- Επιστήμονες από το Ινστιτούτο Επιστήμης και Τεχνολογίας της Οκινάουα (OIST) ανακάλυψαν ότι τα συστήματα τεχνητής νοημοσύνης μαθαίνουν πιο αποδοτικά όταν εκπαιδεύονται να χρησιμοποιούν εσωτερικό «μονολόγημα» σε συνδυασμό με συστήματα βραχυπρόθεσμης μνήμης.
- Η νέα μέθοδος επιτρέπει στην τεχνητή νοημοσύνη να προσαρμόζεται ευκολότερα σε νέες καταστάσεις, να διαχειρίζεται πολλαπλές εργασίες και να γενικεύει πιο αποτελεσματικά με λιγότερα δεδομένα εκπαίδευσης.
- Η έρευνα, δημοσιευμένη στο Neural Computation, βασίστηκε στην προσέγγιση να μιμείται ο AI τον ανθρώπινο εσωτερικό μονόλογο, κάτι που βοηθά στην οργάνωση σκέψεων και στη λήψη αποφάσεων.
Τεχνητή νοημοσύνη που «μιλά στον εαυτό της» φαίνεται να μαθαίνει πιο αποδοτικά, σύμφωνα με νέα έρευνα από την Ιαπωνία. Επιστήμονες του Ινστιτούτου Επιστήμης και Τεχνολογίας της Οκινάουα (OIST) διαπίστωσαν ότι τα μοντέλα τεχνητής νοημοσύνης μπορούν να βελτιώσουν την ικανότητά τους να προσαρμόζονται και να εκτελούν πολλαπλές εργασίες όταν εκπαιδεύονται με εσωτερικό «μονόλογο» και βραχυπρόθεσμη μνήμη.
Τα αποτελέσματα, που δημοσιεύθηκαν στο επιστημονικό περιοδικό Neural Computation στις 28 Ιανουαρίου, δείχνουν ότι ο συνδυασμός αυτοκατευθυνόμενης εσωτερικής ομιλίας και μνήμης εργασίας επιτρέπει στα συστήματα να γενικεύουν καλύτερα μεταξύ διαφορετικών εργασιών, χρησιμοποιώντας παράλληλα πολύ λιγότερα δεδομένα εκπαίδευσης σε σχέση με τις παραδοσιακές μεθόδους.
Μια προσέγγιση εμπνευσμένη από τον ανθρώπινο εγκέφαλο
Η ομάδα του OIST, υπό την καθοδήγηση του Δρ. Jeffrey Queißer από τη Μονάδα Έρευνας Γνωστικής Νευρορομποτικής, σχεδίασε την εκπαίδευση των συστημάτων της έτσι ώστε να μάθουν να «μιλούν» στον εαυτό τους, μιμούμενα τον τρόπο με τον οποίο οι άνθρωποι χρησιμοποιούν τον εσωτερικό διάλογο για να οργανώνουν σκέψεις και να λαμβάνουν αποφάσεις.
«Αυτή η μελέτη αναδεικνύει τη σημασία των αυτο-αλληλεπιδράσεων στον τρόπο που μαθαίνουμε», δήλωσε ο Δρ. Queißer. «Δείχνουμε ότι η μάθηση δεν εξαρτάται μόνο από την αρχιτεκτονική των συστημάτων τεχνητής νοημοσύνης, αλλά και από τις δυναμικές που ενσωματώνονται στη διαδικασία εκπαίδευσης».
Οι ερευνητές δοκίμασαν διαφορετικές δομές μνήμης σε εργασίες ποικίλης δυσκολίας. Συστήματα με πολλαπλές θέσεις μνήμης εργασίας – προσωρινές αποθήκες πληροφοριών – πέτυχαν καλύτερα αποτελέσματα σε σύνθετες δοκιμές, όπως η αναστροφή ακολουθιών ή η αναδημιουργία μοτίβων. Όταν προστέθηκαν «στόχοι αυτο-μουρμουρίσματος», δηλαδή εντολές για εσωτερικό διάλογο, η απόδοση βελτιώθηκε ακόμη περισσότερο σε πολυεπίπεδες εργασίες.
Επιπτώσεις για τη μελλοντική τεχνητή νοημοσύνη
Η προσέγγιση αυτή επιχειρεί να αντιμετωπίσει ένα μακροχρόνιο πρόβλημα της τεχνητής νοημοσύνης: τη γρήγορη εναλλαγή μεταξύ διαφορετικών εργασιών και την επίλυση άγνωστων προβλημάτων — ικανότητες που οι άνθρωποι διαθέτουν φυσικά, αλλά τα συστήματα δυσκολεύονται να αποκτήσουν.
«Το σύστημά μας είναι ιδιαίτερα ενδιαφέρον επειδή μπορεί να λειτουργεί με περιορισμένα δεδομένα, σε αντίθεση με τα εκτενή σύνολα δεδομένων που απαιτούνται συνήθως για την εκπαίδευση μοντέλων γενίκευσης», τόνισε ο Δρ. Queißer. «Προσφέρει μια ελαφριά, συμπληρωματική εναλλακτική λύση».
Η μελέτη εντάσσεται στο ευρύτερο ερευνητικό έργο της ομάδας, που στοχεύει στην κατανόηση των νευρικών μηχανισμών της ανθρώπινης μάθησης. Οι επιστήμονες σκοπεύουν να εφαρμόσουν την προσέγγιση αυτή σε πιο σύνθετα, ρεαλιστικά περιβάλλοντα πέρα από τα εργαστήρια.
«Στον πραγματικό κόσμο, λαμβάνουμε αποφάσεις και λύνουμε προβλήματα σε πολύπλοκα, δυναμικά περιβάλλοντα», ανέφερε ο Δρ. Queißer. «Μελετώντας φαινόμενα όπως η εσωτερική ομιλία, αποκτούμε νέες γνώσεις για τη βιολογία και τη συμπεριφορά του ανθρώπου, τις οποίες μπορούμε να αξιοποιήσουμε στην ανάπτυξη ρομπότ που θα λειτουργούν αποτελεσματικά σε οικιακά ή γεωργικά πλαίσια».
