Kjo analizë gjithëpërfshirëse vë në kontrast mekanikën e trajnimit të rrjetit nervor artificial me zhvillimin kognitiv të njeriut. Ndërsa të mësuarit e thellë mbështetet në përhapjen prapa, grupe të dhënash masive dhe miliarda rregullime iterative për të gjetur modele statistikore, të mësuarit njerëzor përdor plasticitet sinaptik shumë efikas dhe me të dhëna të ulëta, të nxitur nga konteksti, përvoja fizike dhe abstraksioni konceptual.
Optimizimi matematik i peshave artificiale duke përdorur zbritjen gradient dhe grupe të dhënash masive për të minimizuar një funksion gabimi.
Përshtatja biologjike e shtigjeve nervore e nxitur nga përvoja shqisore, kurioziteti dhe konceptualizimi kontekstual.
| Veçori | Trajnimi i Rrjetit Neuronal | Proceset e të Mësuarit Njerëzor |
|---|---|---|
| Mekanizmi Primar | Zbritja matematikore e gradientit dhe përhapja prapa | Plasticiteti sinaptik biologjik dhe modulimi i neurotransmetuesve |
| Efikasiteti i të dhënave | Jashtëzakonisht i ulët; kërkon grupe të dhënash masive llogaritëse | Jashtëzakonisht i lartë; nxjerr rregullat nga disa shembuj |
| Konsumi i energjisë | Megavat për trajnim në shkallë të gjerë në klaster | Përafërsisht 20 vat fuqi metabolike e vazhdueshme |
| Mësim i Vazhdueshëm | I dobët; i prirur për të harruar plotësisht detyrat e mëparshme | Shkëlqyeshëm; mbivendos aftësi të reja mbi kornizat e vjetra |
| Drejtimi i të Mësuarit | I orientuar rreptësisht drejt qëllimit nëpërmjet minimizimit të funksionit të humbjes | Eksplorues, i vetë-motivuar dhe i vetëdijshëm për kontekstin |
| Ndarja e Hardware-Software | Ndarje e dallueshme midis kodit dhe çipave fizikë të silikonit | I pandashëm; arkitektura fizike është softueri |
Rrjetet artificiale mësojnë duke rregulluar peshat numerike në një matricë të ngurtë. Gjatë përhapjes prapa, një algoritëm qendror llogarit gabimin e saktë të një rezultati dhe kalon korrigjimet e bazuara në llogaritje prapa përmes sistemit. Truri i njeriut, në të kundërt, përdor plasticitet sinaptik të lokalizuar. Shtigjet fizike forcohen ose dobësohen bazuar në kohën e majave qelizore, duke lejuar që sistemi biologjik të përshtatet organikisht pa një algoritëm master global që menaxhon rregullimet.
Për të njohur një biçikletë, një rrjet artificial duhet të përpunojë mijëra imazhe të ndryshme që përmbajnë kënde, ndriçim dhe sfonde të ndryshme për të hartëzuar kufijtë statistikorë. Një fëmijë njerëzor zakonisht duhet ta shohë një biçikletë vetëm një ose dy herë. Njohja njerëzore shfrytëzon strukturat ekzistuese mendore, fizikën intuitive dhe analogjitë strukturore, ndërsa një rrjet artificial në thelb fillon nga një listë e zbrazët zhurme të rastësishme sa herë që inicializohet një arkitekturë e re.
Sistemet artificiale janë të njohura për brishtësinë e tyre jashtë shpërndarjeve të tyre të ngushta të trajnimit. Një model i trajnuar për të luajtur me mjeshtëri një videolojë specifike do të dështojë plotësisht nëse ngjyra e sfondit ndryshon pak, përveç nëse i nënshtrohet një rregullimi të detajuar të synuar. Njerëzit shkëlqejnë në të nxënit e transferuar, duke zbatuar pa probleme konceptet abstrakte të ekuilibrit, momentit dhe strategjisë të mësuara në një fushë në skenarë krejtësisht të panjohur.
Kur një rrjet nervor artificial detyrohet të mësojë një detyrë krejt të re, përditësimet e reja të gradientit shpesh mbishkruajnë peshat numerike të përcaktuara për detyrat e mëparshme, duke shkaktuar harresë katastrofike. Truri i njeriut e trajton të mësuarit gjatë gjithë jetës me elegancë. Ne flemë për të konsoliduar përvojat e përditshme në struktura afatgjata, duke siguruar që të mësuarit se si të drejtojmë një makinë të mos degradojë aftësinë tonë për të shkruar, folur ose njohur fytyra të njohura.
Rrjetet nervore artificiale funksionojnë tamam si truri biologjik i njeriut.
Termi rrjet nervor është kryesisht një metaforë. Ndërsa dizajnet e hershme ishin frymëzuar lirshëm nga biologjia, të mësuarit e thellë modern mbështetet në llogaritjen e matricës së ngurtë dhe algoritmet e optimizimit global që nuk ngjajnë aspak me mekanikën e çrregullt, kimike dhe asinkrone të indeve të trurit të gjallë.
Modelet e të mësuarit të thellë posedojnë një formë të të kuptuarit të ngjashëm me atë njerëzor, pasi trajnohen.
Modelet e inteligjencës artificiale shkëlqejnë në hartëzimin e korrelacioneve statistikore midis inputeve dhe rezultateve, por atyre u mungon plotësisht të kuptuarit semantik. Një model mund të gjenerojë përshkrime të përsosura të ujit pa asnjë koncept të lagështisë, etjes ose ekzistencës fizike.
Truri i njeriut ka një kapacitet të caktuar ruajtjeje, njësoj si banka e kujtesës së një kompjuteri.
Kujtesa njerëzore nuk funksionon si një hard disk dixhital që mbushet me gigabajt të dhënash. Kujtesa biologjike është konstruktive dhe asociative; të mësuarit e koncepteve të reja në fakt ndërton më shumë grepa që mund ta bëjnë më të lehtë marrjen e informacionit të ardhshëm, në vend që të mbarojë hapësira fizike.
Rritja e madhësisë së një rrjeti të inteligjencës artificiale do t'i japë automatikisht atij arsyetim në nivel njerëzor.
Rritja e parametrave përmirëson përputhjen e modeleve dhe prodhon imitim shumë të sofistikuar, por nuk rregullon kufizimet themelore arkitekturore. Vetëm madhësia nuk i siguron një IA-je motivim të brendshëm, mishërim fizik ose aftësinë për të arsyetuar rastësisht rreth botës.
Trajnimi i rrjeteve nervore është i pakrahasueshëm kur duhet të analizoni vëllime masive të të dhënave të strukturuara për të gjetur modele delikate, me dimensione të larta që i shpëtojnë syrit të njeriut. Megjithatë, të mësuarit njerëzor mbetet standardi i artë për zgjidhjen adaptive dhe krijuese të problemeve në mjedise të paparashikueshme ku të dhënat janë të pakta dhe konteksti është gjithçka.
Agregimi i preferencave kombinon preferenca të shumta individuale në vendime kolektive, ndërsa modelimi i parashikimit individual parashikon sjelljen personale duke përdorur të mësuarit automatik në të dhënat e një përdoruesi të vetëm. Të dyja shërbejnë për qëllime të dallueshme në sistemet e inteligjencës artificiale, nga motorët e rekomandimeve deri te platformat demokratike të votimit.
Ky krahasim arkitektonik vë në kontrast inxhinierinë deterministe të Agjentëve të Bazuar në Rregulla me natyrën adaptive të të dhënave të Agjentëve të Bazuar në Mësim, duke vlerësuar zbatueshmërinë e tyre në botën reale, kufijtë e shkallëzimit dhe performancën në kushte pasigurie.
Ky udhëzues i detajuar shqyrton ndryshimet strukturore dhe operacionale midis agjentëve autonomë dhe sistemeve të automatizimit të skriptuar. Ndërsa mjetet e skriptuara ofrojnë parashikueshmëri të pakrahasueshme për rrjedha pune të ngurta dhe përsëritëse, agjentët inteligjentë modernë shfrytëzojnë arsyetimin kognitiv për të lundruar në mënyrë të pavarur në të dhëna të ndryshueshme, pengesa teknike të papritura dhe peizazhe të dhënash shumë komplekse dhe të pastrukturuara.
Agjentët autonomë të IA-së veprojnë në mënyrë të pavarur duke planifikuar, arsyetuar dhe ekzekutuar detyra shumë-hapëshe me ndërhyrje minimale njerëzore, ndërsa sistemet e IA-së të bazuara në shpejtësi u përgjigjen udhëzimeve individuale të përdoruesit, një ndërveprim në të njëjtën kohë. Dallimi kryesor qëndron në agjenci: agjentët ndjekin qëllimet nëpër seanca, ndërsa sistemet e shpejtësisë presin për drejtim.
Agjentët bisedorë përqendrohen në dialogun natyror dhe ndërveprimet e bazuara në tekst, ndërsa agjentët që përdorin mjete zgjerojnë aftësitë e IA-së duke thirrur funksione dhe API të jashtme. Të dy përfaqësojnë qasje të dallueshme ndaj sistemeve autonome të IA-së, me modelet bisedore që shkëlqejnë në komunikim dhe agjentët që përdorin mjete të specializuar në ekzekutimin e detyrave në botën reale.
