Künstliche Intelligenz lernt, das Lernen aufrechtzuerhalten.

Eine neue Technik des maschinellen Lernens imitiert die Fähigkeit des Gehirns, sich an neue Umstände anzupassen.

Was wäre, wenn du nach dem Abschluss nicht mehr lernen würdest? Es klingt betäubend, aber so werden die meisten Maschinen-Lernsysteme ausgebildet. Sie beherrschen eine Aufgabe einmalig und werden dann eingesetzt. Aber einige Informatiker entwickeln jetzt eine künstliche Intelligenz, die wie das menschliche Gehirn kontinuierlich lernt und sich anpasst.

Algorithmen des maschinellen Lernens haben oft die Form eines neuronalen Netzwerks, einer großen Anzahl einfacher Computerelemente oder Neuronen, die über Verbindungen zwischen ihnen kommunizieren, die in Stärke oder „Gewicht“ variieren. Betrachten Sie einen Algorithmus, der entwickelt wurde, um Bilder zu erkennen. Wenn es während des Trainings ein Bild falsch beschriftet, werden die Gewichte angepasst. Wenn Fehler unter einen bestimmten Schwellenwert reduziert werden, werden die Gewichte bei den eingestellten Werten eingefroren.

Die neue Technik teilt jedes Gewicht in zwei Werte auf, die zusammengenommen beeinflussen, wie viel ein Neuron ein anderes aktivieren kann. Der erste Wert wird wie in traditionellen Systemen trainiert und eingefroren. Der zweite Wert passt sich jedoch kontinuierlich an die Umgebungsaktivität im Netzwerk an. Kritisch lernt der Algorithmus auch, wie einstellbar diese Gewichte sind. So lernt das neuronale Netzwerk Verhaltensmuster kennen, sowie, wie sehr es jeden Teil dieses Verhaltens als Reaktion auf neue Umstände modifizieren kann. Im Juli präsentierten die Forscher ihre Technik auf einer Konferenz in Stockholm, Schweden.

Mit Hilfe der Technik schuf das Team ein Netzwerk, das lernte, halb gelöschte Fotos zu rekonstruieren, nachdem es die vollständigen Bilder nur ein paar Mal gesehen hatte. Im Gegensatz dazu müsste ein traditionelles neuronales Netzwerk viel mehr Bilder sehen, bevor es das Original rekonstruieren kann. Die Forscher schufen auch ein Netzwerk, das lernte, handgeschriebene Buchstaben zu identifizieren, die im Gegensatz zu typisierten Buchstaben uneinheitlich sind, nachdem sie ein Beispiel gesehen hatten.

In einer weiteren Aufgabe kontrollierten neuronale Netzwerke einen Charakter, der sich in einem einfachen Labyrinth bewegt, um Belohnungen zu finden. Nach einer Million Versuchen konnte ein Netzwerk mit den neuen teilverstellbaren Gewichten jede Belohnung dreimal so oft pro Versuch finden wie ein Netzwerk mit nur festen Gewichten. Die statischen Teile der teilverstellbaren Gewichte scheinen die Struktur des Labyrinths gelernt zu haben, während die dynamischen Teile gelernt haben, sich an neue Belohnungsstandorte anzupassen. „Das ist wirklich mächtig“, sagt Nikhil Mishra, Informatiker an der University of California, Berkeley, der nicht an der Forschung beteiligt war, „weil sich die Algorithmen schneller an neue Aufgaben und neue Situationen anpassen können, genau wie Menschen.“

Thomas Miconi, Informatiker bei der Mitfahrzentrale Uber und Hauptautor der Zeitung, sagt, dass sein Team nun auch komplexere Aufgaben wie Robotersteuerung und Spracherkennung angehen will. In verwandten Arbeiten will Miconi die „Neuromodulation“ simulieren, eine sofortige netzwerkweite Anpassung der Anpassungsfähigkeit, die es dem Menschen ermöglicht, Informationen zu sammeln, wenn etwas Neues oder Wichtiges passiert.

Teilen Ist Liebe! ❤

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

shares