Спостерігай і вчись: Машини навчили вчитися через спостереження

Ми сприймаємо навчання як належне. З дитинства люди мають вроджену здатність вчитися на основі наших спостережень, що дозволяє нам імітувати розмову, уникати неприємного оточення і визнавати, що хороша поведінка породжує винагороду. Для машин ці завдання навряд чи є такими ж простими.

“Навчання Тьюринга перевершило традиційний метод машинного навчання, коли справа доходить до точного прогнозування того, що робить рій роботів”.

Але дослідники з Університету Шеффілда кажуть, що вони розробили метод, який допомагає штучним системам вчитися, спостерігаючи за навколишнім світом. Це може закласти нову основу для технологій прогнозування і навчання.

Цей новий метод, який отримав назву “навчання Тьюринга”, був натхненний знаменитим тестом Тьюринга, який вперше запропонував батько інформатики Алан Тьюринг в 1950 році.

• Meta зробила DALL-E для відео, і це одночасно моторошно і дивовижно
• Meta хоче перезарядити Вікіпедію за допомогою оновлення ШІ
• ФБР: Глибокі фейки роблять, використовуючи ваші дані, щоб подати заявку на роботу

У традиційному тесті Тьюринга людина-допитувач розмовляє з двома невидимими сутностями, одна з яких є людиною, а інша – штучним інтелектом. Якщо допитуваний не може відрізнити людину від машини, вважається, що машина пройшла тест Тюрінга.

У дослідженні Тьюринга людина-допитувач була замінена алгоритмом, людина-піддослідний – роєм роботів, а комп’ютерна симуляція намагалася відтворити рухи роботів, так само, як штучний інтелект у тесті Тьюринга намагається відтворити людську мову. Аналізуючи моделі руху рою і симуляції, алгоритм намагався визначити, хто є хто. Алгоритм був винагороджений за правильну здогадку. Симуляція була винагороджена за те, що обдурила алгоритм.

“Навчання Тьюринга також може бути використано одного дня для прогнозування поведінки людей, незалежно від того, чи знаходяться вони в реальному світі або в Інтернеті”.

Доктор Родеріх Гросс і його команда використовували навчання Тьюринга для навчання алгоритму і навчання симуляції, таким чином, що обидва вивчали свої завдання в поєднанні один з одним. У статті, опублікованій онлайн на arXiv, вони описують, як метод навчання дозволив системам робити більш точні симуляції рою роботів через простий акт спостереження без необхідності втручання людини.

“Прогнозування роїв є особливо складним завданням, оскільки рух кожної особини в рої відрізняється кожного разу, коли ви дивитеся на нього”, – розповідає Гросс в інтерв’ю Digital Trends. Однак, “навчання Тьюринга перевершило традиційний метод машинного навчання, коли справа доходить до точного прогнозування дій рою роботів”.

У дослідженні спостерігалися лише рої роботів, що, хоча і наводить на роздуми, має обмежену практичну цінність. Тим не менш, дослідники вважають, що навчання Тьюринга може запропонувати новий метод прогнозування і навчання поведінки в природному світі і навіть у всесвітній павутині.

“Ми хотіли б побачити, чи може воно передбачати поведінку природних роїв – від колоній бджіл до косяків риб”, – говорить Гросс. “Навчання Тьюринга також може бути використане в один прекрасний день для прогнозування поведінки людей, незалежно від того, чи знаходяться вони в реальному світі, чи в Інтернеті”.

Рекомендації редакції

• 10 найкращих ШІ-генераторів зображень для створення мистецтва з тексту
• Я подав свою безглузду ідею стартапу роботові VC
• Оптичні ілюзії можуть допомогти нам у створенні наступного покоління АІ
• Як ми дізнаємося, коли штучний інтелект дійсно стане розумним?
• Microsoft відмовляється від свого моторошного штучного інтелекту, що зчитує емоції

Source: digitaltrends.com