211service.com
Połączenie dwóch rywalizujących ze sobą podejść AI pozwala maszynom uczyć się o świecie jak dziecko
Zdjęcie z UCZNIA KONCEPCJI NEUROSYMBOLICZNYCH: INTERPRETACJA SCEN, SŁÓW I ZDARZEŃ Z NADZORU PRZYRODNICZEGO; Edytowane przez MIT Technology Review
Przez dziesięciolecia od powstania sztucznej inteligencji badania w tej dziedzinie podzieliły się na dwa główne obozy. Symboliści starali się budować inteligentne maszyny, kodując logiczne zasady i reprezentacje świata. Koneksjoniści dążyli do zbudowania sztucznych sieci neuronowych, inspirowanych biologią, do poznawania świata. Te dwie grupy historycznie się nie dogadywały.
Ale… nowy papier z MIT, IBM i DeepMind pokazuje moc połączenia tych dwóch podejść, być może wskazując drogę naprzód w tej dziedzinie. Zespół, kierowany przez Josh Tenenbaum , profesor na MIT Centrum Mózgów, Umysłów i Maszyn , stworzył program komputerowy o nazwie neuro-symboliczny koncept uczący się (NS-CL), który uczy się o świecie (choć w uproszczonej wersji) tak jak dziecko — rozglądając się i rozmawiając.
System składa się z kilku części. Jedna sieć neuronowa jest szkolona na serii scen składających się z niewielkiej liczby obiektów. Inna sieć neuronowa jest szkolona na serii tekstowych par pytań i odpowiedzi dotyczących sceny, takich jak P: Jaki jest kolor sfery? O: Czerwony. Ta sieć uczy się mapować pytania w języku naturalnym do prostego programu, który można uruchomić na scenie w celu uzyskania odpowiedzi.
System NS-CL jest również zaprogramowany do rozumienia pojęć symbolicznych w tekście, takich jak obiekty, atrybuty obiektów i relacje przestrzenne. Ta wiedza pomaga NS-CL odpowiedzieć na nowe pytania dotyczące innej sceny — rodzaj wyczynu, który jest znacznie trudniejszy przy użyciu samego podejścia koneksjonistycznego. W ten sposób system rozpoznaje pojęcia w nowych pytaniach i może je wizualnie odnieść do sceny przed nim.
„To ekscytujące podejście”, mówi Jezioro Brenden , adiunkt na NYU. „Rozpoznawanie wzorców neuronowych pozwala systemowi na zobaczyć , podczas gdy programy symboliczne pozwalają systemowi na: powód . Podejście to wykracza poza to, co potrafią obecne systemy głębokiego uczenia się”.
Innymi słowy, system hybrydowy rozwiązuje kluczowe ograniczenia obu wcześniejszych podejść, łącząc je. Pokonuje problemy związane ze skalowalnością symboliki, która historycznie walczyła o zakodowanie złożoności ludzkiej wiedzy w efektywny sposób. Ale rozwiązuje również jeden z najczęstszych problemów z sieciami neuronowymi: fakt, że potrzebują one ogromnych ilości danych.
Możliwe jest wytrenowanie tylko sieci neuronowej, aby odpowiadać na pytania dotyczące sceny, podając miliony przykładów jako dane szkoleniowe. Ale ludzkie dziecko nie potrzebuje tak ogromnej ilości danych, aby zrozumieć, czym jest nowy obiekt lub jaki jest jego związek z innymi obiektami. Ponadto sieć przeszkolona w ten sposób nie ma prawdziwego zrozumienia związanych z tym pojęć — to tylko rozległe ćwiczenie dopasowywania wzorców. Taki system byłby więc skłonny do popełniania bardzo głupich błędów w obliczu nowych scenariuszy. Jest to powszechny problem w dzisiejszych sieciach neuronowych i stanowi podstawę niedociągnięć, które można łatwo ujawnić (patrz problem językowy AI).
Puryści koneksjonizmu mogą sprzeciwiać się temu, że system wymaga pewnej wiedzy, która musi być zakodowana na stałe. Ale praca jest ważna, ponieważ przybliża nas do inżynierii formy inteligencji, która wydaje się bardziej podobna do naszej. Naukowcy zajmujący się kognitywizmem wierzą, że ludzki umysł przechodzi przez kilka podobnych kroków i że to stanowi podstawę elastyczności ludzkiego uczenia się.
Bardziej praktycznie, może również odblokować nowe zastosowania sztucznej inteligencji, ponieważ nowa technologia wymaga znacznie mniej danych treningowych. Na przykład systemy robotyczne mogą wreszcie uczyć się w locie, zamiast spędzać dużo czasu na szkoleniu w każdym unikalnym środowisku, w którym się znajdują.
To naprawdę ekscytujące, ponieważ pozwoli nam pokonać tę zależność od ogromnych ilości oznaczonych danych, mówi David Cox , naukowiec kierujący laboratorium AI MIT-IBM Watson.
Naukowcy stojący za badaniem opracowują teraz wersję, która działa na zdjęciach rzeczywistych scen. Może to okazać się cenne dla wielu praktycznych zastosowań wizji komputerowej.