Nieuwsgierigheid maakt kunstmatige intelligentie bruikbaarder

Nieuwsgierigheid als motivatie is een belangrijk onderwerp aan het worden voor zowel kunstmatige intelligentie als neurowetenschappen. Computer algoritmen die uitgerust zijn met een vorm van kunstmatige nieuwsgierigheid kunnen leren om autonomer uitdagende problemen op te lossen, zelfs als het niet direct duidelijk is welke acties zouden kunnen helpen om een doel te bereiken. Kunstmatige nieuwsgierigheid maakt kunstmatige intelligentie bruikbaarder.

Minder menselijke arbeid

Diverse krachtige machine-learning technieken hebben machines de afgelopen jaren intelligenter gemaakt. Een van deze technieken is reinforcement learning. Reinforcement learning wordt vaak gezien als een belangrijke methode voor het bouwen van slimmere robots. Deze methode heeft het mogelijk gemaakt voor machines om dingen te bereiken die moeilijk in code te definiëren zouden zijn. Deze methode maakt gebruik van beloningen om het gedrag van een algoritme richting een bepaald doel te sturen. Sommige resultaten worden beloond, terwijl andere resultaten een straf tot gevolg hebben. Het algoritme leert zijn strategie te verbeteren door vallen en opstaan. Andere machine learning benaderingen die vandaag de dag worden gebruikt leren door te kijken naar stapels data, waarbij ze patronen proberen te ontdekken die ze kunnen toepassen op vergelijkbare problemen.

Beide benaderingen zijn succesvol in het uitvoeren van specifieke taken, maar ze vereisen ook veel menselijke arbeid voor het leren van de taken, of het nou om het labelen van training data gaat of om het ontwerpen van beloningsfuncties. Nieuwsgierigheid helpt computers zelfstandig te leren. Door AI systemen een intrinsieke motivatie te geven om te ontdekken voor het ontdekken wordt wat van dit werk overbodig en hoeven mensen minder tijd door te brengen om hun AI algoritmen te ondersteunen.

Geschikter voor de echte wereld

Een taak die uitgevoerd wordt met reinforcement learning kan moeilijk zijn om uit te voeren als de feedback die nodig is voor AI niet direct beschikbaar is. Deze methode werkt niet in situaties waarin de voordelen van bepaald gedrag niet direct voor de hand liggen.

Een model dat werkt met nieuwsgierigheid, en bijvoorbeeld als doel heeft zijn begrip van de omgeving te maximaliseren, heeft deze feedback niet nodig. Leersystemen gedreven door nieuwsgierigheid zijn beter voor het bouwen van computerprogramma’s die opereren in de echte wereld. In realiteit zijn directe beloningen ten slotte ook schaars, en we moeten lange perioden verkennen, werken en leren voordat we er iets voor terug krijgen. Nieuwsgierigheid helpt de mens door te gaan, ook al wordt onze moeite niet direct beloond. Men hoopt dit voor computers ook te kunnen realiseren.

Efficiënter werk

Robots schijnen een enorme hoeveelheid tijd te verspillen aan het uitvoeren van willekeurige handelingen. Uitgerust met nieuwsgierigheid zou een robot moeten experimenteren met objecten in de buurt en sneller zijn omgeving kunnen verkennen.

Huidige machine learning technieken hebben beperkingen. Nieuwsgierigheid zou kunnen helpen deze aan te pakken. Hoewel de algemene theorie al gevestigd is, is het bouwen van specifieke oplossingen nog een uitdaging. Maar het ontwikkelen van nieuwsgierige machines is een belangrijke stap naar het bouwen van machines die leren en denken als mensen. Het zou machines beter kunnen maken in het oplossen van complexe, realistische problemen. De vraag is wanneer nieuwsgierigheid activiteiten als camera-observatie gaat verbeteren.

Geef een reactie

Vul je gegevens in of klik op een icoon om in te loggen.

WordPress.com logo

Je reageert onder je WordPress.com account. Log uit /  Bijwerken )

Google photo

Je reageert onder je Google account. Log uit /  Bijwerken )

Twitter-afbeelding

Je reageert onder je Twitter account. Log uit /  Bijwerken )

Facebook foto

Je reageert onder je Facebook account. Log uit /  Bijwerken )

Verbinden met %s