استخدام الذكاء الاصطناعي

يستخدم الذكاء الاصطناعي النوم الاصطناعي لتعلم مهمة جديدة دون نسيان المهمة الأخيرة

يمكن أن يصبح العديد من أنظمة الذكاء الاصطناعي جيدًا في مهمة واحدة فقط ، متناسين كل شيء يعرفونه إذا تعلموا مهمة أخرى.كما يمكن أن يساعد شكل من أشكال النوم الاصطناعي في منع حدوث ذلك.

من الممكن للذكاء الاصطناعي أن يتعلم ويتذكر كيفية القيام بمهام متعددة .من خلال محاكاة الطريقة التي يساعدنا بها النوم على ترسيخ ما تعلمناه خلال ساعات الاستيقاظ.

هل يمكن جلب أفكار من علم الأعصاب وعلم الأحياء لتحسين التعلم الآلي الحالي(الذكاء الاصطناعي)

يقول ماكسيم بازينوف من جامعة كاليفورنيا ، سان دييغو : “هناك اتجاه كبير الآن لجلب أفكار من علم الأعصاب وعلم الأحياء لتحسين التعلم الآلي الحالي – والنوم هو أحد هذه الأفكار” .

يمكن للعديد من أنظمة الذكاء الاصطناعي إتقان مجموعة واحدة فقط من المهام المحددة جيدًا –

لا يمكنهم اكتساب معرفة إضافية لاحقًا دون فقدان كل شيء تعلموه سابقًا. يقول بافيل ساندا من أكاديمية العلوم التشيكية في جمهورية التشيك :

“تظهر المشكلة إذا كنت ترغب في تطوير أنظمة قادرة على ما يسمى التعلم مدى الحياة” . التعلم مدى الحياة هو الطريقة التي يراكم بها البشر المعرفة للتكيف مع تحديات المستقبل وحلها.

قام Bazhenov و Sanda وزملاؤهم بتدريب شبكة عصبية شائكة –

شبكة متصلة من الخلايا العصبية الاصطناعية تشبه بنية الدماغ البشري –

لتعلم مهمتين مختلفتين دون الكتابة فوق الاتصالات التي تم تعلمها من المهمة الأولى. لقد حققوا ذلك عن طريق تخلل فترات التدريب المركزة بفترات تشبه النوم.

محاكاة النوم في الشبكة العصبية عن طريق تنشيط الخلايا العصبية الاصطناعية للشبكة بنمط صاخب

قام الباحثون بمحاكاة النوم في الشبكة العصبية عن طريق تنشيط الخلايا العصبية الاصطناعية للشبكة بنمط صاخب.

 كما حرصوا على أن تكون الضوضاء المستوحاة من النوم مطابقة تقريبًا لنمط إطلاق الخلايا العصبية أثناء جلسات التدريب –

وهي طريقة لإعادة تشغيل وتقوية الروابط المستفادة من كلا المهمتين.

حاول الفريق أولاً تدريب الشبكة العصبية على المهمة الأولى ، تليها المهمة الثانية ،

ثم أخيرًا إضافة فترة نوم في النهاية. لكنهم أدركوا بسرعة أن هذا التسلسل ما زال يمحو اتصالات الشبكة العصبية التي تعلموها من المهمة الأولى.

بدلاً من ذلك ، أظهرت تجارب المتابعة أنه من المهم “إجراء جلسات متناوبة بسرعة من التدريب والنوم” بينما كان الذكاء الاصطناعي يتعلم المهمة الثانية ،

كما يقول إريك ديلانويز من جامعة كاليفورنيا ، سان دييغو. ساعد هذا في توحيد الاتصالات من المهمة الأولى التي كانت ستُنسى لولا ذلك.

دراسة التجارب

أظهرت التجارب .كيف يمكن لشبكة عصبية متصاعدة مدربة بهذه الطريقة أن تمكن عامل الذكاء الاصطناعي, من تعلم نمطين مختلفين من البحث عن جزيئات الطعام المحاكية مع تجنب الجسيمات السامة.

يقول هافا سيجلمان من جامعة ماساتشوستس أمهيرست : “ستتمتع مثل هذه الشبكة بالقدرة على الجمع بين المعرفة المكتسبة على التوالي بطرق ذكية ،

وتطبيق هذا التعلم في مواقف جديدة – تمامًا كما تفعل الحيوانات والبشر” .

يقول سيجلمان إن الشبكات العصبية الشائكة ، بتصميمها المعقد والمستوحى من الطبيعة ، لم تثبت بعد أنها عملية للاستخدام على نطاق واسع لأنه من الصعب تدريبها.

 ستتطلب الخطوات الكبيرة التالية لإظهار فائدة هذه الطريقة عروض توضيحية. بمهام أكثر تعقيدًا على الشبكات العصبية الاصطناعية التي يشيع استخدامها من قبل شركات التكنولوجيا.

تتمثل إحدى مزايا الشبكات العصبية المتصاعدة في أنها أكثر كفاءة في استخدام الطاقة من الشبكات العصبية الأخرى.

 يقول رايان جولدن من جامعة كاليفورنيا ، سان دييغو : “أعتقد أنه خلال العقد القادم أو نحو ذلك سيكون هناك نوع من الزخم الكبير للانتقال إلى مزيد من تكنولوجيا الشبكات المتصاعدة. بدلاً من ذلك” . “من الجيد اكتشاف هذه الأشياء في وقت مبكر.”