Τα μηχανήματα δεν χρειάζονται πλέον τη βοήθειά μας για να μάθουν

Οι ερευνητές που εργάζονται με σμήνη ρομπότ λένε ότι είναι πλέον δυνατό για τις μηχανές να μάθουν πώς λειτουργούν τα φυσικά ή τεχνητά συστήματα παρατηρώντας τα - χωρίς να τους λένε τι να ψάξουν.

Αυτό θα μπορούσε να οδηγήσει σε πρόοδο στον τρόπο με τον οποίο τα μηχανήματα συμπεραίνουν τη γνώση και τη χρησιμοποιούν για τον εντοπισμό συμπεριφορών και ανωμαλιών.

"Σε αντίθεση με το αρχικό τεστ Turing, ωστόσο, οι ανακριτές μας δεν είναι άνθρωποι αλλά μάλλον προγράμματα υπολογιστών που μαθαίνουν από μόνα τους."

Η τεχνολογία θα μπορούσε να βελτιώσει τις εφαρμογές ασφαλείας, όπως η ανίχνευση ψεύδους ή η επαλήθευση ταυτότητας, και να κάνει τα παιχνίδια στον υπολογιστή πιο ρεαλιστικά.

Σημαίνει επίσης ότι οι μηχανές είναι σε θέση να προβλέψουν, μεταξύ άλλων, πώς συμπεριφέρονται οι άνθρωποι και άλλα έμβια όντα.


εσωτερικά εγγραφείτε γραφικό


Το τεστ Turing

Η ανακάλυψη, δημοσιεύτηκε στο περιοδικό Σμήνη νοημοσύνη, παίρνει έμπνευση από το έργο του πρωτοπόρου επιστήμονα υπολογιστών Alan Turing, ο οποίος πρότεινε μια δοκιμή, την οποία θα μπορούσε να περάσει μια μηχανή αν συμπεριφερόταν αδιάκριτα από έναν άνθρωπο. Σε αυτό το τεστ, ένας ανακριτής ανταλλάσσει μηνύματα με δύο παίκτες σε διαφορετικό δωμάτιο: ο ένας άνθρωπος, ο άλλος μια μηχανή.

Ο ανακριτής πρέπει να μάθει ποιος από τους δύο παίκτες είναι άνθρωπος. Εάν δεν το κάνουν με συνέπεια-που σημαίνει ότι δεν είναι πιο επιτυχημένοι από ό, τι αν είχαν επιλέξει έναν παίκτη τυχαία-το μηχάνημα έχει περάσει το τεστ και θεωρείται ότι έχει νοημοσύνη σε ανθρώπινο επίπεδο.

«Η μελέτη μας χρησιμοποιεί τη δοκιμή Turing για να αποκαλύψει πώς λειτουργεί ένα δεδομένο σύστημα - όχι απαραίτητα ένας άνθρωπος -. Στην περίπτωσή μας, θέσαμε ένα σμήνος ρομπότ υπό επιτήρηση και θέλαμε να μάθουμε ποιοι κανόνες προκάλεσαν τις κινήσεις τους », εξηγεί ο Roderich Gross από το τμήμα αυτόματου ελέγχου και μηχανικής συστημάτων στο Πανεπιστήμιο του Sheffield.

«Για να γίνει αυτό, βάζουμε επίσης ένα δεύτερο σμήνος - φτιαγμένο από ρομπότ που μαθαίνουν - επίσης. Οι κινήσεις όλων των ρομπότ καταγράφηκαν και τα δεδομένα κίνησης εμφανίστηκαν στους ανακριτές », προσθέτει.

«Σε αντίθεση με το αρχικό τεστ Turing, ωστόσο, οι ανακριτές μας δεν είναι άνθρωποι αλλά μάλλον προγράμματα υπολογιστών που μαθαίνουν από μόνα τους. Ο στόχος τους είναι να κάνουν διάκριση μεταξύ ρομπότ από το ένα σμήνος. Επιβραβεύονται για τη σωστή κατηγοριοποίηση των δεδομένων κίνησης από το αρχικό σμήνος ως αυθεντικών και αυτών από το άλλο σμήνος ως απομιμήσεων. Τα ρομπότ που μαθαίνουν και πετυχαίνουν να ξεγελάσουν έναν ανακριτή - κάνοντάς το να πιστέψει ότι τα δεδομένα κίνησής τους ήταν γνήσια - λαμβάνουν ανταμοιβή ».

Ο Gross λέει ότι το πλεονέκτημα της προσέγγισης, που ονομάζεται "Turing Learning", είναι ότι οι άνθρωποι δεν χρειάζεται πλέον να λένε στις μηχανές τι να ψάξουν.

Ρομπότ ζωγραφίζει όπως ο Πικάσο

Φανταστείτε ότι θέλετε ένα ρομπότ να ζωγραφίζει σαν τον Πικάσο. Οι συμβατικοί αλγόριθμοι μηχανικής μάθησης θα βαθμολογούσαν τους πίνακες του ρομπότ για το πόσο πολύ έμοιαζαν με τον Πικάσο. Αλλά κάποιος θα έπρεπε να πει στους αλγόριθμους τι θεωρείται παρόμοιο με τον Πικάσο για αρχή.

Το Turing Learning δεν απαιτεί τέτοια προηγούμενη γνώση. Απλώς θα επιβραβεύει το ρομπότ αν ζωγράφισε κάτι που θεωρήθηκε γνήσιο από τους ανακριτές. Το Turing Learning θα μάθαινε ταυτόχρονα πώς να ανακρίνει και πώς να ζωγραφίζει.

Ο Gross λέει ότι πιστεύει ότι το Turing Learning θα μπορούσε να οδηγήσει σε πρόοδο στην επιστήμη και την τεχνολογία.

"Οι επιστήμονες θα μπορούσαν να το χρησιμοποιήσουν για να ανακαλύψουν τους κανόνες που διέπουν τα φυσικά ή τεχνητά συστήματα, ειδικά όταν η συμπεριφορά δεν μπορεί να χαρακτηριστεί εύκολα χρησιμοποιώντας μετρήσεις ομοιότητας", λέει.

«Τα παιχνίδια στον υπολογιστή, για παράδειγμα, θα μπορούσαν να κερδίσουν ρεαλισμό καθώς οι εικονικοί παίκτες θα μπορούσαν να παρατηρήσουν και να υποθέσουν χαρακτηριστικά γνωρίσματα των ανθρώπινων ομολόγων τους. Δεν θα αντιγράψουν απλώς την παρατηρούμενη συμπεριφορά, αλλά μάλλον θα αποκαλύψουν τι κάνει τους παίκτες να ξεχωρίζουν από τους υπόλοιπους ».

Μέχρι στιγμής, ο Gross και η ομάδα του έχουν δοκιμάσει το Turing Learning σε σμήνη ρομπότ, αλλά το επόμενο βήμα είναι να αποκαλύψει τη λειτουργία ορισμένων συλλογικών ζώων, όπως σχολές ψαριών ή αποικίες μελισσών. Αυτό θα μπορούσε να οδηγήσει σε καλύτερη κατανόηση των παραγόντων που επηρεάζουν τη συμπεριφορά αυτών των ζώων και τελικά να ενημερώσει την πολιτική για την προστασία τους.

πηγή: Πανεπιστήμιο του Σέφιλντ

Σχετικά βιβλία

at