A tudósok szerint egy lépéssel közelebb kerültek az emberi tanulást utánzó mesterséges intelligencia létrehozásához.
A héten Honoluluban tartott gépi tanulási konferencián az Ohio Állami Egyetem kutatói mondott elemezték a „folyamatos tanulás” nevű folyamatot, amely lehetővé teszi a számítógép számára, hogy folyamatosan új készségeket sajátítson el anélkül, hogy elfelejtené a korábbi tudást – hasonlóan ahhoz, ahogy az emberek korábbi tapasztalatokra építenek új dolgok megtanulásához.
A csapat szerint a mesterséges neurális hálózatok „katasztrófális felejtésben” szenvedhetnek, ami azt jelenti, hogy amikor új feladatokat vállalnak, elveszítik a korábbi képzésből származó információkat. Ez problémát jelent, mivel a társadalom egyre inkább az AI-rendszerekre támaszkodik olyan területeken, mint az önvezető autók.
„Mivel az automatizált vezetési alkalmazásokat vagy más robotrendszereket új dolgokra tanítják, fontos, hogy ne felejtsék el a már megtanult leckéket a mi és a saját biztonságunk érdekében” – mondta Ness Shroff, Ohio Eminent Scholar és a számítástechnika professzora. mérnök, aki a tanulmányt vezette.
A tanulmány feltárta, hogy az emberekhez hasonlóan a mesterséges hálózatok is jobban megőrzik az információkat, ha különféle, eltérő feladatokra tanítják őket, nem pedig a közös funkciókat. Az algoritmusok különféle feladatok korai betanítása növeli annak képességét, hogy új információkat fogadjon el.
„Munkánk az intelligens gépek új korszakát hirdeti, amelyek képesek tanulni és alkalmazkodni emberi társaikhoz” – mondta Shroff.
A kutatás közelebb hozza a tudósokat az egész életen át tartó, emberszerű tanulást mutató mesterséges intelligencia fejlesztéséhez. Ez lehetővé tenné az algoritmusok gyorsabb méretezését és a fejlődő környezetekhez való igazítását.
Az Ohio Állami Egyetem kutatása a 40. alkalommal megrendezett több tucat előadás egyike volt Nemzetközi Gépi tanulási Konferencia.
A konferencián is szerepelt az MIT csapata által végzett munka Ez azt mondta, hogy olyan technikát fejlesztett ki, amely megzavarhatja a mélyhamisított képek létrehozását azáltal, hogy apró, zavaró kódrészleteket fecskendez a forrásképekbe.
A Google technológiai óriás azt mondta, hogy mesterséges intelligenciával és gépi tanulással kapcsolatos kutatásai az ICML programban szereplő több mint 80 tudományos közleményben szerepelnek, beleértve a 3-D fehérjemodellező bemutatóit is. AlphaFold, előrelép fúziós tudomány, és az új modellek, mint pl PaLM-E a robotikához és Phanaki videó létrehozásához szövegből.
Shakir Mohamed, a Google DeepMind tudományos, technológiai és társadalmi igazgatója vitaindító beszédet tartott a gépi tanulás társadalmi célú irányításáról. A Google DeepMind az esemény fő támogatója.
„Az egészségügytől a klímaváltozásig a gépi tanulásban óriási lehetőségek rejlenek a nagy kihívások leküzdésére és a társadalom előremozdítására” – mondta Mohamed blogbejegyzés. „A különböző hangok összehozásával olyan mesterséges intelligenciát fejleszthetünk ki, amely minden ember számára előnyös.”
A szerkesztő megjegyzése: Ez a történet Decrypt AI-vel készült, a szövegben hivatkozott forrásokból, és Tény kockás írta Ozawa.
Maradjon naprakész a kriptográfiai hírekkel, és napi frissítéseket kaphat a postaládájában.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Autóipar / elektromos járművek, Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- BlockOffsets. A környezetvédelmi ellentételezési tulajdon korszerűsítése. Hozzáférés itt.
- Forrás: https://decrypt.co/150620/ai-learn-like-humans-catastrophic-forgetting-machine-learning-conference