Man mano che l’intelligenza artificiale (AI) si evolve costantemente, i ricercatori si trovano di fronte a una delle sfide più rilevanti nel campo: la perdita di memoria nota come “oblio catastrofico” nelle reti neurali artificiali. Questo fenomeno rappresenta un ostacolo significativo per il progresso del machine learning, poiché imita la naturale tendenza dei ricordi umani a svanire nel tempo. Per affrontare questa questione, un team di ingegneri elettrici presso l’Università di Ohio State sta esaminando l’impatto dell’apprendimento continuo sulle prestazioni complessive dell’intelligenza artificiale.
Ness Shroff, un eminente borsista dell’Ohio e professore di informatica e ingegneria presso la stessa università, sottolinea l’importanza di superare questo ostacolo. “Quando insegniamo nuove abilità agli agenti di guida autonoma o ad altri sistemi robotici, è essenziale che non dimentichino le lezioni apprese in precedenza, sia per la nostra sicurezza che per la loro”, ha affermato Shroff. Prosegue spiegando come la loro ricerca approfondisca l’apprendimento continuo nelle reti neurali artificiali, cercando di colmare il divario tra il modo in cui una macchina apprende e il modo in cui lo fa un essere umano.
La ricerca ha rivelato che, come per gli esseri umani, le reti neurali artificiali sono più efficaci nel mantenere informazioni quando affrontano compiti diversi in sequenza, piuttosto che affrontare compiti con caratteristiche sovrapposte. Questa scoperta è cruciale per comprendere come ottimizzare l’apprendimento continuo nelle macchine, avvicinandolo alle capacità cognitive umane.
I risultati della ricerca saranno presentati alla 40a conferenza internazionale annuale sull’apprendimento automatico a Honolulu, Hawaii, uno degli eventi più importanti nel campo del machine learning. La ricerca getta luce sui fattori che influenzano il periodo di tempo in cui una rete artificiale conserva specifiche conoscenze.
Shroff spiega: “Per ottimizzare la memoria di un algoritmo, è preferibile insegnare compiti diversi all’inizio del processo di apprendimento continuo. Questo approccio amplia la capacità della rete di acquisire nuove informazioni e migliora la sua capacità di imparare compiti simili in seguito. Pertanto, la somiglianza tra i compiti, le correlazioni positive e negative e la sequenza di apprendimento giocano un ruolo significativo nella ritenzione della memoria nelle macchine.”
L’obiettivo di tali sistemi di apprendimento continuo è accelerare la scalabilità degli algoritmi di machine learning e adattarli per gestire ambienti in evoluzione e situazioni impreviste. Il risultato finale è di creare macchine intelligenti in grado di apprendere e adattarsi in modo simile agli esseri umani.
La ricerca condotta da Shroff e dal suo team, tra cui i ricercatori post-dottorato dello stato dell’Ohio Sen Lin e Peizhong Ju, insieme ai professori Yingbin Liang, getta le basi per la realizzazione di macchine intelligenti capaci di apprendere e adattarsi come gli esseri umani. “Il nostro lavoro segna l’inizio di una nuova era per le macchine intelligenti, che potranno apprendere e adattarsi come noi”, afferma Shroff, sottolineando l’impatto significativo di questo studio sulla nostra comprensione dell’intelligenza artificiale.