قام باحثون من معهد ماساتشوستس للتكنولوجيا (MIT) بتطوير خوارزمية متقدمة للتعلم المعزز (التدريب الأولي لنظام الذكاء الاصطناعي) تعمل على تحسين عملية صنع القرار لأنظمة الذكاء الاصطناعي في المهام المعقدة مثل التحكم في حركة المرور في المناطق الحضرية، مع توفير الوقت والموارد بشكل كبير
طور باحثون من معهد ماساتشوستس للتكنولوجيا (MIT) خوارزمية مبتكرة للتعلم المعزز تعمل على تعزيز قدرة الذكاء الاصطناعي على اتخاذ القرارات في المواقف المعقدة. تركز الخوارزمية على اختيار المهام المثالية للتدريب، وتوفر تحسينًا كبيرًا في الأداء بأقل قدر من البيانات - بكفاءة أكبر تصل إلى 50 مرة.
لا توفر هذه الخوارزمية الوقت والموارد فحسب، بل تقدم أيضًا آفاقًا جديدة لتطبيقات الذكاء الاصطناعي الفعالة في مواقف العالم الحقيقي، مثل التحكم في حركة المرور، وتحسين النقل، وأنظمة التنقل المتقدمة.
التحديات في التعلم المعزز
تواجه أنظمة الذكاء الاصطناعي القائمة على التعلم المعزز صعوبة كبيرة عندما تتغير المهام. على سبيل المثال، في التحكم في حركة المرور في المناطق الحضرية، قد يفشل النموذج في إدارة التقاطعات المختلفة مع إعدادات سرعة مختلفة وهياكل الحارات وأنماط حركة المرور.
ولمواجهة هذا التحدي، طور الباحثون خوارزمية مبتكرة تعمل على تحسين تدريب الذكاء الاصطناعي من خلال اختيار المهام الإستراتيجية.
النهج الاستراتيجي لاختيار المهام
تقوم الخوارزمية باختيار استراتيجي للمهام الأكثر فعالية لتدريب عملاء الذكاء الاصطناعي، لتحسين الأداء العام لمجموعة المهام بأكملها.
على سبيل المثال، في التحكم في حركة المرور في المناطق الحضرية، قد تمثل كل مهمة عقدة واحدة داخل الفضاء الحضري. تركز الخوارزمية على العقد ذات المساهمة الكبيرة في الأداء العام، وبالتالي زيادة الفعالية إلى الحد الأقصى مع الحفاظ على تكاليف تدريب منخفضة.
الابتكار في خوارزمية MBTL
قام باحثون من معهد ماساتشوستس للتكنولوجيا (MIT) بتطوير خوارزمية تسمى التعلم القائم على النموذج (MBTL)، والتي تتيح اختيار المهام ذات القيمة الأعلى لتحسين الأداء.
تقيس الخوارزمية معلمتين رئيسيتين:
- أداء الخوارزمية إذا تم تدريبها على مهمة واحدة.
- انخفاض الأداء عند تطبيق الخوارزمية على مهام أخرى، وهو المفهوم المعروف باسم "الأداء التعميمي"
من خلال التركيز على المهام التي تضمن أعلى مستوى من تحسين الأداء، تعمل MBTL على تحسين كفاءة عملية التدريب بشكل كبير.
الآثار المترتبة على مستقبل الذكاء الاصطناعي
في الاختبارات التي أجريت على مهام المحاكاة، مثل التحكم في حركة المرور، واستشارات السرعة في الوقت الفعلي والمهام الكلاسيكية الأخرى، أظهرت الخوارزمية كفاءة أعلى بنسبة 5 إلى 50 مرة من الطرق الأخرى.
على سبيل المثال، باستخدام MBTL، يمكنك تدريب خوارزمية على مهمتين فقط وتحقيق نفس الأداء كطريقة قياسية تستخدم بيانات من 100 مهمة.
ووفقا للبروفيسور كاثي وو، قائدة الدراسة:
"يُظهر نهجنا أنك قد لا تحتاج إلى جميع المعلومات من جميع المهام. في الواقع، قد يكون تدريبهم جميعًا مربكًا للخوارزمية ويؤدي إلى انخفاض الأداء."
في المستقبل، يخطط الباحثون لتطبيق MBTL على مشاكل أكثر تعقيدًا، بما في ذلك مساحات المهام متعددة الأبعاد، وتعزيز استخدام هذا النهج في تطبيقات العالم الحقيقي، وخاصة في أنظمة الهاتف المحمول المتقدمة.
المزيد عن الموضوع على موقع العلوم:
תגובה אחת
رابط المقال لا يعمل.