Nova studija pokazuje da dizajn neuronskih mreža može biti važniji od količine podataka, čime se dovodi u pitanje dominantni AI pristup.

Kako piše Science Daily, istraživači sa Univerziteta Džons Hopkins utvrdili su da sistemi veštačke inteligencije, kada su dizajnirani tako da podsećaju na strukturu ljudskog mozga, mogu da ispolje obrasce moždane aktivnosti čak i bez ikakvog prethodnog treniranja.

Studija, objavljena u časopisu Nature Machine Intelligence, ukazuje na to da arhitektura sistema može biti jednako važna kao i količina podataka koje AI obrađuje. Umesto višemesečnog treniranja na milijardama primera, istraživači predlažu da se veća pažnja posveti samom dizajnu veštačkih neuronskih mreža.

"Trenutni trend u razvoju veštačke inteligencije svodi se na zatrpavanje modela ogromnim količinama podataka i izgradnju računarskih sistema veličine manjih gradova, što zahteva stotine milijardi dolara", rekao je glavni autor studije Mik Boner, docent kognitivnih nauka na Univerzitetu Džons Hopkins.

"Ljudi, s druge strane, uče da vide uz vrlo malo podataka. Evolucija je verovatno do tog dizajna došla s razlogom", dodao je on.

Istraživački tim uporedio je tri najčešće korišćene arhitekture neuronskih mreža u savremenoj veštačkoj inteligenciji – transformere, potpuno povezane mreže i konvolucione neuronske mreže. Napravili su desetine različitih modela, od kojih nijedan nije bio prethodno treniran.

Zatim su tim neistreniranim sistemima prikazivali slike predmeta, ljudi i životinja i upoređivali njihovu unutrašnju aktivnost sa moždanim reakcijama ljudi i primata koji su gledali iste slike.

Rezultati su pokazali da povećavanje broja veštačkih neurona kod transformera i potpuno povezanih mreža nije dovelo do značajnih promena. Međutim, kod konvolucionih neuronskih mreža takve izmene su rezultirale obrascima aktivnosti koji su znatno više ličili na one u ljudskom mozgu.

Prema navodima autora, ovi neistrenirani modeli u nekim slučajevima postizali su rezultate uporedive sa klasičnim AI sistemima koji se inače treniraju na milionima ili čak milijardama slika.

"Ako je masovno treniranje podacima zaista presudno, onda ne bi bilo moguće dobiti moždane obrasce samo promenom arhitekture", rekao je Boner.

"Naši rezultati pokazuju da pravi početni nacrt može dramatično ubrzati učenje veštačke inteligencije", istakao je on.

Istraživači sada ispituju jednostavne metode učenja inspirisane biologijom, koje bi mogle dovesti do razvoja novih, bržih i energetski efikasnijih AI sistema, sa znatno manjom zavisnošću od ogromnih količina podataka.

Izvor: 021

Postanite deo SMARTLIFE zajednice na Viberu.