Los recuerdos pueden ser tan complicados para las máquinas como para los humanos. Para comprender mejor por qué los agentes artificiales experimentan lagunas en sus procesos cognitivos, un equipo de ingenieros eléctricos de la Universidad Estatal de Ohio examinó el impacto del aprendizaje continuo en su rendimiento general. El aprendizaje continuo se refiere al proceso de entrenar una computadora para aprender continuamente una serie de tareas, aprovechando su conocimiento existente para aprender mejor nuevas tareas.
Un obstáculo importante que enfrentan los científicos para lograr un aprendizaje continuo efectivo es el olvido catastrófico, el equivalente de aprendizaje automático de la pérdida de memoria. A medida que las redes neuronales artificiales se entrenan en nuevas tareas, tienden a olvidar la información adquirida en tareas anteriores. Esto plantea un problema potencial ya que la sociedad depende cada vez más de los sistemas de IA. Ness Shroff, un eminente académico de Ohio y profesor de informática e ingeniería en la Universidad Estatal de Ohio, destaca la importancia de prevenir la pérdida de conocimiento en los sistemas de IA, como las aplicaciones de conducción automatizada o los sistemas robóticos.
La investigación realizada por Shroff y su equipo revela información sobre las complejidades del aprendizaje continuo en redes neuronales artificiales. De manera similar a cómo los humanos luchan por recordar hechos contrastantes sobre escenarios similares, pero recuerdan fácilmente situaciones intrínsecamente diferentes, las redes neuronales funcionan mejor en la recuperación de información cuando se enfrentan a tareas diversas en lugar de similares.
El equipo, formado por los investigadores posdoctorales Sen Lin y Peizhong Ju y los profesores Yingbin Liang y Shroff, presentará sus hallazgos en la 40.ª Conferencia Internacional Anual sobre Aprendizaje Automático en Honolulu, Hawái.
Enseñar sistemas autónomos en este tipo de aprendizaje dinámico y permanente es un desafío. Sin embargo, adquirir estas capacidades permitiría a los científicos ampliar los algoritmos de aprendizaje automático más rápidamente y adaptarlos para manejar entornos en evolución y situaciones inesperadas. En última instancia, el objetivo es que estos sistemas imiten las habilidades de aprendizaje de los humanos.
La investigación del equipo indica que factores como la similitud de tareas, las correlaciones positivas y negativas y el orden en que se enseñan las tareas influyen en la duración durante la cual una red artificial retiene conocimientos específicos. Para optimizar la memoria de un algoritmo, se deben enseñar diferentes tareas al principio del proceso de aprendizaje continuo. Este enfoque amplía la capacidad de la red para obtener nueva información y mejora su capacidad para aprender más tareas similares más adelante.
Comprender las similitudes entre las máquinas y el cerebro humano es crucial para el avance de la IA. Esta investigación abre la posibilidad de máquinas inteligentes que puedan aprender y adaptarse como los humanos. El estudio recibió el apoyo de la Fundación Nacional de Ciencias y la Oficina de Investigación del Ejército.
