Emlékező rendszerrel próbálja megvalósítani az általános MI-t a Google

2017. március 31. 14:00

A gépek egyetlen feladat végrehajtását tanulják meg, utána minden törlődik a memóriából, és nulláról kezdhetik az új feladatot. Nem emlékeznek korábbi ismereteikre. Egy MI csak akkor lehet okos, ha képes hasznosítani az egyszer már megtanult leckét.

2017. március 31. 14:00
Shelly Fan
SingularityHUB

„Emlékezet kell ahhoz, hogy az elme bármit is megoldjon. Az ember különlegesen jó régi képességek új problémákra alkalmazásában. A gépek az utóbbi idők sikerei ellenére sem azok. Így tanítják őket, a mesterséges ideghálók, például a Google DeepMindja egyetlen feladatot sajátít el. Újhoz törlik a korábbi memóriát, és megint a semmiről indul. A katasztrofális felejtés néven ismert jelenség miatt egydimenziósak az MI-k.

A DeepMind és az Imperial College London a hippokampusztól, agyunk memóriatároló rendszerétől inspirálva fejlesztett egyik feladatot a másik után megoldó algoritmust. Atari játékokon tesztelték, és az idegháló rugalmasan alkalmazkodott minden egyes játékhoz, míg az emlékezet nélküli hagyományos algoritmusok megbuktak. A maiaknál okosabb és hasznosabb számítógépes programoknak képesnek kell lenni a szekvenciális tanulásra.

Az emberi memória kiválasztáson megy keresztül: ha az emlékek segítenek a későbbi tanulással, védetté válnak. Ha nem, törlődnek. Ezzel a módszerrel az ideghálók közötti kapcsolatok nemcsak a memóriát tárolják, hanem ha bizonyítottan hasznosak, meg is maradnak.

Az új algoritmus ezt a jelenséget utánozza egyszerű eszközökkel. Különböző szilárdságú rugókként képzeljük el. Minél fontosabb egy kapcsolat egy feladat sikeres megoldásához, annál szilárdabb lesz, és annál nehezebb megváltoztatni.

Az algoritmus nem tökéletes. A kapcsolatok idővel egyre kevésbé plasztikusak, és a hálózat telítődik, egyetlen megváltoztathatatlan állapotba kerül, és már képtelen használni memóriáját, vagy nem tud új adatokat tárolni. Az is akadályozhatja, hogy esetleg nem jól ítélte meg a kapcsolatok fontosságát. A sikeres tesztek ellenére sok optimalizálás kell még hozzá. Feladatokat tud szekvenciálisan tanulni, de nem bizonyított, hogy jobban megtanulja őket. A fejlesztők mindenesetre bizakodnak, hogy az MI-t a következő nagy durranás, az általános célú intelligencia, az embernek természetes alkalmazkodó tanulás és következtetés felé terelik.”

az eredeti, teljes írást itt olvashatja el Navigálás

Kapcsolódó cikkek

Összesen 0 komment

A kommentek nem szerkesztett tartalmak, tartalmuk a szerzőjük álláspontját tükrözi. Mielőtt hozzászólna, kérjük, olvassa el a kommentszabályzatot.
Sorrend:
Jelenleg csak a hozzászólások egy kis részét látja. Hozzászóláshoz és a további kommentek megtekintéséhez lépjen be, vagy regisztráljon!

Ezek is érdekelhetik