رویکرد آموزش جدید می تواند به عوامل هوش مصنوعی در شرایط نامشخص بهتر عمل کند

یک ربات خانگی که برای انجام کارهای خانگی در یک کارخانه آموزش دیده است ممکن است نتواند سینک را به طور مؤثر خرد کند یا زباله ها را هنگام اعزام در آشپزخانه کاربر خارج کند ، زیرا این محیط جدید با فضای آموزش آن متفاوت است.

برای جلوگیری از این امر ، مهندسان غالباً سعی می کنند تا حد امکان با محیط واقعی با دنیای واقعی که نماینده مستقر خواهد شد ، با محیط آموزش شبیه سازی شده مطابقت داشته باشند.

با این حال ، محققان MIT و جاهای دیگر اکنون دریافتند که ، با وجود این خرد متعارف ، گاهی اوقات آموزش در یک محیط کاملاً متفاوت ، یک عامل هوش مصنوعی با عملکرد بهتر را به همراه دارد.

نتایج آنها حاکی از آن است که ، در برخی مواقع ، آموزش یک عامل شبیه سازی شده هوش مصنوعی در دنیایی با عدم اطمینان کمتر یا “سر و صدا” ، این امکان را برای عملکرد بهتر از یک عامل هوش مصنوعی رقیب که در همان دنیای پر سر و صدا که برای آزمایش هر دو عامل استفاده می کردند ، انجام می داد.

محققان این پدیده غیر منتظره را اثر آموزش داخلی می نامند.

“اگر یاد بگیریم که تنیس را در یک محیط سرپوشیده بازی کنیم که در آن سر و صدایی وجود ندارد ، ممکن است بتوانیم به راحتی عکس های مختلفی را تسلط دهیم. سپس ، اگر ما به یک محیط پر سر و صدا مانند یک زمین تنیس بادی حرکت کنیم ، می توانستیم به خوبی بازی تنیس را به خوبی داشته باشیم تا اینکه اگر شروع به یادگیری در محیط بادی کنیم ، “توضیح می دهد که سرنا بونو ، دستیار تحقیقاتی در آزمایشگاه MIT Media و نویسنده اصلی مقاله روی اثر آموزش داخلی.