به گزارش آتیه آنلاین، ایسنا نوشت: در مجله Frontiers in Computational Neuroscience، ماکسیمیلیان رایزنهوبر(Maximilian Riesenhuber)، دکترای علوم اعصاب، در مرکز پزشکی دانشگاه جورج تاون(Georgetown) و جوشوا رول( Joshua Rule) فوق دکترا از دانشگاه یو سی برکلی توضیح می‌دهند که چگونه این رویکرد جدید توانایی نرم افزار هوش مصنوعی را به سرعت بهبود می بخشد تا مفاهیم بصری جدید را یاد بگیرید.

رایزنهوبر می‌گوید: مدل ما روشی بیولوژیکی برای شبکه‌ی عصبی هوش مصنوعی فراهم می‌کند تا بتواند مفاهیم بصری جدید را با تعداد کمی از نمونه‌ها یاد بگیرد. ما می‌توانیم به یادگیری هرچه بهتر کامپیوترها با استفاده نمونه‌های کم و با بکارگیری یادگیری‌های پیشین کمک کنیم و فکر می‌کنیم این همان کاری است که مغز انسان انجام می‌دهد.

بر اساس این گزارش که به نقل از یورک الرت نوشته شده: رایزنهوبر توضیح می‌دهد: انسان‌ها می‌توانند به سرعت و با دقت مفاهیم تصویری جدیدی را از داده‌های پراکنده بیاموزند. گاهی فقط به یک نمونه برای یادگیری نیاز است. حتی نوزادان سه تا چهار ماهه به راحتی می‌توانند گورخرها را تشخیص دهند و آنها را از گربه‌ها، اسب‌ها و زرافه‌ها متمایز کنند. اما رایانه‌ها معمولاً باید نمونه‌های بسیاری از یک شی مشخص را ببینند تا بتوانند آن را تشخیص دهند.

وی گفت: تغییر بزرگ مورد نیاز ما طراحی نرم افزاری بود که بتواند ارتباط میان دسته‌های مختلف بصری را تشخیص دهد به جای آن که رویکردی استانداردتر یعنی شناسایی یک شی براساس اطلاعات سطح پایین مانند شکل و رنگ را پیش بگیرد. قدرت محاسباتی مغز در ساده سازی یادگیری نهفته در توانایی استفاده از آموخته‌های قبلی است. مغز دارای یک بانک اطلاعاتی از مفاهیمی است که از پیش آموخته است.

رول و رایزنهوبر دریافتند که شبکه‌های عصبی مصنوعی که نمایانگر اجسامی از پیش آموخته شده بودند، مفاهیم بصری جدید را به طور قابل توجهی با سرعت بیشتر آموختند.

رول می‌گوید که قصد دارند مفاهیمی سطح بالا اما در نوعی متفاوت از قبل به آنها یاد دهند. به طور مثال آن که پلاتیپوس‌ها کمی شبیه اردک‌ها، سگ‌های آبی و سمورهای دریایی هستند.

رایزنهوبر افزود: با استفاده مجدد از این مفاهیم، می‌توانیم راحت‌تر مفاهیم جدید را به آنها بیاموزیم. مانند اینکه بگوییم گورخر اسب ساده‌ای است که خطوط راه راه دارد.

ساختار مغز که زیربنای قابلیت یادگیری مفاهیم بصری در انسان است، شامل شبکه‌ی عصبی است که در شناسایی اجسام نقش دارد و تصور می‌شود که لوب گیجگاهی قدامی مغز نمایانگر مفاهیم انتزاعی است که چیزی فراتر از شکل اجسام است. این سیستم عصبی پیچیده به انسان در یادگیری وظایف جدید کمک می‌کند و همچنین به فرد امکان به کارگیری آموخته‌های قبلی را می‌دهد.

دانشمندان می‌گویند، به رغم پیشرفت‌های زیاد در زمینه‌ی هوش مصنوعی هنوز سیستم بصری انسان استانداردترین و بهترین نوع برای تعمیم یک نمونه به نمونه‌های دیگر برای درک تصاویر و یادگیری است.

رایزنهوبر نتیجه‌گیری می‌کند: یافته‌های ما نه تنها روش‌هایی را نشان می‌دهد که می‌توانند به کامپیوترها برای یادگیری سریع‌تر و کارآمدتر کمک کنند، بلکه می‌تواند به بهبود آزمایش‌های علوم اعصاب با هدف درک چگونگی یادگیری سریع در افراد منجر شود، موضوعی که هنوز به خوبی آن را درک نکرده‌ایم.