AI pričajući sama sa sobom lakše uči, prilagođava se i istodobno obavlja više zadataka

Razgovaranje sa samim sobom osobina je koja se doživljava kao inherentno ljudska. Naši unutarnji monolozi pomažu nam u organiziranju misli, donošenju odluka i razumijevanju vlastitih emocija. Međutim, nisu samo ljudi ti koji mogu imati koristi od takvog samogovora.

U radu objavljenom u časopisu Neural Computation znanstvenici s Okinawa Institute of Science and Technology OIST-a prikazuju potencijal unutarnjeg govora za unapređenje učenja umjetne inteligencije, pokazujući kako se modeli umjetne inteligencije lakše generaliziraju na različite zadatke kada su potpomognuti unutarnjim govorom i kratkoročnom memorijom.

„Ova studija naglašava važnost samointerakcija u načinu na koji učimo. Strukturiranjem podataka za učenje na način koji naš sustav uči da govori sam sa sobom pokazujemo da učenje nije oblikovano samo arhitekturom naših sustava umjetne inteligencije, već i dinamikom interakcija ugrađenom u postupke učenja”, kaže prvi autor rada dr. Jeffrey Queißer, znanstveni suradnik u Istraživačkoj jedinici za kognitivnu neurorobotiku pri OIST-u.

Kombiniranjem samousmjerenog „mrmljanja” s jedinstvenom arhitekturom radne memorije istraživači su poboljšali način na koji njihovi modeli umjetne inteligencije uče, prilagođavaju se novim situacijama i istodobno obavljaju više zadataka.

Modeliranje nadahnuto mozgom za učenje umjetne inteligencije

Tim se već dugo bavi sadržajno agnostičkom obradom informacija, odnosno sposobnošću izvođenja zadataka izvan konkretnih situacija s kojima se sustav ranije susreo, učenjem općih metoda i operacija.

„Brzo prebacivanje između zadataka i rješavanje nepoznatih problema nešto je što mi ljudi svakodnevno činimo s lakoćom. Za umjetnu inteligenciju to je, međutim, znatno zahtjevnije”, ističe dr. Queißer. „Zbog toga primjenjujemo interdisciplinarni pristup, povezujući razvojnu neuroznanost i psihologiju s učenjem strojeva i robotikom, kao i s drugim područjima, kako bismo pronašli nove načine razmišljanja o učenju i usmjerili budući razvoj umjetne inteligencije.”

Istraživači su se u početnoj fazi usredotočili na memorijsku arhitekturu modela umjetne inteligencije, ispitujući važnost radne memorije za generalizaciju zadataka. Od pamćenja uputa do brzog mentalnog računanja, radna memorija predstavlja kratkoročnu sposobnost sustava da zadrži i primijeni informacije.

Simuliranjem zadataka različite razine složenosti ispitali su učinkovitost različitih memorijskih struktura te pokazali da sustavi koji uključuju više utora radne memorije, privremenih spremnika za pojedine informacije, postižu bolju generalizaciju u zahtjevnim zadacima poput obrtanja redoslijeda i ponovnog stvaranja obrazaca.

Uvođenjem ciljeva samomrmljanja, odnosno nalažući sustavu da određeni broj puta govori sam sa sobom, istraživači su ostvarili bolje rezultate, osobito pri istodobnom obavljanju više zadataka ili pri izvršavanju zadataka koji se sastoje od velikog broja koraka.

„Naš kombinirani sustav osobito je zanimljiv jer može funkcionirati s oskudnim količinama podataka, za razliku od opsežnih skupova koji su inače potrebni za učenje takvih modela s ciljem generalizacije. Time se nudi komplementarno i lagano rješenje”, naglašava dr. Queißer.

Učiti kako učinkovitije učiti

Gledajući unaprijed, istraživači planiraju uvesti složenije i manje uređene uvjete. Dr. Queißer navodi „U stvarnom svijetu odluke donosimo i probleme rješavamo u složenim, bučnim i dinamičnim okruženjima. Kako bismo vjernije odražavali ljudsko razvojno učenje, moramo uzeti u obzir takve vanjske čimbenike.”

To se uklapa u opći cilj tima da razumije neuronske osnove ljudskog učenja.

„Istraživanjem pojava poput unutarnjeg govora i razumijevanjem mehanizama takvih procesa stječemo temeljne nove uvide u ljudsku biologiju i ponašanje”, zaključuje dr. Queißer.

„Ta se znanja mogu primijeniti i u praksi, primjerice u razvoju kućanskih ili poljoprivrednih robota sposobnih za djelovanje u složenim i dinamičnim okruženjima.”