Penelitian Islandia dapat merevolusi AI

Penelitian Islandia dapat merevolusi AI

Tim Islandia sedang meneliti potensi kecerdasan buatan yang tidak akan tersedak saat menghadapi hal yang tidak diketahui

Oleh

  • Pat Brans, Pat Brans Associates/Grenoble cole de Management

Diterbitkan:

25 Jan 2022 15:30

Pada tahun 2020,

Sistem Cisco diberikan hibah penelitian lanjutan dua tahun ke Institut Islandia untuk Intelligent Machi nes (IIIM) untuk mengembangkan prototipe kecerdasan buatan (AI) jenis baru.

Pendekatan baru, dipimpin oleh

Kristinn Thórisson, direktur IIIM dan seorang profesor di Universitas Reykjavik, berbeda dari pendekatan AI yang ada dalam beberapa hal. Itu bergantung pada pembelajaran yang diawasi sendiri, yang memungkinkan sistem untuk melakukan perbaikan dari waktu ke waktu. Pembelajaran didasarkan pada bentuk “penalaran” – di mana sistem secara mandiri menghasilkan hipotesis dan mengujinya.

Selain itu, pendekatan baru ini tidak sekadar menemukan korelasi – pendekatan ini juga mengenali hubungan sebab akibat .

Pat BransThórisson berharap dapat mengembangkan AI yang dapat belajar dari pengalaman dalam berbagai situasi dan mentransfer pembelajarannya dengan lancar dari satu konteks ke konteks lainnya. AI baru bahkan akan dapat menjelaskan mengapa ia melakukan apa yang dilakukannya.

AI lemah versus AI kuat

Untuk memahami pentingnya penelitian yang dilakukan Thórisson dan timnya – dengan anggota di Jerman, Prancis, dan Islandia – ini adalah berguna untuk memahami perbedaan antara AI yang kuat dan AI yang lemah. AI yang kuat, juga dikenal sebagai kecerdasan umum buatan (AGI) atau kecerdasan mesin umum, mengacu pada sistem yang dapat memecahkan masalah di banyak domain. AI yang kuat belajar dari waktu ke waktu melalui pengalaman.

Saat ini, AI yang kuat hanya ada dalam teori. Semua sistem yang ada tergolong AI yang lemah dan hanya dapat melakukan tugas tertentu dalam satu domain, seperti bermain catur atau menjawab pertanyaan tentang produk tertentu. AI yang lemah belajar melalui pembelajaran yang diawasi, yang memerlukan intervensi manusia untuk menyiapkan data pelatihan guna membantu AI menemukan fitur yang relevan dari kumpulan data.

Setelah AI yang lemah melewati proses pembelajaran, tidak mungkin untuk memprediksi apa sistem akan melakukannya. Kumpulan data yang digunakan untuk pelatihan terlalu besar dan rumit untuk dianalisis oleh manusia, sehingga AI sering membuat keputusan yang tidak dapat dipahami sepenuhnya oleh siapa pun.

Sistem AI yang lemah mencari korelasi dalam data dan berasumsi bahwa pola input tertentu akan menghasilkan pola output tertentu. Menurut Thórisson, korelasi saja tidak cukup; yang dibutuhkan adalah sistem yang memahami logika dan dapat mengetahui sebab akibat.

Pat BransPendekatan Thórisson, arsitektur reflektif endogen auto-katalitik (AERA), dapat mengubah perilakunya dengan cepat. Dibutuhkan dalam informasi baru dan “berpikir” tentang apa yang sudah diketahui dan apa yang ditunjukkan oleh data baru. Pat BransGol adalah elemen kunci dari AERA. Mengingat tujuan eksplisit, membandingkan tujuan dengan tindakan dan hasil. Jika serangkaian tindakan menyebabkannya mencapai tujuan tertentu, ia kemudian mencoba menentukan tindakan apa yang akan mengarah ke tujuan yang berbeda. Dengan cara ini, sistem dapat dikatakan berpikir tentang bagaimana ia berpikir untuk menyesuaikan diri dengan tujuan yang berubah.

“Sistem kami menggunakan abduksi, deduksi dan induksi – dan bahkan sedikit analogi,” kata Thórisson. “Penculikan adalah keahlian Sherlock Holmes. Anda memiliki skenario, sesuatu telah terjadi. Anda memiliki keadaan dan Anda mencoba menyimpulkan apa yang terjadi, bagaimana hal itu bisa terjadi.

Pendekatan kami akan menghasilkan sistem yang dapat memunculkan konsep baru dari awal. Sistem ini akan mampu menangani set variabel yang tidak diketahui. Jika, misalnya, Anda memiliki sistem kontrol lalu lintas udara yang mendeteksi satu pesawat lebih banyak dari yang diharapkan, itu tidak akan tersedak. Fokus utama penelitian kami adalah membangun sistem yang, melalui prinsip-prinsip dasar operasinya, dapat menangani hal-hal yang tidak diketahui.”

Sementara AERA berjanji untuk memberikan sistem yang melampaui apa yang dapat dilakukan AI yang ada, tim Thórisson bukanlah satu-satunya kelompok riset yang mengeksplorasi AI yang kuat. Pendekatan lain yang mirip dengan AERA disebut

sistem penalaran non-aksiomatik (NARS). Upaya ini telah dikembangkan oleh Pei Wang di Temple University di AS selama lebih dari 20 tahun, baru-baru ini dengan bantuan tim.

Seperti AERA, proyek NARS berharap dapat mengembangkan sistem AI yang kuat yang dapat “berpikir” dan mengikuti prinsip yang sama dengan pikiran manusia. Kedua proyek bertujuan untuk mengembangkan sistem yang dapat memecahkan masalah di banyak domain. Namun, salah satu keunggulan AERA adalah ia dapat belajar dari domain baru mana pun – dan dengan ambang batas atas yang “lunak”, yang berarti ia tidak memiliki batas atas jumlah variabel atau konsep yang digunakannya.

Progres sejauh ini di AERA

Thórisson akan menggunakan dana Cisco untuk mengembangkan kode yang akan mendemonstrasikan pendekatannya lebih lengkap, sehingga kedua kelompok penelitian dapat belajar dari masing-masing lainnya. Tapi ini bukan demonstrasi pertama AERA. Sekitar 10 tahun yang lalu, Thórisson dan timnya mengembangkan model kerja yang mempelajari cara melakukan wawancara televisi tiruan secara real time dengan mengamati dua orang yang berbicara tentang daur ulang bahan.

Pat Brans“Ini adalah pertama kalinya kami benar-benar menganggap ini serius dan menyusun metodologi kami sendiri dan mengikutinya hingga surat itu,” kata Thórisson. “Sistem yang kami buat melampaui semua harapan tertinggi kami. Itu bisa belajar terus menerus dengan cepat dan bisa melakukan tugas yang tidak ditentukan dan memenuhi tujuan baru. Itu bisa belajar dengan observasi dari deskripsi tugas tingkat tinggi.

“Sistem ini bekerja jauh melampaui impian terliar kami. Kami telah menghabiskan banyak waktu untuk mendekonstruksi apa yang dilakukannya untuk mencoba memadatkan prinsip-prinsip di baliknya. Karena sangat berbeda dari arus utama, cukup sulit untuk menjelaskannya hanya dengan menggunakan terminologi arus utama.”

Dengan mengembangkan lebih banyak kode untuk dirilis ke open source – dan dengan menjalankan lebih banyak demonstrasi – Thórisson berharap mendapatkan momentum yang memungkinkannya untuk mengembangkan tim dan menciptakan komunitas peneliti tertarik untuk mengambil ide-ide ini lebih lanjut.

“Butuh beberapa tahun bagi Wang untuk buat tim kecil yang terdiri dari orang-orang yang sangat kompeten untuk mengerjakan NARS – dan itu bahkan setelah mereka memiliki basis kode yang sangat bagus dengan versi open source,” kata Thórisson. “Dalam beberapa tahun terakhir, mereka telah melakukan beberapa demonstrasi yang sangat menakjubkan, sebagian dengan bantuan Cisco Systems.

“Cisco mendanai tim saya untuk melakukan sesuatu yang serupa. NARS dan AERA sangat cocok pada tingkat konseptual dan secara metodologis. Ada kesempatan untuk belajar dari kedua sistem dan membawa AI ke level baru.”

Thórisson menambahkan:

“Jika kita dapat menerapkan hanya 50% dari ide-ide kita, itu akan sangat bagus. Itu sudah jauh melampaui apa yang dilakukan AI saat ini.”

Baca selengkapnya tentang Kecerdasan buatan, otomatisasi, dan robotika

  • Apa itu kecerdasan buatan (AI)?

    Oleh:

Ed Burns


  • AI sempit (AI lemah)

    Oleh:

    Mark Labbe


  • 4 jenis utama kecerdasan buatan: Dijelaskan

    Oleh: David Petersson


  • Apa perbedaan antara otomatisasi AI dan TI?

    Oleh:

    Alyssa Fallon


  • Baca selengkapnya