Kindergarten-Ansatz verbessert KI-Lernprozesse

MÜNCHEN (IT BOLTWISE) – Die Entwicklung von Künstlicher Intelligenz (KI) hat einen neuen Meilenstein erreicht: Forscher der New York University haben gezeigt, dass ein ‘Kindergarten-Ansatz’ bei der Schulung von rekurrenten neuronalen Netzwerken (RNNs) die Effizienz beim Erlernen komplexer Aufgaben erheblich steigern kann.

Die Idee, dass Künstliche Intelligenz (KI) von einem stufenweisen Lernprozess profitiert, ist nicht neu, doch die jüngsten Forschungen der New York University geben diesem Ansatz eine neue Dimension. Inspiriert von Experimenten mit Ratten, die einfache sensorische Hinweise kombinierten, um Wasser zu finden, haben Wissenschaftler diesen Ansatz auf die Schulung von rekurrenten neuronalen Netzwerken (RNNs) übertragen. Diese Netzwerke, die besonders in der Sprachverarbeitung und Übersetzung nützlich sind, zeigen eine verbesserte Leistung, wenn sie zunächst einfache Aufgaben erlernen.

Die Forscher, darunter Cristina Savin und Christine Constantinople, führten Experimente durch, bei denen Ratten lernten, dass bestimmte Geräusche und Lichter mit der Verfügbarkeit von Wasser verbunden waren. Diese grundlegenden Lernprozesse wurden dann kombiniert, um komplexere Aufgaben zu bewältigen. Diese Erkenntnisse wurden genutzt, um RNNs in einer ähnlichen Weise zu trainieren, was zu einer schnelleren und robusteren Lernfähigkeit führte.

Der sogenannte ‘Kindergarten-Curriculum-Ansatz’ zeigt, dass RNNs, die zunächst einfache kognitive Aufgaben meistern, später komplexere Aufgaben effizienter bewältigen können. Diese Methode spiegelt die menschliche kognitive Entwicklung wider, bei der grundlegende Fähigkeiten wie das Gleichgewicht halten oder das Spielen mit einem Ball die Grundlage für komplexere Verhaltensweisen bilden.

Im Vergleich zu herkömmlichen Trainingsmethoden für RNNs, die oft Schwierigkeiten haben, komplexe kognitive Aufgaben zu erfassen, bietet dieser Ansatz eine vielversprechende Alternative. Die Forscher fanden heraus, dass RNNs, die nach diesem Modell trainiert wurden, schneller lernten und eine größere Robustheit zeigten. Dies deutet auf eine neue Richtung in der KI-Entwicklung hin, die eine ganzheitlichere Sicht auf das Lernen und die Anwendung von Erfahrungen fördert.

Die Ergebnisse dieser Studie, die in der Fachzeitschrift Nature Machine Intelligence veröffentlicht wurden, könnten weitreichende Auswirkungen auf die Entwicklung von KI-Systemen haben. Sie unterstreichen die Bedeutung eines strukturierten Lernansatzes, der auf der Kombination von einfachen Aufgaben basiert, um komplexe Herausforderungen zu meistern. Dies könnte nicht nur die Effizienz von KI-Systemen verbessern, sondern auch deren Fähigkeit, menschliches Verhalten nachzuahmen.

Die Forschung wurde durch Zuschüsse des National Institute of Mental Health und andere Institutionen unterstützt und könnte den Weg für neue Ansätze in der KI-Entwicklung ebnen. Die Erkenntnisse könnten insbesondere für Anwendungen in der Sprachverarbeitung und Entscheidungsfindung von Bedeutung sein, wo RNNs bereits eine wichtige Rolle spielen.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!