Umjetna inteligencija (UI) ne samo da postiže visoku točnost; novo istraživanje prvi put predlaže da razmišlja na sličan način kao i ljudi.
Dosadašnji rad na UI modelima uglavnom je bio usmjeren na veličinu zadataka ili točnost, no grupa istraživača sada se usredotočila na način na koji umjetna inteligencija donosi odluke. Razvijanjem procesa sličnijeg ljudskom razmišljanju, mogu se smanjiti problematične sklonosti za “halucinacije” u umjetnoj inteligenciji.
Premošćivanje praznine između ljudskog i umjetnog razmišljanja
Jedna od ključnih sličnosti između ljudskog razmišljanja i UI-a jest da UI koristi isti broj izračuna za jednostavne informacije kao i za složene i nesigurne informacije. No, kada se ljudi suoče s neizvjesnošću u vezi s ulaznim podacima i predvidljivošću, razmišljaju drugačije nego kad su suočeni s rutinskim zadacima.
RTNet, koji je razvijen na Sveučilištu Georgia Tech, svoj naziv duguje sličnosti s ljudskim vremenom odgovora. Ovaj model predstavlja najnoviji pokušaj da se oponaša ljudsko stohastičko donošenje odluka, te prema novom istraživanju, “pokazuje ključne karakteristike” tih procesa, koje su inače povezane isključivo s našim mozgovima.
Stanje umjetnih neuronskih mreža
U standardnoj neuronskoj mreži, svaki umjetni neuron povezan je s cijelom mrežom. Svaki neuron stvara mali izlaz koji šalje kroz sustav drugim čvorovima. U konvolucijskoj neuronskoj mreži, neki neuroni nisu povezani s cijelom mrežom, već služe za apstrahiranje informacija ili uspoređivanje s informacijama oko njih. Na primjer, mogu usporediti jedan piksel s onima koji ga okružuju.
Konvolucijske mreže su korisne za pomoć računalima u razumijevanju slika prepoznavanjem oblika i uzoraka. Iako mogu oponašati pa čak i nadmašiti ljudski vid u određenim aspektima, proces donošenja odluka i dalje nedostaje ljudske nijanse.
RTNet i njegov budući razvoj
RTNet je razvijen kako bi unaprijedio konvolucijske mreže uvođenjem tradicionalnih kognitivnih modela iz neuroznanosti. Sastoji se od osam slojeva, od kojih je pet konvolucijskih i tri standardna povezana sloja. Ovaj sustav kombinira sposobnost umjetne inteligencije za obradu slika s dinamičkim stohastičkim razmišljanjem ljudi.
RTNet obrađuje svaku sliku više puta koristeći uzorke iz Bayesove neuronske mreže, što oponaša način na koji ljudski mozak nasumično reagira dok uspoređuje ono što vidi s pohranjenim sjećanjima. Kada se prijeđe određeni prag, model odabire jedan izlaz. “Buka u akumulaciji,” kako je studija naziva, dizajnirana je da odražava kognitivnu funkciju ljudskog uma. RTNet je testiran korištenjem MNIST skupa podataka, koji sadrži rukom pisane brojeve često korištene u eksperimentima strojnog učenja, gdje je u slike uvedena vizualna buka kako bi ih se otežalo prepoznati.
Tijekom razvoja, tim je učinio nešto novo: nisu samo promatrali je li model ispravno identificirao broj na slici; također su uspoređivali rezultate s grupom od 60 ljudi koji su isti zadatak obavljali 960 puta. Rezultirajući skup podataka jedan je od najvećih ikad sastavljenih, fokusiran na ljudske reakcije na MNIST. Autor studije, Farshad Rafiei, napomenuo je: “Općenito govoreći, nemamo dovoljno podataka o ljudima u postojećoj literaturi računalnih znanosti.”
RTNet ne samo da razlikuje, već i predviđa
Pravo repliciranje načina na koji ljudi donose odluke ne ovisi samo o točnosti, već i o razumijevanju specifičnih karakteristika ljudskog zaključivanja. Važan element u razvoju evaluacijskog okvira za RTNet bio je poznat kao odnos između brzine i točnosti (SAT). Jednostavno rečeno, što manje vremena provodimo na problemu, manja je vjerojatnost da ćemo doći do ispravnog odgovora. SAT je bio ključan u tri kriterija na kojima su mjereni odgovori ljudi i strojeva: brzina, točnost i, možda jedinstveno, samopouzdanje.
Pozdrav svima! Hvala što čitate Kozmos.hr! Ja sam Ivan i dugi niz godina pišem o svermiu, astronomiji, znanosti, povijesti i arheologiji, a imao sam priliku sudjelovati i u dokumentarcima Science Discovery-ja te History Channel-a.
