התפתחות תינוקות כשיטת אימון לבינה מלאכותית
דמיינו לעצמכם אימון של מערכת בינה מלאכותית שלומדת כמו ילד, אבל מהר יותר וביעילות יתרה. זו המטרה של גישה חדשה של חוקרים מאוניברסיטת פנסילבניה סטייט. עבודתם, שפורסמה בכתב העת Patterns, בוחנת כיצד תובנות מהתפתחות ילדים יכולות לשפר את הלמידה החזותית של AI.
שיטות אימון AI הנוכחיות מסתמכות בדרך כלל על מערכי נתונים מסיביים של תמונות אקראיות. גישה זו, למרות שהיא יעילה, עלולה להיות לא יעילה. בהשראת האופן שבו תינוקות חוקרים את סביבתם, החוקרים פיתחו שיטה חדשה הממנפת מידע מרחבי - היכן נמצא אובייקט בסביבתו.
"האסטרטגיה שלנו מבוססת על הפסיכולוגיה ההתפתחותית", מסביר ליז'ן ז'ו, המחבר הראשי של המחקר. "אנחנו יודעים שתינוקות חווים סט מוגבל של חפצים ופנים בשנתיים הראשונות לחייהם, אבל הם רואים אותם מנקודות מבט רבות ובמגוון תנאי תאורה."
שיטת החוקרים משלבת מושג זה בטכניקת למידת מכונה הנקראת למידה ניגודית. גישה זו מאמנת מערכות בינה מלאכותית לזהות קווי דמיון בין תמונות, ועוזרת להן לזהות אובייקטים ללא קשר לפרספקטיבה, תאורה או זום.
עם זאת למידה קונטרסטית מסורתית נאבקת לעיתים קרובות בשינויי נקודת מבט. לדוגמה, אפשר להתייחס לתמונה של כוס מהצד כדבר אחר לחלוטין מתמונה של אותה כוס מלמעלה.
הפתרון של החוקרים הוא להביא בחשבון את המיקום המרחבי במהלך האימון. הם יצרו סביבות וירטואליות המדמות חקירה של ילד בבית. בתוך סביבות אלו, מערכת הבינה המלאכותית נחשפת לתמונות של אובייקטים ממגוון נקודות מבט, אך תמיד בהקשר של מיקומם. "דבר זה מאפשר ל-AI ללמוד שאובייקט מנקודות מבט אחרות הוא כנראה אותו אובייקט", אומר ג'ו.
ניסויים הראו שיפור ניכר בשיטה זו. מודלים של בינה מלאכותית שאומנו עם מידע מרחבי, עמדו בביצועים טוב יותר מהמודלים המסורתיים בשיעור של עד 14.99% במשימות כגון זיהוי חדרים.
מחקר זה טומן הבטחה לעתיד של AI, במיוחד לרובוטים ולמערכות אוטונומיות שצריכות להסתגל לסביבות חדשות. "דמיין לעצמך צוות של רובוטים שצריכים לנווט בחלל לא מוכר", אומר ג'יימס וואנג, חוקר בפרויקט. "השיטה שלנו עשויה לעזור להם ללמוד ביעילות תוך שימוש במינימום נתונים."
החוקרים הופכים את מערכי הנתונים של הסביבה הווירטואלית שלהם לזמינים לציבור, ומאפשרים למדענים אחרים להתבסס על עבודתם. גישה חדשנית זו, בהשראת האופן שבו ילדים רואים את העולם, סוללת את הדרך למערכות בינה מלאכותית יעילות הניתנות להתאמה בעתיד.
