به گزارش مجله خبری نگار، تیمی از محققان دانشگاه نیویورک نشان دادهاند که یک رویکرد تدریجی - ابتدا ساده، سپس پیچیده - برای آموزش مؤثر هوش مصنوعی ضروری است. این رویکرد جدید که "یادگیری برنامه درسی مهدکودک" نامیده میشود، به شبکههای عصبی کمک میکند تا وظایف پیچیده را سریعتر و با موفقیت بیشتری انجام دهند. این مطالعه در مجله Nature Machine Intelligence (NMI) منتشر شده است.
این مطالعه با استفاده از شبکههای عصبی بازگشتی (RNN) انجام شد که اطلاعات متوالی را پردازش میکنند و به طور گسترده، به عنوان مثال، در تشخیص گفتار، مورد استفاده قرار میگیرند. محققان دریافتند که اگر چنین شبکههایی در ابتدا برای وظایف شناختی ساده آموزش ببینند، بعداً در وظایف پیچیده به طور قابل توجهی بهتر عمل میکنند.
کریستینا ساوین، یکی از نویسندگان این مطالعه و دانشیار، توضیح داد: «همانطور که کودکان ابتدا تعادل را یاد میگیرند و سپس دوچرخهسواری میکنند، شبکههای عصبی میتوانند از مهارتهای ساده، رفتارهای پیچیدهای ایجاد کنند.»
این مطالعه با آزمایشهایی روی موشهای آزمایشگاهی آغاز شد. حیوانات یاد گرفتند که آب پیدا کنند، اما به طور غیرمستقیم - آنها باید رابطه بین نشانههای نور و صدا و زمان تأخیر قبل از تحویل آب را تشخیص میدادند. این امر مستلزم آن بود که موشها چندین مهارت ساده را در یک استراتژی پیچیده ترکیب کنند.
دانشمندان سپس این اصل را در هوش مصنوعی به کار بردند. به جای آب، شبکههای عصبی یک مسئله شرطبندی را حل کردند که نیاز به تصمیمگیریهایی داشت که سود کلی را به حداکثر میرساند. شبکههایی که با استفاده از رویکرد «مهدکودکی» - از ساده به پیچیده - آموزش دیده بودند، وظایف را سریعتر و کارآمدتر از شبکههایی که با استفاده از روشهای سنتی آموزش دیده بودند، انجام دادند.
ساوین در پایان گفت: «نتایج ما نشان میدهد که برای اینکه هوش مصنوعی بتواند با موفقیت از پس وظایف پیچیده برآید، مانند انسانها، باید از «مهدکودک» - مهارتها و مفاهیم اولیه - شروع کند.»
به گفته محققان، این کشف میتواند رویکردهای آموزش هوش مصنوعی را تغییر دهد و شبکههای عصبی را به روشهای طبیعیتر و شبیهتر به انسان برای کسب مهارتها نزدیکتر کند.