Dorothy SNOT's Essential Reads

Πως τα μοντέλα μάθησης της Τεχνητής Νοημοσύνης αντλούν έμπνευση από τον τρόπο που μαθαίνουν τα παιδιά.

Οι μαθητές της πρώτης τάξης που είχα ως εκπαιδευτικός ( Προνήπιο) κατάγονταν από δεκατέσσερις διαφορετικές χώρες. Στην αρχή του έτους μόνο κάποια από αυτά τα παιδιά μπορούσαν να μιλήσουν ή να κατανοήσουν κάποια βασικά Αγγλικά, που ήταν και η επίσημη γλώσσα του σχολείου.

Μετά από, μόλις, τρεις μήνες, είμασταν όλοι ικανοί να επικοινωνήσουμε λεκτικά μεταξύ μας. Κάποια παιδία είχαν ήδη κατακτήσει δύο γλώσσες μέχρι τότε ( τις γλώσσες των γονιών τους ) και μαθαίναν Αγγλικά ως τρίτη γλώσσα. Η ευκολία με την οποία τα παιδιά κατακτούν νέες γνώσεις είναι πραγματικά άξιος θαυμασμού και μετά από τόσα χρόνια, ακόμα νιώθω δέος απέναντι στις ικανότητες του αναπτυσσόμενου ανθρώπου. Για να ανθίσουν και να αναδειχτούν αυτές οι ικανότητες των παιδιών όμως, η πιο σημαντική συνθήκη είναι η αξιοποίηση της έμφυτης περιέργειας τους, καθώς και του εσωτερικού τους κινήτρου να μαθαίνουν και να ανακαλύπτουν συνεχώς νέα πράγματα.

Πρόσφατα διάβασα ένα άρθρο σχετικά με την δουλειά δύο επιστημόνων από τα πεδία Ρομποτικής και Τεχνητής Νοημοσύνης οι οποίοι αντλώντας έμπνευση από την παιδική περιέργεια δημιούργησαν αλγόριθμους «εξερεύνησης» – curiosity driven learning – για ρομποτικές εφαρμογές. Οι αλγόριθμοι αυτοί βοηθούν μοντέλα Τεχνητής Νοημοσύνης να μαθαίνουν εξερευνώντας το περιβάλλον τους χωρίς να λαμβάνουν συγκεκριμένες ανταμοιβές, όπως γίνονταν μέχρι τότε, αλλά με σκοπό τον πειραματισμό και χωρίς να αποτρέπονται από τα λάθη που ίσως γίνουν σε αυτήν την διαδικασία.

Μεταφράζω από ένα άρθρο με τίτλο Curiosity is a new power in Artificial Intelligence, που έχει δημοσιευτεί στην εφημερίδα Wall Street Journal από την Alison Gopnik:

“Ένα άλλο πρόβλημα με τη μάθηση μέσω ενίσχυσης είναι ότι τα προγράμματα μπορεί να κολλήσουν προσπαθώντας την ίδια επιτυχημένη στρατηγική ξανά και ξανά, αντί να ρισκάρουν κάτι καινούργιο. Τις περισσότερες φορές, μια νέα στρατηγική δεν θα λειτουργήσει αμέσως καλύτερα, όμως περιστασιακά μπορεί να αποδειχθεί πολύ πιο αποτελεσματική από την δοκιμασμένη. Για να ανακαλύψουν νέες στρατηγικές όμως οι μηχανές πρέπει να είναι διατεθειμένες να εξερευνήσουν…..

Οι Δρ. Pathak και Agrawal έχουν σχεδιάσει ένα πρόγραμμα που χρησιμοποιεί την περιέργεια για την κατάκτηση βιντεοπαιχνιδιών. Έχει δύο κρίσιμα χαρακτηριστικά για να το πετύχει αυτό. Πρώτον, αντί να παίρνει ανταμοιβές μόνο για υψηλότερο σκορ, ανταμείβεται επίσης όταν κάνει λάθος. Το πρόγραμμα προσπαθεί να προβλέψει πώς θα φαίνεται η οθόνη λίγο μετά που κάνει μια νέα κίνηση. Αν η πρόβλεψη είναι σωστή, το πρόγραμμα δεν θα την επαναλάβει αλλά, αν η πρόβλεψη είναι λανθασμένη, το πρόγραμμα θα κάνει ξανά την κίνηση, προσπαθώντας να πάρει περισσότερες πληροφορίες. Η μηχανή ωθείται πάντα να δοκιμάζει νέα πράγματα και να εξερευνά δυνατότητες. Ένα άλλο χαρακτηριστικό του νέου προγράμματος είναι η εστίαση. Δεν δίνει προσοχή σε κάθε απρόσμενο εικονοστοιχείο οπουδήποτε στην οθόνη. Και πάλι, αυτό μοιάζει πολύ με ένα παιδί που δοκιμάζει όσες διαφορετικές χρήσεις που μπορεί να σκεφτεί με ένα παιχνίδι χωρίς να ενδιαφέρεται για τις οδηγίες ή για όσα συμβαίνουν στον κόσμο των ενηλίκων. Το νέο πρόγραμμα τα πάει πολύ καλύτερα από τους τυπικούς αλγόριθμους μάθησης μέσω ενίσχυσης.”

Διαβάζοντας αυτό το άρθρο αλλά και δημοσιεύσεις από επιστήμονες όπως η Laura Schulz η οποία ως επικεφαλής του εργαστηρίου Γνωσιακής Ανάπτυξης Παιδιών στο MIT έχει δημοσιεύσει αρκετές έρευνες σχετικά με την αξία της εξερεύνησης και της παιδικής περιέργειας, δε μπορεί κανείς παρά να αναρωτηθεί εάν τα επιτυχημένα μοντέλα μάθησης περνάνε και στα εκπαιδευτικά προγράμματα για τις μικρές ηλικίες.

Θα ήθελα να ασχοληθώ περισσότερο με αυτό το θέμα ξεκινώντας από το επόμενο άρθρο όπου θα μιλήσουμε για το πως μαθαίνουν τα παιδιά – τι λένε οι έρευνες αλλά και η εμπειρία, και πως μπορούμε να αξιοποιήσουμε τη γνώση που υπάρχει.