Affrontare la curva di apprendimento la lotta dell’Intelligenza Artificiale con la memorizzazione della memoria

Affrontare la curva di apprendimento nell'Intelligenza Artificiale e la memorizzazione della memoria

Alla luce dell’espansione continua dei confini dell’intelligenza artificiale (IA), i ricercatori si scontrano con una delle sfide più grandi nel campo: la perdita di memoria. Nell’ambito dell’IA, questo fenomeno è conosciuto come “catastrofico oblio” e ostacola seriamente il progresso dell’apprendimento automatico, imitando la natura sfuggente dei ricordi umani. Un gruppo di ingegneri elettrici dell’Università dello Stato dell’Ohio sta studiando come l’apprendimento continuo, ovvero la capacità di un computer di acquisire costantemente conoscenze da una serie di compiti, influisca sulle prestazioni globali degli agenti di IA.

Colmare il Divario tra L’Apprendimento Umano e Quello Macchinale

Ness Shroff, uno studioso eminente dell’Ohio e professore di informatica e ingegneria presso l’Università dello Stato dell’Ohio, sottolinea l’importanza di superare questa sfida. “Quando le applicazioni di guida automatica o altri sistemi robotici imparano cose nuove, è importante che non dimentichino le lezioni già apprese, per la nostra sicurezza e la loro”, afferma Shroff. “La nostra ricerca approfondisce le complessità dell’apprendimento continuo in queste reti neurali artificiali e ciò che abbiamo scoperto sono intuizioni che iniziano a colmare il divario tra come una macchina impara e come un essere umano impara”.

Le ricerche rivelano che, simili agli esseri umani, le reti neurali artificiali eccellono nel mantenere le informazioni quando affrontano successivamente compiti diversi, piuttosto che compiti con caratteristiche sovrapposte. Questa intuizione è fondamentale per comprendere come l’apprendimento continuo possa essere ottimizzato nelle macchine per assomigliare da vicino alle capacità cognitive degli esseri umani.

Il Ruolo della Diversità e della Sequenza dei Compiti nell’Apprendimento Automatico

I ricercatori presenteranno i loro risultati alla 40a conferenza internazionale annuale sull’apprendimento automatico a Honolulu, Hawaii, un evento di punta nel campo dell’apprendimento automatico. La ricerca mette in luce i fattori che contribuiscono alla durata del tempo in cui una rete artificiale mantiene una conoscenza specifica.

• Alibaba AI Research propone Composer un grande modello di diffusione controllabile (5 miliardi di parametri) addestrato su miliardi di coppie (testo, immagine).
• Completamento di Point-Cloud con modelli di diffusione preaddestrati di testo-immagine
• Ricercatori di Stanford introducono la Diffusione Localmente Condizionata un metodo per la generazione compositiva di testo-immagine utilizzando modelli di diffusione.

Shroff spiega: “Per ottimizzare la memoria di un algoritmo, i compiti dissimili dovrebbero essere insegnati all’inizio del processo di apprendimento continuo. Questo metodo aumenta la capacità della rete di acquisire nuove informazioni e migliora la sua capacità di apprendere compiti più simili in seguito”. Di conseguenza, la similarità dei compiti, le correlazioni positive e negative e la sequenza di apprendimento influenzano significativamente la memorizzazione nelle macchine.

L’obiettivo di questi sistemi di apprendimento dinamico e continuo è accelerare il ritmo di scalabilità degli algoritmi di apprendimento automatico e adattarli a gestire ambienti in evoluzione e situazioni impreviste. L’obiettivo finale è consentire a questi sistemi di riflettere le capacità di apprendimento degli esseri umani.

La ricerca condotta da Shroff e dal suo team, composto dai ricercatori post-dottorato dell’Ohio State Sen Lin e Peizhong Ju e dai professori Yingbin Liang, getta le basi per macchine intelligenti che potrebbero adattarsi e apprendere come gli esseri umani. “Il nostro lavoro inaugura una nuova era di macchine intelligenti che possono imparare e adattarsi come i loro omologhi umani”, afferma Shroff, sottolineando l’importante impatto di questo studio sulla nostra comprensione dell’IA.