelnikom śledzić szybko rozwijający się świat technologii dzięki najnowszym wiadomościom, zabawnym recenzjom produktów, wnikliwym artykułom redakcyjnym i jedynym w swoim rodzaju zajawkom.
