Память для машин может быть такой же сложной задачей, как и для людей. Чтобы понять, почему у искусственных агентов возникают пробелы в собственных когнитивных процессах, инженеры-электрики из Университета штата Огайо проанализировали, насколько сильно процесс, называемый "непрерывным обучением", влияет на их общую производительность.
Непрерывное обучение - это когда компьютер обучается непрерывному выполнению последовательности задач, используя накопленные знания из старых задач для лучшего усвоения новых.
Однако для достижения таких высот ученым еще предстоит преодолеть одно серьезное препятствие - научиться обходить эквивалент потери памяти в машинном обучении - процесс, который в ИИ-агентах известен как "катастрофическое забывание". По словам Несса Шроффа (Ness Shroff), выдающегося ученого штата Огайо, профессора компьютерных наук и инженерии Университета штата Огайо, по мере обучения искусственных нейронных сетей решению одной новой задачи за другой они теряют информацию, полученную в ходе выполнения предыдущих задач, что может стать проблемой, поскольку общество все больше и больше полагается на системы ИИ.
"По мере того как автоматизированные системы вождения или другие роботизированные системы учатся чему-то новому, важно, чтобы они не забывали уже усвоенные уроки ради нашей и своей безопасности", - сказал Шрофф. "Наше исследование посвящено изучению сложностей непрерывного обучения в искусственных нейронных сетях, и мы обнаружили, что это позволяет преодолеть разрыв между тем, как учится машина, и тем, как учится человек".
По словам Шроффа, подобно тому, как люди с трудом вспоминают контрастные факты о похожих сценариях, но с легкостью запоминают ситуации, изначально отличающиеся друг от друга, искусственные нейронные сети могут лучше запоминать информацию, когда перед ними последовательно ставятся различные задачи, а не те, которые имеют сходные черты.
Хотя обучить автономные системы подобному динамическому обучению на протяжении всей жизни может быть непросто, обладание такими возможностями позволит ученым быстрее масштабировать алгоритмы машинного обучения, а также легко адаптировать их к изменяющимся условиям и неожиданным ситуациям.
По сути, цель создания таких систем состоит в том, чтобы в будущем они могли имитировать способность человека к обучению.
Традиционные алгоритмы машинного обучения обучаются на данных сразу, однако результаты работы этой команды показали, что такие факторы, как схожесть задач, отрицательные и положительные корреляции и даже порядок обучения алгоритма задач, имеют значение для длительности сохранения определенных знаний искусственной сетью.
Например, по словам Шроффа, для оптимизации памяти алгоритма необходимо обучать несхожие задачи на ранних этапах непрерывного процесса обучения. Такой метод расширяет возможности сети по восприятию новой информации и повышает ее способность к последующему обучению более схожим задачам.
По словам Шроффа, его работа особенно важна, поскольку понимание сходства между машинами и человеческим мозгом может проложить путь к более глубокому пониманию ИИ.
"Наша работа предвещает новую эру интеллектуальных машин, способных обучаться и адаптироваться подобно человеку", - сказал он.
Исследование проводилось при поддержке Национального научного фонда и Управления армейских исследований.