“Liquid AI” AI ตัวใหม่ที่สามารถปรับตัว และเรียนรู้อย่างต่อเนื่อง
ถ้าเปรียบเทียบสมองของมนุษย์กับ AI ยังไม่มีความเหมือนกันมากนัก ในแนวคิดการพัฒนาแมชชีนเลิร์นนิ่งแบบใหม่จากเดิมที่เคยใช้สมองอันซับซ้อนของมนุษย์เป็นต้นแบบ แต่ปัจจุบันนักวิจัยได้แรงบันดาลใหม่จากสมองของหนอน
ปรากฎว่าได้ผลลัพธ์ที่ดีเยี่ยม โครงข่ายประสาทเทียมที่มีประสิทธิภาพ และมีความสามารถในการเรียนรู้อย่างต่อเนื่อง
อัลกอริธึมแมชชีนเลิร์นนิงส่วนใหญ่ไม่สามารถเรียนรู้ได้เหนือไปกว่าการเทรนนิ่งเริ่มต้นมากนัก แต่วิธีการใหม่นี้เรียกว่า Liquid neural network หรือเป็น AI ที่มีความยืดหยุ่นของระบบประสาท ซึ่งจะสามารถทำงาน พูด ขับรถ และแม้แต่การบังคับหุ่นยนต์ด้วยกันเอง โดยมันสามารถเรียนรู้จากประสบการณ์ และปรับการเชื่อมต่อได้ทันที
สถาปัตยกรรมของอัลกอริทึมเป็นเซลล์ประสาทเพียง 302 เซลล์ที่ประกอบเป็นระบบประสาทของ C. elegans หรือตัวหนอนโปร่งใสนั่นเอง
งานวิจัยนี้ถูกตีพิมพ์เมื่อปี 2020 จากทีมของ MIT และสถาบันวิทยาศาสตร์และเทคโนโลยีของออสเตรีย นักวิจัยกล่าวว่าแม้ว่ามันจะดูเรียบง่าย แต่ C. elegans มีความน่าสนใจ และพฤติกรรมที่หลากหลาย ทำให้พวกเขาเริ่มพัฒนาสมการเพื่อสร้างแบบจำลองทางคณิตศาสตร์ของเซลล์ประสาทของตัวหนอนแล้วสร้างเป็นเครือข่ายระบบประสาท
อัลกอริธึมสมองกลแบบตัวหนอนนั้นง่ายกว่า machine learning algorithms ที่ทันสมัยมาก แต่ก็ยังสามารถทำงานที่คล้ายกันได้สำเร็จเช่น การควบคุมรถให้อยู่ในเลน
“ ปัจจุบันโมเดลการเรียนรู้เชิงลึกที่มีพารามิเตอร์หลายล้านตัวมักใช้สำหรับการเรียนรู้งานที่ซับซ้อนเช่นการขับรถด้วยตนเอง” “ อย่างไรก็ตามแนวทางใหม่ของเราทำให้เราสามารถลดขนาดของเครือข่ายได้สองลำดับขนาด ระบบของเราใช้พารามิเตอร์ในการเทรนนิ่งแค่ 75,000 พารามิเตอร์เท่านั้น” กล่าวโดยทีมงานวิจัย
ทำความรู้จักโครงข่ายประสาทเทียม
โครงข่ายประสาทเทียม (Artificial Neuron Network : ANN) เป็นศาสตร์แขนงหนึ่งของทางด้านปัญญาประดิษฐ์ (Artifitial Intelligence : AI) มีรูปแบบโครงสร้างและการทำงานของการประมวลผลเหมือนกับสมองของสิ่งมีชีวิตซึ่งจะมีการปรับเปลี่ยนตัวเองต่อการตอบสนองของอินพุตตามกฎของการเรียนรู้ (learning rule) หลังจากที่โครงข่ายได้เรียนรู้สิ่งที่ต้องการแล้ว และสิ่งที่ทำให้ neural network เรียนรู้ก็คือการใส่พารามิเตอร์เข้าไปแต่ปัญหาติดอยู่ที่ในแบบเดิมเมื่อพารามิเตอร์ถูกเทรนแล้วค่าจะถูกล็อคไว้แบบนั้นและเหมาะกับการใช้เฉพาะงานที่เราให้มันเรียนรู้ เมื่อเรานำไปใช้ในงานอื่นที่แตกต่างจากเดิมอาจจะไม่สามารถใช้งานได้เลย
ตรงข้ามกับ Liquid neural network พารามิเตอร์สามารถเปลี่ยนแปลงได้ตลอดเวลาตามประสบการณ์ที่มันได้รับส่งผลให้ AI เรียนรู้จากงานใหม่ๆได้ มีความสามารถในการปรับตัวสูงกว่า(Adaptibility) ตัวอัลกอริทึ่มมีโอกาสที่จะพังหรือเกิดอาการเอ๋อเมื่อเจอข้อมูลผิดปกติน้อยกว่าแบบปกติ เช่น เมื่อฝนตกบังกล้องของรถยนต์อัตโนมัติ และนอกจากนั้นจากโครงสร้างที่ไม่ซับซ้อนยังช่วยนักพัฒนาติดตามกระบวนการตัดสินใจของ AI ได้ง่ายขึ้นอีกด้วย แตกต่างจากแบบปัจจุบันที่จะสามารถติดตามกระบวนการตัดสินใจของ AI ได้ยากว่าผลลัพธ์นี้เกิดจากอะไรหรือที่เรียกว่า blackbox นั่นเอง
ในเทรนการพัฒนา AI ยุคปัจจุบันจะมีแต่งานวิจัยที่เพิ่มความซับซ้อนของ AI ควบคู่ไปกับการพัฒนา hardware ให้สามารถประมวลผลได้สูงขึ้นไปจนถึง quantum computing แต่งานวิจัยนี้น่าสนใจตรงที่เป็นการลดความซับซ้อน แต่เพิ่มความยืดหยุ่นในการใช้งานเพื่อให้ได้ประสิทธิภาพที่ดีขึ้น ซึ่งทั้งหมดนี้ก็จะช่วยเร่งการพัฒนา AI ในอนาคตได้อย่างแน่นอน
- 9
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
