De huidige benadering van machine learning zorgt voor een kloof tussen menselijke- en computerintelligentie op het gebied van efficiënt, generaliseerbaar leren. De wetenschappelijke discipline, die patronen in big data ontdekt en daardoor de basis vormt voor een voorspellend algoritme, zou niet in staat zijn om menselijke cognitieve vaardigheden te benaderen.
Dit blijkt uit een onderzoeksrapport van Google Brain en de Deep Mind van Google, dat zich richt op tekortkomingen in het vakgebied van artificial intelligence. Volgens de onderzoekers is er bij deep learning, een onderdeel van machine learning, sprake van het absorberen van veel ongestructureerde data, zoals onbewerkte pixelinformatie. Gegevens die volgens hen niet overeen komen met bepaalde specifieke entiteiten in de wereld. Dit in tegenstelling tot beweringen die deep learning juist zien als nagenoeg gelijkwaardig aan het menselijk brein, omdat deze vorm van kunstmatige intelligentie zichzelf algoritmes kan aanleren door verzamelde informatie te analyseren en daar conclusies uit te trekken.
Toewerken naar meer menselijk redeneren
Het vinden van een methode die “op een betrouwbare manier afzonderlijke entiteiten uit sensorische gegevens kan extraheren” zien de onderzoekers als een grote uitdaging. Ze zien dan ook graag dat machine learning zich meer gaat richten op ‘artificial general intelligence’, gelijkend aan menselijk redeneren.
Lees dit: Google Deepmind bereikt doorbraak in ontwikkeling ‘algemene’ AI
In het rapport stellen de onderzoekers ook dat grafieken niet alles zouden kunnen weergeven. Begrippen als recursie, controlestroom en voorwaardelijke iteratie zijn naar eigen zeggen niet eenvoudig om weer te geven met grafieken en derhalve extra veronderstellingen vereisen. Verder halen ze in het rapport aan dat “menselijke cognitie de sterke veronderstelling maakt dat de wereld is samengesteld uit objecten en relaties en omdat grafieknetwerken een vergelijkbare veronderstelling maken, is hun gedrag meestal interpretabel.”
Grafieknetwerken
De onderzoekers pleiten dan ook voor “het combineren van krachtige, diepgaande leerbenaderingen met gestructureerde representaties”. Een oplossing die de onderzoekers zelf omschrijven als een ‘grafieknetwerk’: modellen van verzamelingen van objecten, of entiteiten, waarvan de relaties expliciet in kaart worden gebracht als randen die de objecten verbinden. Grafieknetwerken zijn volgens hen groter dan elke andere machine-learning benadering, die een vermogen tot generaliseren over structuur brengen, dat de individuele neurale netten niet hebben.