מחקר באוניברסיטת תל אביב: בינה מלאכותית למדה בלי מידע מהעולם

קרדיט: התמונה להמחשה בלבד

חוקרים מאוניברסיטת תל אביב ומאוניברסיטת סטנפורד הראו שמודל בינה מלאכותית יכול לפתח יכולות חיזוי כלליות בלי להתאמן על מידע מהעולם האמיתי. במקום טקסטים, תמונות והקלטות, שני מודלים למדו זה מזה: אחד יצר תרגילים, והשני למד לפתור אותם.

המחקר נערך בהנחיית ד"ר יואב לוין מבית הספר למדעי המחשב ובינה מלאכותית ע"ש בלווטניק, במסגרת הפוסט-דוקטורט של ד"ר כפיר דולב.

בשיטה שפיתחו, שני המודלים מתחילים מאפס. ה"מורה" כותב תוכניות מחשב קצרות שמייצרות רצפים מלאכותיים של סימנים, וה"תלמיד" מתאמן בחיזוי הסימן הבא בכל רצף. גם המורה משתפר בדרך: הוא מקבל משוב על התועלת של התרגילים ומתאים את רמת הקושי להתקדמות התלמיד.

אחרי האימון נבחן המודל על טקסטים, תמונות, צלילים, מוזיקה, קוד ורצפי DNA שלא נחשף אליהם קודם. ככל שהושקע באימון יותר כוח חישוב, החיזוי שלו השתפר בתחומים רבים. הוא גם הצליח להסיק כללים מדוגמאות שהוצגו לו בזמן הבדיקה, בלי אימון נוסף. בנוסף, אימון מקדים בשיטה החדשה עזר לו ללמוד מהר יותר כשנחשף אחר כך לנתונים אמיתיים.

בחומר הלימוד שהמערכת יצרה לעצמה הופיעו דפוסים מתמטיים מוכרים, ובהם סדרת פיבונאצ'י, שבה כל מספר הוא סכום שני המספרים שלפניו. המערכת לא קיבלה את הסדרה כחומר לימוד. היא פשוט ייצרה רצפים בעלי מבנה שהמודל השני יכול ללמוד מהם.

לשיטה יש גם מגבלות. היא לא מלמדת את המודל עובדות על העולם בלי שייחשף אליו, אלא עשויה לעזור לו לפתח יכולות שיאפשרו לו ללמוד מהעולם ביעילות רבה יותר. מדובר בהוכחת היתכנות שנבדקה על מודלים קטנים.

ד"ר לוין: "במשך שנים ההנחה השולטת הייתה שכדי שמודל בינה מלאכותית ילמד משהו מועיל, צריך קודם להזין אותו בכמויות גדולות של מידע מן העולם. במחקר הפרכנו את ההנחה הבסיסית הזו של התחום והראינו שמודל יכול לרכוש כישורי חיזוי כלליים גם כשהוא מתאמן רק על מידע שנוצר בתוך תהליך הלמידה עצמו".

פרטים נוספים באתר אוניברסיטת תל אביב

אנו שואפים לספק תוכן מדויק ואיכותי בלבד.
אם הבחנתם במידע לא מדויק או שגוי – אנו רוצים לדעת.
בבקשה צרו קשר ונתקן את הבעיה בהקדם.

מאמרים נוספים שיכולים לעניין אותך: