Forskere har introduceret SynGAP, en ny metode, der adresserer et af de største problemer i kunstig intelligens: katastrofal glemsel. Når en AI-model lærer nye opgaver, har den tendens til at glemme tidligere viden. SynGAP, beskrevet i et nyt paper på arXiv, efterligner hjernens metaplasticitet – den løbende neuromodulering af synapser – for at beskytte kritisk information under træning.
Metoden fungerer ved at opretholde et eksponentielt glidende gennemsnit af Fisher-informationsmatricen over datastrømmen. Dette skaber en dynamisk mask, der dæmper opdateringer til vigtige historiske parametre, hvilket reducerer glemsel uden at kræve opgavelabels eller store hukommelsesomkostninger. Ifølge forfatterne opnår SynGAP på Split CIFAR-100 en 4× forbedring i nøjagtighed sammenlignet med EWC++ og overgår Experience Replay med næsten 10%, samtidig med at glemselsmålet reduceres med over 10%.
For beslutningstagere er det vigtigste aspekt, at SynGAP er designet til kontinuerlig læring i ikke-stationære miljøer – typisk for edge-enheder, hvor data strømmer løbende, og hvor hukommelse er begrænset. Metoden tilbyder en robust og hukommelseseffektiv løsning, der kan gøre AI-systemer mere adaptive og pålidelige i praksis, uden at man behøver at mærke data eller gemme store mængder tidligere eksempler.
Selvom teknisk, har SynGAP strategisk betydning: virksomheder, der bygger AI-løsninger til IoT, robotter eller personlige enheder, kan drage fordel af en metode, der reducerer behovet for manuel datamærkning og hukommelsesressourcer. Dette kan sænke omkostninger og øge fleksibiliteten i AI-implementeringer.
