05 Oct Metoda e re për krahasimin e rrjeteve nervore ekspozon se si funksionon inteligjenca artificiale

Një ekip në Laboratorin Kombëtar të Los Alamos ka zhvilluar një qasje të re për krahasimin e rrjeteve nervore që duket brenda “kutisë së zezë” të inteligjencës artificiale për të ndihmuar studiuesit të kuptojnë sjelljen e rrjetit nervor. Rrjetet nervore njohin modelet në grupet e të dhënave; ato përdoren kudo në shoqëri, në aplikacione të tilla si asistentët virtualë, sistemet e njohjes së fytyrës dhe makinat vetë-drejtuese.

“Komiteti i kërkimit të inteligjencës artificiale nuk ka domosdoshmërisht një kuptim të plotë të asaj që rrjetet nervore po bëjnë, ato na japin rezultate të mira, por ne nuk e dimë se si dhe pse,” tha Haydn Jones, një studiues në Kërkimet e Avancuara në Cyber, Grupi i sistemeve në Los Alamos. “Metoda jonë e re bën një punë më të mirë për krahasimin e rrjeteve nervore, gjë që është një hap vendimtar drejt kuptimit më të mirë të matematikës pas AI (Artificial Intelligence).”

Jones është autori kryesor i punimit “Nëse keni trajnuar një, i keni trajnuar të gjithë: Ngjashmëria ndër-arkitekturore rritet me qëndrueshmërinë”, e cila u prezantua së fundi në Konferencën mbi Pasigurinë në Inteligjencën Artificiale. Përveç studimit të ngjashmërisë së rrjetit, dokumenti është një hap vendimtar drejt karakterizimit të sjelljes së rrjeteve nervore të fuqishme.

Rrjetet nervore janë me performancë të lartë, por të brishtë. Për shembull, makinat që vetë-drejtohen përdorin rrjete nervore për të zbuluar shenjat. Kur kushtet janë ideale, ata e bëjnë këtë mjaft mirë. Sidoqoftë, devijimi më i vogël,  si p.sh. një ngjitëse në një shenjë ndalimi mund të bëjë që rrjeti nervor të keqidentifikojë shenjën dhe të mos ndalojë.

Për të përmirësuar rrjetet nervore, studiuesit po kërkojnë mënyra për të përmirësuar qëndrueshmërinë e rrjetit. Një qasje më e fundit përfshin “sulmin” e rrjeteve gjatë procesit të tyre të trajnimit. Studiuesit paraqesin qëllimisht devijime dhe e trajnojnë AI për t’i injoruar ato. Ky proces quhet trajnim kundërshtar dhe në thelb e bën më të vështirë mashtrimin e rrjeteve.

Jones, bashkëpunëtorët e Los Alamos, Jacob Springer dhe Garrett Kenyon, dhe mentori i Jones, Juston Moore, aplikuan metrikën e tyre të re të ngjashmërisë së rrjetit në rrjetet nervore të trajnuara në mënyrë kundërshtare dhe zbuluan, çuditërisht, se trajnimi kundërshtar bën që rrjetet nervore në domenin e vizionit kompjuterik të konvergojnë në përfaqësime shumë të ngjashme të të dhënave, pavarësisht nga arkitektura e rrjetit, me rritjen e madhësisë së sulmit.

“Kemi zbuluar se kur i trajnojmë rrjetet nervore që të jenë të fuqishme kundër sulmeve kundërshtare, ata fillojnë të bëjnë të njëjtat gjëra”, tha Jones.

Ka pasur përpjekje të shumta në industri dhe në komunitetin akademik në kërkim të “arkitekturës së duhur” për rrjetet nervore, por gjetjet e ekipit të Los Alamos tregojnë se prezantimi i trajnimit kundërshtar e ngushton ndjeshëm këtë hapësirë ​​kërkimi. Si rezultat, komuniteti i kërkimit të AI mund të mos ketë nevojë të shpenzojë aq shumë kohë duke eksploruar arkitektura të reja, duke e ditur se trajnimi kundërshtar bën që arkitektura të ndryshme të konvergojnë në zgjidhje të ngjashme.

“Duke gjetur se rrjetet nervore të fuqishme janë të ngjashme me njëra-tjetrën, ne po e bëjmë më të lehtë të kuptojmë se si mund të funksionojë vërtet inteligjenca artificiale e fuqishme. Ne madje mund të zbulojmë sugjerime se si ndodh perceptimi tek njerëzit dhe tek kafshët.” – tha Jones.