A Carnegie Mellon Egyetem és a Pittsburghi Egyetem kutatói által közösen jegyzett új perspektívákról szóló tanulmány a gépi tanulást a biológiai tanulással hozza összefüggésbe, megmutatva, hogy a két megközelítés nem cserélhető fel, mégis hasznosítható, és értékes betekintést nyújt az agy működésébe.
"Folyamatosan fejlődik, hogy miként számszerűsítjük az agyban és az alanyok viselkedésében a tanulás során megfigyelhető változásokat. Kiderült, hogy a gépi tanulásban és a mesterséges intelligenciában van egy jól kidolgozott keretrendszer, amelyben valami tanul, amit optimalizálásnak nevezünk. Mi és mások a területen azon gondolkodtunk, hogyan tanul az agy ehhez a keretrendszerhez képest, amelyet arra fejlesztettek ki, hogy mesterséges ágenseket tanítsanak tanulásra - mondta Byron Yu, a Carnegie Mellon Egyetem professzora.
Az optimalizációs nézőpont azt sugallja, hogy az agyi aktivitásnak a tanulás során matematikailag előírt módon kell változnia, hasonlóan ahhoz, ahogyan a mesterséges neuronok aktivitása is meghatározott módon változik, amikor robotok vezetésére vagy sakkozásra képzik ki őket.
"Az egyik dolog, amit szeretnénk megérteni, hogy a tanulási folyamat hogyan bontakozik ki az idő múlásával, ha nem csak egy pillanatképet nézünk a tanulás előtt és után. A cikknek három fő tanulsága van, amelyeket fontos lenne figyelembe venni az emberek számára, amikor arról gondolkodnak, hogy miért változhat az idegi aktivitás a tanulás során, ami nem magyarázható meg könnyen az optimalizálás szempontjából" - magyarázta Jay Hennig, a Carnegie Mellon neurális számítás és gépi tanulás területén dolgozó kutatója.
A tanulságok közé tartozik a neurális variabilitás rugalmatlansága a tanulás során, a több tanulási folyamat használata még egyszerű feladatok során is, és a nagy feladatspecifikus aktivitásváltozások jelenléte.
"Csábító a mesterséges tanuló ágensek sikeres példáiból meríteni, és azt feltételezni, hogy az agynak azt kell tennie, amit azok tesznek. A mesterséges és a biológiai tanulási rendszerek között azonban az egyik konkrét különbség az, hogy a mesterséges rendszer általában csak egy dolgot csinál, és azt nagyon jól csinálja. Az agyban a tevékenység egészen más, sok folyamat zajlik egyszerre. Mi és mások is megfigyeltük, hogy az agyban olyan dolgok történnek, amelyeket a gépi tanulási modellek még nem tudnak figyelembe venni" - szögezte le Aaron Batista, a Pittsburghi Egyetem biomérnök professzora.
Steve Chase, a Carnegie Mellon professzora hozzátette: "Látjuk, hogy egy téma épül, és látjuk a jövő irányát. Azzal, hogy felhívjuk a figyelmet ezekre a területekre, ahol az idegtudomány tájékoztathatja a gépi tanulást és fordítva, célunk, hogy összekapcsoljuk őket az optimalizációs szemlélettel, hogy végül mélyebb szinten megértsük, hogyan bontakozik ki a tanulás az agyban."
