Antes de aprender nuestras letras y aprender nuestros números antes de agregar y reducir. Un equipo de científicos de la Universidad de Nueva York tiene el mismo principio con la IA a través de experiencias de laboratorio y modelado computacional.
En su trabajo, apareció en la revista Inteligencia de la máquina de la naturalezaLos investigadores encontraron que cuando repetidamente la red nerviosa (RNN) se capacita primero para tareas académicas fáciles, están mejor equipadas para manejar personas más difíciles y complejas.
Los autores de este artículo han etiquetado esta forma de aprendizaje curricular de jardín de infantes, ya que se centra primero en desarrollar tareas básicas y luego involucrado en el conocimiento de estas tareas para realizar tareas más difíciles.
“Desde el comienzo de la vida, desarrollamos una combinación de habilidades básicas como mantener el equilibrio o jugar con una pelota”, explica Christina Saun, profesora asociada en el Centro de Ciencia Nural de la NYU y Centro para la Ciencia de Datos. “Con la experiencia, estas habilidades básicas se pueden vincular para apoyar el comportamiento complejo, por ejemplo, andar en bicicleta para despertar muchas bolas.
“Nuestro trabajo adopta los mismos principios para mejorar las capacidades de RNN, que primero aprenden una serie de tareas fáciles, conservan este conocimiento y luego usan un conjunto de trabajos aprendidos para completar las cosas más sofisticadas con éxito”.
RNS – Las redes nerviosas que están diseñadas para tomar medidas sobre la información basada en información basada en el conocimiento almacenado, son especialmente útiles en la identificación del habla y la traducción del idioma. Sin embargo, cuando se trata de tareas académicas complejas, el entrenamiento de RNN con los métodos actuales puede ser difícil y puede reducir la incautación de aspectos importantes de los animales y el comportamiento humano, cuyo objetivo es crear una copia del sistema AI.
Para identificar esto, los autores de este estudio, que incluyeron al investigador post documental David Hokar en el Centro de Ciencia de Datos de la NYU y la profesora Christine Constantinople en el Centro de Ciencia de Datos de la NYU, realizó una serie de experimentos con ratones de laboratorio.
Los animales fueron entrenados para encontrar fuentes de agua en una caja que contenía varios puertos comparializados. Sin embargo, para averiguar cuándo y dónde estará disponible el agua, los ratones necesitan saber que el suministro de agua está asociado con algunos sonidos y luces de puerto, y que inmediatamente de estos gestos. El agua no fue entregada más tarde. Es necesario preparar la información básica sobre los indicadores visuales y de audio, luego, los animales, entonces, la voz del agua, antes de tratar de acceder al agua (por ejemplo, el sonido del agua, antes de la entrega del agua, y luego aprender a conectar estas tareas fáciles para completar un objetivo (recuperación del agua).
Estos resultados señalaron los principios de cómo los animales aplicaron información sobre cómo hacer tareas más complejas.
Los científicos también tomaron estos resultados para capacitar a RNN de manera similar, pero, en lugar de recuperar agua, RNN organizó una tarea de ala que necesitaba implementar la toma de decisiones básicas para maximizar el pago de estas redes con el tiempo. Luego comparó el tipo de plan de estudios de jardín de infantes con los métodos actuales de entrenamiento RNN.
En general, los resultados del equipo muestran que RNN entrenó en el modelo de jardín de infantes aprendió rápidamente en comparación con los entrenados en los métodos actuales.
Saun observó: “Los agentes de IA deben pasar primero por el jardín de infantes para que puedan aprender mejor las tareas complejas”. “En general, estos resultados indican formas de mejorar el aprendizaje en el sistema de IA y exigir una comprensión más integral de cómo las experiencias pasadas afectan el aprendizaje de nuevas habilidades”.
Esta investigación fue financiada por una subvención del Instituto Nacional de Salud Mental (1R01MH125571-01, 1K01MH132043-01A1) y con el apoyo del Consorcio Empire AI, con el apoyo de la Fundación Simmons y la Fundación Familia Sequanda.
