Machines No Longer Need Our Help To Learn

Onderzoekers die werken met zwermrobots zeggen dat het nu mogelijk is voor machines om te leren hoe natuurlijke of kunstmatige systemen werken door ze te observeren - zonder te horen waar ze op moeten letten.

Dit zou kunnen leiden tot vooruitgang in de manier waarop machines kennis afleiden en gebruiken om gedrag en abnormaliteiten te detecteren.

"In tegenstelling tot de oorspronkelijke Turing-test zijn onze ondervragers echter geen mens, maar eerder computerprogramma's die zelfstandig leren."

De technologie kan beveiligingstoepassingen verbeteren, zoals leugendetectie of identiteitsverificatie, en computergaming meer realistisch maken.

Het betekent ook dat machines onder andere kunnen voorspellen hoe mensen en andere levende wezens zich gedragen.


innerself subscribe graphic


De Turing-test

De ontdekking, gepubliceerd in het tijdschrift Swarm Intelligence, haalt inspiratie uit het werk van baanbrekende computerwetenschapper Alan Turing, die een test voorstelde, die een machine zou kunnen doorstaan ​​als deze zich niet onderscheidt van een mens. In deze test wisselt een ondervrager berichten uit met twee spelers in een andere kamer: de ene mens, de andere een machine.

De ondervrager moet uitvinden welke van de twee spelers mens is. Als ze consequent nalaten dit te doen - wat betekent dat ze niet meer succesvol zijn dan als ze willekeurig één speler hadden gekozen - heeft het apparaat de test met succes doorstaan ​​en wordt het geacht intelligentie op menselijk niveau te hebben.

"Ons onderzoek gebruikt de Turing-test om te laten zien hoe een bepaald systeem - niet noodzakelijk een mens - werkt. In ons geval zetten we een zwerm robots onder toezicht en wilden we uitvinden welke regels hun bewegingen veroorzaakten ", legt Roderich Gross uit van de afdeling automatische besturing en systems engineering van de University of Sheffield.

"Om dit te doen, zetten we een tweede zwerm - gemaakt van lerende robots - onder toezicht, ook. De bewegingen van alle robots werden geregistreerd en de bewegingsgegevens werden getoond aan ondervragers, "voegt hij eraan toe.

"In tegenstelling tot de oorspronkelijke Turing-test zijn onze ondervragers echter geen menselijke maar computerprogramma's die zelfstandig leren. Hun taak is om onderscheid te maken tussen robots van een zwerm. Ze worden beloond voor het correct categoriseren van de bewegingsgegevens van de oorspronkelijke zwerm als echt, en die van de andere zwerm als namaak. De lerende robots die erin geslaagd zijn een ondervrager voor de gek te houden, waardoor hij gelooft dat zijn bewegingsgegevens echt waren, krijgen een beloning. "

Gross zegt dat het voordeel van de aanpak, genaamd 'Turing Learning', is dat mensen niet langer hoeven te vertellen wat ze moeten zoeken.

Robot schildert als Picasso

Stel je voor dat je wilt dat een robot schildert zoals Picasso. Conventionele machine learning algoritmes zouden de schilderijen van de robot beoordelen op hoe nauw ze op een Picasso leken. Maar iemand zou de algoritmen moeten vertellen wat in eerste instantie lijkt op een Picasso.

Voor Turing Learning is dergelijke voorkennis niet vereist. Het zou de robot gewoon belonen als hij iets schilderde dat als echt werd beschouwd door de ondervragers. Turing Learning leert tegelijkertijd hoe te ondervragen en hoe te schilderen.

Gross zegt dat hij gelooft dat Turing Learning kan leiden tot vooruitgang in wetenschap en technologie.

"Wetenschappers kunnen het gebruiken om de regels voor natuurlijke of kunstmatige systemen te ontdekken, vooral wanneer gedrag niet eenvoudig kan worden gekarakteriseerd aan de hand van vergelijkende statistieken", zegt hij.

"Computerspellen kunnen bijvoorbeeld realistischer worden omdat virtuele spelers de karaktereigenschappen van hun menselijke tegenhangers kunnen waarnemen en aannemen. Ze zouden niet alleen het waargenomen gedrag kopiëren, maar eerder laten zien wat de menselijke spelers onderscheidend maakt van de rest. "

Tot nu toe hebben Gross en zijn team Turing Learning getest in robotzwermen, maar de volgende stap is om de werking van sommige dierencollectieven, zoals scholen van vissen of koloniën van bijen, te onthullen. Dit kan leiden tot een beter begrip van welke factoren het gedrag van deze dieren beïnvloeden en uiteindelijk het beleid voor hun bescherming informeren.

Bron: Universiteit van Sheffield

Verwante Boeken

at