შეგვიძლია AI-ს დამოუკიდებლად სწავლა ვასწავლოთ?
AI-ს მიერ შესასრულებელი დავალებები უფრო და უფრო კომპლექსური ხდება, რასაც, რა თქმა უნდა, ახალ-ახალი გამოწვევები ახლავს თან.
რა არის ხელოვნური ინტელექტი და როგორ მუშაობს ის, ამაზე წინა სერიაში უკვე ვისაუბრეთ. გასაკვირი სულაც არაა, რომ რაც უფრო მეტი ინდუსტრია და ცალკეული კომპანიები ითვისებენ მას, მით უფრო მეტ მოთხოვნებსაც უყენებენ მას. განვითარებისკენ სწრაფვა ადამიანებს ყოველთვის ახასიათებდათ და აქ არც ხელოვნური ინტელექტია გამონაკლისი.
რატომაა ასეთი მნიშვნელოვანი, რომ AI-ს სწავლა შეეძლოს?
დავალებების სირთულის ზრდასთან ერთად ექსპონენციალურად იზრდება კომპიუტერული სიმძლავრე, რომელიც ამ დავალებების შესასრულებლადაა საჭირო. სხვა სიტყვებით, რაც უფრო მეტ მონაცემს მივაწვდით AI-ს და რაც უფრო ნაკლებად კონკრეტული იქნება მისი დავალება, მით უფრო მეტი რესურსი დასჭირდება სწორი პასუხის საპოვნელად. რთული მისახვედრი არაა, რომ ეს გარკვეულ პრობლემას წარმოადგენს.
იმისათვის, რომ კომპიუტერული სიმძლავრის მოხმარება ექსპონენციალურად არ გაიზარდოს, ხელოვნურმა ინტელექტმა თავისით უნდა მიაგნოს სწავლის ყველაზე ეფექტურ გზას და დაიმახსოვროს კიდეც. როცა ამ ცოდნას დააგროვებს, ის თვით-რეგულირებასა და რესურსების ეფექტური გამოყენებით ცვლილებებთან ადაპტაციასაც შეძლებს.
ასეთი სურთულის ხელოვნური ინტელექტი კლასიფიცირდება, როგორც ხელოვნური ზოგადი ინტელექტი, ხოლო სწავლის ასეთ კომპლექსურ უნარს ზოგადმიზნობრივი სწავლა ეწოდება. ეს ადამიანების მიერ ახალი ცოდნის ათვისების ყველაზე ეფექტური მეთოდია, მაგრამ AI-ს დიდი გზა აქვს გასავლელი, სანამ ჩვენსავით “მოქნილი” გახდება.
მთავარი გამოწვევა
“სწავლის სწავლის” პრობლემას მრავალმიზნობრივი, ანუ სხვადასხვა, დავალებების ერთდროულად შესრულების (Multi-tasking) კომპლექსურობამდე მივყავართ.
პრობლემა მაშინ წარმოიშვა, როცა ხელოვნურ ინტელექტს ისეთ დავალებებს აძლევდნენ, რომლებიც ერთმანეთთან კავშირში იყო, მაგრამ არა — თანმიმდევრული. ამისათვის მას უნდა შეძლებოდა ერთმანეთისგან დამოუკიდებელი მონაცემების ერთდროულად გაანალიზება და ურთიერთკავშირების აღმოჩენა. მიუხედავად იმისა, რომ ეს პროცესები ისევ და ისევ მანქანურ სწავლებასა და სიღრმისეულ სწავლას ეფუძნება, მათი ამოცანა ბევრად რთულდება. ზოგადმიზნობრივი სწავლის უნარის მისაღწევად ორი ძირითადი პუნქტი იკვეთება: მეტა-მსჯელობა (Meta-reasoning) და მეტა-სწავლა (Meta-learning).
მეტა-მსჯელობა
აქ ერთ-ერთი მთავარი კომპონენტი სტრატეგიული აზროვნებაა. კომპიუტერული სიმძლავრის ეფექტურად გამოყენებისთვის ხელოვნურმა ინტელექტმა თავად უნდა “მოიფიქროს”, რა პროცესების წარმართვით შეასრულებს დავალებას მინიმალური კომპიუტერული სიმძლავრის გამოყენებით. სხვა სიტყვებით, მან დამოუკიდებლად უნდა იმსჯელოს იმის თაობაზე, თუ რა გზას დაადგეს ამოცანის ამოსახსნელად. რა თქმა უნდა, მეცნიერებს შეუძლიათ ეს გზა პირდაპირ მიაწოდონ, მაგრამ ეს სერიოზულ შრომასთანაა დაკავშირებული. ეფექტურობისთვის, ხელოვნურმა ინტელექტმა თავის პრობლემებს თავისით უნდა მიხედოს.
მეტა-სწავლა
მეტა-სწავლასთან დაკავშირებული კვლევები ფოკუსირებულია ნეირონულ ქსელებსა და სიღრმისეულ სწავლაზე. ნეირონული ქსელები უამრავი კომპლექსური დავალების შესასრულებლად გამოიყენება, თუმცა, აქ იგივე პრობლემას ვაწყდებით, რასაც მეტა-მსჯელობისას: მათ ასაწყობად იმდენი პოტენციური სტრუქტურული პარამეტრი და ალგორითმი არსებობს, რომ ხელით მათი შემუშავება ურთულესი ამოცანაა (იმდენად, იმდენად რთული, რომ სისტემას “ნეირონულ ზოოპარკსაც” კი ეძახიან). მეტა-სწავლის ერთ-ერთი მთავარი მიზანიც სწორედ ესაა. მას შეუძლია საგრძნობლად გაამარტივოს კონკრეტული პრობლემისთვის საჭირო ნეირონული ქსელისთვის საუკეთესო აგებულების პოვნა. ამ პროცესისთვის, რომელსაც ნეირონული არქიტექტურის ძიება ეწოდება, ისევ და ისევ მანქანური სწავლება გამოიყენება.
ზოგადმიზნობრივი AI-ს მაგალითი
აღწერილი სირთულეების მიუხედავად, ხელოვნური ინტელექტი, რომელსაც სხვადასხვა დავალებების ერთდროულად შესრულება შეუძლია, უკვე არსებობს. ალბათ გაგიკვირდებათ და ეს მექანიზმი გუგლს ეკუთვნის.
მულტიმოდელი მართლაც გასაოცარი მაგალითია ისეთი ხელოვნური ინტელექტისა, რომელსაც ერთდროულად რვა სხვადასხვა დავალების შესრულება შეუძლია. სისტემა იმეორებს აამიანური ტვინის მიერ ინფორმაციის აღქმის უნარს. მას შეუძლია სურათებზე კონკრეტული ობიექტების დაფიქსირება, მათი აღწერა მოკლედ ტექსტების სახით, ლაპარაკის ამოცნობა, ოთხ ენას შორის თარგმნა და წინადადებების სინტაქსური ანალიზი — თანაც, ერთდროულად! გუგლის მიერ შემუშავებული AI ნიშანდობლივი წინგადადგმული ნაბიჯია ხელოვნური ზოგადი ინტელექტის შემუშავებისკენ.
შეჯამება
ხელოვნური ინტელექტი უკვე ახერხებს თავისი შესაძლებლობებით ჩვენს გაოგნებას. მიუხედავად იმისა, რომ ზოგადმიზნობრივი სწავლის უნარი ამისათვის აუცილებლობას არ წარმოადგენს, ის რადიკალურად შეცვლის ჩვენი დამხმარე გაჯეტების და, შესაბამისად, ჩვენს ეფექტიანობას.
თუმცა, ეს არაა ერთადერთი მიმართულება, რომლითაც მეცნიერები დაინტერესებული არიან. ჩვენს განუყრელ სისტემებს ადამიანივით აზროვნებასთან ერთად ჩვენი ემოციური მდგომარეობის აღქმასაც ასწავლიან — აი, ეს უკვე რეალობაა:
ბიბლიოგრაფია:
- www.forbes.com; Jun Wu; Can Artificial Intelligence Learn To Learn?
- www.medium.com; Thomas Hartmann; Meta-Learning: Learning to Learn.
