Όπως ένα παιδί, αυτό το AI εμπνευσμένο από τον εγκέφαλο μπορεί να εξηγήσει το σκεπτικό του

Όπως ένα παιδί, αυτό το AI εμπνευσμένο από τον εγκέφαλο μπορεί να εξηγήσει το σκεπτικό του

Χρονική σήμανση: 22 Φεβρουαρίου 2024 4:16 μ.μ.
Όπως ένα παιδί, αυτή η τεχνητή νοημοσύνη εμπνευσμένη από τον εγκέφαλο μπορεί να εξηγήσει το σκεπτικό της για την ευφυΐα δεδομένων PlatoBlockchain. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Τα παιδιά είναι φυσικοί επιστήμονες. Παρατηρούν τον κόσμο, σχηματίζουν υποθέσεις και τους δοκιμάζουν. Τελικά, μαθαίνουν να εξηγούν τους (μερικές φορές απίστευτα ξεκαρδιστικούς) συλλογισμούς τους.

AI, όχι τόσο πολύ. Δεν υπάρχει αμφιβολία ότι η βαθιά μάθηση - ένας τύπος μηχανικής μάθησης που βασίζεται χαλαρά στον εγκέφαλο - αλλάζει δραματικά την τεχνολογία. Από την πρόβλεψη ακραίων καιρικών φαινομένων μέχρι το σχεδιασμό νέων φαρμάκων ή τη διάγνωση θανατηφόρων καρκίνων, η τεχνητή νοημοσύνη ενσωματώνεται όλο και περισσότερο στο σύνορα της επιστήμης.

Αλλά η βαθιά μάθηση έχει ένα τεράστιο μειονέκτημα: οι αλγόριθμοι δεν μπορούν να δικαιολογήσουν τις απαντήσεις τους. Συχνά αποκαλούμενο πρόβλημα του «μαύρου κουτιού», αυτή η αδιαφάνεια εμποδίζει τη χρήση τους σε καταστάσεις υψηλού κινδύνου, όπως στην ιατρική. Οι ασθενείς θέλουν μια εξήγηση όταν διαγιγνώσκονται με μια ασθένεια που αλλάζει τη ζωή. Προς το παρόν, οι αλγόριθμοι που βασίζονται σε βαθιά μάθηση —ακόμα κι αν έχουν υψηλή διαγνωστική ακρίβεια— δεν μπορούν να παρέχουν αυτές τις πληροφορίες.

Για να ανοίξει το μαύρο κουτί, μια ομάδα από το Νοτιοδυτικό Ιατρικό Κέντρο του Πανεπιστημίου του Τέξας χρησιμοποίησε το ανθρώπινο μυαλό για έμπνευση. Σε μια μελέτη in Φύση Υπολογιστική Επιστήμη, συνδύασαν αρχές από τη μελέτη των δικτύων εγκεφάλου με μια πιο παραδοσιακή προσέγγιση AI που βασίζεται σε εξηγήσιμα δομικά στοιχεία.

Το προκύπτον AI λειτουργεί λίγο σαν παιδί. Συμπυκνώνει διαφορετικούς τύπους πληροφοριών σε "κόμβους". Κάθε διανομέας μεταγράφεται στη συνέχεια σε οδηγίες κωδικοποίησης για ανάγνωση από τον άνθρωπο—CliffsNotes για προγραμματιστές που εξηγούν τα συμπεράσματα του αλγορίθμου σχετικά με τα μοτίβα που βρήκε στα δεδομένα σε απλά αγγλικά. Μπορεί επίσης να δημιουργήσει πλήρως εκτελέσιμο κώδικα προγραμματισμού για δοκιμή.

Ονομάστηκε «βαθιά απόσταξη», η τεχνητή νοημοσύνη λειτουργεί σαν επιστήμονας όταν αντιμετωπίζει μια ποικιλία εργασιών, όπως δύσκολα μαθηματικά προβλήματα και αναγνώριση εικόνων. Ψάχνοντας τα δεδομένα, η τεχνητή νοημοσύνη τα αποστάζει σε αλγόριθμους βήμα προς βήμα που μπορούν να ξεπεράσουν τους σχεδιασμένους από τον άνθρωπο.

«Η βαθιά απόσταξη είναι σε θέση να ανακαλύψει γενικεύσιμες αρχές συμπληρωματικές προς την ανθρώπινη τεχνογνωσία», Έγραψε η ομάδα στο χαρτί τους.

Χαρτί Λεπτό

Η τεχνητή νοημοσύνη μερικές φορές κάνει γκάφες στον πραγματικό κόσμο. Πάρτε το robotaxis. Πέρυσι, μερικοί κολλήθηκαν επανειλημμένα σε μια γειτονιά του Σαν Φρανσίσκο - ενόχληση για τους ντόπιους, αλλά παρόλα αυτά έπιασαν ένα γέλιο. Πιο σοβαρά, αυτοοδηγούμενα οχήματα εμπόδισαν την κυκλοφορία και τα ασθενοφόρα και, σε μία περίπτωση, έβλαψαν φρικτά έναν πεζό.

Στην υγειονομική περίθαλψη και την επιστημονική έρευνα, οι κίνδυνοι μπορεί να είναι επίσης μεγάλοι.

Όταν πρόκειται για αυτούς τους τομείς υψηλού κινδύνου, οι αλγόριθμοι «απαιτούν χαμηλή ανοχή για σφάλματα», δήλωσε ο Δρ Joseph Bakarji του Αμερικανικού Πανεπιστημίου της Βηρυτού, ο οποίος δεν συμμετείχε στη μελέτη, Έγραψε σε ένα συνοδευτικό κομμάτι για το έργο.

Το εμπόδιο για τους περισσότερους αλγόριθμους βαθιάς μάθησης είναι η ανεξήγησή τους. Είναι δομημένα ως πολυεπίπεδα δίκτυα. Λαμβάνοντας τόνους ακατέργαστων πληροφοριών και λαμβάνοντας αμέτρητους γύρους ανατροφοδότησης, το δίκτυο προσαρμόζει τις συνδέσεις του για να παράγει τελικά ακριβείς απαντήσεις.

Αυτή η διαδικασία βρίσκεται στο επίκεντρο της βαθιάς μάθησης. Αλλά δυσκολεύεται όταν δεν υπάρχουν αρκετά δεδομένα ή αν η εργασία είναι πολύ περίπλοκη.

Πίσω στο 2021, η ομάδα ανέπτυξε ένα AI που ακολούθησε διαφορετική προσέγγιση. Ονομάζεται «συμβολικός» συλλογισμός, το νευρωνικό δίκτυο κωδικοποιεί σαφείς κανόνες και εμπειρίες παρατηρώντας τα δεδομένα.

Σε σύγκριση με τη βαθιά μάθηση, τα συμβολικά μοντέλα είναι πιο εύκολο για τους ανθρώπους να ερμηνεύσουν. Σκεφτείτε την τεχνητή νοημοσύνη ως ένα σύνολο μπλοκ Lego, που το καθένα αντιπροσωπεύει ένα αντικείμενο ή μια έννοια. Μπορούν να ταιριάζουν με δημιουργικούς τρόπους, αλλά οι συνδέσεις ακολουθούν ένα σαφές σύνολο κανόνων.

Από μόνο του, το AI είναι ισχυρό αλλά εύθραυστο. Βασίζεται σε μεγάλο βαθμό σε προηγούμενες γνώσεις για την εύρεση δομικών στοιχείων. Όταν αντιμετωπίζει μια νέα κατάσταση χωρίς προηγούμενη εμπειρία, δεν μπορεί να σκεφτεί έξω από το κουτί - και σπάει.

Εδώ μπαίνει η νευροεπιστήμη. Η ομάδα εμπνεύστηκε από τα connectomes, τα οποία είναι μοντέλα του πώς συνεργάζονται διαφορετικές περιοχές του εγκεφάλου. Συνδυάζοντας αυτή τη συνδεσιμότητα με συμβολικό συλλογισμό, δημιούργησαν μια τεχνητή νοημοσύνη που έχει στέρεες, εξηγήσιμες βάσεις, αλλά μπορεί επίσης να προσαρμοστεί ευέλικτα όταν αντιμετωπίζει νέα προβλήματα.

Σε αρκετές δοκιμές, το «νευρογνωστικό» μοντέλο κέρδισε άλλα βαθιά νευρωνικά δίκτυα σε εργασίες που απαιτούσαν συλλογισμό.

Μπορεί όμως να έχει νόημα τα δεδομένα και οι μηχανικοί αλγόριθμοι για να το εξηγήσουν;

Ένα ανθρώπινο άγγιγμα

Ένα από τα πιο δύσκολα μέρη της επιστημονικής ανακάλυψης είναι η παρατήρηση θορυβωδών δεδομένων και η απόσταξη ενός συμπεράσματος. Αυτή η διαδικασία είναι που οδηγεί σε νέα υλικά και φάρμακα, βαθύτερη κατανόηση της βιολογίας και γνώσεις για τον φυσικό μας κόσμο. Συχνά, είναι μια επαναλαμβανόμενη διαδικασία που διαρκεί χρόνια.

Η τεχνητή νοημοσύνη μπορεί να είναι σε θέση να επιταχύνει τα πράγματα και ενδεχομένως να βρει μοτίβα που έχουν ξεφύγει από το ανθρώπινο μυαλό. Για παράδειγμα, η βαθιά μάθηση ήταν ιδιαίτερα χρήσιμη στην πρόβλεψη των πρωτεϊνικών δομών, αλλά ο συλλογισμός της για την πρόβλεψη αυτών των δομών είναι δύσκολο να κατανοηθεί.

«Μπορούμε να σχεδιάσουμε αλγόριθμους μάθησης που αποστάζουν τις παρατηρήσεις σε απλούς, περιεκτικούς κανόνες όπως κάνουν συνήθως οι άνθρωποι;» έγραψε ο Bakarji.

Η νέα μελέτη πήρε το υπάρχον νευρογνωστικό μοντέλο της ομάδας και της έδωσε ένα επιπλέον ταλέντο: Την ικανότητα να γράφει κώδικα.

Ονομάζεται βαθιά απόσταξη, το AI ομαδοποιεί παρόμοιες έννοιες μαζί, με κάθε τεχνητό νευρώνα να κωδικοποιεί μια συγκεκριμένη έννοια και τη σύνδεσή της με άλλες. Για παράδειγμα, ένας νευρώνας μπορεί να μάθει την έννοια της γάτας και να ξέρει ότι είναι διαφορετικός από έναν σκύλο. Ένας άλλος τύπος χειρίζεται τη μεταβλητότητα όταν προκαλείται με μια νέα εικόνα - ας πούμε, μια τίγρη - για να προσδιορίσει αν μοιάζει περισσότερο με γάτα ή σκύλο.

Αυτοί οι τεχνητοί νευρώνες στη συνέχεια στοιβάζονται σε μια ιεραρχία. Με κάθε επίπεδο, το σύστημα διαφοροποιεί όλο και περισσότερο τις έννοιες και τελικά βρίσκει μια λύση.

Αντί να τραβάει η τεχνητή νοημοσύνη όσο το δυνατόν περισσότερα δεδομένα, η εκπαίδευση γίνεται βήμα-βήμα—σχεδόν σαν να διδάσκεις ένα μικρό παιδί. Αυτό καθιστά δυνατή την αξιολόγηση του συλλογισμού του AI καθώς επιλύει σταδιακά νέα προβλήματα.

Σε σύγκριση με την τυπική εκπαίδευση νευρωνικών δικτύων, η αυτονόητη πτυχή είναι ενσωματωμένη στο AI, εξήγησε ο Bakarji.

Σε μια δοκιμή, η ομάδα αμφισβήτησε την τεχνητή νοημοσύνη με ένα κλασικό βιντεοπαιχνίδι - το Game of Life του Conway. Αναπτύχθηκε για πρώτη φορά στη δεκαετία του 1970, το παιχνίδι έχει να κάνει με την ανάπτυξη ενός ψηφιακού κυττάρου σε διάφορα μοτίβα με βάση ένα συγκεκριμένο σύνολο κανόνων (δοκιμάστε το μόνοι σας εδώ). Εκπαιδευμένο σε δεδομένα προσομοίωσης παιχνιδιού, το AI ήταν σε θέση να προβλέψει πιθανά αποτελέσματα και να μετατρέψει το σκεπτικό του σε οδηγίες αναγνώσιμες από τον άνθρωπο ή σε κώδικα προγραμματισμού υπολογιστή.

Το AI λειτούργησε επίσης καλά σε μια ποικιλία άλλων εργασιών, όπως η ανίχνευση γραμμών σε εικόνες και η επίλυση δύσκολων μαθηματικών προβλημάτων. Σε ορισμένες περιπτώσεις, δημιούργησε δημιουργικό κώδικα υπολογιστή που ξεπέρασε τις καθιερωμένες μεθόδους και ήταν σε θέση να εξηγήσει γιατί.

Η βαθιά απόσταξη θα μπορούσε να είναι μια ώθηση για τις φυσικές και βιολογικές επιστήμες, όπου τα απλά μέρη δημιουργούν εξαιρετικά πολύπλοκα συστήματα. Μια πιθανή εφαρμογή για τη μέθοδο είναι ως συν-επιστήμονας για ερευνητές που αποκωδικοποιούν τις λειτουργίες του DNA. Μεγάλο μέρος του DNA μας είναι «σκοτεινή ύλη», δεδομένου ότι δεν ξέρουμε ποιος —αν υπάρχει— ρόλος έχει. Μια εξηγήσιμη τεχνητή νοημοσύνη θα μπορούσε ενδεχομένως να συνθλίψει γενετικές αλληλουχίες και να βοηθήσει τους γενετιστές να εντοπίσουν σπάνιες μεταλλάξεις που προκαλούν καταστροφικές κληρονομικές ασθένειες.

Εκτός έρευνας, η ομάδα είναι ενθουσιασμένη με την προοπτική μιας ισχυρότερης συνεργασίας AI-ανθρώπου.

"Νευροσυμβολικές προσεγγίσεις θα μπορούσε ενδεχομένως να επιτρέψει περισσότερες δυνατότητες μηχανικής μάθησης που μοιάζουν με τον άνθρωπο», έγραψε η ομάδα.

Ο Bakarji συμφωνεί. Η νέα μελέτη πηγαίνει «πέρα από τις τεχνικές εξελίξεις, αγγίζοντας τις ηθικές και κοινωνικές προκλήσεις που αντιμετωπίζουμε σήμερα». Η επεξήγηση θα μπορούσε να λειτουργήσει ως προστατευτικό κιγκλίδωμα, βοηθώντας τα συστήματα τεχνητής νοημοσύνης να συγχρονιστούν με τις ανθρώπινες αξίες καθώς εκπαιδεύονται. Για εφαρμογές υψηλού κινδύνου, όπως η ιατρική περίθαλψη, θα μπορούσε να οικοδομήσει εμπιστοσύνη.

Προς το παρόν, ο αλγόριθμος λειτουργεί καλύτερα κατά την επίλυση προβλημάτων που μπορούν να αναλυθούν σε έννοιες. Δεν μπορεί να αντιμετωπίσει συνεχή δεδομένα, όπως ροές βίντεο.

Αυτό είναι το επόμενο βήμα στη βαθιά απόσταξη, έγραψε ο Bakarji. «Θα άνοιγε νέες δυνατότητες στην επιστημονική πληροφορική και τη θεωρητική έρευνα».

Image Credit: 7AV 7AV / Unsplash 

Σφραγίδα ώρας:

Περισσότερα από Κέντρο μοναδικότητας