Maskiner trenger ikke lenger vår hjelp til å lære

Maskiner trenger ikke lenger vår hjelp til å lære

Forskere som arbeider med swarm roboter sier det er nå mulig for maskiner å lære hvordan naturlige eller kunstige systemer fungerer ved å observere dem uten å bli fortalt hva de skal se etter.

Dette kan føre til fremskritt i hvordan maskiner utlede kunnskap og bruke det til å oppdage atferd og abnormiteter.

"I motsetning til i den opprinnelige Turing-testen er våre forhørere imidlertid ikke menneskelige, men heller dataprogrammer som lærer seg selv."

Teknologien kan forbedre sikkerhetsapplikasjoner, som løgndeteksjon eller identitetsbekreftelse, og gjøre dataspill mer realistisk.

Det betyr også at maskiner kan forutsi blant annet hvordan mennesker og andre levende ting opptrer.

Turing-testen

Oppdagelsen, publisert i tidsskriftet Swarm Intelligence, tar inspirasjon fra arbeidet til banebrytende datavitenskapsmann Alan Turing, som foreslo en test, som en maskin kunne passere dersom den oppførte seg uadskillelig fra et menneske. I denne testen utveksler en interrogator meldinger med to spillere i et annet rom: ett menneske, den andre en maskin.

Forhøreren må finne ut hvilken av de to spillerne som er menneskelig. Hvis de konsekvent ikke klarer å gjøre det - noe som betyr at de ikke er mer vellykkede enn om de hadde valgt en spiller tilfeldig - har maskinen bestått testen, og anses å ha menneskelig intelligens.


Få det siste fra InnerSelf


"Vår undersøkelse bruker Turing-testen til å avsløre hvordan et gitt system - ikke nødvendigvis et menneskeverk. I vårt tilfelle satte vi en roboter under overvåkning og ønsket å finne ut hvilke regler som førte til deres bevegelser, forklarer Roderich Gross fra den automatiske kontrollen og systemingeniøravdelingen ved Sheffield University.

"For å gjøre det, legger vi en ny sværmagert av å lære roboter - under overvåking også. Bevegelsene til alle roboter ble registrert, og bevegelsesdataene ble vist til avhørere, legger han til.

"I motsetning til den opprinnelige Turing-testen er våre forhørsmenn imidlertid ikke menneskelige, men heller dataprogrammer som lærer seg selv. Deres oppgave er å skille mellom roboter fra enten sværme. De belønnes for riktig kategorisering av bevegelsesdataene fra den opprinnelige sværmen som ekte, og de fra den andre sværmen som forfalsket. Læringsrobotene som lykkes i å lure en forhørsmann som gjør det, tror at deres bevegelsesdata var ekte - motta en belønning. "

Gross sier at fordelen med tilnærmingen, kalt "Turing Learning", er at mennesker ikke lenger trenger å fortelle maskiner hva de skal se etter.

Robot maler som Picasso

Tenk deg at du vil at en robot skal male som Picasso. Konvensjonelle maskininlæringsalgoritmer ville rangere robotens malerier for hvor tett de lignet en Picasso. Men noen ville måtte fortelle algoritmen hva som anses å være lik Picasso til å begynne med.

Turing Learning trenger ikke slik forkunnskap. Det ville rett og slett belønne roboten hvis den malte noe som ble ansett som ekte av forhørsmennene. Turing Learning lærer samtidig å forhøre og hvordan man skal male.

Gross sier at han mener Turing Learning kan føre til fremskritt innen vitenskap og teknologi.

"Forskere kan bruke den til å oppdage reglene for naturlige eller kunstige systemer, spesielt hvor adferd ikke lett kan karakteriseres ved hjelp av likhetstall," sier han.

"Dataspill, for eksempel, kan få realisme da virtuelle spillere kan observere og påta seg karakteristiske trekk ved deres menneskelige kolleger. De ville ikke bare kopiere den observerte oppførselen, men bare avsløre hva som gjør menneskelige spillere særegne fra resten. "

Hittil har Gross og hans team testet Turing Learning i roboteresmermer, men neste skritt er å avsløre arbeidet til noen dyrekollekter som fiskeskoler eller kolonier av bier. Dette kan føre til en bedre forståelse av hvilke faktorer som påvirker oppførselen til disse dyrene, og til slutt informere politikken for deres beskyttelse.

kilde: University of Sheffield

Relaterte bøker

{amazonWS: searchindex = Bøker; søkeord = robotter læring; maxresults = 1}

enafarzh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

følg InnerSelf på

facebook-ikonettwitter-iconrss-ikonet

Få den siste via e-post

{Emailcloak = off}