211service.com
Due approcci di IA rivali si combinano per consentire alle macchine di conoscere il mondo come un bambino
Foto da LO STUDENTE DI CONCETTO NEURO-SIMBOLIC: INTERPRETARE SCENE, PAROLE E FRASE DALLA SUPERVISIONE NATURALE; A cura di MIT Technology Review
Nel corso dei decenni dall'inizio dell'intelligenza artificiale, la ricerca nel campo si è suddivisa in due campi principali. I simbolisti hanno cercato di costruire macchine intelligenti codificando regole logiche e rappresentazioni del mondo. I connessionisti hanno cercato di costruire reti neurali artificiali, ispirate alla biologia, per conoscere il mondo. I due gruppi storicamente non sono andati d'accordo.
Ma un nuova carta di MIT, IBM e DeepMind mostra il potere di combinare i due approcci, forse indicando una via da seguire per il campo. La squadra, guidata da Josh Tenenbaum , professore al MIT Centro per cervelli, menti e macchine , ha creato un programma per computer chiamato Neuro-Simbolico Concept Learner (NS-CL) che impara a conoscere il mondo (anche se in una versione semplificata) proprio come un bambino, guardandosi intorno e parlando.
Il sistema è composto da più pezzi. Una rete neurale viene addestrata su una serie di scene composte da un piccolo numero di oggetti. Un'altra rete neurale viene addestrata su una serie di coppie di domande e risposte basate su testo sulla scena, ad esempio Q: Qual è il colore della sfera? Un rosso. Questa rete impara a mappare le domande del linguaggio naturale su un semplice programma che può essere eseguito su una scena per produrre una risposta.
Il sistema NS-CL è anche programmato per comprendere concetti simbolici nel testo come oggetti, attributi di oggetti e relazioni spaziali. Questa conoscenza aiuta NS-CL a rispondere a nuove domande su una scena diversa, un tipo di impresa che è molto più impegnativa utilizzando solo un approccio connessionista. Il sistema riconosce così i concetti nelle nuove domande e può metterli in relazione visivamente con la scena precedente.
'Questo è un approccio entusiasmante', afferma Lago Brenda , assistente professore alla New York University. 'Il riconoscimento del pattern neurale consente al sistema di vedere , mentre i programmi simbolici consentono al sistema di farlo Motivo . Insieme, l'approccio va oltre ciò che gli attuali sistemi di deep learning possono fare.'
In altre parole, il sistema ibrido affronta i limiti chiave di entrambi gli approcci precedenti combinandoli. Supera i problemi di scalabilità del simbolismo, che storicamente ha lottato per codificare la complessità della conoscenza umana in modo efficiente. Ma affronta anche uno dei problemi più comuni con le reti neurali: il fatto che necessitano di enormi quantità di dati.
È possibile addestrare solo una rete neurale per rispondere a domande su una scena alimentando milioni di esempi come dati di addestramento. Ma un bambino umano non ha bisogno di una così grande quantità di dati per capire cos'è un nuovo oggetto o come si relaziona con altri oggetti. Inoltre, una rete addestrata in questo modo non ha una reale comprensione dei concetti coinvolti: è solo un vasto esercizio di corrispondenza dei modelli. Quindi un tale sistema sarebbe incline a commettere errori molto stupidi di fronte a nuovi scenari. Questo è un problema comune con le reti neurali odierne e alla base di carenze che sono facilmente smascherate (vedi il problema del linguaggio dell'IA).
I puristi del connessionismo possono obiettare al fatto che il sistema richiede una certa conoscenza per essere codificato. Ma il lavoro è importante perché ci spinge più vicino alla progettazione di una forma di intelligenza che sembra più simile alla nostra. Gli scienziati cognitivi credono che la mente umana attraversi alcuni passaggi simili e che questo sia alla base della flessibilità dell'apprendimento umano.
Più praticamente, potrebbe anche sbloccare nuove applicazioni dell'IA perché la nuova tecnologia richiede molti meno dati di allenamento. I sistemi robotici, ad esempio, potrebbero finalmente imparare al volo, piuttosto che dedicare molto tempo alla formazione per ogni ambiente unico in cui si trovano.
Questo è davvero eccitante perché ci farà superare questa dipendenza da enormi quantità di dati etichettati, dice David Cox , lo scienziato che guida il laboratorio di intelligenza artificiale MIT-IBM Watson.
I ricercatori dietro lo studio stanno ora sviluppando una versione che funziona su fotografie di scene reali. Questo potrebbe rivelarsi utile per molte applicazioni pratiche della visione artificiale.