ללמד מחשב ללמוד כמו שאנחנו לומדים – על פי מה שלמדתי – חלק ג'

ללמד מחשב ללמוד כמו שאנחנו לומדים – על פי מה שלמדתי – חלק ג'

Print Friendly, PDF & Email

כפי שכתבתי קודם, למוח שלנו, יש אתגר נוסף: כפי שהוסבר עד כה כפי מגיעים אליו מהחושים השונים ולפעמים מאזורים שונים במוח עצמו, מערכי SDR כאלו שמייצגים דברים שונים: צלילים, טעמים ותחושות אבל למוח אין שום דרך לדעת מה מקורם או מהי משמעותם. יותר חמור מזה – לא כל המערכים באותו הגודל ובאותה רמת דחיסות. איך עושים סדר בכל המידע הזה? איך אפשר ללמוד ממנו משהו?

התשובה היא באופן מפתיע פשוטה למדי, הטריק של המוח לטפל בזה היא על ידי יצירה של מטריצת SDR חדשה בגודל קבוע. המיני-טורים שבמטריצה מקושרים באופן אקראי לקבוצות נוירונים במטריצת הקלט שהגיע. באופן הזה, בשל תכונותיו המתמטיות של ה-SDR, מטריצת ה-SDR שנוצרה תהיה בגודל קבוע ויחד עם זאת בעלת אותן תכונות חפיפה וצפיפות שהיו למטריצת ה-SDR שהגיעה מהקלט, כלומר: עבור שני ערכים דומים מאד תיווצרנה שתי מטריצות SDR דומות מאד ולהיפך. 

לכאורה, יכולתם לשאול (ואולי באמת שאלתם… אין לי באמת דרך לדעת) את השאלה הבאה: אם המטריצות האלו הן באותו גודל, האם אין סיכון שהמוח "יתבלבל" בין קלט שמציין משהו אחד לקלט שמציין משהו אחר לגמרי? התשובה היא: הסתברות. בשל גודלה של מטריצת ה-SDR והאחוז הנמוך כל כך של ביטים פעילים ובשל העובדה שכל ביט פעיל כזה מייצג משמעות סמנטית כלשהי ההסתברות לכך לחפיפה מקרית בין שני קלטים עם משמעות שונה לגמרי, לפני או אחרי שלב ה-Spatial Pooling היא קטנה כל כך ולמעשה זניחה. 

כעת, כאשר המטריצות הן באותו גודל ובאותה רמת צפיפות ללא תלות בערוץ הקלט ממנו הגיעו ויחד עם זאת חולקות את אותן מאפייני חפיפה, המוח יכול להתחיל לזהות ביניהן קשרים ולבצע ניבוי של המטריצות הבאות ובכך למעשה – ללמוד. כיצד הוא עושה זאת ועוד – בפרק הבא…

השאר תגובה