Kendi Kendini Öğreten Yapay Zeka İnsan Beyni ile Çok Ortak Noktaya Sahip Olabilir


on yıl boyunca şimdi, en etkileyici yapay zeka sistemlerinin çoğu, büyük bir etiketlenmiş veri envanteri kullanılarak öğretildi. Bir görüntü, örneğin tekir ile kaplanı doğru bir şekilde ayırt etmek için yapay bir sinir ağını “eğitmek” için “tekir kedi” veya “kaplan kedi” olarak etiketlenebilir. Strateji hem olağanüstü başarılı oldu hem de ne yazık ki yetersiz.

Bu tür “denetimli” eğitim, insanlar tarafından zahmetli bir şekilde etiketlenen verileri gerektirir ve sinir ağları genellikle kısayolları kullanır ve etiketleri minimal ve bazen yüzeysel bilgilerle ilişkilendirmeyi öğrenir. Örneğin, bir sinir ağı, bir ineğin fotoğrafını tanımak için çimenin varlığını kullanabilir, çünkü inekler tipik olarak tarlalarda fotoğraflanır.

“Lisans öğrencileri gibi bir nesil algoritmalar yetiştiriyoruz. [who] tüm sömestr boyunca derse gelmediler ve finalden bir gece önce tıklım tıklım tıklım tıklım oluyorlar” dedi. Alexey Efros, California Üniversitesi, Berkeley’de bir bilgisayar bilimcisi. “Materyali gerçekten öğrenmiyorlar, ancak testte başarılılar.”

Dahası, hayvan ve makine zekasının kesişimiyle ilgilenen araştırmacılar için bu “denetimli öğrenme” biyolojik beyinler hakkında ortaya koyabilecekleriyle sınırlı olabilir. Hayvanlar (insanlar dahil) öğrenmek için etiketli veri kümelerini kullanmaz. Çoğunlukla çevreyi kendi başlarına keşfederler ve bunu yaparken dünya hakkında zengin ve sağlam bir anlayış kazanırlar.

Şimdi bazı hesaplamalı sinirbilimciler, insan etiketli çok az veriyle veya hiç veri olmadan eğitilmiş sinir ağlarını keşfetmeye başladılar. Bu “kendi kendini denetleyen öğrenme” algoritmaları, insan dilini modelleme ve daha yakın zamanda görüntü tanıma. Son zamanlarda yapılan çalışmalarda, kendi kendini denetleyen öğrenme modelleri kullanılarak oluşturulan memeli görsel ve işitsel sistemlerinin hesaplamalı modelleri, denetimli öğrenme benzerlerine göre beyin işlevine daha yakın bir uyum göstermiştir. Bazı sinirbilimcilere göre, yapay ağlar beynimizin öğrenmek için kullandığı bazı gerçek yöntemleri ortaya çıkarmaya başlıyor gibi görünüyor.

Kusurlu Denetim

Yapay sinir ağlarından ilham alan beyin modelleri yaklaşık 10 yıl önce, yaklaşık olarak aynı zamanda AlexNet bilinmeyen görüntüleri sınıflandırma görevinde devrim yarattı. Bu ağ, tüm sinir ağları gibi, yapay nöron katmanlarından, birbirlerine güç veya “ağırlık” olarak değişebilen bağlantılar oluşturan hesaplama birimlerinden yapılmıştır. Bir sinir ağı bir görüntüyü doğru bir şekilde sınıflandıramazsa, öğrenme algoritması, bir sonraki eğitim turunda bu yanlış sınıflandırmayı daha az olası kılmak için nöronlar arasındaki bağlantıların ağırlıklarını günceller. Algoritma, ağın hata oranı kabul edilebilir derecede düşük olana kadar bu işlemi tüm eğitim görüntüleriyle, ağırlıkları değiştirerek birçok kez tekrarlar.

Berkeley’deki California Üniversitesi’nde bilgisayar bilimcisi olan Alexei Efros, modern yapay zeka sistemlerinin çoğunun insan yapımı etiketlere fazla bağımlı olduğunu düşünüyor. “Malzemeyi gerçekten öğrenmiyorlar” dedi.Alexei Efros’un izniyle

Aynı zamanda, sinirbilimciler ilk hesaplamalı modellerini geliştirdiler. primat görme sistemiAlexNet ve halefleri gibi sinir ağlarını kullanarak. Birlik umut verici görünüyordu: Örneğin, maymunlara ve yapay sinir ağlarına aynı görüntüler gösterildiğinde, gerçek nöronların ve yapay nöronların aktivitesi ilgi çekici bir yazışma gösterdi. Bunu yapay işitme ve koku algılama modelleri izledi.

Ancak alan ilerledikçe, araştırmacılar denetimli eğitimin sınırlamalarını fark ettiler. Örneğin, 2017’de, o zamanlar Almanya’daki Tübingen Üniversitesi’nde bilgisayar bilimcisi olan Leon Gatys ve meslektaşları, bir Ford Model T’nin resmini çektiler, ardından fotoğrafın üzerine bir leopar derisi deseni yerleştirdiler ve tuhaf ama kolayca tanınabilir bir görüntü oluşturdular. . Önde gelen bir yapay sinir ağı, orijinal görüntüyü Model T olarak doğru bir şekilde sınıflandırdı, ancak değiştirilmiş görüntüyü bir leopar olarak kabul etti. Dokuya odaklanmıştı ve bir arabanın (ya da bu konuda bir leoparın) şeklini anlamamıştı.

Kendi kendini denetleyen öğrenme stratejileri, bu tür sorunlardan kaçınmak için tasarlanmıştır. Bu yaklaşımda, insanlar verileri etiketlemez. Aksine, “etiketler verilerin kendisinden gelir” dedi. Friedemann Zenke, İsviçre Basel’deki Friedrich Miescher Biyomedikal Araştırma Enstitüsü’nde hesaplamalı bir sinirbilimci. Kendi kendini denetleyen algoritmalar, esasen verilerde boşluklar yaratır ve sinir ağından boşlukları doldurmasını ister. Sözde büyük dil modelinde, örneğin, eğitim algoritması sinir ağına bir cümlenin ilk birkaç kelimesini gösterecek ve bir sonraki kelimeyi tahmin etmesini isteyecektir. Model, internetten derlenen devasa bir metin külliyatı ile eğitildiğinde, öğreniyor gibi görünüyor etkileyici dil yeteneği sergileyen dilin sözdizimsel yapısı – hepsi harici etiketler veya denetimler olmadan.



Kaynak : https://www.wired.com/story/self-taught-ai-may-have-a-lot-in-common-with-the-human-brain/

Yorum yapın

SMM Panel PDF Kitap indir