Сходство между человеком и обучением ИИ предлагает интуитивно понятные идеи дизайна

Новое исследование обнаружило сходство в том, как люди и искусственный интеллект интегрируют два типа обучения, предлагая новое понимание того, как люди учатся, а также о том, как разрабатывать более интуитивные инструменты ИИ.

Исследование есть опубликовано в Труды Национальной академии наукПолем

Во главе с Джейком Россином, постдокторским научным сотрудником в Информатика В Университете Брауна исследование, найденное путем обучения системы ИИ, которая гибкие и инкрементные режимы обучения взаимодействуют аналогично рабочей памяти и долговременной памяти у людей.

«Эти результаты помогают объяснить, почему человек выглядит как ученик, основанный на правилах, в некоторых обстоятельствах и постепенного ученика в других»,-сказал Россин. «Они также предлагают кое -что о том, что общего у самых новейших систем ИИ с человеческим мозгом».

Русский проходит совместное назначение в лабораториях Майкла Фрэнка, профессора когнитивных и психологических наук и директора Центра вычислительной науки о мозге в Институте науки о мозге Брауна, и Элли Павлик, доцент компьютерного наука, который возглавляет ИИ Научно -исследовательский институт по взаимодействию с ИИ в Брауне.

В зависимости от задачи люди приобретают новую информацию одним из двух способов. Для некоторых задач, таких как изучение правил тика-TAC-Toe, «в контексте» обучение позволяет людям быстро выяснять правила после нескольких примеров. В других случаях постепенное обучение основано на информации для улучшения понимания с течением времени, например, как медленная, устойчивая практика, связанная с обучением для воспроизведения песни на пианино.

В то время как исследователи знали, что люди и ИИ интегрируют обе формы обучения, неясно, как два типа обучения работают вместе. В ходе продолжающегося сотрудничества исследовательской группы, русский, чья работает машинное обучение и Вычислительная нейробиология-Разработала теория о том, что динамика может быть похожа на взаимодействие рабочей памяти человека и долговременной памяти.

Чтобы проверить эту теорию, русский использовал «мета-обучение»-тип обучения, который помогает системам искусственного интеллекта узнать о самом акте обучения-чтобы выявить ключевые свойства двух типов обучения. Эксперименты показали, что способность системы ИИ выполнять встроенное обучение после того, как она была получена с помощью нескольких примеров.

Один эксперимент, адаптированный из эксперимента на людях, протестирован для обучения в контексте, бросая вызов ИИ рекомбинировать аналогичные идеи, чтобы справиться с новыми ситуациями. Если бы ИИ преподавал о списке цветов и списке животных, может ли ИИ правильно идентифицировать комбинацию цвета и животного (например, зеленый жираф), которого он не видел ранее? После того, как ИИ мета-обучалась, будучи брошенным на 12 000 аналогичных задач, он приобрел способность успешно идентифицировать новые комбинации цветов и животных.

Результаты показывают, что как для людей, так и для ИИ более быстрое, гибкое в контекстное обучение возникает после того, как произошло определенное постепенное обучение.

«На первой настольной игре вам потребуется некоторое время, чтобы понять, как играть», – сказал Павлик. «К тому времени, когда вы изучите свою сотую настольную игру, вы можете быстро забрать правила игры, даже если вы никогда не видели эту конкретную игру раньше».

Команда также обнаружила компромиссы, в том числе между удержанием обучения и гибкостью: аналогично людям, тем сложнее ИИ правильно выполнить задачу, тем больше вероятность, что она помнит, как ее выполнить в будущем. По словам Фрэнка, который изучил этот парадокс у людей, это связано с тем, что ошибки позволяют мозгу обновлять информацию, хранящуюся в долговременной памяти, тогда как без ошибок действия, изученные в контексте, повышают гибкость, но не затрагивают долгосрочную память одинаково.

Для Фрэнка, который специализируется на создании биологически вдохновленных вычислительных моделей для понимания человеческого обучения и принятия решений, работа команды показало, как анализ сильных и слабых сторон различных стратегий обучения в искусственной нейронной сети может дать новое понимание о Человеческий мозгПолем

«Наши результаты достоверно сохраняются по нескольким задачам и объединяют разнородные аспекты человеческого обучения, которые нейробиологи не сгруппировали до сих пор», – сказал Фрэнк.

Работа также предлагает важные соображения для разработки интуитивно понятных и заслуживающих доверия инструментов ИИ, особенно в чувствительных областях, таких как психическое здоровье.

«Чтобы иметь полезных и заслуживающих доверия помощников искусственного интеллекта, познание человека и искусственного интеллекта должны знать, как работает каждый, и как они отличаются и одинаковы», – сказал Павлик. «Эти выводы – отличный первый шаг».