Chương trình L2M dẫn đầu bởi DARPA dự kiến sẽ có cải thiện lớn cho A.I (trí tuệ nhân tạo) và học máy trong thời gian thực, dựa trên tiền đề cơ bản được mô phỏng một số hệ thống có khả năng học máy gặp khó khăn trong việc xác định, tích hợp và sắp xếp một số loại thông tin mới phức tạp chưa từng thấy.
“Nếu có một tình huống khác biệt, hệ thống có thể thất bại. Đây là lý do tại sao chúng tôi muốn đưa ra một số loại học máy có thể học trong quá trình trải nghiệm. Các hệ thống không biết cách xử lý trong một số tình huống”. GS Hava Siegelmann, quản lý chương trình của DARPA tại Văn phòng Đổi mới Thông tin đến từ Trường ĐH Massachusetts trao đổi.
Mục tiêu của chương trình công nghệ cao này được giải thích là đào tạo ngay trong thời gian thực. “Nếu máy móc có thể học ngay cả những điều khó khăn và mơ hồ nhất trong khi thực hiện phân tích ở thời gian thực thì chúng ta sẽ không bị ràng buộc về thời gian huấn luyện chúng”, GS Siegelmann phân tích.
Theo GS Siegelmann, sự tồn tại một số loại sắc thái chưa từng thấy hoặc hoán vị dữ liệu đại diện cho sự khởi đầu khỏi những gì học máy điển hình có thể phân tích.
Ngoài ra, dường như có một số giới hạn đối với A.I như nó có thể chưa đủ khả năng tiếp thu và đồng bộ hóa hoàn toàn một số biến số mang tính chủ quan như “cảm xúc”, “bản năng”... một số phương pháp quyết định đặc trưng của nhận thức... hay bất cứ gì không tương thích với các thuật toán máy tính, công thức toán học hoặc một số phương pháp phân tích khoa học thuần túy.
Ngược lại, bằng cách dựa trên cơ sở dữ liệu bao gồm kiểu nói, hành vi trước đó và các loại bằng chứng được xếp danh mục khác, A.I hiện vượt trội trong khả năng xử lý một số hiện tượng chủ quan hơn nhiều, theo một số nhà khoa học máy tính công nghiệp cho biết.
Điều thú vị là L2M có một số điểm tương đồng với các hiện tượng sinh học của con người, theo GS Seigelmann. Sự phối hợp tiên tiến giữa đầu vào và đầu ra trong thời gian thực tương tự như cách một em bé nắm bắt môi trường xung quanh.
“Khi một em bé mới sinh ra, em sẽ không ngừng học hỏi để thích nghi. Con người sợ những gì ngạc nhiên và đây chính là điểm đáng chú ý.Vì vậy, máy càng hấp thụ và xử lý thông tin nhanh hơn bằng cách thêm ngay lập tức và đồng bộ hóa chúng với cơ sở dữ liệu hiện có của nó thì càng có thể tự đào tạo nhanh hơn để nhận biết và tính toán những biến số mới” - GS Siegelmann nói thêm.
Khám phá sinh học để thông qua sự liên quan tạo ra các thuật toán mới không phải là điều mới mẻ.
Các nhà khoa học của Lầu Năm Góc từ lâu đã đắm chìm vào phỏng sinh học nhằm phát triển các thuật toán mới cho drone dựa trên kiểu bay của chim và ong trong tự nhiên, cho phép chúng phối hợp các chức năng được tích hợp, bay thành đàn hoặc song song một cách chính xác mà không gây va chạm.
Bên cạnh L2M, GS Siegelmann cũng nhấn mạnh khám phá về an ninh mạng định hướng có liên quan nhưng khác biệt trong việc ngăn chặn các cuộc tấn công mạng tiên tiến hơn nhiều so với thông thường.