Künstliche Intelligenz (KI) Systeme müssen sich an veränderte Umstände anpassen, um in dynamischen Umgebungen relevant zu bleiben. Inspiriert von den adaptiven Vorteilen des menschlichen Vergessens untersucht diese Studie die Integration einer Vergessensfunktion in ein KI-System. Wir haben diesen Mechanismus als Trainingsfenster innerhalb des Cognitive Shadow (CS) Systems implementiert, einer KI, die dazu entwickelt wurde, menschliche Entscheidungsmodelle zu lernen und nachzuahmen. Dieses Hyperparameter-Trainingsfenster — anwendbar auf überwachte maschinelle Lernalgorithmen — zielt darauf ab, das Problem des Konzeptdrifts anzugehen, indem es aktuelle Informationen priorisiert. Die Effektivität dieser Ergänzung wurde mit einem einfachen Strategiespiel getestet, das in der Dynamik dem Spiel Stein-Schere-Papier ähnelt. Die Teilnehmer spielten individuell gegen einen KI-Gegner über drei Sitzungen mit jeweils 60 Runden. CS wurde während Sitzung 1 trainiert, um die Entscheidungsmuster des Spielers zu lernen, und sagte aktiv menschliche Entscheidungen in den Sitzungen 2 und 3 vorher und konterte sie. Analysen zeigten, dass die Einbeziehung des Trainingsfensters die Vorhersagegenauigkeit in den Sitzungen 2 und 3 signifikant verbesserte, indem sie aktuelle, relevante Daten betonte. Diese Ergebnisse heben das Potenzial der Integration menschlich inspirierter Verg Mechanismen zur Verbesserung der KI-Leistung in interaktiven und dynamischen Umgebungen hervor, mit Auswirkungen auf zukünftige Entscheidungshilfesysteme.
Lavoie-Hudon et al. (Do,) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: