211service.com
Zwei konkurrierende KI-Ansätze kombinieren sich, um Maschinen die Welt wie ein Kind lernen zu lassen
Foto von THE NEURO-SYMBOLIC CONCEPT LEARNER: INTERPRETIEREN VON SZENEN, WÖRTERN UND SÄTZEN AUS NATÜRLICHER ÜBERWACHUNG; Herausgegeben von MIT Technology Review
Im Laufe der Jahrzehnte seit den Anfängen der künstlichen Intelligenz ist die Forschung auf diesem Gebiet in zwei Hauptlager zerfallen. Die Symbolisten haben versucht, intelligente Maschinen zu bauen, indem sie logische Regeln und Darstellungen der Welt einkodierten. Die Konnektionisten haben versucht, künstliche neuronale Netze zu konstruieren, die von der Biologie inspiriert sind, um etwas über die Welt zu lernen. Die beiden Gruppen haben sich historisch nicht verstanden.
Aber ein neues Papier von MIT, IBM und DeepMind zeigt die Leistungsfähigkeit der Kombination der beiden Ansätze und weist möglicherweise einen Weg nach vorne für das Feld. Das Team, angeführt von Josh Tenenbaum , Professor am MIT Zentrum für Gehirne, Köpfe und Maschinen , erstellte ein Computerprogramm namens Neuro-Symbolic Concept Learner (NS-CL), das die Welt (wenn auch in einer vereinfachten Version) genauso lernt wie ein Kind – indem es sich umschaut und spricht.
Das System besteht aus mehreren Teilen. Ein neuronales Netzwerk wird mit einer Reihe von Szenen trainiert, die aus einer kleinen Anzahl von Objekten bestehen. Ein anderes neuronales Netzwerk wird mit einer Reihe von textbasierten Frage-Antwort-Paaren zur Szene trainiert, z. B. F: Welche Farbe hat die Kugel? A: Rot. Dieses Netzwerk lernt, die Fragen in natürlicher Sprache einem einfachen Programm zuzuordnen, das in einer Szene ausgeführt werden kann, um eine Antwort zu erzeugen.
Das NS-CL-System ist auch so programmiert, dass es symbolische Konzepte in Text wie Objekte, Objektattribute und räumliche Beziehungen versteht. Dieses Wissen hilft NS-CL dabei, neue Fragen zu einer anderen Szene zu beantworten – eine Leistung, die mit einem konnektionistischen Ansatz allein weitaus schwieriger ist. Das System erkennt somit Konzepte in neuen Fragen und kann diese visuell mit der Szene davor in Beziehung setzen.
'Das ist ein spannender Ansatz', sagt er Brenden See , Assistenzprofessor an der NYU. „Die neuronale Mustererkennung ermöglicht es dem System sehen , während symbolische Programme es dem System ermöglichen Grund . Zusammengenommen geht der Ansatz über das hinaus, was aktuelle Deep-Learning-Systeme leisten können.“
Mit anderen Worten adressiert das hybride System die Haupteinschränkungen beider früherer Ansätze, indem es sie kombiniert. Es überwindet die Skalierbarkeitsprobleme der Symbolik, die in der Vergangenheit darum gekämpft hat, die Komplexität des menschlichen Wissens auf effiziente Weise zu codieren. Aber es geht auch eines der häufigsten Probleme neuronaler Netze an: die Tatsache, dass sie riesige Datenmengen benötigen.
Es ist möglich, nur ein neuronales Netzwerk darauf zu trainieren, Fragen zu einer Szene zu beantworten, indem Millionen von Beispielen als Trainingsdaten eingegeben werden. Aber ein menschliches Kind benötigt nicht so viele Daten, um zu verstehen, was ein neues Objekt ist oder wie es sich auf andere Objekte bezieht. Außerdem hat ein auf diese Weise trainiertes Netzwerk kein wirkliches Verständnis der beteiligten Konzepte – es ist nur eine umfangreiche Mustervergleichsübung. Ein solches System wäre also anfällig für sehr dumme Fehler, wenn es mit neuen Szenarien konfrontiert wird. Dies ist ein häufiges Problem bei den heutigen neuronalen Netzen und untermauert Mängel, die leicht aufgedeckt werden können (siehe Sprachproblem der KI).
Puristen des Konnektionismus mögen der Tatsache widersprechen, dass das System ein gewisses Wissen erfordert, um fest einprogrammiert zu werden. Aber die Arbeit ist wichtig, weil sie uns der Entwicklung einer Form von Intelligenz näher bringt, die unserer eigenen ähnlicher zu sein scheint. Kognitionswissenschaftler glauben, dass der menschliche Geist einige ähnliche Schritte durchläuft und dass dies die Flexibilität des menschlichen Lernens untermauert.
Praktischer gesagt könnte es auch neue Anwendungen der KI erschließen, da die neue Technologie weitaus weniger Trainingsdaten benötigt. Robotersysteme könnten zum Beispiel endlich spontan lernen, anstatt viel Zeit mit dem Training für jede einzigartige Umgebung zu verbringen, in der sie sich befinden.
Das ist wirklich aufregend, weil es uns diese Abhängigkeit von riesigen Mengen gekennzeichneter Daten überwinden wird, sagt er David Cox , der Wissenschaftler, der das KI-Labor von MIT-IBM Watson leitet.
Die Forscher hinter der Studie entwickeln nun eine Version, die mit Fotografien realer Szenen arbeitet. Dies könnte sich für viele praktische Anwendungen von Computer Vision als wertvoll erweisen.