Модель хорошо адаптируется при решении задач с изменяющимися условиями, заявляют разработчики.
Исследователи Массачусетского технологического института представили новый подход к обучению, который поможет системам искусственного интеллекта эффективнее справляться со сложными задачами с изменяющимися условиями. Разработка ускорит обучение и повысит производительность ИИ в различных сценариях: от управления дорожным движением до анализа в медицине.
Модели обучения с подкреплением часто терпят неудачу, сталкиваясь с небольшими изменениями в задачах, которые они обучены выполнять, объясняют разработчики. Например, при управлении дорожным движения модель может испытывать трудности с контролем набора перекрестков с разными ограничениями скорости, количеством полос или схемами движения
Исследователи разработали алгоритм под названием MBTL (Model-Based Transfer Learning). Он стратегически выбирает лучшие задачи для обучения, что позволяет моделям ИИ выполнять все задачи в наборе. Например, для системы управления светофорами MBTL выбирает перекрестки, которые оказывают наибольшее влияние на общий поток движения, минимизируя затраты времени и ресурсов на обучение.
Исследование показало, что MBTL в 5–50 раз эффективнее традиционных методов, достигая сопоставимых результатов при обучении на меньшем объеме данных. Это позволяет значительно сократить затраты на вычисления и ресурсы, что открывает перспективы для использования технологии в реальных системах, требующих адаптивных решений.
Читать далее:
Анализ 11 млрд лет эволюции Вселенной подтвердил, что Эйнштейн был прав
Археологи-любители из Польши нашли военный клад, спрятанный в XVII веке
На страницах тысячелетнего Голубого Корана нашли скрытый текст
Иллюстрация на обложке: designed by Freepik, сведения о лицензии