Поскольку ИИ покоряет мир, революционная технология нейронных сетей может совершить революцию или расширить возможности ИИ. Недавно ученые и исследователи в области искусственного интеллекта и когнитивной науки объединились, чтобы создать нейронную сеть, которая демонстрирует человеческие способности к обобщению языка.
Проще говоря, эта нейронная технология под названием «Мета обучение для композиционности» (MLC) имитирует то, как люди изучают и используют новые слова в различных ситуациях, посредством процесса, называемого систематической генерализацией. В отличие от других систем искусственного интеллекта, нейронная сеть интегрирует вновь изученные слова в существующий словарный запас.
Microsoft утверждает, что «нейронная сеть может изучать новые слова гораздо быстрее, чем ChatGPT. Мы говорим не только об изучении новых слов, но и о добавлении их в словарный запас для общего использования».
Возможности этой технологии были продемонстрированы через естественную способность людей беспрепятственно применять недавно выученные слова в различных контекстах, а ее человеческая производительность знаменует собой прорыв в способности обучать сети систематическому использованию.
По данным Interest Engineering, ученые первоначально проводили эксперименты на людях, проверяя их способность применять новые слова в различных ситуациях, используя метод обучения, который предполагает обучение системы искусственного интеллекта в режиме реального времени по мере выполнения ею задач. Затем система превзошла по производительности традиционные модели искусственного интеллекта, такие как ChatGPT, воспроизведя шаблоны человеческих ошибок при обучении и став способной использовать новые слова способами, которые очень похожи на человеческое понимание.
Это достижение обещает способствовать более органичному взаимодействию между людьми и системами искусственного интеллекта. Например, понимание предложения «кот гонится за собакой» позволяет без дополнительных усилий понимать подобные фразы типа «собака гонится за кошкой».
Исследователи столкнулись с некоторыми проблемами с интерфейсом, такими как масштабирование технологии для обработки более крупных наборов данных или обобщение ее приложений для различных контекстов, таких как изображения.
Элия Бруни, специалист по обработке естественного языка в Университете Оснабрюка в Германии, заявила, что это исследование может сделать нейронные сети более эффективными в обучении, что, как следствие, уменьшит огромный объем данных, необходимых для обучения систем ИИ, и уменьшит количество случаев обнаружения ИИ несуществующих данных. шаблоны и дающие неточные результаты (также называемые «галлюцинациями»).