Η τεχνητή νοημοσύνη μπορεί να γίνει καλή σε μία μόνο εργασία, καθώς το να μάθει μία νέα σημαίνει πως θα ξεχάσει όλα όσα ήδη γνωρίζει. Μια μορφή τεχνητού ύπνου, όμως, το αλλάζει αυτό.
Η τεχνητή νοημοσύνη είναι σε θέση να μάθει και να θυμάται πώς να εκτελεί πολλαπλές εργασίες, μιμούμενη τον τρόπο με τον οποίο ο ύπνος μας βοηθά να εμπεδώσουμε αυτά που μάθαμε κατά την διάρκεια της ημέρας.
«Η τάση που κυριαρχεί σήμερα, είναι να μεταφέρουμε ιδέες από τη νευροεπιστήμη και τη βιολογία για τη βελτίωση της μηχανικής μάθησης – και ο ύπνος είναι μία από αυτές», εξηγεί ο Maxim Bazhenov από το “University of California”.
Οι Τ.Ν. μπορούν να γίνουν καλές σε ένα μόνο σετ αυστηρά καθορισμένων εργασιών – δεν μπορούν να αποκτήσουν νέα γνώση, χωρίς να ξεχάσουν όλα όσα είχαν μάθει στο παρελθόν. «Το πρόβλημα αυτό εμφανίζεται όταν θέλουμε να αναπτύξουμε συστήματα ικανά για τη λεγόμενη δια βίου μάθηση», λέει ο Pavel Sanda από την “Czech Academy of Sciences”. Η δια βίου μάθηση είναι ο τρόπος, με τον οποίο οι άνθρωποι συσσωρεύουν γνώσεις για να προσαρμοστούν και να επιλύσουν μελλοντικές προκλήσεις.
Οι Bazhenov, Sanda και οι συνάδελφοί τους κατάφεραν να εκπαιδεύσουν ένα “spiking neural network” (SNN) -ένα δίκτυο τεχνητών νευρώνων που αντιγράφει την δομή του ανθρώπινου εγκεφάλου- σε δύο διαφορετικές εργασίες, χωρίς να αντικατασταθούν από νέες, οι συνδέσεις που το δίκτυο είχε δημιουργήσει κατά την εκμάθηση της πρώτης εργασίας. Και αυτό το πέτυχαν με εναλλαγές, μεταξύ περιόδων εκπαίδευσης και “ύπνου”.
Για να προσομοιώσουν τον ύπνο στο νευρωνικό δίκτυο, οι ερευνητές ενεργοποιούσαν τους τεχνητούς νευρώνες με ένα μοτίβο “θορύβου”. Ο θόρυβος αυτός, φρόντισαν επίσης, να ταιριάζει -κατά προσέγγιση- με το μοτίβο πυροδότησης των νευρώνων κατά τη διάρκεια των περιόδων εκπαίδευσης· ένας τρόπος αναπαραγωγής και ενίσχυσης των συνδέσεων που δημιουργήθηκαν και από τις δύο εργασίες.
Αρχικά, η ομάδα προσπάθησε να εκπαιδεύσει το νευρωνικό δίκτυο -πρώτα στην μία εργασία και μετά στην επόμενη- αφήνοντας για το τέλος μια περίοδο ύπνου. Συνειδητοποίησαν όμως γρήγορα, ότι με αυτήν την ακολουθία, οι συνδέσεις που είχε κάνει το νευρωνικό δίκτυο από την πρώτη εργασία, εξακολουθούσαν να διαγράφονται.
Συνεχίζοντας τα πειράματα, ανακάλυψαν πως το σημαντικό ήταν να «έχουμε γρήγορες εναλλαγές περιόδων εκπαίδευσης και ύπνου» όταν η τεχνητή νοημοσύνη μαθαίνει τη δεύτερη εργασία, λέει ο Erik Delanois από το “University of California”. Αυτό βοήθησε στην παγίωση των συνδέσεων από την πρώτη εργασία, που διαφορετικά θα είχαν ξεχαστεί.
Τα πειράματα επέδειξαν το πώς ένα νευρωνικό δίκτυο, που εκπαιδεύτηκε με αυτόν τον τρόπο, μπορεί να επιτρέψει σε έναν πράκτορα Τ.Ν. να μάθει δύο διαφορετικά μοτίβα αναζήτησης τροφής, με το να αναζητά προσομοιωμένα σωματίδια τροφής, αποφεύγοντας παράλληλα τα δηλητηριώδη σωματίδια.
«Ο στόχος για την δια βίου εκπαιδευόμενη τεχνητή νοημοσύνη, είναι αυτή να έχει τη δυνατότητα να συνδυάζει διαφορετικές εμπειρίες με έξυπνους τρόπους και να εφαρμόζει αυτή τη μάθηση σε νέες καταστάσεις – όπως κάνουν τα ζώα και οι άνθρωποι», λέει ο Hava Siegelmann από το “από το “University of Massachusetts Amherst”.
Τα SNNs, με τον περίπλοκο, εμπνευσμένο από την βιολογία, σχεδιασμό τους, δεν έχουν αποδειχθεί, ακόμα, πρακτικά για ευρεία χρήση, επειδή είναι δύσκολο να τα εκπαιδεύσουμε, λέει ο Siegelmann. Τα επόμενα μεγάλα βήματα για την επίδειξη της χρησιμότητας αυτής της μεθόδου θα απαιτούσαν επιδείξεις με πιο σύνθετες εργασίες, σε τεχνητά νευρωνικά δίκτυα όπως αυτά που χρησιμοποιούν οι εταιρείες τεχνολογίας.
Ένα μεγάλο πλεονέκτημα των SNNs, είναι το ότι είναι πιο ενεργειακά αποδοτικά από τα άλλα τεχνητά νευρωνικά δίκτυα. «Πιστεύω ότι μέσα στην επόμενη δεκαετία, θα υπάρξει μεγάλη ώθηση για μετάβαση σε πιο SSN προσανατολισμένη τεχνολογία», λέει ο Ryan Golden από το “University of California”.
Παραπομπές: "Sleep prevents catastrophic forgetting in spiking neural networks by forming a joint synaptic weight representation": PLOS Computational Biology, DOI: 10.1371/journal.pcbi.1010628
Πηγή: https://www.newscientist.com/
