더 이상 배우지 않는 기계

험한 로봇을 연구하는 연구원들은 기계가 자연스러운 또는 인공적인 시스템이 어떻게 보이는지 알려주지 않고 어떻게 작동 하는지를 배울 수 있다고 말한다.

이것은 기계가 지식을 추론하고 행동 및 비정상 성을 감지하는 데 사용되는 방법의 발전으로 이어질 수 있습니다.

"그러나 원래 튜링 테스트와 달리, 우리의 질문자는 인간이 아니라 스스로 배우는 컴퓨터 프로그램입니다."

이 기술은 거짓말 탐지 또는 신원 확인과 같은 보안 응용 프로그램을 개선하고 컴퓨터 게임을보다 사실적으로 만들 수 있습니다.

그것은 또한 기계가 사람과 다른 생물들이 어떻게 행동 하는지를 예측할 수 있음을 의미합니다.


내면의 구독 그래픽


튜링 테스트

저널에 게재 된이 발견 군단 정보는 선구적인 컴퓨터 과학자 앨런 튜링 (Alan Turing)의 작업에서 영감을 얻었습니다. 앨런 튜링 (Alan Turing)은 컴퓨터가 인간과 구별 될 수 없을 때 통과 할 수있는 테스트를 제안했습니다. 이 테스트에서는 질문자가 다른 방에있는 두 명의 플레이어와 메시지를 교환합니다. 하나는 인간이고 다른 하나는 기계입니다.

심문자는 두 선수 중 어느 선수가 인간인지를 알아 내야합니다. 그들이 일관되게 실패하지 않는다면, 무작위로 한 명의 플레이어를 선택했을 때보 다 더 성공적이라는 의미입니다. 기계는 테스트를 통과했으며, 인간 수준의 인텔리전스를 가진 것으로 간주됩니다.

"우리의 연구는 주어진 시스템이 반드시 인간이 아닌 작동하는 방식을 밝히기 위해 튜링 테스트를 사용합니다. 우리의 경우 우리는 로봇 무리를 감시하에 두었고 어떤 규칙이 그들의 움직임을 일으켰는지 알고 싶었습니다. "라고 셰필드 대학 (University of Sheffield)의 자동 제어 및 시스템 공학 부서의 Roderich Gross는 설명합니다.

"그렇게하기 위해 우리는 두 번째로 로봇을 배우는 것으로 만든 감시 카메라를 설치했습니다. 모든 로봇의 움직임이 기록되었고, 동작 데이터는 심문관에게 보여졌습니다. "라고 그는 덧붙입니다.

"하지만 원래의 튜링 테스트와 달리 우리의 질문자는 인간이 아니라 스스로 배우는 컴퓨터 프로그램입니다. 그들의 임무는 떼에서 로봇을 구별하는 것입니다. 원래 득점 군에서 얻은 동작 데이터를 정품으로 분류하고, 다른 웜에서 가져온 동작 데이터를 위조품으로 정확하게 분류하여 보상을 제공합니다. 질문을 속이는 데 성공한 학습 로봇은 모션 데이터가 진짜라고 믿게 만들고 보상을받습니다. "

Gross는 "Turing Learning"이라는 접근 방식의 장점은 더 이상 인간이 기계에 무엇을 찾아야 할지를 말하지 않아도된다는 것입니다.

피카소와 같은 로봇 페인트

로봇이 피카소처럼 칠하기를 원한다고 상상해보십시오. 기존의 기계 학습 알고리즘은 로봇의 그림을 피카소와 얼마나 비슷한지 평가합니다. 그러나 누군가는 Picasso와 비슷한 것으로 간주되는 알고리즘을 알고리즘에 알려야 할 것입니다.

튜링 러닝은 사전 지식이 필요하지 않습니다. 심문자가 진정으로 생각한 것을 칠하면 로봇에게 보상 할 수 있습니다. Turing Learning은 심문하는 법과 페인트하는 법을 동시에 습득합니다.

Gross는 Turing Learning이 과학 기술 발전으로 이어질 수 있다고 믿습니다.

"과학자들은 자연계 또는 인공 시스템을 관리하는 규칙을 발견하기 위해이를 사용할 수 있습니다. 특히 유사성 측정 기준을 사용하여 동작을 쉽게 특징 지울 수없는 경우"라고 그는 말합니다.

"예를 들어 컴퓨터 게임은 가상 플레이어가 인간의 상대방의 특성을 관찰하고 추측 할 수 있기 때문에 현실감을 얻을 수 있습니다. 그들은 단순히 관찰 된 행동을 복사하는 것이 아니라 인간의 선수가 다른 것과 차별화되는 이유를 밝힐 것입니다. "

지금까지 Gross와 그의 팀은 로봇 떼에서 튜링 러닝을 테스트했지만 다음 단계에서는 생선 학교 나 꿀벌의 식민지와 같은 일부 동물 집단의 작용을 밝힙니다. 이것은 어떤 요인이이 동물의 행동에 영향을 미치는지 더 잘 이해할 수있게하고 결과적으로 보호 정책을 알릴 수 있습니다.

출처: 셰필드 대학

관련 서적

at