Årsagsforvirring er den næste grænse i AI

Genskabelse af det menneskelige sinds evne til at udlede mønstre og relationer fra komplekse begivenheder kan føre til en universel model for kunstig intelligens.

En stor udfordring for kunstig intelligens (AI) er at have evnen til at se tidligere overfladiske fænomener for at gætte på de underliggende kausale processer. Ny forskning fra KAUST og et internationalt hold af førende specialister har givet en ny tilgang, der går ud over overfladisk mønsterdetektion.

Mennesker har en ekstraordinært raffineret følelse af intuition eller slutning, der giver os indsigt, for eksempel, at forstå, at et lilla æble kunne være et rødt æble oplyst med blåt lys. Denne sans er så højt udviklet hos mennesker, at vi også er tilbøjelige til at se mønstre og forhold, hvor ingen eksisterer, giver anledning til vores tilbøjelighed til overtro.

Denne type indsigt er så stor en udfordring at kodificere i AI, at forskere stadig er ved at finde ud af, hvor de skal starte:alligevel repræsenterer den en af ​​de mest fundamentale forskelle mellem naturlig og maskinel tankegang.

Fem år siden, et samarbejde mellem KAUST-tilknyttede forskere Hector Zenil og Jesper Tegnér, sammen med Narsis Kiani og Allan Zea fra Sveriges Karolinska Institutet, begyndte at tilpasse algoritmisk informationsteori til netværks- og systembiologi for at løse grundlæggende problemer inden for genomik og molekylære kredsløb. Det samarbejde førte til udviklingen af ​​en algoritmisk tilgang til at udlede kausale processer, der kunne danne grundlag for en universel model for AI.

"Machine learning og AI bliver allestedsnærværende i industrien, videnskab og samfund, " siger KAUST-professor Tegnér. "På trods af de seneste fremskridt, vi er stadig langt fra at opnå generel maskinintelligens med kapacitet til at ræsonnere og lære på tværs af forskellige opgaver. En del af udfordringen er at bevæge sig ud over overfladisk mønsterdetektion i retning af teknikker, der muliggør opdagelsen af ​​de underliggende årsagsmekanismer, der producerer mønstrene."

Denne kausale adskillelse, imidlertid, bliver meget udfordrende, når flere forskellige processer flettes sammen, som det ofte er tilfældet i molekylære og genomiske data. "Vores arbejde identificerer de dele af dataene, der er årsagsrelaterede, tage de falske korrelationer ud og derefter identificere de forskellige årsagsmekanismer, der er involveret i at producere de observerede data, siger Tegnér.

Metoden er baseret på et veldefineret matematisk begreb om algoritmisk informationssandsynlighed som grundlag for en optimal slutningsmaskine. Den største forskel fra tidligere tilgange, imidlertid, er skiftet fra et observatørcentreret syn på problemet til en objektiv analyse af fænomenerne baseret på afvigelser fra tilfældighed.

"Vi bruger algoritmisk kompleksitet til at isolere flere interagerende programmer, og søg derefter efter det sæt af programmer, der kunne generere observationerne, siger Tegnér.

Holdet demonstrerede deres metode ved at anvende den på de interagerende output fra flere computerkoder. Algoritmen finder den korteste kombination af programmer, der kunne konstruere den indviklede outputstreng af 1'ere og 0'ere.

"Denne teknik kan udstyre nuværende maskinlæringsmetoder med avancerede komplementære evner til bedre at håndtere abstraktion, slutning og begreber, såsom årsag og virkning, at andre metoder, herunder dyb læring, kan i øjeblikket ikke håndtere, siger Zenil.