Algoritmi strojnog učenja uče na poslu a ne na treningu

Znanstvenici MIT-a razvili su novi tip neuralne mreže koja bi mogla poboljšati donošenje odluka u autonomnoj vožnji i medicinskoj dijagnostici.

Njihova neuralna mreža koja koristi takozvane "tekuće" algoritme strojnog učenja ne uči zadaće isključivo temeljem treninga, već i tijekom konkretnog rada. Ti fleksibilni algoritmi mijenjaju temeljne jednadžbe kako bi se kontinuirano prilagođavali novim unosima podataka. Napredak bi mogao pomoći u donošenju odluka na temelju tokova podataka koji se vremenom mijenjaju, uključujući one koji su uključeni u medicinsku dijagnostiku i autonomnu vožnju.

"Ovo je korak naprijed prema budućnosti upravljanja robotima, obrade prirodnog jezika, obrade video zapisa i bilo kojeg oblika obrade podataka", kaže Ramin Hasani, vodeći autor studije koju možete pronaći na ovoj poveznici.

Istraživanje će biti predstavljeno tijekom veljače na AAAI konferenciji o umjetnoj inteligenciji. Uz Hasanija, postdoktoranta u Laboratoriju za informatiku i umjetnu inteligenciju MIT-a (CSAIL), koautori MIT-a uključuju Danielu Rus, direktoricu CSAIL-a i Andrewa i Ernu Viterbi, profesore elektrotehnike i računarstva, te doktoranda Aleksandra Aminija. Među ostalim koautorima su Mathias Lechner s Austrijskog instituta za znanost i tehnologiju i Radu Grosu s bečkog sveučilišta za tehnologiju.

Hasanijev tim je dizajnirao neuronsku mrežu koja se može prilagoditi varijabilnosti sustava iz stvarnog svijeta. Neuronske mreže su algoritmi koji prepoznaju obrasce analizirajući niz primjera "treninga". Često se kaže da oponašaju putove obrade podataka u mozgu, a Hasani je inspiraciju crpio izravno iz mikroskopske nematode C. elegans (oblić). "U svom živčanom sustavu ima samo 302 neurona", navodi Hasani, "ali ipak može generirati neočekivano složenu dinamiku."

Hasani je kodirao svoju neuronsku mrežu prema tome kako se neuroni C. elegans aktiviraju i međusobno komuniciraju električnim impulsima. U jednadžbama koje je koristio za strukturiranje neuronske mreže dopustio je da se parametri vremenom mijenjaju na temelju rezultata ugniježđenog skupa diferencijalnih jednadžbi.

"U fleksibilnosti je ključ. Ponašanje većine neuronskih mreža poboljšava se nakon faze treninga, što znači da se loše prilagođavaju promjenama u dolaznom toku podataka. Fluidnost 'tekuću' mreže čini otpornijom na neočekivane ili 'bučne' podatke, primjerice ako jaka kiša zakloni pogled kamere na samovozećem automobilu", ističe MIT-jev znanstvenik.

Hasanijeva mreža je nadmašila druge vrhunske algoritme neuralnih mreža u preciznom predviđanju budućih vrijednosti u skupovima podataka, od atmosferske kemije do prometnih obrazaca. "U mnogim aplikacijama vidimo da su performanse pouzdano visoke", kaže on. Uz to, mala veličina mreže značila je da je testove završila bez velikih računanja. "Svi govore o proširivanju svoje mreže", kaže Hasani. "Želimo se smanjiti, da imamo manje, ali bogatije čvorove."

Hasani planira nastaviti poboljšavati sustav i pripremiti ga za industrijsku primjenu. „Imamo dokazano izražajniju neuronsku mrežu koja je nadahnuta prirodom. Ali ovo je samo početak procesa ”, kaže. „Mislimo da bi ovakva mreža mogla biti ključni element budućih informacijskih sustava".

IZVOR: Sveučilište MIT