Lapsen tavoin tämä aivojen inspiroima tekoäly voi selittää syynsä

Lapset ovat luonnontieteilijöitä. He tarkkailevat maailmaa, muodostavat hypoteeseja ja testaavat niitä. Lopulta he oppivat selittämään (joskus ihastuttavan hauskoja) päättelynsä.

AI, ei niin paljon. Ei ole epäilystäkään siitä, että syväoppiminen – löyhästi aivoihin perustuva koneoppimisen tyyppi – muuttaa teknologiaa dramaattisesti. Äärimmäisten säämallien ennustamisesta uusien lääkkeiden suunnitteluun tai tappavien syöpien diagnosoimiseen, tekoälyä integroidaan yhä enemmän tieteen rajoja.

Mutta syvällä oppimisella on valtava haittapuoli: algoritmit eivät voi perustella vastauksiaan. Tämä opasiteetti, jota usein kutsutaan "mustan laatikon" ongelmaksi, estää niiden käytön riskitilanteissa, kuten lääketieteessä. Potilaat haluavat selityksen, kun heillä on diagnosoitu elämää muuttava sairaus. Toistaiseksi syvään oppimiseen perustuvat algoritmit – vaikka niillä olisi korkea diagnostinen tarkkuus – eivät pysty tarjoamaan näitä tietoja.

Avatakseen mustan laatikon Texasin yliopiston Southwestern Medical Centerin tiimi napautti ihmismieltä inspiraation saamiseksi. Sisään tutkimus in Luonnon laskennallinen tiede, he yhdistivät aivoverkkojen tutkimuksen periaatteet perinteisempään tekoälyyn, joka perustuu selitettävissä oleviin rakennuspalikoihin.

Tuloksena oleva tekoäly toimii vähän kuin lapsi. Se tiivistää erityyppiset tiedot "keskipisteiksi". Jokainen keskitin transkriptoidaan sitten koodausohjeiksi, joita ihmiset voivat lukea – CliffsNotes-ohjelmoijille, jotka selittävät algoritmin johtopäätökset tiedoista löytyneistä malleista englanninkielisenä. Se voi myös luoda täysin suoritettavaa ohjelmointikoodia kokeiltavaksi.

Tekoäly, jota kutsutaan "syväksi tislaamiseksi", toimii kuin tiedemies, kun sen haasteena on erilaisia ​​tehtäviä, kuten vaikeita matemaattisia tehtäviä ja kuvantunnistusta. Tutkimalla dataa tekoäly tislaa ne vaiheittaisiksi algoritmeiksi, jotka voivat ylittää ihmisen suunnittelemat algoritmit.

"Syvätislaus pystyy löytämään yleistettäviä periaatteita, jotka täydentävät ihmisen asiantuntemusta" kirjoitti joukkue lehdessään.

Paperinohut

Tekoäly tekee toisinaan virheitä todellisessa maailmassa. Ota robotaksi. Viime vuonna jotkut jäivät toistuvasti jumiin San Franciscon kaupunginosaan – häiritsi paikallisia, mutta naurattivat silti. Vakavammin itseohjautuvat ajoneuvot estivät liikenteen ja ambulansseja ja yhdessä tapauksessa vahingoittivat hirveästi jalankulkijaa.

Myös terveydenhuollossa ja tieteellisessä tutkimuksessa vaarat voivat olla suuret.

Mitä tulee näihin suuren riskin alueisiin, algoritmit "vaativat alhaisen virhetoleranssin", Beirutin amerikkalaisen yliopiston tohtori Joseph Bakarji, joka ei ollut mukana tutkimuksessa, kirjoitti työparissa.

Useimpien syväoppimisalgoritmien esteenä on niiden selittämättömyys. Ne ovat rakenteeltaan monikerroksisia verkkoja. Ottamalla vastaan ​​tonnia raakaa tietoa ja vastaanottamalla lukemattomia palautekierroksia, verkko säätää yhteyksiään tuottaakseen lopulta tarkkoja vastauksia.

Tämä prosessi on syvän oppimisen ytimessä. Mutta se kamppailee, kun dataa ei ole tarpeeksi tai jos tehtävä on liian monimutkainen.

Vuonna 2021 joukkue kehitti tekoälyn joka otti toisenlaisen lähestymistavan. "Symboliseksi" päättelyksi kutsuttu hermoverkko koodaa eksplisiittisiä sääntöjä ja kokemuksia tarkkailemalla tietoja.

Syväoppimiseen verrattuna symboliset mallit ovat ihmisten helpompi tulkita. Ajattele tekoälyä Lego-palikoiden sarjana, joista jokainen edustaa jotakin esinettä tai konseptia. Ne sopivat yhteen luovalla tavalla, mutta yhteydet noudattavat selkeitä sääntöjä.

Tekoäly itsessään on tehokas mutta hauras. Se luottaa vahvasti aikaisempiin tietoihin löytääkseen rakennuspalikoita. Kun se haastetaan uuteen tilanteeseen ilman aikaisempaa kokemusta, se ei pysty ajattelemaan ulospäin – ja se hajoaa.

Tässä neurotiede tulee esiin. Ryhmä sai inspiraationsa konnektomeista, jotka ovat malleja siitä, miten eri aivoalueet toimivat yhdessä. Yhdistämällä tämän liitettävyyden symboliseen päättelyyn he loivat tekoälyn, jolla on vankka, selitettävissä oleva perusta, mutta joka voi myös mukautua joustavasti uusien ongelmien edessä.

Useissa testeissä "neurokognitiivinen" malli päihitti muita syviä hermoverkkoja tehtävissä, jotka vaativat päättelyä.

Mutta voiko tietojen ja insinöörialgoritmien avulla selittää sen?

Ihmisen kosketus

Yksi tieteellisen löydön vaikeimmista osista on meluisten tietojen tarkkailu ja johtopäätöksen tekeminen. Tämä prosessi johtaa uusiin materiaaleihin ja lääkkeisiin, syvempään biologian ymmärtämiseen ja oivalluksiin fyysisestä maailmasta. Usein se on toistuva prosessi, joka kestää vuosia.

Tekoäly saattaa pystyä nopeuttamaan asioita ja mahdollisesti löytämään malleja, jotka ovat karanneet ihmismielestä. Esimerkiksi syväoppiminen on ollut erityisen hyödyllistä proteiinirakenteiden ennustamisessa, mutta sen perusteluja näiden rakenteiden ennustamiselle on vaikea ymmärtää.

"Voimmeko suunnitella oppimisalgoritmeja, jotka tislaavat havainnot yksinkertaisiksi, kattaviksi säännöiksi, kuten ihmiset yleensä tekevät?" kirjoitti Bakarji.

Uusi tutkimus otti ryhmän olemassa olevan neurokognitiivisen mallin ja antoi sille lisäkyvyn: kyvyn kirjoittaa koodia.

Tekoäly, jota kutsutaan syvätislaamiseksi, ryhmittelee samanlaiset käsitteet yhteen, ja jokainen keinotekoinen neuroni koodaa tietyn käsitteen ja sen yhteyden muihin. Esimerkiksi yksi neuroni voi oppia kissan käsitteen ja tietää, että se on erilainen kuin koira. Toinen tyyppi käsittelee vaihtelua, kun sille haastetaan uusi kuva – esimerkiksi tiikeri – määrittääkseen, onko se enemmän kissa vai koira.

Nämä keinotekoiset neuronit pinotaan sitten hierarkiaan. Jokaisen kerroksen myötä järjestelmä erottaa yhä enemmän käsitteitä ja löytää lopulta ratkaisun.

Sen sijaan, että tekoäly murskaa mahdollisimman paljon dataa, koulutus on askel askeleelta – melkein kuin taaperon opettaminen. Tämä mahdollistaa tekoälyn päättelyn arvioinnin, kun se vähitellen ratkaisee uusia ongelmia.

Verrattuna tavanomaiseen hermoverkkokoulutukseen, tekoälyyn on sisäänrakennettu itsestään selvä puoli, Bakarji selitti.

Testissä tiimi haastoi tekoälyn klassisella videopelillä – Conwayn Game of Lifella. Peli kehitettiin ensimmäisen kerran 1970-luvulla, ja sen tarkoituksena on kasvattaa digitaalinen solu erilaisiksi kuvioiksi tietyillä säännöillä (kokeile itse tätä). Simuloituihin pelitietoihin koulutettu tekoäly pystyi ennustamaan mahdollisia tuloksia ja muuttamaan päättelynsä ihmisen luettavissa oleviksi ohjeiksi tai tietokoneohjelmointikoodiksi.

Tekoäly toimi hyvin myös monissa muissa tehtävissä, kuten viivojen havaitsemisessa kuvissa ja vaikeiden matemaattisten tehtävien ratkaisemisessa. Joissakin tapauksissa se loi luovaa tietokonekoodia, joka ylitti vakiintuneet menetelmät – ja pystyi selittämään miksi.

Syvätislaus voisi olla sysäys fysikaalisille ja biologisille tieteille, joissa yksinkertaisista osista syntyy erittäin monimutkaisia ​​järjestelmiä. Yksi menetelmän mahdollinen sovellus on DNA:n toimintoja dekoodaavien tutkijoiden apututkijana. Suuri osa DNA:stamme on "pimeää ainetta" siinä mielessä, että emme tiedä, mikä rooli sillä on. Selitettävä tekoäly voisi mahdollisesti murskata geneettisiä sekvenssejä ja auttaa geneetikkoja tunnistamaan harvinaisia ​​mutaatioita, jotka aiheuttavat tuhoisia perinnöllisiä sairauksia.

Tutkimuksen ulkopuolella tiimi on innoissaan mahdollisuudesta vahvistaa tekoälyn ja ihmisen välistä yhteistyötä.

"Neurosymboliset lähestymistavat voisi mahdollisesti mahdollistaa enemmän ihmisen kaltaisia ​​koneoppimisominaisuuksia", tiimi kirjoitti.

Bakarji on samaa mieltä. Uusi tutkimus menee "teknisen kehityksen pidemmälle ja käsittelee eettisiä ja yhteiskunnallisia haasteita, joita kohtaamme tänään". Selittävyys voisi toimia suojakaiteena, mikä auttaa tekoälyjärjestelmiä synkronoimaan inhimillisten arvojen kanssa, kun niitä koulutetaan. Suuren riskin sovelluksissa, kuten sairaanhoidossa, se voisi rakentaa luottamusta.

Toistaiseksi algoritmi toimii parhaiten, kun ratkaistaan ​​ongelmia, jotka voidaan jakaa käsitteiksi. Se ei voi käsitellä jatkuvaa dataa, kuten videovirtoja.

Se on seuraava askel syvätislaamisessa, kirjoitti Bakarji. Se "avaa uusia mahdollisuuksia tieteelliseen laskemiseen ja teoreettiseen tutkimukseen".

Kuva pistetilanne: 7AV 7AV / Unsplash 

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://singularityhub.com/2024/02/22/like-a-child-this-brain-inspired-ai-can-explain-its-reasoning/