Neurovidenskab åbner den sorte boks af kunstig intelligens

Dataloger ved Otto von Guericke Universitetet i Magdeburg sigter efter at bruge resultaterne og etablerede metoder inden for hjerneforskning til bedre at forstå den måde, kunstig intelligens fungerer på.

Som en del af et forskningsprojekt, videnskabsmændene ledet af professor Dr.-Ing. Sebastian Stober fra Artificial Intelligence Lab ved University of Magdeburg vil anvende metoder fra kognitiv neurovidenskab til at analysere kunstige neurale netværk og bedre forstå den måde, de fungerer på.

Den kognitive neurovidenskab inspirerede teknikker til forklarligt AI-forskningsprojekt, eller CogXAI for kort, som løber i tre år, vil modtage over en million euro i finansiering fra det tyske forbundsministerium for uddannelse og forskning.

Kunstige neurale netværk, eller ANNs for korte, er selvlærende intelligente systemer, der er inspireret af strukturen af ​​naturlige hjerner. De er - ligesom biologiske nervesystemer - i stand til at lære ved eksempel for selvstændigt at løse komplekse problemer.

"Mens disse netværk i vores hjerner består af millioner af nerveceller, der kommunikerer med hinanden ved hjælp af kemiske og elektriske signaler, kunstige neurale netværk kan forstås som computerprogrammer, " siger professor Stober. "Takket være deres stærke læringsevne og deres fleksibilitet, i de senere år har kunstige neurale netværk, under begrebet 'dyb læring, ' etablerede sig som et populært valg til udvikling af intelligente systemer."

Stober og hans team forsker i, hvordan man finder forskellige regioner i et kunstigt neuralt netværk, som - ligesom i biologiske hjerner - er ansvarlige for visse funktioner. Som med optagelsen af ​​en hjernescanning i en magnetisk resonansscanner (MRI), AI-eksperterne sigter mod at identificere visse områder af ANN'erne for bedre at forstå den måde, de arbejder på.

Desuden, hjerneforskning giver også vigtige resultater om den menneskelige hjernes indlæringsadfærd. Datalogerne bruger denne rigdom af erfaring til at sætte de kunstige neurale netværk i stand til at opnå hurtig og effektiv indlæringsadfærd. Ved at overføre begreber om menneskelig perception og signalbehandling til kunstige neurale netværk, de har til hensigt at opdage, hvordan disse selvlærende systemer laver forudsigelser og/eller hvorfor de laver fejl.

"Naturlige hjerner er blevet forsket i over 50 år, " forklarer professor Stober. "Men, på nuværende tidspunkt bruges dette potentiale knap nok i udviklingen af ​​AI-arkitekturer. Ved at overføre neurovidenskabelige metoder til studiet af kunstige neurale netværk, deres læreprocesser bliver også mere gennemsigtige og lettere at forstå. På denne måde vil det være muligt at identificere funktionsfejl i kunstige neuroner på et tidligt tidspunkt i læringsprocessen og rette dem under træning."

Ifølge Stober, udviklingen af ​​kunstige neurale netværk skrider hurtigt frem. "Ved brug af højtydende computere, et stigende antal kunstige neuroner kan bruges til læring. Imidlertid, den voksende kompleksitet af disse netværk gør det sværere selv for eksperter at forstå deres interne processer og beslutningstagning, " forklarer datalogen og lederen af ​​CogXAI-projektet. "Men, hvis vi ønsker at kunne gøre sikker brug af kunstig intelligens i fremtiden, det er vigtigt fuldt ud at forstå, hvordan det fungerer."