ปัญญาประดิษฐ์กลายเป็นผู้เรียนรู้ตลอดชีวิตด้วยเฟรมเวิร์กใหม่

นักวิจัยจาก North Carolina State University ซึ่งได้รับทุนสนับสนุนจากกองทัพบก ได้แสดงให้เห็นว่าการใช้เฟรมเวิร์กเพื่อเรียนรู้งานใหม่สามารถทำให้ AI ทำงานได้ดีขึ้นในการปฏิบัติงานก่อนหน้านี้ ซึ่งเป็นปรากฏการณ์ที่เรียกว่าการถ่ายโอนย้อนกลับ "กองทัพจำเป็นต้องเตรียมพร้อมสำหรับการสู้รบที่ใดก็ได้ในโลก ดังนั้นระบบอัจฉริยะของกองทัพจึงต้องเตรียมพร้อมด้วย" ดร.แมรี แอนน์ ฟิลด์ส ผู้จัดการโครงการระบบอัจฉริยะของสำนักงานวิจัยกองทัพบก ซึ่งเป็นส่วนหนึ่งของกองบัญชาการพัฒนาขีดความสามารถในการสู้รบของกองทัพสหรัฐฯ กล่าว ห้องปฏิบัติการวิจัยกองทัพบก "เราคาดหวังว่าระบบอัจฉริยะของกองทัพบกจะได้รับทักษะใหม่ๆ อย่างต่อเนื่องในขณะที่พวกเขาปฏิบัติภารกิจในสนามรบทั่วโลก โดยไม่ลืมทักษะที่ได้รับการฝึกฝนมาแล้ว ตัวอย่างเช่น ในขณะที่ปฏิบัติการในเมือง หุ่นยนต์ติดล้ออาจเรียนรู้พารามิเตอร์การนำทางใหม่สำหรับเมืองที่มีผู้คนหนาแน่น เมือง แต่ก็ยังต้องทำงานอย่างมีประสิทธิภาพในสภาพแวดล้อมที่เคยพบเจอเช่นป่า" ทีมวิจัยได้เสนอกรอบการทำงานใหม่ที่เรียกว่า Learn to Grow สำหรับการเรียนรู้อย่างต่อเนื่อง ซึ่งแยกการเรียนรู้โครงสร้างเครือข่ายและการเรียนรู้พารามิเตอร์ของแบบจำลอง ในการทดสอบเชิงทดลองนั้นมีประสิทธิภาพดีกว่าวิธีการเรียนรู้อย่างต่อเนื่องแบบต่อเนื่อง Xilai Li ผู้ร่วมเขียนรายงานและปริญญาเอกกล่าวว่า "ระบบ AI ของโครงข่ายประสาทเทียมเชิงลึกได้รับการออกแบบมาสำหรับการเรียนรู้งานในที่แคบ" ผู้สมัครที่ NC State "ผลที่ตามมาคือ หนึ่งในหลายสิ่งสามารถเกิดขึ้นได้เมื่อเรียนรู้งานใหม่ ระบบสามารถลืมงานเก่าเมื่อเรียนรู้งานใหม่ ซึ่งเรียกว่าการลืมอย่างหายนะ ระบบสามารถลืมบางสิ่งที่พวกเขารู้เกี่ยวกับงานเก่าได้ ในขณะที่ไม่เรียนรู้ที่จะทำ ใหม่เช่นกัน หรือระบบสามารถแก้ไขงานเก่าในขณะที่เพิ่มงานใหม่ซึ่งจำกัดการปรับปรุงและนำไปสู่ระบบ AI ที่ใหญ่เกินกว่าจะทำงานได้อย่างมีประสิทธิภาพอย่างรวดเร็วการเรียนรู้อย่างต่อเนื่องหรือที่เรียกว่าการเรียนรู้ตลอดชีวิตหรือการเรียนรู้เพื่อ กองทัพ เรียนรู้กำลังพยายามแก้ไขปัญหา " เพื่อให้เข้าใจเฟรมเวิร์ก Learn to Grow ให้นึกถึงโครงข่ายประสาทเทียมเชิงลึกเป็นท่อที่เต็มไปด้วยเลเยอร์หลายชั้น ข้อมูลดิบจะเข้าสู่ด้านบนของไปป์ และผลลัพธ์ของงานจะออกมาทางด้านล่าง ทุก "เลเยอร์" ในไพพ์คือการคำนวณที่จัดการข้อมูลเพื่อช่วยให้เครือข่ายทำงานได้สำเร็จ เช่น การระบุวัตถุในภาพดิจิทัล มีหลายวิธีในการจัดเรียงเลเยอร์ในท่อซึ่งสอดคล้องกับ "สถาปัตยกรรม" ที่แตกต่างกันของเครือข่าย เมื่อขอให้โครงข่ายประสาทเทียมเชิงลึกเรียนรู้งานใหม่ เฟรมเวิร์ก Learn to Grow จะเริ่มต้นด้วยการดำเนินการบางอย่างที่เรียกว่าการปรับแต่งสถาปัตยกรรมประสาทที่ชัดเจนผ่านการค้นหา สิ่งนี้หมายความว่าเมื่อเครือข่ายมาถึงแต่ละเลเยอร์ในระบบ เครือข่ายสามารถตัดสินใจทำสิ่งใดสิ่งหนึ่งจากสี่สิ่ง: ข้ามเลเยอร์; ใช้เลเยอร์ในลักษณะเดียวกับที่งานก่อนหน้านี้ใช้ แนบอะแดปเตอร์น้ำหนักเบาเข้ากับเลเยอร์ซึ่งปรับเปลี่ยนเล็กน้อย หรือสร้างเลเยอร์ใหม่ทั้งหมด การเพิ่มประสิทธิภาพสถาปัตยกรรมนี้วางโครงสร้างโทโพโลยีที่ดีที่สุดหรือชุดของชั้นที่จำเป็นในการทำงานใหม่ให้สำเร็จ เมื่อดำเนินการเสร็จสิ้น เครือข่ายจะใช้โทโพโลยีใหม่เพื่อฝึกฝนตนเองเกี่ยวกับวิธีการทำงานให้สำเร็จ เช่นเดียวกับระบบ AI การเรียนรู้เชิงลึกอื่นๆ "เราได้ดำเนินการทดสอบโดยใช้ชุดข้อมูลหลายชุด และสิ่งที่เราพบก็คือ ยิ่งงานใหม่มีความคล้ายคลึงกับงานก่อนหน้านี้มากเท่าใด เลเยอร์ที่มีอยู่ก็จะยิ่งทับซ้อนกันมากขึ้นเท่านั้น ซึ่งจะถูกเก็บไว้เพื่อทำงานใหม่" หลี่กล่าวว่า "สิ่งที่น่าสนใจกว่านั้นคือ ด้วยโทโพโลยีที่ได้รับการปรับให้เหมาะสมหรือ "เรียนรู้" เครือข่ายที่ได้รับการฝึกฝนให้ทำงานใหม่จะลืมสิ่งที่จำเป็นในการทำงานเก่าไปน้อยมาก แม้ว่างานที่เก่ากว่าจะไม่คล้ายกันก็ตาม" นักวิจัยยังได้ทำการทดลองเปรียบเทียบความสามารถของเฟรมเวิร์ก Learn to Grow ในการเรียนรู้งานใหม่กับวิธีการเรียนรู้ต่อเนื่องอื่นๆ หลายวิธี และพบว่าเฟรมเวิร์ก Learn to Grow มีความแม่นยำดีกว่าเมื่อทำงานใหม่เสร็จ เพื่อทดสอบว่าแต่ละเครือข่ายอาจหลงลืมไปมากน้อยเพียงใดเมื่อเรียนรู้งานใหม่ นักวิจัยจึงทดสอบความแม่นยำของแต่ละระบบในการปฏิบัติงานเก่า และเฟรมเวิร์ก Learn to Grow มีประสิทธิภาพดีกว่าเครือข่ายอื่นๆ อีกครั้ง "ในบางกรณี เฟรมเวิร์ก Learn to Grow ทำงานได้ดีขึ้นในการปฏิบัติงานเก่า" Caiming Xiong ผู้อำนวยการฝ่ายวิจัยของ Salesforce Research และผู้ร่วมเขียนผลงานกล่าว "สิ่งนี้เรียกว่าการถ่ายโอนข้อมูลย้อนกลับ และเกิดขึ้นเมื่อคุณพบว่าการเรียนรู้งานใหม่ทำให้คุณทำงานเก่าได้ดีขึ้น เราเห็นสิ่งนี้ในคนตลอดเวลา ไม่ใช่ AI มากนัก" "การลงทุนของกองทัพครั้งนี้ขยายขอบเขตของเทคนิคการเรียนรู้ของเครื่องที่ทันสมัย ​​ซึ่งจะเป็นแนวทางให้นักวิจัยในห้องปฏิบัติการวิจัยของกองทัพของเราในขณะที่พวกเขาพัฒนาแอปพลิเคชันหุ่นยนต์ เช่น การซ้อมรบอัจฉริยะ และการเรียนรู้ที่จะจดจำวัตถุแปลกใหม่" Fields กล่าว "การวิจัยนี้ทำให้ AI ก้าวเข้าใกล้อีกขั้นในการจัดหาระบบไร้คนขับที่มีประสิทธิภาพซึ่งสามารถนำไปใช้ในสนามได้"