Aprendizaje Continuo para Mejorar Asistentes Personales Usando Aprendizaje Automático

Los humanos y los animales pueden aprender cosas nuevas, mejorar sus habilidades y compartir lo que saben con otros durante toda su vida. Los sistemas neurocognitivos que ayudan con el crecimiento de habilidades, la consolidación de la memoria y la adaptación son lo que hace posible este proceso de aprendizaje a lo largo de la vida. Para los modelos que necesitan procesar y adaptarse a información en constante cambio, el aprendizaje a lo largo de la vida es muy importante en la inteligencia artificial. Pero los sistemas de IA tienen problemas con el “olvido catastrófico,” que es cuando la información nueva reemplaza la información antigua. Esto hace que el aprendizaje adaptativo sea muy difícil. El aprendizaje continuo es especialmente útil para asistentes personales de IA ya que les permite mejorar su comprensión de las preferencias del usuario, aprender nuevas tareas y recordar encuentros pasados. Esto facilita que proporcionen respuestas personalizadas y conscientes del contexto, lo que hace que la experiencia del usuario sea fluida y fácil de entender. Este artículo sugiere un nuevo modelo de aprendizaje continuo llamado contraste prototipo-elástico alineado (E-PAC). Los ajustes de la red se modificaron mientras aprendía para que pudiera recordar mejor cómo predecir categorías existentes mientras simultáneamente aprendía nuevas. Se ha configurado el experimento y el método propuesto se compara con la técnica existente de aprendizaje continuo, consolidación elástica de pesos (EWC), en el conjunto de datos "16 tipos de personalidad" disponible en Kaggle. Los resultados experimentales demuestran que el modelo E-PAC propuesto alcanza una precisión de prueba del 98.9%, superando al método base EWC, que alcanza una precisión del 97.2%. Esto hace que el modelo de clasificación y predicción sea mucho más escalable e inteligente.