Precisamos aprender a adicionar e subtrair como podemos aprender a ler e aprender nossas cartas antes que possamos aprender nossos números. Uma equipe de cientistas da Universidade de Nova York mostrou os mesmos princípios com a IA por meio de exames de laboratório e modelagem de contagem.
Em seu trabalho, publicado na revista Intelecto da máquina da naturezaOs pesquisadores descobriram que, quando as redes neurais recorrentes (RNN) são treinadas primeiro em obras cognitivas comuns, eles mais tarde estão melhor equipados para lidar com mais difíceis e complexos.
Os escritores de papel rotularam essa forma de treinamento em currículo do jardim de infância porque primeiro criou as tarefas básicas e depois combinou o conhecimento desses trabalhos para realizar mais desafiadores.
“Desde o início da vida, desenvolvemos um conjunto de habilidades básicas, como jogar com uma bola ou brincar com uma bola”, explicou Christina Savin, professora associada do NYO Center for Neural e Center for Data Science. “Com a experiência, essas habilidades primárias podem ser montadas para apoiar comportamentos complexos – por exemplo, para despertar várias bolas enquanto andam de bicicleta.
“Nosso trabalho adota os mesmos princípios para melhorar a capacidade dos RNNs, que primeiro aprendem uma série de tarefas simples, salvando esse conhecimento e depois aplicando uma combinação desse trabalho educado para concluir com êxito os sofisticados”.
RNNs – redes neurais projetadas para processar dados seriais com base no conhecimento armazenado – especialmente eficaz no reconhecimento da fala e na tradução do idioma. No entanto, quando se trata de trabalhos cognitivos complexos, o treinamento de RNNs com métodos existentes pode ser difícil e reduzir a falta de captura de animais e comportamento humano que visa replicar os sistemas de IA.
Para resolver isso, o autor do estudo – pesquisador pós -retoral do NYO Center for Data Science, David Hawker e Christine Constantinopla, professora do Centro de Ciência de Dados da NYU, realizou vários testes em ratos de laboratório.
Os animais foram treinados para procurar fontes de água em uma caixa com várias portas de buggy. No entanto, para descobrir quando e onde obter a água, a distribuição da água que os ratos precisavam para aprender foram associados a certas palavras e a iluminação das luzes da porta – e a água não foi imediatamente fornecida imediatamente após esses sinais. Para alcançar a água, os animais precisam desenvolver o conhecimento básico de vários eventos (por exemplo, antes do suprimento de água, aguardando o sinal visual e de áudio antes de tentar água) e depois aprender a combinar essas tarefas comuns para concluir uma meta (recuperação de água).
Esses resultados indicam os princípios de como o animal aplicou o conhecimento das funções comuns na realização de tarefas mais complexas.
Os cientistas fizeram essas perguntas para treinar RNNs de maneira semelhante – mas, em vez de recuperação de água, as RNNs conduziram uma tarefa de apostas para que essas redes precisem ser feitas com base na tomada de decisão básica para maximizar o salário ao longo do tempo. Eles então comparam esse currículo do jardim de infância com o método de treinamento RNN existente com o método de aprendizado.
No geral, os resultados da equipe mostraram que os RNNs treinados no modelo de jardim de infância aprenderam mais rapidamente do que treinados da maneira atual.
“Os agentes da IA devem primeiro passar pelo jardim de infância para poder aprender melhor tarefas complexas”. “No geral, esses resultados estão apontando para as maneiras de melhorar o aprendizado no sistema de IA e exige o desenvolvimento de uma compreensão mais geral de como as experiências passadas afetarão novas habilidades de aprendizado de habilidades”.
Este estudo foi financiado pelo Instituto Nacional de Saúde Mental (1R0125571-01, 1K01MH132043-01A1) e foi conduzido usando o comitê do consórcio AI AI Consórcio de AI com o apoio do Consórcio de IA com o apoio da Fundação de Nova York, a Fundação Familiar e da Fundação Segunda.
