Uloga raznolikosti bila je predmet rasprave u različitim oblastima, od biologije do sociologije. Međutim, nedavno istraživanje iz Laboratorije za Nelinearnu Veštačku Inteligenciju (NAIL) Univerziteta Severne Karoline otvara intrigantnu dimenziju ove diskusije: raznolikost unutar neuronskih mreža veštačke inteligencije (AI).
Moć samorefleksije: Prilagođavanje neuronskih mreža interno
Vilijam Ditto, profesor fizike na NC State i direktor NAIL-a, i njegov tim izgradili su AI sistem koji može „zagledati unutra“ i prilagoditi svoju neuronsku mrežu. Proces omogućava AI-ju da odredi broj, oblik i jačinu veza između svojih neurona, nudeći potencijal za podmreže sa različitim tipovima neurona i jačinama.
„Stvorili smo testni sistem sa ne-ljudskom inteligencijom, veštačkom inteligencijom, da vidimo da li bi AI izabrala raznolikost nad nedostatkom raznolikosti i da li bi njen izbor poboljšao performanse AI-ja“, kaže Ditto. „Ključ je bio dati AI-ju sposobnost da zagleda unutra i nauči kako uči.“
Za razliku od konvencionalne AI koja koristi statičke, identične neurone, Ditto-ov AI ima „kontrolnu dugmad za svoj sopstveni mozak“, omogućavajući mu da se bavi meta-učenjem, procesom koji povećava njegovu sposobnost učenja i rešavanja problema. „Naš AI takođe može da odluči između različitih ili homogenih neurona“, kaže Ditto, „I ustanovili smo da je AI u svakom slučaju birao raznolikost kao način da poboljša svoje performanse.“
Performanse na meri: Raznolikost nadmašuje uniformnost
Tim istraživača merio je performanse AI-ja standardnim numeričkim klasifikacionim zadatkom i pronašao izvanredne rezultate. Konvencionalne AI, sa svojim statičkim i homogenim neuronskim mrežama, postigle su stopu tačnosti od 57%. Nasuprot tome, AI sa meta-učenjem i raznolikošću dostigao je neverovatnih 70% tačnosti.
Prema Ditto-u, AI zasnovan na raznolikosti pokazuje do 10 puta veću tačnost u rešavanju složenijih zadataka, poput predviđanja oscilacija klatna ili kretanja galaksija. „Zaista smo takođe primetili da kako zadaci postaju složeniji i haotičniji, performanse se još dramatičnije poboljšavaju u poređenju sa AI-jem koji ne prihvata raznolikost“, dodaje on.
Posledice: paradigmički pomak u razvoju AI
Nalazi ovog istraživanja imaju dalekosežne posledice za razvoj AI tehnologija. Oni sugerišu paradigmički pomak od trenutno prevlađujućih modela neuronskih mreža ‘jedna-veličina-odgovara-svima’ do dinamičnih, samopodesivih.
„Pokazali smo da ako date AI-ju sposobnost da zagleda unutra i nauči kako uči, promeniće svoju unutrašnju strukturu – strukturu svojih veštačkih neurona – kako bi prihvatio raznolikost i poboljšao svoju sposobnost učenja i efikasno rešavanje problema“, zaključuje Ditto. Ovo bi moglo biti posebno važno u aplikacijama koje zahtevaju visok nivo prilagodljivosti i učenja, od autonomnih vozila do medicinske dijagnostike.
Ovo istraživanje ne samo da ističe intrinzičnu vrednost raznolikosti, već otvara i nove puteve za istraživanje i razvoj AI, naglašavajući potrebu za dinamičnim i prilagodljivim neuronskim arhitekturama. Sa kontinuiranom podrškom Kancelarije za istraživanje mornarice i drugih saradnika, sledeća faza istraživanja s nestrpljenjem se očekuje.
Prihvatanjem principa raznolikosti interno, sistemi veštačke inteligencije mogu značajno da dobiju u performansama i sposobnostima rešavanja problema, potencijalno revolucionarišući način na koji pristupamo mašinskom učenju i razvoju veštačke inteligencije.
