Nieuwe methode ontwikkeld waarmee AI oneindig kan leren

Een team van onderzoekers aan de Universiteit van Alberta heeft een belangrijke doorbraak bereikt in het verbeteren van het leervermogen van kunstmatige intelligentie (AI).

Hun studie, dat werd gepubliceerd in de toonaangevende wetenschappelijke tijdschrift Nature, richt zich op het probleem van "plasticiteitsverlies", een fenomeen waarbij AI systemen, zoals neurale netwerken, na langdurige training hun vermogen verliezen om verder te leren. Dit probleem manifesteert zich onder andere in een term die bekendstaat als "catastrofaal vergeten," waarbij AI’s eerder geleerde taken niet langer correct kunnen uitvoeren nadat ze zijn blootgesteld aan nieuwe datasets.

Veel huidige AI systemen, zoals grote taalmodellen (LLMs), zijn ontworpen om te leren van vaststaande datasets. Ze kunnen niet verder leren tijdens gebruik, waardoor hun prestaties stagneren. Dit gebrek aan continu leervermogen belemmert de mogelijkheid om deze systemen te laten evolueren en accurater te worden.

De onderzoekers ontdekten dat na sequentiële training op verschillende taken neurale netwerken hun leervermogen volledig kunnen verliezen. Dit plasticiteitsverlies vormt een grote hindernis voor doorlopende leermogelijkheden in AI.

Om dit probleem te verhelpen, hebben de onderzoekers een methode ontwikkeld waarbij de gewichten binnen het neurale netwerk tussen trainingssessies opnieuw worden ingesteld. Deze gewichten, die de sterkte van verbindingen in het netwerk bepalen, worden teruggezet naar hun oorspronkelijke waarden. Dit behoudt de plasticiteit van het systeem, waardoor het in staat blijft te leren van nieuwe datasets. Deze doorbraak opent de deur naar AI systemen die zich onbeperkt kunnen blijven ontwikkelen, wat aanzienlijke vooruitgang kan betekenen in het creëren van zelfverbeterende en flexibelere oplossingen.

Ook op andere vlakken zien we grote doorbraken voor AI. Zo hebben onderzoekers van de University of British Columbia een AI ontwikkeld die zelfstandig wetenschappelijke experimenten kan bedenken, uitvoeren en evalueren. Dit “open-einde leren” stelt de AI in staat om zonder vooraf ingevoerde data nieuwe ideeën te verkennen.