Yenilikler

Basitliğe karşı uyarlanabilirlik: Alışılmış ve hedefe yönelik davranışlar arasındaki dengeyi anlamak

Hem canlıların hem de yapay zeka destekli makinelerin durumlara yanıt olarak hızlı ve uyarlanabilir şekilde hareket etmesi gerekiyor. Psikoloji ve sinir biliminde davranışlar iki türe ayrılabilir: alışılmış (hızlı ve basit ancak esnek olmayan) ve hedefe yönelik (esnek ancak karmaşık ve daha yavaş). Nobel İktisadi Bilimler Ödülü’nü kazanan Daniel Kahneman bunları Sistem 1 ve Sistem 2 olarak ayırıyor. Ancak bunların bağımsız ve çatışan varlıklar mı yoksa birbirini destekleyen bileşenler mi olduğu konusunda tartışmalar sürüyor.

Okinawa Bilim ve Teknoloji Enstitüsü’nden (OIST) ve Şanghay’daki Microsoft Research Asia’dan bilim insanları, alışılmış ve hedefe yönelik davranış sistemlerinin birbirlerine yardım etmeyi öğrendiği yeni bir yapay zeka yöntemi önerdiler. Bir labirentin keşfini taklit eden bilgisayar simülasyonları sayesinde yöntem, değişen ortamlara hızla uyum sağlıyor ve aynı zamanda insan ve hayvanların belirli bir ortama uzun süre alıştıktan sonraki davranışlarını da yeniden üretiyor.

Çalışma, şu tarihte yayınlandı: Doğa İletişimigelişen yapay zeka alanına hızlı ve güvenilir bir şekilde uyum sağlayan sistemlerin geliştirilmesinin önünü açmakla kalmıyor, aynı zamanda sinir bilimi ve psikoloji alanlarında nasıl karar verdiğimize dair ipuçları da sağlıyor.

Bilim adamları, “aktif çıkarım” teorisine dayanan, ödül ve cezalara dayalı bir öğrenme yöntemi olan takviyeli öğrenme gerçekleştiren yapay zeka aracılarındaki öğrenme davranışı için alışılmış ve hedefe yönelik sistemleri birleştiren bir model elde ettiler. son zamanlarda çok dikkat çekiyor. Makalede, farelerin görsel ipuçlarına dayanarak bir labirenti keşfettiği ve hedefe ulaştıklarında yiyecekle ödüllendirildiği bir görevi taklit eden bir bilgisayar simülasyonu oluşturdular.

Bu iki sistemin çevreyle etkileşim halindeyken nasıl uyum sağladığını ve bütünleştiğini inceleyerek, uyarlanabilir davranışı hızlı bir şekilde elde edebildiklerini gösterdiler. Yapay zeka aracısının takviyeli öğrenme yoluyla veri topladığı ve kendi davranışını geliştirdiği gözlemlendi.

Beynimizin tercih ettiği şey

İşyerinde geçen uzun bir günün ardından genellikle otomatik pilotta (alışılmış davranış) eve döneriz. Ancak yeni taşındıysanız ve dikkat etmiyorsanız, alışkanlıktan dolayı kendinizi eski evinize dönerken bulabilirsiniz. Kendinizi bunu yaparken yakaladığınızda vites değiştirirsiniz (hedefe yönelik davranış) ve yeni evinize doğru yeniden yol alırsınız. Geleneksel olarak, bu iki davranışın bağımsız olarak çalıştığı kabul edilir; bu da davranışın alışkanlık haline gelmiş ve hızlı ancak esnek olmayan ya da hedefe yönelik ve esnek ancak yavaş olmasına neden olur.

“Öğrenme sırasında hedefe yönelik davranıştan alışılmış davranışa otomatik geçiş, psikolojide çok ünlü bir bulgudur. Modelimiz ve simülasyonlarımız bunun neden olduğunu açıklayabilir: Beyin, daha yüksek kesinliğe sahip davranışı tercih eder. Öğrenme ilerledikçe alışılmış davranış daha az rastlantısal hale gelir, OIST’in Bilişsel Nörorobotik Araştırma Birimi’nde eski doktora öğrencisi ve makalenin ilk yazarı Dr. Dongqi Han, “Bu nedenle beyin, önemli bir eğitimden sonra alışılmış davranışlara güvenmeyi tercih ediyor” dedi.

Yapay zekanın eğitim almadığı yeni bir hedef için, eylemlerini planlamak amacıyla ortamın dahili bir modelini kullanıyor. Tüm olası eylemleri dikkate almasına gerek yoktur, ancak alışılmış davranışlarının bir kombinasyonunu kullanır, bu da planlamayı daha verimli hale getirir. Bu, tüm olası hedeflerin gerçekleştirilmesi için eğitime açıkça dahil edilmesini gerektiren geleneksel yapay zeka yaklaşımlarına meydan okuyor. Bu modelde istenilen her hedefe, açık bir eğitim olmadan, öğrenilen bilgilerin esnek bir şekilde birleştirilmesiyle ulaşılabilir.

Bilişsel Nörorobotik Araştırma Birimi başkanı Prof. Jun Tani, “Esnek ve alışılmış davranışlar arasında bir tür denge veya denge sağlamak önemlidir” dedi. “Bir hedefe ulaşmanın pek çok olası yolu olabilir, ancak tüm olası eylemleri dikkate almak çok maliyetlidir, bu nedenle hedefe yönelik davranış, seçenekleri daraltmak için alışılmış davranışlarla sınırlıdır.”

Daha iyi yapay zeka oluşturma

Dr. Han, yapay zeka algoritmaları üzerinde çalışmaya başladığında sinir bilimi ve yapay zeka ile insan zekası arasındaki uçurumla ilgilenmeye başladı. “Yapay zekanın insanlar gibi nasıl daha verimli ve uyarlanabilir şekilde davranabileceğini düşünmeye başladım. Temel matematik ilkelerini ve bunları yapay zekayı geliştirmek için nasıl kullanabileceğimizi anlamak istedim. Doktora araştırmamın motivasyonu da buydu.”

Alışkanlık ve hedefe yönelik davranışlar arasındaki farkın anlaşılmasının özellikle sinir bilimi alanında önemli sonuçları vardır çünkü DEHB, OKB ve Parkinson hastalığı gibi nörolojik bozukluklara ışık tutabilir.

Nöral Hesaplama Birimi başkanı Prof. Kenji Doya, “Beyindeki birden fazla sistemin birlikte çalışmasını sağlayan hesaplama ilkelerini araştırıyoruz. Ayrıca dopamin ve serotonin gibi nöromodülatörlerin bu süreçte çok önemli bir rol oynadığını da gördük” dedi. “Beyinden ilham alınarak geliştirilen ve pratik sorunları çözebildiği kanıtlanmış yapay zeka sistemleri, insanların ve hayvanların beyinlerinde neler olup bittiğini anlamada değerli araçlar olarak hizmet edebilir.”

Dr. Han, karmaşık hedeflere ulaşmak için davranışlarını uyarlayabilen daha iyi yapay zekanın geliştirilmesine yardımcı olmak istiyor. “Günlük görevleri yerine getirirken insana yakın yeteneklere sahip yapay zeka geliştirmekle çok ilgileniyoruz, bu nedenle insan-yapay zeka arasındaki bu açığı kapatmak istiyoruz. Beynimizin iki öğrenme mekanizması var ve hedefimize ulaşmak için bunların birlikte nasıl çalıştıklarını daha iyi anlamamız gerekiyor. “

Kaynak ve İleri Okuma: https://www.sciencedaily.com/releases/2024/06/240617173657.htm

İlgili Makaleler

Başa dön tuşu