Ricreare la capacità della mente umana di dedurre schemi e relazioni da eventi complessi potrebbe portare a un modello universale di intelligenza artificiale.

Una delle principali sfide per l'intelligenza artificiale (AI) è avere la capacità di vedere i fenomeni superficiali del passato per indovinare i processi causali sottostanti. Una nuova ricerca di KAUST e di un team internazionale di specialisti leader ha prodotto un nuovo approccio che va oltre il rilevamento superficiale del modello.

Gli esseri umani hanno un senso di intuizione o inferenza straordinariamente raffinato che ci dà l'intuizione, Per esempio, per capire che una mela viola potrebbe essere una mela rossa illuminata di luce blu. Questo senso è così altamente sviluppato negli esseri umani che siamo anche inclini a vedere modelli e relazioni dove non ne esistono, dando origine alla nostra propensione alla superstizione.

Questo tipo di intuizione è una tale sfida da codificare nell'IA che i ricercatori stanno ancora cercando di capire da dove cominciare:eppure rappresenta una delle differenze più fondamentali tra pensiero naturale e pensiero meccanico.

Cinque anni fa, una collaborazione tra i ricercatori affiliati alla KAUST Hector Zenil e Jesper Tegnér, insieme a Narsis Kiani e Allan Zea del Karolinska Institutet svedese, ha iniziato ad adattare la teoria dell'informazione algoritmica alla biologia delle reti e dei sistemi al fine di affrontare i problemi fondamentali della genomica e dei circuiti molecolari. Questa collaborazione ha portato allo sviluppo di un approccio algoritmico per inferire processi causali che potrebbe costituire la base di un modello universale di intelligenza artificiale.

"Il machine learning e l'intelligenza artificiale stanno diventando onnipresenti nell'industria, scienza e società, ", afferma il professor Tegnér della KAUST. "Nonostante i recenti progressi, siamo ancora lontani dall'ottenere un'intelligenza artificiale generica con la capacità di ragionare e apprendere in diverse attività. Parte della sfida è andare oltre il rilevamento superficiale dei modelli verso tecniche che consentano la scoperta dei meccanismi causali sottostanti che producono i modelli".

Questo disimpegno causale, però, diventa molto impegnativo quando si intrecciano diversi processi, come spesso accade nei dati molecolari e genomici. "Il nostro lavoro identifica le parti dei dati che sono causalmente correlate, estrarre le correlazioni spurie e quindi identificare i diversi meccanismi causali coinvolti nella produzione dei dati osservati, "dice Tegnér.

Il metodo si basa su un concetto matematico ben definito di probabilità dell'informazione algoritmica come base per una macchina di inferenza ottimale. La principale differenza rispetto agli approcci precedenti, però, è il passaggio da una visione del problema incentrata sull'osservatore a un'analisi obiettiva dei fenomeni basata su deviazioni dalla casualità.

"Utilizziamo la complessità algoritmica per isolare diversi programmi interagenti, e quindi cercare l'insieme di programmi che potrebbero generare le osservazioni, "dice Tegnér.

Il team ha dimostrato il proprio metodo applicandolo agli output interagenti di più codici di computer. L'algoritmo trova la combinazione più breve di programmi in grado di costruire la stringa di output contorta di 1 e 0.

"Questa tecnica può dotare gli attuali metodi di apprendimento automatico di abilità complementari avanzate per affrontare meglio l'astrazione, inferenza e concetti, come causa ed effetto, che altri metodi, compreso l'apprendimento profondo, non è attualmente in grado di gestire, "dice Zenil.