Spojenie dvoch prístupov umožní umelej inteligencii spoznávať svet ako dieťa omnoho efektívnejšie

Technológie
0

Počas desaťročí vývoja umelej inteligencie sa vytvorili v tejto oblasti dva hlavné tábory. „Symbolisti“ sa usilovali budovať inteligentné stroje naprogramovaním logických pravidiel a reprezentácií sveta. „Konekcionisti“ sa snažili na spoznávanie sveta vybudovať umelé neurónové siete, inšpirované biológiou. Teraz vedci z MIT, IBM a DeepMind v novom dokumente poukazujú na silu kombinovania týchto dvoch prístupov.

Tím vedený Joshom Tenenbaumom, profesorom z MIT, vytvoril počítačový program nazvaný učiaci sa neuro-symbolický koncept (neuro-symbolic concept learner – NS-CL), ktorý sa učí o svete (aj keď je to zjednodušená verzia) ako dieťa – rozhliadaním sa okolo seba a hovorením. Systém sa skladá z niekoľkých častí. Jedna neurónová sieť je vycvičená na sérii scén vytvorených z malého počtu objektov.

Ďalšia neurónová sieť je vyškolená na sérii textových odpovedí na otázky (napríklad: Aká je farba gule? Červená). Táto sieť sa naučí mapovať otázky v prirodzenom jazyku na jednoduchý program bežiaci na nejakej scéne a vytvárať tak odpovede.Systém NS-CL je naprogramovaný tak, aby porozumel symbolickým pojmom v texte, napr. „objekty“, „atribúty objektov“, „priestorové vzťahy“. Tieto vedomosti pomáhajú NS-CL odpovedať na nové otázky týkajúce sa inej scény. Takýto výkon je oveľa náročnejší, ak použijeme čisto konekcionistický postup.

„Je to vzrušujúci prístup,“ hovorí Brenden Lake, asistent profesora na Newyorskej univerzite. „Rozpoznávanie neurónových vzorov umožňuje systému vidieť, zatiaľ čo symbolické programy umožňujú systému rozumieť. Spoločne tento prístup presahuje to, čo dokážu súčasné systémy s hĺbkovým učením.“ Hybridný systém teda rieši kľúčové obmedzenia oboch predchádzajúcich prístupov ich kombinovaním.

Prekonáva sa tak problém škálovateľnosti symbolizmu, ktorý sa snažil naprogramovať celú zložitosť ľudského poznania, a zároveň aj jeden z najčastejších problémov neurónových sietí – skutočnosť, že potrebujú obrovské množstvo údajov. Možno naučiť neurónovú sieť odpovedať na otázky tak, že jej poskytneme milióny príkladov v podobe tréningových dát.

Dieťa však nepotrebuje také obrovské množstvo údajov, aby pochopilo, čo je nový objekt a aký je jeho vzťah s inými objektmi. Ani takto vycvičená sieť v skutočnosti nepochopí príslušný koncept – len si dôkladne precvičí zodpovedajúci vzor. Takýto systém by bol teda náchylný na veľmi triviálne chyby pri konfrontácii s inými scenármi. 

Nová metóda by mohla otvoriť nové možnosti aplikovania umelej inteligencie, pretože táto technológia si vyžaduje oveľa menej tréningových dát. Robotické systémy by sa mohli učiť „za behu“, nemuseli by strácať veľa času školením pre každé jedinečné prostredie, do ktorého sa dostanú.

Zdroj: technologyreview.com.

Zobrazit Galériu

Redakcia

Všetky autorove články
umelá inteligencia AI vyskum vzdelavanie Digital dáta mozog robot system

Pridať komentár

Mohlo by vás zaujímať

Mohlo by vás zaujímať