U istraživanju provedenom na sveučilištu Sheffield i objavljenom u časopisu Swarm Intelligence demonstrirana je metoda koja omogućuje računalima potpuno samostalan pronalazak smisla u kompleksnim uzorcima.

Koristeći potpuno novu tehnologiju nazvanu Turing Learning skupina znanstvenika uspjela je postići da umjetna inteligencija promatranjem skupine jednostavnih robota pronađe pravila koja upravljaju njihovim ponašanjem. Umjetnoj inteligenciji nisu dane nikakve smjernice vezane uz određena svojstva ponašanja robota, već je ona sama pokušavala oponašati izvor što točnije i učiti iz rezultata tog procesa.

Početno skupina robota nazvana “agent“, čije ponašanje sustav pokušava otkriti, kreće se prema jednostavnim, no potpuno nepoznatim pravilima, dok druga skupina robota nazvana “model” počinje s potpuno besmislenim, slučajnim ponašanjem. Te dvije skupine su zatim uspoređivane s algoritmom “classifier“, no ključno je što tom algoritmu nije rečeno koja svojstva da uspoređuje. On jednostavno gleda na skupinu robota, primjećuje sva svojstva koja može zapaziti, te pokušava ustanoviti da li gleda na skupinu agent ili model.

Na početku to je potpuno slučajno pogađanje, no kad algoritam korektno identificira skupinu dobiva metaforičku “nagradu” koja malo povećava vjerojatnost da se aspekti na putu koji je vodio do točnog odgovora ponove u budućnosti. U principu, čak i kad počinjemo od potpuno slučajnog uspoređivanja dviju skupina, algoritam bi trebao biti sposoban brzo umanjiti vrijednost nebitnih svojstava i fokusirati se na ona koja stvarno utječu na točnost pogađanja. S druge strane skupina robota “model” prilagođava svoje kretanje nakon svakog pogađanja, dobivajući vlastitu “nagradu” za zavaravanje algoritma kada je netočno identificira kao skupinu “agent”.
Stoga od tri aspekta ovog sustava za učenje, samo skupina “agent” ostaje statična, obzirom da je to objekt koji pokušavamo proučavati. Druga dva elementa, skupina robota “model” i algoritam za klasifikaciju, evolviraju na način da nadopunjuju jedan drugog, odnosno točnost jednog izravno utječe na točnost drugog, i time povećava potrebu da oboje postaju sve točniji tokom vremena. U studiji je taj evolucijski pristup, u kojem se koriste predator i lovina koji strojno uče, dao bolje rezultate okretanju skupine “agent” od tradicionalnih algoritama za traženje uzoraka. Vremenom skupine “model” i “agent” postaju sve sličnije, te algoritam za klasifikaciju mora pronalaziti sve finije detalje kako bi pronašao razlike između dvije skupine.

To je jednostavan sustav za koji znanstvenici vjeruju kako može biti primijenjen bilo gdje, od ponašanja ljudi i životinja, preko biokemijske analize, do osobne sigurnosti. Za razliku od postojećih sustava, nije mu potrebno nikakvo dodatno “usmjeravanje”, zbog čega je potpuno neovisan o ljudskom utjecaju.

Izvor: Bug.hr