Există un potențial învățat inerent în algoritmul de învățare a acetor mașini

Există un potențial învățat inerent în algoritmul de învățare a acetor mașini În ultimii ani, inteligența artificială a devenit un subiect tot mai răspândit în lumea științifică, dar și în cea cotidiană. O ramură importantă a acesteia este învățarea automată (machine learning), care oferă posibilitatea computerelor de a se dezvolta și de a învăța prin experiență. Chiar dacă acest concept este relativ nou pentru mulți, ideea de bază a fost propusă încă din anii '50. Cu toate acestea, tehnologia disponibilă nu a permis dezvoltarea unei astfel de abordări până relativ recent. Astăzi, învățarea automată este folosită într-o varietate de domenii, incluzând recunoașterea de voce și imagine, traduceri online, analize financiare și multe altele. Una dintre cele mai promițătoare aplicații ale învățării automate este inteligența artificială a actorilor mașini. Actorii mașini sunt un tip special de sistem de învățare automată care se concentrează pe dezvoltarea unui comportament concret. Aceștia sunt proiectați să îndeplinească o sarcină specifică într-un mediu dat. De exemplu, un actor mașină poate fi programat pentru a învăța cum să câștige un joc video. În timp ce actorii mașini sunt adesea folosiți în jocuri video, aceștia pot fi, de asemenea, aplicați în algoritmi care își propun performanțe/succes în diverse scopuri. Unul dintre principalele puncte forte ale învățării automate a actorilor mașină este faptul că aceștia pot învăța într-un mediu neprevăzut, fără a fi nevoie să fie programati în mod specific pentru fiecare situație. Actorii mașini învață prin interacțiunea cu mediu și prin obținerea feedback-ului. Cu alte cuvinte, învățarea se face prin testare și eroare. Acest lucru face parte din procesul de învățare și determină actorul să își dezvolte o strategie sau un comportament pentru a îndeplini sarcina dată. O altă caracteristică importantă a actorilor mașină este capacitatea de a dezvolta automat concepte și strategii în timpul procesului de învățare. Acest lucru se face prin încorporarea învățării contractive (constraining learning). În această abordare, actorii mașină pot dezvolta și utiliza concepte abstracte care nu au fost specific definite de programatorii care au dezvoltat sistemul. De exemplu, un actor mașină care învață să joace jocul de șah poate dezvolta o strategie opusă celui implicit, învățând astfel o mișcare diferită de cea standard. Această abordare poate fi utilizată și în alte domenii, permitând calculatoarelor să găsească soluții la probleme de modul in care alți oameni nu pot. Cu toate acestea, una dintre provocările cu care se confruntă învățarea automată a actorilor mașini este faptul că procesul de învățare poate duce uneori la un comportament impractic, din perspectiva utilizatorului. Acest lucru se datorează faptului că actorul poate dezvolta strategii care sunt fundamentate pe un mediu particular, dar nu se transferă imediat într-o altă legătură sau domeniu. De exemplu, un actor mașină poate învăța să își completeze sarcina în anumite condiții, dar poate fi nevoie să își modifice strategia atunci când se confruntă cu ceva diferit. Cu alte cuvinte, așa cum un jucător bun de șah poate adapta strategia și stilul de joc în funcție de adversar, la fel, actorul mașină trebuie să își ajusteza comportamentul. În concluzie, actorii mașină sunt un domeniu promițător în ceea ce privește dezvoltarea inteligenței artificiale. Aceștia pot fi utilizați într-o gamă largă de aplicații și oferă posibilitatea ca calculatoarele să învețe din experiența proprie. Deși există provocări, cum ar fi faptul că strategiile dezvoltate de actorul mașină pot fi impractic, soluția posibilă este să remodelam modalitatile de învățare, evenimentual ajungând la capacități cognitive demne de scoruri înalte.

Bibliografie

• Brooks, R. A. (1986). A robust layered control system for a mobile robot. IEEE Journal on Robotics and Automation, 2(1), 14-23.
• Mnih, V., Heess, N., Graves, A., & Kavukcuoglu, K. (2014). Recurrent models of visual attention. Advances in Neural Information Processing Systems, 27, 2204-2212.