DeepMind, ein führendes Unternehmen im Bereich der künstlichen Intelligenz (KI), hat ein System entwickelt, das Atari-Spiele spielen kann, in denen es Menschen übertreffen und höhere Punktzahlen erzielen kann. Allerdings war diese künstliche Intelligenz nicht in der Lage, das Gelernte auf ein anderes Spiel anzuwenden.
Zuvor musste für jedes Atari-Spiel ein separates neuronales Netzwerk erstellt werden, da dasselbe System beispielsweise nicht Space Invaders spielen und dann zu Breakout wechseln konnte.
Das Unternehmen hat in Zusammenarbeit mit einem Team von Forschern des Imperial College London einen Algorithmus entwickelt, der es neuronalen Netzwerken ermöglicht, Informationen zu lernen und zu speichern, um sie wiederzuverwenden.
– Bis vor kurzem hatten wir ein entwickeltes System, das lernen konnte, jedes Spiel zu spielen, aber es war nur ein Spiel zur Zeit. Jetzt haben wir ein System, das lernen kann, mehrere Spiele nacheinander zu spielen, sagte James Kirkpatrick, der Hauptautor des Forschungsberichts, wie von Wired berichtet.
>>>Künstliche Intelligenz: Unternehmer betreten eine neue Dimension der Delegation von Aufgaben an intelligentere Systeme
Das Papier wurde in den Proceedings of the National Academy of Sciences veröffentlicht und erklärt, wie die künstliche Intelligenz von DeepMind in der Lage ist, in Sequenzen zu lernen, indem sie überwachtes Lernen und Verstärkungstests verwendet.
– Die Fähigkeit, Aufgaben erfolgreich zu lernen, ohne zu vergessen, ist ein grundlegender Bestandteil sowohl der biologischen als auch der künstlichen Intelligenz, heißt es in dem Papier.
Kirkpatrick erklärte, dass ein wesentlicher Nachteil von neuronalen Netzwerken und künstlicher Intelligenz ihre Unfähigkeit ist, Wissen von einer Aufgabe auf eine andere zu übertragen. Das Entwicklungsteam stellte fest, dass das System nicht in der Lage war, kontinuierliches Lernen basierend auf synaptischer Konsolidierung anzuwenden, einem Prozess im menschlichen Gehirn, der als Grundlage für Lernen und Gedächtnis beschrieben wird.
>>>Die Einführung digitaler Technologien in Unternehmen ist nicht dasselbe wie digitale Transformation
Um KI-Systemen das Memorieren zu ermöglichen, entwickelten die Forscher einen Algorithmus namens ‚elastische Gewichtskonsolidierung‘ (EWC). Dieser Algorithmus nutzt gespeicherte Informationen, um erfolgreich ein Spiel zu spielen und überträgt dann die nützlichsten Teile auf ein anderes Spiel.
Während der Testung des Algorithmus wurden tiefe neuronale Netzwerke, die als Deep Q-Network (DQN) bezeichnet werden und zuvor verwendet wurden, um Atari-Spiele zu meistern, nun mit dem EWC-Algorithmus verbessert.
Der Algorithmus und die neuronalen Netzwerke wurden an einem Dutzend zufällig ausgewählter Atari-Spiele getestet, bei denen die KI bereits bewiesen hatte, dass sie besser spielen konnte als Menschen.
Jedes Spiel wurde 20 Millionen Mal gespielt, bevor das System automatisch zum nächsten Spiel überging. Zuvor musste das DQN lernen, jedes Spiel einzeln zu spielen.
>>>Acht Schlüsseltechnologien, mit denen sich Unternehmen befassen sollten
Das System ist nicht perfekt
Das Papier stellt auch fest, dass es durch die Erweiterung des DQN-Systems mit EWC möglich wurde, mehrere Spiele in Folge zu lernen, ohne das Risiko des katastrophalen Vergessens.
Im Wesentlichen kann das tiefe neuronale Netzwerk, das den EWC-Algorithmus verwendet, lernen, ein Spiel zu spielen und dieses Wissen dann auf andere Spiele zu übertragen.
Das System ist jedoch nicht perfekt. Obwohl es aus seinen bisherigen Erfahrungen lernen und die nützlichsten Informationen speichern kann, kann es dies nicht so effizient tun wie ein neuronales Netzwerk, das nur ein Spiel spielt.
– An diesem Punkt haben wir sequentielles Lernen demonstriert, aber wir haben nicht bewiesen, dass die Effizienz des Lernens verbessert wurde. Unsere nächsten Schritte werden sich darauf konzentrieren, sequentielles Lernen zu nutzen, um das Lernen unter realen Bedingungen zu verbessern.
