ΕΙΝΑΙ ΤΟ ΜΥΑΛΟ ΤΟΥ ΑΝΘΡΩΠΟΥ ΠΙΟ ΑΔΥΝΑΜΟ ΑΠΟ ΤΗΝ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ;

Το Bar-Ilan University είναι ένα από τα μεγαλύτερα δημόσια ερευνητικά πανεπιστήμια του Ισραήλ, με 19.000 φοιτητές και 1.350 μέλη στο ακαδημαϊκό προσωπικό.

Φημίζεται -παγκοσμίως- για τις πρωτοβουλίες έρευνας και ανάπτυξης σε ένα ευρύ φάσμα επιστημονικών κλάδων, όπως η νανοτεχνολογία, η φυσική, η βιομηχανική, τα μαθηματικά, η έρευνα εγκεφάλου, οι υπολογιστές, η ρομποτική, η μουσική, η αρχαιολογία, τα νομικά κ.α.

Μια από τις τελευταίες μελέτες που έκαναν επιστήμονες του πανεπιστημίου αυτού, είχαν ως αντικείμενο να διαπιστωθεί αν η δυνατότητα του ανθρώπινου μυαλού να μάθει πράγματα είναι πιο αδύναμη από εκείνη της τεχνητής νοημοσύνης.

Που παραδοσιακά ‘πηγάζει’ από τη δυναμική του ανθρώπινου εγκεφάλου, όπου ισχύ της σύνδεσης μεταξύ δύο νευρώνων τροποποιείται μετά τις σχετικές δραστηριότητές τους, μέσω της συναπτικής πλαστικότητας.

Σε ό,τι αφορά όμως, το deep learning (DL), οι αποτελεσματικές αρχιτεκτονικές απαιτούν εκατοντάδες κρυφά επίπεδα τροφοδοσίας. Η δυναμική του εγκεφάλου έχει μόνο λίγα επίπεδα τροφοδοσίας.

Tι είναι το deep learning

Η ‘βαθιά μάθηση’ είναι ένα υποσύνολο της μηχανικής μάθησης. Ουσιαστικά πρόκειται για ένα νευρωνικό δίκτυο με τρία ή περισσότερα επίπεδα. Αυτά τα νευρωνικά δίκτυα προσπαθούν να προσομοιώσουν τη συμπεριφορά του ανθρώπινου εγκεφάλου – αν και δεν ‘ταιριάζουν’ με την ικανότητά του – επιτρέποντας στο μηχάνημα να μάθει από μεγάλες ποσότητες δεδομένων.

Ποιοι είναι οι περιορισμοί του εγκεφάλου μας -συγκριτικά με την ΑΙ

Όπως αναφέρει το Discourse on Development “στο Νο1 είναι οι αποτελεσματικές τοπολογίες δικτύου DL έχουν αρκετές δεκάδες διαδοχικά στρώματα τροφοδοσίας.

Η δυναμική του εγκεφάλου έχει μόνο λίγα στρώματα προώθησης.

Δεύτερον, οι αρχιτεκτονικές DL συνήθως αποτελούνται από πολλά διαδοχικά στρώματα φίλτρων, τα οποία είναι απαραίτητα για την αναγνώριση μιας εκ των ‘κλάσεων’ εισόδου.

Για παράδειγμα, εάν η είσοδος είναι ένα αυτοκίνητο, το πρώτο φίλτρο αναγνωρίζει τους τροχούς, το δεύτερο προσδιορίζει τις πόρτες, το τρίτο βάζει μπροστά τη μηχανή και μετά από πολλά πρόσθετα φίλτρα γίνεται σαφές ότι το αντικείμενο εισόδου είναι, πράγματι, ένα αυτοκίνητο.

Η δυναμική του εγκεφάλου περιέχει μόνο ένα φίλτρο, που βρίσκεται κοντά στον αμφιβληστροειδή.

Το τελευταίο απαραίτητο συστατικό είναι η μαθηματική πολύπλοκη διαδικασία εκπαίδευσης DL, η οποία είναι προφανώς πολύ μακριά από τη βιολογική υλοποίηση.

“Μπορεί ο εγκέφαλος, με την περιορισμένη πραγματοποίηση ακριβών μαθηματικών πράξεων, να ανταγωνιστεί προηγμένα συστήματα τεχνητής νοημοσύνης που εφαρμόζονται σε γρήγορους και παράλληλους υπολογιστές;”.

Σε πολλά πράγματα, ναι.

“Μπορεί να δημιουργηθεί νέος τύπος αποτελεσματικής τεχνητής νοημοσύνης, εμπνευσμένη από τον ανθρώπινο εγκέφαλο;”

Σύμφωνα με την τελευταία σχετική μελέτη που δημοσιεύτηκε τη Δευτέρα 30/1 στο επιστημονικό περιοδικό Scientific Reports και πάλι ναι.

“Δείξαμε ότι η αποτελεσματική εκμάθηση σε μια ‘αρχιτεκτονική’ τεχνητού δέντρου αποφάσεων μπορεί να επιτύχει καλύτερα ποσοστά επιτυχίας ταξινόμησης, από ό,τι είχαν επιτευχθεί στο παρελθόν από αρχιτεκτονικές DL -οι οποίες αποτελούνται από περισσότερα επίπεδα και φίλτρα.

Αυτό το εύρημα ανοίγει το δρόμο για αποτελεσματικό, βιολογικά εμπνευσμένο νέο υλικό και αλγόριθμους τεχνητής νοημοσύνης”, δήλωσε ο Ido Kanter, επικεφαλής της έρευνας και καθηγητής στο τμήμα φυσικής του Πολυεπιστημονικού Κέντρου Έρευνας Εγκεφάλου Gonda του Bar-Ilan.

Τι είναι τα δέντρα αποφάσεων

Πρόκειται για εποπτευόμενες λειτουργίες μηχανικής μάθησης που μοντελοποιούν αποφάσεις, αποτελέσματα και προβλέψεις, χρησιμοποιώντας μια δομή δέντρου, τύπου διαγράμματος ροής.

Ένα τέτοιο δέντρο κατασκευάζεται μέσω μιας αλγοριθμικής διαδικασίας που προσδιορίζει τρόπους διαχωρισμού, ταξινόμησης και οπτικοποίησης ενός συνόλου δεδομένων, με βάση διαφορετικές συνθήκες.

Το μοντέλο εξάγει ακριβή συμπεράσματα, σχετικά με την τιμή στόχο του δείγματος (που αναπαρίσταται μέσω φύλλων) λαμβάνοντας υπόψη τις παρατηρήσεις του πληθυσμού του δείγματος (που απεικονίζονται μέσω διακλαδώσεων).

Σε απλά ελληνικά, απεικονίζουν κάθε πιθανό αποτέλεσμα μιας απόφασης. Χάριν της προσεγγιστικής προγνωστικής μοντελοποίησης, χρησιμοποιούνται ευρέως για τη μηχανική εκμάθηση και την ‘εξόρυξη’ δεδομένων.

Ο διδακτορικός φοιτητής και συνεργάτης αυτής της εργασίας, Yuval Meir πρόσθεσε ότι “οι αρχιτεκτονικές δέντρων αντιπροσωπεύουν ένα βήμα προς μια εύλογη βιολογική πραγματοποίηση αποτελεσματικής εκμάθησης δέντρων ταξινόμησης (βλ. αλγόριθμος μάθησης πολλών κανόνων, ταυτόχρονα) από έναν ή περισσότερους νευρώνες -με μειωμένη πολυπλοκότητα και κατανάλωση ενέργειας και βιολογική υλοποίηση του μηχανισμού οπισθοδιάδοσης, που είναι επί του παρόντος η κεντρική τεχνική στην τεχνητή νοημοσύνη”.

Τι είναι η οπισθοδιάδοση

Όπως αναφέρεται στο Deep Learning Book, ο αλγόριθμος οπισθοδιάδοσης είναι βασικό συστατικό του τρόπου που λειτουργεί τώρα το deep learning.

Είναι οικογένεια μεθόδων που χρησιμοποιούνται για την αποτελεσματική εκπαίδευση ανατροφοδότησης των τεχνητών νευρωνικών δικτύων (ΤΝΔ). Aκολουθούν έναν αλγόριθμο βελτιστοποίησης, που βασίζεται στην κλίση που εκμεταλλεύεται τον κανόνα της αλυσίδας.

Το κύριο χαρακτηριστικό της οπισθοδιάδοσης είναι η επαναληπτική, αναδρομική και αποδοτική μέθοδος για τον υπολογισμό των ανανεώσεων των βαρών για τη βελτίωση του δικτύου έως ότου είναι σε θέση να εκτελέσει το έργο για το οποίο εκπαιδεύεται.

Ο όρος “οπισθοδιάδοση” αναφέρεται αυστηρά μόνο στον αλγόριθμο για τον υπολογισμό της διαβάθμισης και όχι στον τρόπο χρήσης της διαβάθμισης.

Η αποτελεσματική εφαρμογή των ευρημάτων απαιτεί έναν νέο τύπο υλικού, για την αποτελεσματική μίμηση της δυναμικής του εγκεφάλου.