Alessia Tomaselli : 29 Luglio 2023 15:30
I ricordi possono essere difficili da conservare per le macchine AI come per gli esseri umani. Per capire perché le macchine artificiali sviluppano dei buchi nei loro processi cognitivi, gli ingegneri elettrici della Ohio State University hanno analizzato quanto un processo chiamato “apprendimento continuo” influisca sulle loro prestazioni complessive.
L’apprendimento continuo avviene quando un computer viene addestrato ad apprendere una sequenza di compiti utilizzando le conoscenze accumulate dalle vecchie task.
Tuttavia, un ostacolo importante che gli scienziati devono ancora superare per raggiungere tali livelli è imparare a evitare la perdita di memoria. Un processo che negli agenti di intelligenza artificiale è noto come “dimenticanza catastrofica”. Quando le reti neurali artificiali vengono addestrate a svolgere un compito dopo l’altro, tendono a perdere le informazioni acquisite con i compiti precedenti. Un problema che potrebbe diventare problematico man mano che la società si affida sempre di più ai sistemi di AI. Come ha dichiarato Ness Shroff, un Eminent Scholar dell’Ohio e professore di informatica e ingegneria presso la Ohio State University.
Prompt Engineering & Sicurezza: diventa l’esperto che guida l’AIVuoi dominare l’AI generativa e usarla in modo sicuro e professionale? Con il Corso Prompt Engineering: dalle basi alla cybersecurity, guidato da Luca Vinciguerra, data scientist ed esperto di sicurezza informatica, impari a creare prompt efficaci, ottimizzare i modelli linguistici e difenderti dai rischi legati all’intelligenza artificiale. Un percorso pratico e subito spendibile per distinguerti nel mondo del lavoro. Non restare indietro: investi oggi nelle tue competenze e porta il tuo profilo professionale a un nuovo livello. Guarda subito l'anteprima gratuita del corso su academy.redhotcyber.com Contattaci per ulteriori informazioni tramite WhatsApp al 375 593 1011 oppure scrivi a [email protected]  Supporta RHC attraverso:
Se ti piacciono le novità e gli articoli riportati su di Red Hot Cyber, iscriviti immediatamente alla newsletter settimanale per non perdere nessun articolo. La newsletter generalmente viene inviata ai nostri lettori ad inizio settimana, indicativamente di lunedì. |
“Quando le applicazioni di guida automatizzata o altri sistemi robotici imparano cose nuove, è importante che non dimentichino le lezioni già apprese, per la nostra e la loro sicurezza”, ha affermato Shroff. “La nostra ricerca approfondisce le complessità dell’apprendimento continuo in queste reti neurali artificiali. E ciò che abbiamo scoperto è un qualcosa che inizia a colmare il divario tra il modo in cui una macchina apprende e quello in cui un essere umano apprende”.
I ricercatori hanno scoperto che le reti neurali artificiali sono in grado di ricordare meglio le informazioni quando si trovano di fronte a compiti diversi. Al contrario, faticano a ricordare quelli che condividono caratteristiche simili, ha detto Shroff. Le persone, invece, possono faticare a ricordare fatti contrastanti su scenari simili, ma ricordano con facilità situazioni intrinsecamente diverse.
Il team, che comprende i ricercatori post-dottorato Sen Lin e Peizhong Ju e i professori Yingbin Liang e Shroff, presenterà la propria ricerca alla fine del mese alla 40a Conferenza internazionale sull’apprendimento automatico di Honolulu. Si terrà nelle Hawaii e sarà una delle principali conferenze sull’apprendimento automatico.
Può essere difficile insegnare ai sistemi autonomi ad utilizzare questo tipo di apprendimento dinamico e continuo, ma il possesso di tali capacità consentirebbe agli scienziati di scalare gli algoritmi di apprendimento automatico a un ritmo più veloce e di adattarli facilmente per gestire ambienti in evoluzione e situazioni inaspettate. In sostanza, l’obiettivo di questi sistemi sarebbe quello di imitare un giorno le capacità di apprendimento degli esseri umani.
Gli algoritmi tradizionali di apprendimento automatico vengono addestrati attraverso tanti dati. Ma i risultati di questo team hanno dimostrato che fattori come la somiglianza dei compiti, le correlazioni negative e positive e persino l’ordine in cui un algoritmo viene istruito su un compito influiscono sul tempo in cui una macchina artificiale conserva determinate conoscenze.
Per esempio, per ottimizzare la memoria di un algoritmo è necessario insegnare compiti dissimili fin dalle prime fasi del processo di apprendimento continuo. Questo metodo espande la capacità della rete di recepire nuove informazioni e migliora la sua capacità di apprendere successivamente compiti più simili.
Il loro lavoro è così importante perché capire le somiglianze tra le macchine e il cervello umano aprirebbe la strada a una comprensione più profonda dell’AI.
“Il nostro lavoro preannuncia una nuova era di macchine intelligenti in grado di apprendere e adattarsi come le loro controparti umane”, ha aggiunto.
Alessia TomaselliCisco ha reso note due vulnerabilità critiche che interessano i propri firewall Secure Firewall Adaptive Security Appliance (ASA) e Secure Firewall Threat Defense (FTD), oltre ad altri prodotti di re...
Il ricercatore Nicholas Zubrisky di Trend Research ha segnalato una vulnerabilità critica nel componente ksmbd del kernel Linux che consente ad aggressori remoti di eseguire codice arbitrario con i m...
Il Dipartimento di Giustizia degli Stati Uniti e la polizia britannica hanno incriminato Talha Jubair, 19 anni, residente nell’East London, che gli investigatori ritengono essere un membro chiave di...
Una vulnerabilità zero-day, monitorata con il CVE-2025-20352, è stata resa pubblica da Cisco nei suoi diffusissimi software IOS e IOS XE; tale vulnerabilità risulta essere sfruttata attivamente. L�...
Gli sviluppatori di Kali Linux hanno rilasciato una nuova release, la 2025.3, che amplia le funzionalità della distribuzione e aggiunge dieci nuovi strumenti di penetration testing. L’aggiornamento...
