Центр науки о данных Нью-Йоркского университета Бренден-Лейк рассказывает о когнитивной науке, данных и интеллекте
Бренден Лейк работал в Центре науки о данных (CDS) Нью-Йоркского университета в качестве научного сотрудника Мура-Слоана с 2014 года, а сейчас является доцентом кафедры психологии и науки о данных. Он исследует вычислительную когнитивную науку, структурированные вероятностные модели, однократное обучение и машинное обучение, вдохновленное людьми.
1. Что привлекло вас в когнитивной науке?
Я впервые узнал о когнитивной науке в старшей школе, и с тех пор меня зацепило.
Когнитивная наука задает множество серьезных вопросов: является ли разум компьютером? Если да, то что это за компьютер? Что такое интеллект? Можем ли мы построить такие же умные машины, как и мы?
Когнитивная наука по своей сути является междисциплинарной и находится на стыке науки о данных, искусственного интеллекта, психологии, нейробиологии, лингвистики, антропологии и философии.
Чтобы по-настоящему понять интеллект и создать машины, которые учатся и думают, как люди, нам потребуется вклад каждой из этих дисциплин. Чем больше вы узнаете о уме, тем увлекательнее (а иногда и загадочнее) он становится. Это очень интересная область для работы!
2. Над какими исследовательскими проектами вы работали, пока работали в CDS?
Я изучаю вычислительные задачи, которые легче решить людям, чем машинам. Хотя в последнее время в области искусственного интеллекта был достигнут впечатляющий прогресс, естественный интеллект по-прежнему остается лучшим примером интеллекта.
Мы можем ускорить прогресс, изучая проблемы, в которых люди преуспевают, с целью обратной инженерии решений, которые дает разум.
Благодаря этому руководящему принципу моя работа затронула такие вопросы, как: Как люди узнают новую концепцию всего на одном или нескольких примерах? Как люди творчески действуют при разработке новых концепций? Как люди учатся, задавая вопросы?
Обычно я изучаю эти вопросы с помощью комбинации поведенческих экспериментов и компьютерного моделирования. Мои самые успешные проекты выявили ключевые когнитивные компоненты, которые люди используют для решения этих проблем, но которых нет в современном машинном обучении и науке о данных. Включая эти ингредиенты, мы можем создавать более умные и похожие на человеческие алгоритмы обучения.
3. Похоже, что большая часть ваших исследований направлена на то, чтобы помочь машинам учиться более человечно. Но, хотя процессы обучения людей эффективны, они также несовершенны. Почему же тогда, по вашему мнению, машинам важно учиться так, как мы?
Это правда, что человеческое обучение и процесс принятия решений несовершенны (никто не идеален!).
Но по сравнению с лучшими машинами даже четырехлетний ребенок во многих отношениях является гораздо более впечатляющим учеником. Дети постоянно изучают новые концепции, задают вопросы, дают объяснения и проводят эксперименты - часто на основе значительно меньшего количества данных, чем то, что мы предоставляем алгоритмам машинного обучения.
Нам еще многое предстоит узнать об интеллекте, изучая людей, особенно детей, которые являются лучшими учениками на планете.
Подробнее см. в статье Брендена Лейка Создание машин, которые учатся и думают, как люди.
Интервью Черри Квок
