OpenAI udvikler AI-lærere der kan undervise både mennesker og maskiner
En ny forskningsmetode fra OpenAI viser, at kunstig intelligens kan lære at udvælge de mest pædagogiske eksempler til undervisning – på en måde der faktisk giver mening for mennesker.
Når en dygtig lærer skal forklare et nyt koncept, vælger vedkommende omhyggeligt de mest oplysende eksempler. OpenAI har nu udviklet en metode, hvor neurale netværk kan lære at gøre det samme – og overraskende nok på en måde, der også fungerer i undervisning af mennesker.
I forskningsprojektet “Interpretable and pedagogical examples”, publiceret i november 2017, demonstrerer forskerne bag OpenAI en ny tilgang til maskinlæring, hvor et “lærer-netværk” trænes til at udvælge eller generere eksempler, der effektivt kan lære et “elev-netværk” nye koncepter.
Iterativ træning giver bedre resultater
Den afgørende forskel på denne metode og tidligere tilgange ligger i træningsprocessen. I stedet for at træne lærer og elev samtidigt, trænes de iterativt – skiftevis. Dette viser sig at producere undervisningsstrategier, der ikke blot er effektive, men også forståelige for mennesker.
Forskerne evaluerede metodens fortolkelighed på to måder: Dels ved at måle, hvor meget AI-lærerens strategier lignede intuitive, menneskelige undervisningsmetoder. Dels ved at teste strategierne direkte på mennesker for at se, hvor effektive de faktisk var til undervisning.
Bred anvendelighed
Metoden viste sig at fungere på tværs af forskellige typer koncepter, herunder:
- Regelbaserede systemer
- Probabilistiske sammenhænge
- Boolesk logik
- Hierarkiske strukturer
Forskningsprojektet er ledet af Smitha Milli, Pieter Abbeel og Igor Mordatch og repræsenterer et skridt mod mere transparent og forståelig kunstig intelligens – et område der bliver stadig vigtigere, efterhånden som AI-systemer får større indflydelse på undervisning og læring.
Resultaterne peger på, at AI ikke blot kan blive bedre til at lære, men også til at lære fra sig på måder, der giver mening for både maskiner og mennesker.
