Исследователи из Университета штата Северная Каролина в рамках совместного проекта с армией США разработали и протестировали программную архитектуру для поддержания непрерывной обучающей способности платформ искусственного интеллекта. Финансируемый армией проект "Обучение для роста" ("Learn to Grow") направлен преодоление проблемы, из-за которой ИИ, при обучении решению новых задач, "забывал" то, чему его "учили" прежде, сообщает ресурс «Executivegov».
Теперь военные интеллектуальные системы (в т.ч. автономные дроны, роботы и т.д.) смогут постоянно приобретать новые навыки, не теряя тех, которым они уже были обучены.
"Мы ожидаем, что интеллектуальные военные системы смогут постоянно приобретать новые навыки, когда они будут выполнять задания на полях сражений по всему миру, не забывая навыков, которым они уже были обучены .. Например, во время проведения городских операций, колёсный робот сможет узнать новые пространственные характеристики густонаселенных городских районов, но сможет продолжать эффективно работать в ранее изученной среде, такой как лес", - говорит д-р Мэри Энн Филдс, руководитель программы "Интеллектуальные системы" Исследовательского бюро Армии США.
С теоретической точки зрения, решение проблемы «катастрофического забвения» («catastrophic forgetting») является одной из ключевых задач непрерывного обучения, когда нужно добиться того, чтобы ИИ решал потоковые задачи. Многие современные системы машинного зрения, в том числе военные, основаны на глубоких нейронных сетях. Проблема в том, что как только сеть обучена выполнять какую-нибудь определенную задачу, например, классифицировать автомобили, она не может быть легко обучена выполнять новые задачи, например, постепенно учиться распознавать их виды (гражданские / военные) или решать совершенно другую задачу, такую как распознавание цветовой маркировки.
"Системы искусственного интеллекта, основанные на обучении нейронных сетей, эффективны для решения узких задач", - рассказывает доктор Силай Ли, - "При переобучении таких систем решению новых задач, они могут "забывать" некоторое знания для решения более ранних задач [проблема "катастрофического забвения"]. Непрерывное обучение решает эту проблему".
Когда добавляются новые задачи, типичные глубокие нейронные сети склонны к «катастрофическому забвению» предыдущих задач. Сети, которые способны постепенно ассимилировать новую информацию, подобно тому, как люди формируют новые воспоминания с течением времени, будут более эффективными, чем повторное обучение модели с нуля каждый раз, когда необходимо изучить новую задачу. Несмотря на значительный прогресс в области глубокого обучения, глубокие нейронные сети (DNN) по-прежнему подвержены проблеме катастрофического забвения.
Исследователи из Университета Северной Каролины представили концептуально простую эффективную структуру для непрерывного обучения DNN, преодолевающую эту проблему. Предлагаемый метод состоит из двух компонентов: компонента оптимизации нейронной структуры и компонента обучения и / или тонкой настройки параметров. Оптимизированная архитектура имеет "лучевую" топологию или ряд слоев, используемых для решения разных задач.
"Эти исследования направлены на то, чтобы наши исследователи из Армейской исследовательской лаборатории разрабатывали роботизированные приложения, такие как умный маневр и обучение распознаванию новых объектов", - сказала д-р Мэри Энн Филдс, - "Это позволит сделать наши боевые единицы эффективными беспилотными станциями, которые могут быть развернуты в полевых условиях".
Понравился пост? Поставьте 👍 или поделитесь им в социальной сети, чтобы мы могли рассказать ещё больше о новых технологиях.
Подпишитесь на наш канал "Умная безопасность" ( @smartsafecity ) в Телеграм , чтобы узнать больше новостей о новых технологиях.