Алгоритмы машинного обучения (Machine Learning, ML) перерабатывают огромные объемы данных и способны выявлять и выделять закономерности, которые проявляются в данных. После обучения алгоритм может идентифицировать похожие закономерности при предъявлении ему нового набора данных и принимать соответствующие решения.
Исследователи из Массачусетского технологического института (MIT, см. https://news.mit.edu/2021/machine-learning-adapts-0128 ) пытаются сделать алгоритмы машинного обучения более динамичными и обеспечить непрерывное обучение. Алгоритм, по сути дела, находится в состоянии непрерывного обучения. Созданная ими методика называется «адаптивное машинное обучение» (Liquid Machine Learning, https://aimagazine.com/ai-applications-1/what-liquid-machine-learning ). Алгоритмы постоянно подстраивают свои параметры, чтобы реагировать и адаптироваться к новым входным данным. Подобное непрерывное обучение делает алгоритм значительно более гибким, чем при использовании стандартных методов машинного обучения.
Исследователь из лаборатории информатики и искусственного интеллекта (Computer Science and Artificial Intelligence Laboratory, CSAI) Массачусетского технологического института Рамин Хасани (Ramin Hasani, https://www.csail.mit.edu/person/ramin-hasani ) считает, что «в реальном мире ключевую роль играют последовательности, даже для нашего восприятия - Вы воспринимаете не отдельные образы, а последовательности образов. Таким образом, нашу реальность фактически создают данные временных рядов … Это путь вперед для будущего управления роботами, обработки естественного языка, обработки видеоматериалов – для любой формы обработки данных временных рядов. Потенциал здесь действительно значительный» ( https://www.uxconnections.com/artificial-intelligence-mit-creates-liquid-machine-learning/ ).
Гибкость нового подхода приводит к большей устойчивости при представлении данных, которые могут отличаться от тех, которые алгоритм «видел» ранее, или же оказаться неожиданными по сравнению с ними.
Хасани говорит, что «сама модель богаче с точки зрения выразительности. У нас появляется, вероятно, более выразительная нейронная сеть, вдохновленная природой. Но это только начало процесса. Очевидный вопрос: как всё это расширить? Мы полагаем, что такого рода сеть может стать ключевым элементом будущих интеллектуальных систем».
Дик Вейсингер (Dick Weisinger)
Источник: блог компании Formtek
https://formtek.com/blog/liquid-machine-learning-resilience-when-encountering-the-unexpected/
Комментариев нет:
Отправить комментарий