Questo algoritmo di intelligenza artificiale apprende compiti semplici alla stessa velocità di noi

Prendendo ispirazione dal modo in cui gli esseri umani sembrano apprendere, gli scienziati hanno creato un software di intelligenza artificiale in grado di acquisire nuove conoscenze in un modo molto più efficiente e sofisticato.

Fig. 1. Le persone possono apprendere concetti ricchi da dati limitati. (A e B) Un singolo esempio di un nuovo concetto (riquadri rossi) può essere un'informazione sufficiente per supportare la (i) classificazione di nuovi esempi, (ii) generazione di nuovi esempi, (iii) analisi di un oggetto in parti e relazioni ( parti segmentate per colore) e (iv) generazione di nuovi concetti da concetti correlati.

Il nuovo programma di intelligenza artificiale è in grado di riconoscere un carattere scritto a mano con la stessa precisione di un essere umano, dopo aver visto un solo esempio. I migliori algoritmi di apprendimento automatico esistenti, che utilizzano una tecnica chiamata deep learning, necessitano di vedere molte migliaia di esempi di caratteri scritti a mano per imparare la differenza tra una A e una Z.

Il software è stato sviluppato da Lago Brenda , ricercatore presso la New York University, insieme a Ruslan Salakhutdinov , assistente professore di informatica presso l'Università di Toronto, e Giosuè Tenenbaum , professore presso il Dipartimento di Scienze cerebrali e cognitive del MIT. I dettagli del programma e le idee alla base sono pubblicati oggi sulla rivista Scienza.

I computer sono diventati molto più intelligenti negli ultimi anni, imparando a riconoscere i volti, a capire il parlato e persino a guidare le auto in sicurezza, tra molte altre cose. E la maggior parte dei progressi è stata fatta utilizzando reti neurali grandi o profonde. Ma c'è uno svantaggio cruciale di questi sistemi: richiedono una gran quantità di dati per imparare a svolgere anche il compito più semplice.

Questa limitazione è in gran parte dovuta al fatto che gli algoritmi non elaborano le informazioni come noi. Sebbene il deep learning sia modellato su una rete virtuale di neuroni, e l'approccio ha prodotto risultati molto impressionanti nei compiti percettivi, è un'imitazione molto approssimativa del modo in cui funziona il cervello. Un algoritmo di deep learning associa i pixel di un'immagine a un carattere particolare. Il cervello può elaborare alcuni stimoli visivi in ​​modo simile, ma gli esseri umani usano anche forme superiori di funzione cognitiva per interpretare il contenuto di un'immagine.

I ricercatori hanno utilizzato una tecnica che chiamano il framework di apprendimento del programma bayesiano, o BPL. In sostanza, il software genera un programma unico per ogni personaggio usando tratti di una penna immaginaria. Una tecnica di programmazione probabilistica viene quindi utilizzata per abbinare un programma a un carattere particolare o per generare un nuovo programma per uno sconosciuto. Il software non imita il modo in cui i bambini acquisiscono la capacità di leggere e scrivere, ma piuttosto il modo in cui gli adulti, che già sanno come, imparano a riconoscere e ricreare nuovi personaggi.

La cosa fondamentale della programmazione probabilistica, e piuttosto diversa dal modo in cui funziona la maggior parte del materiale di deep learning, è che inizia con un programma che descrive i processi causali nel mondo, afferma Tenenbaum. Quello che stiamo cercando di imparare non è una firma di caratteristiche, o uno schema di caratteristiche. Stiamo cercando di imparare un programma che generi quei personaggi.

Tenenbaum e colleghi hanno testato l'approccio facendo disegnare nuovi personaggi sia agli esseri umani che al software dopo aver visto un esempio scritto a mano, e poi chiedendo a un gruppo di persone di giudicare se un personaggio è stato scritto da una persona o da una macchina. Hanno scoperto che meno del 25% dei giudici era in grado di distinguere.

Il team afferma che la tecnica potrebbe essere estesa ad applicazioni più pratiche. Ad esempio, potrebbe consentire ai computer di imparare rapidamente a riconoscere e utilizzare nuove parole nella lingua parlata. Oppure potrebbe consentire a un computer di riconoscere nuove istanze di un particolare oggetto. Più in generale, l'approccio punta a un'importante nuova direzione nell'intelligenza artificiale, poiché i ricercatori traggono ispirazione dalla ricerca sulla cognizione umana.

Geoffrey Hinton , professore di psicologia all'Università di Toronto che ha svolto un ruolo chiave nello sviluppo del deep learning, afferma che il lavoro è un passo importante per il campo. È un bellissimo documento e un esempio davvero impressionante di imparare da non molti esempi, dice.

Hinton, che è stato anche il consulente per il dottorato di ricerca di uno degli autori del documento, Salakhutdinov, afferma che i ricercatori di intelligenza artificiale possono imparare molte cose utili sia dalle neuroscienze che dalle scienze cognitive. Suggerisce anche che approcci come quello sviluppato per il riconoscimento della grafia, infatti, possono essere compatibili con il deep learning. Penso che tu possa avere il meglio di entrambi i mondi, dice.

Gary Marco , uno scienziato cognitivo alla New York University e cofondatore di una società chiamata Geometric Intelligence, che sta anche sviluppando approcci di apprendimento automatico ispirati al comportamento umano, afferma di non essere del tutto d'accordo sul fatto che la mente umana funzioni nel modo descritto nel Scienza carta. Ma pensa che l'approccio mostri un obiettivo importante per l'IA, perché in molte situazioni non ci sono enormi quantità di dati da cui una macchina possa imparare.

Il problema con il paradigma dominante è che è molto, molto affamato di dati, dice Marcus. Questa è la prova che puoi imparare più velocemente. E penso che sia qualcosa a cui la gente penserà molto.

Marcus aggiunge che il linguaggio potrebbe essere l'app killer per tali sistemi. Molti ricercatori di deep learning stanno già lavorando a questa sfida (vedi Insegnare alle macchine per capirci), ma Marcus ritiene che le macchine dovranno imparare in modi più efficienti e flessibili per risolverla. Il vero punto di svolta nell'IA arriverà quando le macchine potranno effettivamente capire il linguaggio, dice. Non solo fare traduzioni mediocri, ma capire davvero cosa intendi.

nascondere