Теорија иза алати за машинско учење који су попут неуронских мрежа је да функционишу и, тачније, уче на сличан начин као људски мозак. Као што откривамо свет путем покушаја и грешака, тако и савремена вештачка интелигенција. У пракси, међутим, ствари стоје мало другачије. Постоје аспекти учења у детињству које машине не могу да реплицирају – и они су једна од ствари које, у многим доменима, чине људе супериорнијим ученицима.
Истраживачи са Универзитета у Њујорку раде на томе да то промене. Истраживачи Канисхк Гандхи и Бренден Лаке истражили су како нешто што се зове „пристрасност међусобне искључивости“, која је присутна код деце, може помоћи да А.И. боље када су у питању задаци учења попут разумевања језика.
Препоручени видео снимци
„Када деца настоје да науче нову реч, ослањају се на индуктивне предрасуде како би сузила простор могућег значења“, рекао је Ганди, дипломирани студент у лабораторији за људско и машинско учење Универзитета у Њујорку, за Дигитал Трендс. „Међусобна искључивост (МЕ) је веровање које деца имају да ако објекат има једно име, не може имати друго. Међусобна искључивост нам помаже да разумемо значење нове речи у вишезначним контекстима. На пример, [ако] се деци каже да „ми покажу дакс“ када им се представи познати и непознати предмет, они имају тенденцију да изаберу непознати.“
Повезан
- Ове генијалне идеје могу помоћи да АИ буде мало мање зло
- Мета је направио ДАЛЛ-Е за видео, и то је и језиво и невероватно
- Оптичке илузије би нам могле помоћи да изградимо следећу генерацију вештачке интелигенције
Истраживачи су својим радом желели да истраже неколико идеја. Један је био да се истражи да ли би алгоритми дубоког учења обучени коришћењем уобичајених парадигми учења оправдавали међусобну искључивост. Такође су желели да виде да ли ће размишљање на основу узајамне искључивости помоћи у учењу алгоритама у задацима који се обично решавају помоћу дубоког учења.
Да би спровели ова истраживања, истраживачи су прво обучили 400 неуронских мрежа да повезују парове речи са њиховим значењима. Неуралне мреже су затим тестиране на 10 речи које никада раније нису видели. Они су предвидели да ће нове речи вероватно одговарати познатим значењима, а не непознатим. Ово сугерише да је А.И. нема пристрасност искључивости. Затим су истраживачи анализирали скупове података који помажу А.И. да преводи језике. Ово је помогло да се покаже да би пристрасност ексклузивности била корисна за машине.
„Наши резултати показују да су ове карактеристике лоше усклађене са структуром уобичајених задатака машинског учења“, наставио је Ганди. „МЕ се може користити као знак за генерализацију у уобичајеним задацима превођења и класификације, посебно у раним фазама обуке. Верујемо да би исказивање пристрасности помогло алгоритмима учења да уче на бржи и прилагодљивији начин.
Као Ганди и Лаке написати у папиру описујући њихов рад: „Јаке индуктивне предрасуде омогућавају деци да уче на брз и прилагодљив начин... Постоји убедљив случај за пројектовање неуронских мрежа које су засноване на међусобној искључивости, што остаје отворено изазов.”
Препоруке уредника
- Апплеов ЦхатГПТ ривал може аутоматски написати код за вас
- Пхотосхоп АИ мисли да је „срећа“ осмех са поквареним зубима
- Изнео сам своју смешну идеју за покретање робота ВЦ
- Како ћемо знати када АИ заправо постаје свестан?
- Мицрософт напушта свој језиви АИ који чита емоције
Надоградите свој животни стилДигитални трендови помажу читаоцима да прате убрзани свет технологије са свим најновијим вестима, забавним рецензијама производа, проницљивим уводницима и јединственим кратким прегледима.
