Пересечение ABA и машинного обучения
Раннее машинное обучение начало задавать вопросы, например, что будет делать продвинутый робот или каковы, как мы надеемся, его возможности. Артур Сэмюэл хотел создать блестящего игрока в шашки и создал первый искусственный интеллект. Точно так же учителя и родители сотрудничают, чтобы создать план, которому их ученики могут следовать, чтобы стать блестящими. Для детей с ограниченными интеллектуальными возможностями этот план разработан BCBA (сертифицированными поведенческими аналитиками). При более глубоком рассмотрении программисты машинного обучения ничем не отличаются от BCBA.
Создание индивидуальных планов обучения
Базовая азбука ABA (прикладной анализ поведения) — это антецедент, поведение и последствие. Обычно люди сталкиваются с естественными последствиями любого поведения, например, уборкой после того, как вы пролили воду на пол. Эту идею можно разбить на дополнительные детали: произошло отвлечение, вы потеряли равновесие, пролили воду, и теперь вы должны это убрать. Вот как поведение отмечается в ABA.
Первая задача — выбрать целевое поведение: это поведение может быть желательным (вы хотите увеличить количество случаев) или нежелательным (вы хотите уменьшить количество случаев). Например, поведением может быть правильный ответ на вопрос, удар ногой по мячу за пределами поля и сопоставление объектов. Правильный ответ на вопрос желателен, но неправильный ответ нежелателен. Предшественник — это то, что вызвало поведение: то, как был задан вопрос, или то, о чем он спрашивал? В большинстве случаев антецедент контролируется, чтобы исключить переменные. Однако последствия меняются в зависимости от поведения. За правильный ответ вас хвалят, а за неправильный - поправляют. Предшественник создает возможность для поведения, вызывая последствия, основанные на поведении. Это структура обучения ABA.
Предшественник → Поведение → Последствие
Использование больших наборов данных для обучения
Теперь о машинном обучении! У машинного обучения есть три модели обучения: контролируемая и полуконтролируемая. Обучение с учителем использует понятную причинно-следственную связь (x-›y) между двумя наборами данных для прогнозирования результирующих значений (y) для уникальных входных значений (x). При обучении без учителя взаимосвязь не понимается и не определяется количественно, поэтому компьютер просматривает наборы данных для создания модели. Эта модель совершенствуется за несколько итераций наборов данных; следовательно, чем больше наборы, тем точнее модель.
Хотя модели более сложны, общая идея состоит в том, чтобы взять два набора данных x и y и создать между ними причинно-следственную связь. Это структура обучения ML.
Вход → Модель → Результаты
Где они пересекаются
Мы можем представить, насколько похожи две структуры обучения. Они основаны на данных, которые собираются и оцениваются количественно; это ABC ABA и погрешность в ML. Эти данные используются, чтобы направлять учащегося или изменять его методологию, чтобы увеличить его возможности для получения желаемых результатов. ABA и машинное обучение контролируют два аспекта: предпосылки или входные данные и последствия или результаты. Но поведение или модель постоянно меняются. Изменение тщательно планируется на основе последствий или результатов.
Однако есть одно отличие: одна из структур построена на положительном подкреплении или следствии, а другая направлена на уменьшение допустимой погрешности. Это можно рассматривать как мотивацию того, почему учащийся учится. Это то, что отличает людей от компьютеров. Методологии признают, что эмоции реальны и полезны для улучшения когнитивных функций. Но можно ли закрыть этот пробел? Есть ли способ количественной оценки эмоций и их использования для обновления ABC? Могут ли машины перейти от уменьшения ошибок к творческим решениям? То, как учат машины, отражает то, как учатся люди; только гуманно учить тому, что вы родили, так, как вы учитесь.
