Dieser KI-Algorithmus lernt einfache Aufgaben so schnell wie wir

Inspiriert von der Art und Weise, wie Menschen zu lernen scheinen, haben Wissenschaftler KI-Software entwickelt, die in der Lage ist, neues Wissen auf weitaus effizientere und ausgeklügeltere Weise aufzunehmen.





Abb. 1. Menschen können reichhaltige Konzepte aus begrenzten Daten lernen. (A und B) Ein einzelnes Beispiel eines neuen Konzepts (rote Kästchen) kann ausreichen, um die (i) Klassifizierung neuer Beispiele, (ii) die Generierung neuer Beispiele, (iii) das Zerlegen eines Objekts in Teile und Beziehungen ( nach Farbe segmentierte Teile) und (iv) Erzeugung neuer Konzepte aus verwandten Konzepten.

Das neue KI-Programm kann ein handgeschriebenes Zeichen ungefähr so ​​genau erkennen wie ein Mensch, nachdem es nur ein einziges Beispiel gesehen hat. Die besten bestehenden maschinellen Lernalgorithmen, die eine Technik namens Deep Learning verwenden, müssen viele tausend Beispiele eines handgeschriebenen Zeichens sehen, um den Unterschied zwischen A und Z zu lernen.

Die Software wurde entwickelt von Brenden See , ein Forscher an der New York University, zusammen mit Ruslan Salakhutdinov , Assistenzprofessor für Informatik an der University of Toronto, und Josua Tenenbaum , Professor am Department of Brain and Cognitive Sciences am MIT. Details des Programms und der Ideen dahinter werden heute in der Zeitschrift veröffentlicht Wissenschaft.

Computer sind in den letzten Jahren viel klüger geworden und lernen unter anderem, Gesichter zu erkennen, Sprache zu verstehen und sogar sicher Auto zu fahren. Und die meisten Fortschritte wurden mit großen oder tiefen neuronalen Netzen erzielt. Aber es gibt einen entscheidenden Nachteil dieser Systeme: Sie benötigen Unmengen von Daten, um zu lernen, wie man selbst die einfachste Aufgabe erledigt.

Diese Einschränkung ist größtenteils darauf zurückzuführen, dass die Algorithmen Informationen nicht so verarbeiten, wie wir es tun. Obwohl Deep Learning einem virtuellen Netzwerk von Neuronen nachempfunden ist – und der Ansatz zu sehr beeindruckenden Ergebnissen bei Wahrnehmungsaufgaben geführt hat – ist es eine sehr grobe Nachahmung der Funktionsweise des Gehirns. Ein Deep-Learning-Algorithmus ordnet die Pixel in einem Bild einem bestimmten Zeichen zu. Das Gehirn kann einige visuelle Reize auf ähnliche Weise verarbeiten, aber Menschen verwenden auch höhere Formen der kognitiven Funktion, um den Inhalt eines Bildes zu interpretieren.

Die Forscher verwendeten eine Technik, die sie Bayesian Program Learning Framework oder BPL nennen. Im Wesentlichen generiert die Software mit Strichen eines imaginären Stifts ein einzigartiges Programm für jede Figur. Eine probabilistische Programmiertechnik wird dann verwendet, um ein Programm an eine bestimmte Figur anzupassen oder um ein neues Programm für eine unbekannte Figur zu erzeugen. Die Software imitiert nicht die Art und Weise, wie Kinder lesen und schreiben lernen, sondern die Art und Weise, wie Erwachsene, die es bereits können, lernen, neue Zeichen zu erkennen und nachzubilden.

Das Wichtigste an der probabilistischen Programmierung – und ganz anders als die meisten Deep-Learning-Sachen – ist, dass sie mit einem Programm beginnt, das die kausalen Prozesse in der Welt beschreibt, sagt Tenenbaum. Was wir zu lernen versuchen, ist keine Signatur von Merkmalen oder ein Muster von Merkmalen. Wir versuchen, ein Programm zu lernen, das diese Zeichen generiert.

Tenenbaum und Kollegen testeten den Ansatz, indem sie sowohl Menschen als auch die Software neue Zeichen zeichnen ließen, nachdem sie ein handgeschriebenes Beispiel gesehen hatten, und dann eine Gruppe von Personen baten, zu beurteilen, ob ein Zeichen von einer Person oder einer Maschine geschrieben wurde. Sie fanden heraus, dass weniger als 25 Prozent der Richter den Unterschied erkennen konnten.

Das Team sagt, dass die Technik auf praktischere Anwendungen ausgeweitet werden könnte. Zum Beispiel könnte es Computern ermöglichen, schnell zu lernen, neue Wörter in der gesprochenen Sprache zu erkennen und zu verwenden. Oder es könnte einem Computer ermöglichen, neue Instanzen eines bestimmten Objekts zu erkennen. Ganz allgemein weist der Ansatz auf eine wichtige neue Richtung in der künstlichen Intelligenz hin, da sich die Forscher von der Erforschung der menschlichen Kognition inspirieren lassen.

Geoffrey Hinton , Professor für Psychologie an der University of Toronto, der eine Schlüsselrolle bei der Entwicklung von Deep Learning spielte, sagt, die Arbeit sei ein wichtiger Schritt für das Gebiet. Es ist ein wunderschönes Papier und ein sehr beeindruckendes Beispiel dafür, wie man aus nicht vielen Beispielen lernt, sagt er.

Hinton, der auch Doktorvater eines der Autoren der Arbeit, Salakhutdinov, war, sagt, dass KI-Forscher viele nützliche Dinge sowohl aus der Neurowissenschaft als auch aus der Kognitionswissenschaft lernen können. Er schlägt auch vor, dass Ansätze wie der für die Handschrifterkennung entwickelte tatsächlich mit Deep Learning kompatibel sein können. Ich denke, man kann das Beste aus beiden Welten haben, sagt er.

Gary Markus , ein Kognitionswissenschaftler an der New York University und Mitbegründer eines Unternehmens namens Geometric Intelligence, das auch maschinelle Lernansätze entwickelt, die vom menschlichen Verhalten inspiriert sind, sagt, er stimme nicht ganz zu, dass der menschliche Geist so funktioniert, wie in beschrieben Wissenschaft Papier. Aber er hält den Ansatz für ein wichtiges Ziel der KI, denn in vielen Situationen gibt es keine riesigen Datenmengen, aus denen eine Maschine lernen könnte.

Das Problem mit dem vorherrschenden Paradigma ist, dass es sehr, sehr datenhungrig ist, sagt Marcus. Das ist der Beweis, dass Sie schneller lernen können. Und ich denke, das ist etwas, worüber die Leute viel nachdenken werden.

Marcus fügt hinzu, dass Sprache die Killer-App für solche Systeme sein könnte. Viele Deep-Learning-Forscher arbeiten bereits an dieser Herausforderung (siehe Lehrmaschinen, uns zu verstehen), aber Marcus glaubt, dass Maschinen auf effizientere und flexiblere Weise lernen müssen, um sie zu meistern. Der wahre Wendepunkt in der KI wird kommen, wenn Maschinen tatsächlich Sprache verstehen können, sagt er. Nicht nur mittelmäßige Übersetzungen machen, sondern wirklich verstehen, was Sie meinen.

verbergen