AI rozwiązuje, wyjaśnia i proponuje rozwiązania na nowe problemy matematyczne na poziomie uniwersyteckim. Studenci nie potrafili stwierdzić, czy pokazywane im problemy matematyczne zostały zaproponowane przez człowieka, czy przez maszynę.
AI zastąpi człowieka?
Chociaż komputery potrafią słynnie dokonywać obliczeń znacznie szybciej i dokładniej niż ludzie, są one słabe pod względem ogólnej inteligencji. Nawet w obliczu dość wąskich i dobrze zdefiniowanych pytań matematycznych algorytmy uczenia maszynowego często mają problem – i to nawet w przypadku prostych problemów matematycznych na poziomie szkoły średniej.
Teraz naukowcy przenieśli wszystko na wyższy poziom dzięki modelowi sieci neuronowej, który nie tylko błyskawicznie rozwiązuje problemy matematyczne na poziomie uniwersyteckim, ale może również wyjaśniać rozwiązania krok po kroku, tak jakby profesor prowadził studenta. Co więcej, sztuczna inteligencja może wymyślić własne problemy matematyczne.
AI poprawi poziom szkolnictwa?
Aplikacje mogą być bardzo przydatne i nie, nie mam na myśli oszukiwania w pracy domowej z matematyki. Wielu studentów na całym świecie zapisuje się na tak zwane masowe otwarte kursy online, z których uczestniczą tysiące jednoczesnych studentów. Główną wadą kursów w porównaniu z tradycyjną klasą jest to, że interakcje uczeń-nauczyciel są minimalne lub nie istnieją. W końcu na ile e-maili nauczyciel może odpowiedzieć w ciągu zaledwie 24 godzin? Nowa sztuczna inteligencja może wypełnić tę lukę, działając jako automatyczny korepetytor, który pokazuje studentom, jak rozwiązać problem matematyczny.
Uważamy, że poprawi to naukę w szkolnictwie. Pomoże uczniom się doskonalić, a nauczycielom w tworzeniu nowych treści, a także może zwiększyć poziom trudności niektórych kursów. Pozwala nam również zbudować wykres pytań i kursów, który pomaga nam zrozumieć związek między kursami i ich warunkami wstępnymi, nie tylko poprzez ich historyczne rozważanie, ale także na podstawie danych.
Sztuczna inteligencja odciąży nauczycieli
Kiedy nauczyciele po raz pierwszy podjęli się ambitnego zadania stworzenia nowej sztucznej inteligencji, która może rozwiązywać bardziej złożone problemy matematyczne, początkowo napotkali wiele przeszkód. Kiedy wypróbowywali modele wstępnie wytrenowane przy użyciu samego tekstu, dokładność w szkolnych zadaniach matematycznych była słaba, dając właściwą odpowiedź tylko w 8% przypadków. Mieli dużo więcej szczęścia z grafowymi sieciami neuronowymi, które bardzo dokładnie odpowiadały na pytania z kursu uczenia maszynowego, ale wadą było to, że szkolenie wymagało co najmniej tygodnia.
Punktem zwrotnym był moment, w którym naukowcy zastosowali nieco nieszablonowe myślenie. Zaprezentowali swój model z kilkoma pytaniami z kursów matematyki, których nigdy wcześniej nie widzieli, i zamienili pytania matematyczne w zadania programistyczne. Na przykład, zamiast pytać AI „znajdź odległość między punktami A i B”, naukowcy skłonili program komputerowy do „napisania programu, który znajduje odległość między dwoma punktami”. To całkiem nowe podejście, ale zadziałało.
Jak możesz sobie wyobrazić, przekształcenie pytania matematycznego w zadanie programistyczne nie jest trywialnym przedsięwzięciem. Wiele takich problemów wymaga dodatkowego kontekstu, aby można je było poprawnie przeanalizować i rozwiązać — kontekstu, który studenci zazwyczaj wychwytują z uczestnictwa w kursach, ale do którego sieć neuronowa niekoniecznie ma dostęp, chyba że badacze „nakarmią ją łyżką”.
Proces „trenowania” AI
Aby obejść te liczne wyzwania, naukowcy wykorzystali wstępnie wytrenowaną sieć neuronową, która pokazała miliony przykładów kodu z repozytoriów internetowych, takich jak GitHub, ale także miliony słów w języku naturalnym. Zasadniczo zbudowany przez nich model mógł zrozumieć zarówno fragmenty tekstu, jak i kodu. Dzięki zaledwie kilku przykładom pytania do kodu, nowa sztuczna inteligencja może następnie zinterpretować pytanie tekstowe, takie jak problem matematyczny, a następnie uruchomić kod, który rozwiąże problem.
Kiedy po prostu zadajesz pytanie w tekście, modelowi uczenia maszynowego trudno jest znaleźć odpowiedź, nawet jeśli odpowiedź może być w tekście. Ta praca wypełnia ten brakujący fragment za pomocą syntezy kodu i programu. Podejście test-to-code zarejestrowało dokładność ponad 80% w rozwiązywaniu problemów matematycznych, w porównaniu do zaledwie 8% w przypadku poprzednich modeli.
Model został również wykorzystany do wygenerowania nowych pytań. Sieci neuronowej najpierw zadano serię zadań matematycznych na dany temat, a następnie poproszono o stworzenie nowych problemów. Kiedy studentom z kampusu pokazano dziesięć zadań matematycznych na ich licencjackich kursach matematycznych (z których pięć zostało stworzonych przez ludzi, a pozostałe pięć przez sztuczną inteligencję), nie wiedzieli, który został wygenerowany maszynowo.
Podsumowanie
W niektórych tematach nas to zaskoczyło. Na przykład pojawiły się pytania o kwantowe wykrywanie linii poziomych i pionowych, które wygenerowały nowe pytania o kwantowe wykrywanie linii ukośnych. Nie chodzi więc tylko o generowanie nowych pytań poprzez zastąpienie wartości i zmiennych w istniejących pytaniach.
Naukowcy rozszerzyli teraz model, aby obsługiwać również dowody matematyczne, które z technicznego punktu widzenia są jeszcze trudniejsze. Najbardziej bezpośrednim praktycznym celem sieci neuronowej jest ulepszenie projektowania kursów i programów nauczania, dlatego naukowcy planują skalowanie modelu do setek różnych kursów.