Как заставить искусственный интеллект работать быстрее

Системы искусственного интеллекта могут соответствовать многим человеческим возможностям, но они «изучают» все в 10 раз дольше. Машины глубокого обучения уже обладают сверхчеловеческими навыками, когда речь идет о таких задачах, как распознавание лиц, игра в видеоигры и даже старинная китайская игра Go.

Однако интеллектуальные машины все еще отстают от людей в одной важной области производительности: скорости, с которой они учатся. Когда дело доходит до освоения классических видеоигр, например, лучшие машины глубокого обучения занимают около 200 часов игры, чтобы достичь тех же уровней квалификации, что и люди, всего за два часа. Поэтому компьютерные ученые очень хотели бы иметь некоторый способ ускорить процесс «обучения» машин.

Специалисты из подразделения DeepMind в Лондоне утверждают, что сделали именно это. Они создали машину глубокого обучения, способную быстро ассимилировать новые впечатления, а затем воздействовать на них. В результате машина, которая учится значительно быстрее, чем другие, и имеет потенциал, чтобы соответствовать людям в не слишком отдаленном будущем.

Глубокое обучение использует слои нейронных сетей для поиска закономерностей в данных. Когда один слой видит шаблон, который он распознает, он отправляет эту информацию на следующий слой, который ищет шаблоны в этом сигнале, и так далее.

Поэтому при распознавании лиц один слой может искать края изображения, следующий слой для круговых узоров ребер, и следующий для треугольных узоров. Когда все это происходит, конечный результат является признаком того, что лицо было замечено.

Существуют различные системы обратной связи, позволяющие системе «учиться», регулируя различные внутренние параметры, такие как прочность связей между слоями. Эти параметры должны меняться медленно, так как большие изменения в одном слое могут катастрофически повлиять на процесс обучения в последующих слоях. Вот почему глубокие нейронные сети нуждаются в такой сильной тренировке и почему это занимает так много времени.

Pritzel & co решили эту проблему с помощью техники, которую они называют нейронным эпизодическим контролем. «Нейронный эпизодический контроль демонстрирует резкое улучшение скорости обучения для широкого круга сред», - говорят они.

Основная идея подхода DeepMind заключается в том, чтобы скопировать способ, которым люди и животные учатся быстро. По общему мнению, люди могут решать ситуации двумя разными способами. Если ситуация известна, наши мозги уже сформировали ее модель, которую они используют, чтобы определить, как лучше всего себя вести. Здесь используется часть мозга, называемая префронтальной корой. Но когда ситуация не знакома, наши мозги должны вернуться к другой стратегии. Считается, что это предполагает гораздо более простой подход к проверке и запоминанию, включающий гиппокамп.