شعار زيفيرنت

كيف يؤدي عكس بنية الدماغ البشري إلى تسريع تعلم الذكاء الاصطناعي

التاريخ:

بينما يمكن لمنظمة العفو الدولية القيام ببعض إنجازات مثيرة للإعجاب عند تدريبه على ملايين نقاط البيانات ، يمكن للدماغ البشري في كثير من الأحيان التعلم من عدد ضئيل من الأمثلة. يظهر بحث جديد أن الاقتراض مبادئ معمارية من الدماغ يمكن أن يساعد الذكاء الاصطناعي على الاقتراب من بصريتنا شجاعة.

الحكمة السائدة في أبحاث التعلم العميق هي أنه كلما زاد عدد البيانات التي تلقيها على الخوارزمية ، كلما تعلمت بشكل أفضل. وفي عصر البيانات الضخمة ، أصبح هذا أسهل من أي وقت مضى ، خاصة بالنسبة لشركات التكنولوجيا الكبيرة التي تركز على البيانات والتي تقوم بالكثير من أبحاث الذكاء الاصطناعي المتطورة.

اليوم's أكبر التعلم العميق نماذج مثل OpenAI's GPT-3 و BERT من Google ، تم تدريبهما على مليارات من نقاط البيانات ، وحتى أكثر تواضعًا عارضات ازياء تتطلب كميات كبيرة من البيانات. يعد جمع مجموعات البيانات هذه واستثمار الموارد الحسابية لسحقها عنق الزجاجة الرئيسي ، لا سيما بالنسبة للمختبرات الأكاديمية الأقل مواردًا.

كما أنها تعني اليوم AI أقل مرونة بكثير من الذكاء الطبيعي. بينما يحتاج الإنسان فقط إلى رؤية عدد قليل من الأمثلة لحيوان أو أداة أو فئة أخرى من الكائنات حتى يتمكن من التقاطها مرة أخرى ، يحتاج معظم الذكاء الاصطناعي إلى be تدرب على العديد من الأمثلة من كائن من أجل التمكن من التعرف عليه.

هناك تخصص فرعي نشط لأبحاث الذكاء الاصطناعي تهدف إلى ما يُعرف باسم التعلم "طلقة واحدة" أو "طلقة قليلة" ، حيث تم تصميم الخوارزميات لتكون قادرة على التعلم من أمثلة قليلة جدًا. لكن هذه الأساليب لا تزال تجريبية إلى حد كبير ، ولا يمكنها ذلك اقترب من مباراةجي أسرع متعلم نعرفه - العقل البشري.

This دفع اثنين من علماء الأعصاب لمعرفة ما إذا كان بإمكانهم تصميم ذكاء اصطناعي يمكنه التعلم من نقاط بيانات قليلة من خلال استعارة مبادئ من الطريقة التي نعتقد أن الدماغ يحل بها هذه المشكلة. في الورق في الحدود في علم الأعصاب الحسابي, هم وأوضح أن النهج يعزز بشكل كبير الذكاء الاصطناعي القدرة على تعلم مفاهيم بصرية جديدة من أمثلة قليلة.

"يوفر نموذجنا طريقة معقولة بيولوجيًا للشبكات العصبية الاصطناعية لتعلم مفاهيم بصرية جديدة من عدد صغير من الأمثلة ،" ماكسيميليان ريزنهوبر ، تبدأ من المركز الطبي لجامعة جورج تاون, said في بيان صحفي. "يمكننا جعل أجهزة الكمبيوتر تتعلم بشكل أفضل بكثير من أمثلة قليلة من خلال الاستفادة من التعلم السابق بطريقة نعتقد أنها تعكس ما يفعله الدماغ."

تشير عدة عقود من أبحاث علم الأعصاب إلى أن قدرة الدماغ على التعلم بهذه السرعة يعتمد على قدرتها على استخدام المعرفة السابقة لفهم المفاهيم الجديدة بناءً على القليل من البيانات. عندما يتعلق الأمر بالفهم البصري ، يمكن أن يعتمد هذا على أوجه التشابه في الشكل أو البنية أو اللون ، ولكن يمكن للدماغ أيضًا الاستفادة من المفاهيم البصرية المجردة التي يُعتقد أنها مشفرة في منطقة دماغية تسمى الفص الصدغي الأمامي (ATL).

"إنه أشبه بالقول إن خلد الماء يشبه إلى حد ما البطة والقندس وثعالب البحر "،id ورقة جوشوا رول ، مؤلف مشارك ، من جامعة كاليفورنيا بيركلي.

قرر الباحثون محاولة إعادة إنشاء هذه الإمكانية باستخدام مفاهيم عالية المستوى مماثلة تعلمها أn الذكاء الاصطناعي لمساعدتها على التعرف بسرعة على فئات الصور غير المرئية سابقًا.

تعمل خوارزميات التعلم العميق عن طريق الحصول على طبقات من الخلايا العصبية الاصطناعية لتعلم ميزات معقدة بشكل متزايد لصورة أو أي نوع بيانات آخر ، والتي تُستخدم بعد ذلك لتصنيف البيانات الجديدة. على سبيل المثال ، ستبحث الطبقات المبكرة عن ميزات بسيطة مثل الحواف ، بينما قد تبحث الطبقات اللاحقة عن ميزات أكثر تعقيدًا مثل الأنوف أو الوجوه أو حتى المزيد من الخصائص عالية المستوى.

أولاً قاموا بتدريب الذكاء الاصطناعي على 2.5 مليون صورة عبر 2,000 فئة مختلفة من مجموعة بيانات ImageNet الشهيرة. ثم قاموا باستخراج المعالم من طبقات مختلفة من الشبكة ، بما في ذلك الطبقة الأخيرة قبل طبقة الإخراج. Tيا تشير إلى هؤلاء باعتبارها "سمات مفاهيمية" لأنy هي أعلى الميزات التي تم تعلمها ، والأكثر تشابهًا مع المفاهيم المجردة التي يمكن ترميزها في ATL.

ثم استخدموا هذه المجموعات المختلفة من الميزات لتدريب الذكاء الاصطناعي على تعلم مفاهيم جديدة بناءً على 2 و 4 و 8 و 16 و 32 و 64 و 128 مثالاً. ووجدوا أن الذكاء الاصطناعي الذي استخدم الميزات المفاهيمية أسفر عن أداء أفضل بكثير من تلك التي تم تدريبها باستخدام ميزات منخفضة المستوى على عدد أقل من الأمثلة ، ولكن تقلصت الفجوة نظرًا لتزويدهم بمزيد من أمثلة التدريب.

بينما يعترف الباحثون بالتحدي وضعوا الذكاء الاصطناعي الخاص بهم waبسيطة نسبيًا وتغطي جانبًا واحدًا فقط من عملية التفكير البصري المعقدة ، فهي كذلكid أن استخدام نهج مقبول بيولوجيًا لحل مشكلة قليلة الطلقات يفتح آفاقًا جديدة واعدة في كل من علم الأعصاب والذكاء الاصطناعي.

"لا تقترح النتائج التي توصلنا إليها التقنيات التي يمكن أن تساعد أجهزة الكمبيوتر على التعلم بشكل أسرع وأكثر كفاءة فحسب ، بل يمكنها أيضًا أن تؤدي إلى تجارب علم الأعصاب المحسّنة التي تهدف إلى فهم كيفية تعلم الأشخاص بهذه السرعة ، وهو أمر لم يتم فهمه جيدًا حتى الآن ، "Riesenhuber said.

كما لاحظ الباحثون ، فإن لا يزال النظام البصري البشري هو المعيار الذهبي عندما يتعلق الأمر بفهم العالم من حولنا. قد يتحول الاقتراض من مبادئ التصميم إلى اتجاه مربح للبحث في المستقبل.

الصورة الائتمان: جيرد التمان تبدأ من Pixabay

المصدر: https://singularityhub.com/2021/01/18/how-mirroring-the-architecture-of-the-human-brain-is-speeding-up-ai-learning/

بقعة_صورة

أحدث المعلومات الاستخباراتية

بقعة_صورة