Google’s Deepmind AI heeft al heel wat successen bereikt, onder andere het verslaan van de wereldkampioen Go. De manier waarop de AI dat spel kon spelen was uniek, omdat Go te veel mogelijkheden heeft om uit te rekenen wat absoluut de beste methode is om te spelen. De kunstmatige intelligentie moest dus een soort ‘instinct’ kweken en dat is gelukt.
Inmiddels is Deepmind bezig met andere spellen: digitale games. Deepmind is al een tijdje bezig met het uitspelen van verschillende Atari 2600 games (ja, die uit de jaren 70 ja) en dat gaat op zich voorspoedig. Het enige probleem? Voor elk spel moet Deepmind weer van voren af aan beginnen, want wat de AI leert kan niet worden opgeslagen. Google noemt dat catastrophic forgetting.
Om dat op te lossen is Google aan het werk aan een nieuwe techniek die ze Elastic Weight Consolidation (EWC) noemen. Die komt er op neer dat op het moment dat de AI iets leert, die kennis wordt beschermd aan de hand van hoe belangrijk het was in het geheel. Zo wordt een nieuw stukje kennis tegen de oude kennis aangehouden en als de oude kennis vrij belangrijk was, wordt die niet gewijzigd of vervangen door de oude.
Zo kan Deepmind makkelijker (en zonder alles op te moeten slaan, waar daar is niet genoeg opslag voor) een soort van stabiele kennis opbouwen en vooral uitbouwen. Volgens Google zijn we nog ver verwijderd van een systeem dat in real-time kan leren van wat er gebeurt, maar op deze manier is er in elk geval een manier om niet bij elke taak van voren af aan te moeten beginnen. Niet alleen dat, het geeft ook een beter idee van hoe ons eigen brein lijkt te werken, dus het digitale mes snijdt aan twee kanten. En dan zeggen ze dat je niks leert van de hele tijd zitten gamen.
[Afbeelding © Google]
