211service.com
Twee rivaliserende AI-benaderingen worden gecombineerd om machines als een kind over de wereld te laten leren
Foto van DE LEERDER VAN HET NEURO-SYMBOLISCHE CONCEPT: SCNES, WOORDEN EN ZINNEN TOLEREREN VAN NATUURLIJKE TOEZICHT; Bewerkt door MIT Technology Review
In de afgelopen decennia sinds het begin van kunstmatige intelligentie is onderzoek in het veld in twee hoofdkampen gevallen. De symbolisten hebben geprobeerd intelligente machines te bouwen door logische regels en representaties van de wereld te coderen. De connectionisten hebben geprobeerd kunstmatige neurale netwerken te bouwen, geïnspireerd door de biologie, om meer over de wereld te weten te komen. De twee groepen kunnen historisch gezien niet met elkaar overweg.
Maar een nieuw papier van MIT, IBM en DeepMind toont de kracht van het combineren van de twee benaderingen, wat misschien een weg voorwaarts wijst voor het veld. Het team, onder leiding van Josh Tenenbaum , een professor aan MIT's Centrum voor Hersenen, Geesten en Machines , creëerde een computerprogramma genaamd een neuro-symbolic concept learner (NS-CL) dat de wereld leert (zij het een vereenvoudigde versie) net zoals een kind dat zou kunnen - door om zich heen te kijken en te praten.
Het systeem bestaat uit meerdere onderdelen. Eén neuraal netwerk wordt getraind op een reeks scènes die bestaat uit een klein aantal objecten. Een ander neuraal netwerk wordt getraind op een reeks op tekst gebaseerde vraag-antwoordparen over de scène, zoals Q: Wat is de kleur van de bol? een: rood. Dit netwerk leert de natuurlijke taalvragen in kaart te brengen in een eenvoudig programma dat op een scène kan worden uitgevoerd om een antwoord te produceren.
Het NS-CL-systeem is ook geprogrammeerd om symbolische concepten in tekst te begrijpen, zoals objecten, objectattributen en ruimtelijke relaties. Die kennis helpt NS-CL om nieuwe vragen over een andere scène te beantwoorden - een soort prestatie die veel uitdagender is met alleen een connectionistische benadering. Het systeem herkent zo concepten in nieuwe vragen en kan deze visueel relateren aan de scène ervoor.
'Dit is een spannende benadering', zegt Brendenmeer , een assistent-professor aan de NYU. 'Neurale patroonherkenning stelt het systeem in staat om' zien , terwijl symbolische programma's het systeem toestaan om reden . Samen gaat de aanpak verder dan wat de huidige deep learning-systemen kunnen.'
Met andere woorden, het hybride systeem lost de belangrijkste beperkingen van beide eerdere benaderingen op door ze te combineren. Het overwint de schaalbaarheidsproblemen van symboliek, die in het verleden moeite heeft gehad om de complexiteit van menselijke kennis op een efficiënte manier te coderen. Maar het pakt ook een van de meest voorkomende problemen met neurale netwerken aan: het feit dat ze enorme hoeveelheden gegevens nodig hebben.
Het is mogelijk om alleen een neuraal netwerk te trainen om vragen over een scène te beantwoorden door miljoenen voorbeelden in te voeren als trainingsgegevens. Maar een mensenkind heeft niet zo'n enorme hoeveelheid gegevens nodig om te begrijpen wat een nieuw object is of hoe het zich verhoudt tot andere objecten. Ook heeft een netwerk dat op die manier is getraind, geen echt begrip van de betrokken concepten - het is gewoon een enorme oefening om patronen te matchen. Zo'n systeem zou dus geneigd zijn om hele domme fouten te maken wanneer het wordt geconfronteerd met nieuwe scenario's. Dit is een veelvoorkomend probleem met de huidige neurale netwerken en ondersteunt tekortkomingen die gemakkelijk aan het licht komen (zie het taalprobleem van AI).
Connectionisme-puristen kunnen bezwaar maken tegen het feit dat het systeem enige kennis vereist om hard gecodeerd te zijn. Maar het werk is belangrijk omdat het ons dichter bij het ontwikkelen van een vorm van intelligentie brengt die meer op de onze lijkt. Cognitieve wetenschappers zijn van mening dat de menselijke geest een aantal vergelijkbare stappen doorloopt en dat dit de flexibiliteit van menselijk leren ondersteunt.
Praktischer zou het ook nieuwe toepassingen van AI kunnen ontsluiten, omdat de nieuwe technologie veel minder trainingsgegevens vereist. Robotsystemen kunnen bijvoorbeeld eindelijk on-the-fly leren, in plaats van veel tijd te besteden aan training voor elke unieke omgeving waarin ze zich bevinden.
Dit is echt spannend omdat het ons voorbij deze afhankelijkheid van enorme hoeveelheden gelabelde gegevens zal brengen, zegt David Cox , de wetenschapper die het MIT-IBM Watson AI-lab leidt.
De onderzoekers achter de studie ontwikkelen nu een versie die werkt op foto's van echte scènes. Dit zou waardevol kunnen zijn voor veel praktische toepassingen van computervisie.