Pozrite si
Hoci je umelá inteligencia mozgu čoraz viac podobná, pamäť nie je práve oblasťou, na ktorej by sa snažila stavať. Neurónové siete sa zvyčajne naučia všetko, čo potrebujú vedieť pre danú úlohu, namiesto toho aby stavali na základe vlastných skúseností, ako to robí mozog.
Tím výskumníkov v DeepMind (patrí pod materskú spoločnosť Google Alphabet) dúfa, že sa to môže zmeniť. Vedci vytvorili algoritmus známy ako „elastické váhové uvažovanie“ (Elastic Weight Consideration, EWC), ktorý umožňuje neurónovým sieťam „pamätať si“ minulé vedomosti a efektívnejšie sa učiť. Podobne funguje aj náš mozog.
Tak ako je tomu u synapsií, ktoré majú tendenciu zachovať spojenie medzi neurónmi, ktoré bolo použité v minulosti, algoritmus rozhodne, aké dôležité je daná spojenie s pridruženou úlohou. Pri testoch DeepMind použil 10 klasických videohier pre Atari.
Umelá inteligencia sa nemusela učiť hrať každú z nich osobitne, ale získané skúsenosti z jednej hry uplatňovala aj pri ostatných.
Pri testovaní boli použité hlboké neurónové siete Deep Q-Network (DQN). V podstate hlbokej neurónovej sieti stačilo pomocou algoritmu EWC naučiť sa hrať jednu hru a následne preniesť naučené na úplne novú hru.
Výkon „posilnenej“ neurónovej siete algoritmu EWC DeepMind v porovnaní s ďalšími sieťami.
Systém však nie je dokonalý. Hoci sa dokáže učiť zo svojich predchádzajúcich skúseností a zapamätať si užitočné informácie, nie je rovnako efektívny ako neurónová sieť, ktorá je naprogramovaná len na jednu hru. (DeepMind vytvorila aj počítač AlphaGo, ktorý porazil svetového veľmajstra v hre Go.)
Takáto neurónová sieť „pozná z každej úlohy základy, ale nedosahuje úroveň majstra“.
Podľa Jamesa Kirkpatricka z DeepMind sa ukázalo, že umelá inteligencia zvládne sekvenčné učenie, ale zatiaľ sa touto cestou nedosiahlo zlepšenie efektivity učenia. Cieľom ďalších krokov bude snaha využiť sekvenčné učenie a zároveň sa pokúsiť zlepšiť reálne výsledky učenia.
Zdroj