Foto: Shutterstock

AI a vnitřní dialog: Nový přístup k učení

Umělá inteligence (AI) může lépe zvládat nové úkoly, pokud je jí umožněno vést vnitřní dialog. Výzkumníci z Okinawa Institute of Science and Technology (OIST) Graduate University zjistili, že vnitřní „mumlaní“ v kombinaci s krátkodobou pamětí pomáhá AI přizpůsobit se novým úkolům, měnit cíle a snáze zvládat složité výzvy. Tento přístup zvyšuje efektivitu učení a zároveň vyžaduje mnohem méně tréninkových dat.

Autor původního článku: redakce

Vnitřní hlas a flexibilita učení

Dát AI vnitřní hlas pomáhá strojům myslet flexibilněji a rychleji se učit nové úkoly. Tento vnitřní dialog, spojený s pracovní pamětí, umožňuje strojům lépe generalizovat, přičemž se spoléhají na méně dat. Vědci z OIST zjistili, že AI systémy dosahují lepších výsledků napříč mnoha úkoly, když jsou trénovány k využívání vnitřní řeči spolu s krátkodobou pamětí.

Jak vnitřní dialog zlepšuje výkon AI

Výzkumníci zkombinovali samostatně řízenou vnitřní řeč, popsanou jako tiché „mumlaní“, se specializovaným systémem pracovní paměti. Tento přístup umožnil jejich AI modelům učit se efektivněji, přizpůsobovat se neznámým situacím a zvládat více úkolů najednou. Výsledky ukázaly jasné zlepšení flexibility a celkového výkonu ve srovnání se systémy, které se spoléhaly pouze na paměť.

Význam pracovní paměti

Výzkumníci začali zkoumáním designu paměti v AI modelech, zaměřili se na pracovní paměť a její roli v generalizaci. Pracovní paměť je krátkodobá schopnost držet a používat informace, ať už to znamená sledovat instrukce nebo provádět rychlé mentální výpočty. Testováním úkolů s různou úrovní obtížnosti tým porovnával různé struktury paměti. Zjistili, že modely s více sloty pracovní paměti (dočasné kontejnery pro kousky informací) dosahovaly lepších výsledků při náročných problémech, jako je obracení sekvencí nebo rekonstrukce vzorů.

Budoucí směřování výzkumu

Výzkumníci nyní plánují překročit čisté, kontrolované testy a prozkoumat realističtější podmínky. „Ve skutečném světě děláme rozhodnutí a řešíme problémy v komplexních, hlučných, dynamických prostředích. Abychom lépe zrcadlili lidské vývojové učení, musíme zohlednit tyto vnější faktory,“ říká Dr. Jeffrey Queißer. Tento směr podporuje širší cíl týmu pochopit, jak lidské učení funguje na neuronální úrovni.