Efikasan AI algoritam MIT-a revolucionira obuku upravljanja saobraćajem.
Brief news summary
Istraživači sa MIT-a su predstavili novi algoritam nazvan Model-Based Transfer Learning (MBTL) kako bi unaprijedili donošenje odluka kod umjetne inteligencije, posebno u složenim scenarijima kao što je upravljanje urbanim saobraćajem. Tradicionalni modeli učenja putem pojačanja često pokazuju slabe rezultate zbog različitih uslova zadatka, kao što su različite dozvoljene brzine i rasporedi raskrsnica. MBTL rješava ovaj problem selektivnim odabirom zadataka za obuku, omogućavajući AI-u da efikasnije upravlja s više međusobno povezanih zadataka. Kod upravljanja saobraćajem, MBTL daje prioritet ključnim raskrsnicama umjesto da se bavi svim scenarijima neselektivno. Jedna od njegovih značajnih karakteristika je zero-shot transfer learning, što omogućava AI-u primjenu postojećih modela na nove zadatke bez dodatne obuke. Ovaj pristup testira sposobnost AI-a da generalizira iz specifičnih zadataka i da identificira one zadatke koji poboljšavaju performanse s minimalnim podacima. Simulacije pokazuju da je MBTL do 50 puta efikasniji od konvencionalnih metoda. Fokusiranjem na kritične zadatke, smanjuje troškove i poboljšava performanse, čineći ga idealnim za razne primjene. Budući planovi uključuju proširenje MBTL-a kako bi se adresirali složeniji stvarni problemi u saradnji s akademskim i industrijskim partnerima.AI sistemi se obučavaju u raznim poljima kako bi donosili značajne odluke, poput korištenja AI za upravljanje gradskim saobraćajem s ciljem poboljšanja brzine, sigurnosti i održivosti. Međutim, ovo je izazovno jer modeli učenja pojačanjem često imaju poteškoća s varijacijama u zadacima. Kako bi ovo riješili, istraživači s MIT-a razvili su efikasniji algoritam za obučavanje ovih modela. Ovaj algoritam strateški bira najuticajnije zadatke za obuku AI-a, što maksimizira performanse i minimizira troškove. Na primjer, u kontroli gradskih saobraćajnih semafora, fokusira se na manji broj ključnih raskrsnica kako bi se obučio, poboljšavajući ukupnu učinkovitost. Istraživači su otkrili da je ovaj metod 5 do 50 puta efikasniji od konvencionalnih pristupa, što dovodi do bržeg učenja i boljih performansi AI-a. Viši autor Cathy Wu naglašava jednostavnost i učinkovitost njihovog algoritma, ukazujući na potencijal za širu upotrebu.
Istraživanje, predstavljeno na Konferenciji o obradi neuronskih informacija, sproveli su Jung-Hoon Cho, Vindula Jayawardana, Sirui Li i Cathy Wu. Tradicionalne metode uključuju ili obuku zasebnog algoritma za svaku raskrsnicu ili jednog za sve, oba s nedostacima. Novi metod pronalazi ravnotežu korištenjem transfernog učenja da primjeni obučeni model na nove zadatke bez dodatne obuke, fokusirajući se na zadatke koji poboljšavaju ukupnu učinkovitost algoritma. Razvijeni Model-Based Transfer Learning (MBTL) algoritam procjenjuje koristi obuke novih zadataka modeliranjem performansi pojedinačnih zadataka i generalizacijom preko različitih zadataka, birajući zadatke koji nude najveće dobitke. Ovaj pristup značajno povećava efikasnost obuke, koristeći znatno manje podataka za dolazak do istih rješenja. Testovi su pokazali efikasnost MBTL-a u raznim simuliranim zadacima, postižući do 50x poboljšanje efikasnosti obuke. Ovo znači znatno smanjene zahtjeve za podacima za dostizanje optimalnih rješenja. Istraživači planiraju proširiti MBTL kako bi se nosio sa složenijim, stvarnim problemima, posebno u sistemima mobilnosti sljedeće generacije. Istraživanje je podržano od strane nekoliko institucija, uključujući CAREER nagradu Nacionalne naučne fondacije i Amazon Robotics PhD stipendiju.
Watch video about
Efikasan AI algoritam MIT-a revolucionira obuku upravljanja saobraćajem.
Try our premium solution and start getting clients — at no cost to you
