Una limitazione fondamentale dei sistemi di intelligenza artificiale (AI) esistenti è che non sono in grado di affrontare compiti per i quali non sono stati formati. Infatti, anche quando sono riqualificati, la maggior parte di questi sistemi è incline all'oblio catastrofico, ', il che significa essenzialmente che un nuovo elemento può interrompere la loro conoscenza precedentemente acquisita.

Ad esempio, se un modello viene inizialmente addestrato per completare l'attività A e successivamente riaddestrato sull'attività B, le sue prestazioni sul compito A potrebbero diminuire considerevolmente. Una soluzione ingenua sarebbe quella di aggiungere all'infinito più livelli neurali per supportare attività aggiuntive o elementi da addestrare, ma un tale approccio non sarebbe efficiente, o anche funzionalmente scalabile.

I ricercatori di SRI International hanno recentemente cercato di applicare meccanismi di trasferimento della memoria biologica ai sistemi di intelligenza artificiale, poiché credono che ciò potrebbe migliorare le loro prestazioni e renderli più adattivi. Il loro studio, pre-pubblicato su arXiv, trae ispirazione dai meccanismi di trasferimento della memoria nell'uomo, come la memoria a lungo e a breve termine.

"Stiamo costruendo una nuova generazione di sistemi di intelligenza artificiale che possono imparare dalle esperienze, "Sek Chai, un co-PI del progetto DARPA Lifelong Learning Machines (L2M), ha detto a TechXplore. "Ciò significa che possono adattarsi a nuovi scenari in base alle loro esperienze. Oggi, I sistemi di intelligenza artificiale falliscono perché non sono adattivi. Il progetto DARPA L2M, guidato dalla dottoressa Hava Siegelmann, cerca di ottenere progressi che cambiano il paradigma nelle capacità di intelligenza artificiale".

Il trasferimento di memoria comporta una sequenza complessa di processi dinamici, che consentono agli umani di accedere facilmente a ricordi salienti o rilevanti quando pensano, pianificazione, creare o fare previsioni su eventi futuri. Si pensa che il sonno svolga un ruolo fondamentale nel consolidamento dei ricordi, in particolare il sonno REM, la fase in cui il sogno si verifica più frequentemente.

Nel loro studio, Chai e i suoi colleghi SRI hanno sviluppato un meccanismo di memoria generativa che può essere utilizzato per addestrare i sistemi di intelligenza artificiale in modo pseudo-prova. Utilizzando la riproduzione e l'apprendimento per rinforzo (RL), questo meccanismo consente ai sistemi di intelligenza artificiale di apprendere dai ricordi salienti per tutta la loro vita, e scalare con un gran numero di attività o elementi di formazione. L'approccio alla memoria generativa sviluppato da Chai e dai suoi colleghi utilizza un metodo di codifica per separare lo spazio latente. Ciò consente a un sistema di intelligenza artificiale di apprendere anche quando le attività non sono ben definite o quando il numero di attività è sconosciuto.

"Il nostro sistema di intelligenza artificiale non memorizza direttamente i dati grezzi, come video, Audio, eccetera., " Chai ha spiegato. "Piuttosto, usiamo la memoria generativa per generare o immaginare ciò che ha sperimentato in precedenza. I sistemi di intelligenza artificiale generativa sono stati utilizzati per creare arte, musica, ecc. Nella nostra ricerca, li usiamo per codificare esperienze generative che possono essere utilizzate in seguito con l'apprendimento per rinforzo. Tale approccio è ispirato da meccanismi biologici nel sonno e nei sogni, dove ricordiamo o immaginiamo frammenti di esperienze che sono rafforzate nei nostri ricordi a lungo termine."

Nel futuro, il nuovo approccio alla memoria generativa introdotto da Chai e dai suoi colleghi potrebbe aiutare ad affrontare il problema dell'oblio catastrofico nei modelli basati su reti neurali, consentire l'apprendimento permanente nei sistemi di intelligenza artificiale. I ricercatori stanno ora testando il loro approccio su giochi di strategia basati su computer comunemente impiegati per addestrare e valutare i sistemi di intelligenza artificiale.

"Stiamo utilizzando giochi di strategia in tempo reale come StarCraft2 per addestrare e studiare i nostri agenti di intelligenza artificiale su metriche di apprendimento permanente come l'adattamento, robustezza, e sicurezza, " Ha detto Chai. "I nostri agenti di intelligenza artificiale sono addestrati con sorprese iniettate nel gioco (ad es. Cambiamento di terreno e capacità delle unità)."

© 2019 Science X Network