A gépi tanulás alapvető korlátait keresi a DARPA

Az Egyesült Államok védelmi minisztériumának fejlett kutatásokért felelős részlege, a DARPA (potenciális) új programja, a FunLol (Fundamentel Limits of Learning) a gépi tanulás korlátait hivatott feltárni.

„Nem könnyű intelligenciát tenni a mesterséges intelligenciába. A jelenlegi gépitanulás-technikák óriási mennyiségű adaton, hatalmas számítási erőforrásokon és az időigényes próba-hiba módszeren alapulnak. A folyamat jellemző módon a kapcsolódó problémák megoldására nehezen általánosítható vagy bonyolultabb fogalmakra nem alkalmazható tanulási elképzeléseket eredményez. A gépi tanulást kétségtelenül hatékonyabbá lehet tenni, de kérdés, hogy mennyire? Jelenleg nagyon keveset tudunk egy adott tanulási probléma megoldásának korlátairól, sőt, azzal sem vagyunk tisztában, hogy hogyan határozhatók meg ezek a korlátok” – állítja a DARPA.

A program rendeltetése, hogy a több probléma megoldásában segítő matematikai alapok, architektúrák és módszerek után kutakodjon.

Hány példa kell egy rendszer betanításához, hogy az elvárt pontossággal teljesítsen, hogy az adott tanuló algoritmus hatékonyan kezelje az adott problémát? Milyen hatással van a zaj és a hiba az algoritmus tanulására?

Ezekre és hasonló kérdésekre keresik a választ.

„Hiányzik a kulcsfontosságú elméleti alap az adatok, feladatok, erőforrások és a teljesítménymérés kapcsolatainak megértéséhez. Olyan elemekről van szó, amelyek fontosak feladatok hatékonyabb megtanulásánál, illetve lehetővé teszik meglévő ismeretek általánosítását új helyzetekre” – nyilatkozta Reza Ghanadan, DARPA programmenedzser.