KI-Systeme werden in verschiedenen Bereichen entwickelt, um sinnvolle Entscheidungen zu treffen, wie beispielsweise die Nutzung von KI zur Verkehrssteuerung in Städten, um Geschwindigkeit, Sicherheit und Nachhaltigkeit zu verbessern. Dies ist jedoch schwierig, da Modelle des verstärkenden Lernens oft mit Variationen in den Aufgaben kämpfen. Um diesem Problem entgegenzuwirken, haben MIT-Forscher einen effizienteren Algorithmus zur Schulung dieser Modelle entwickelt. Dieser Algorithmus wählt strategisch die wirkungsvollsten Aufgaben für das Training der KI aus, um die Leistung zu maximieren und die Kosten zu minimieren. Beispielsweise konzentriert er sich bei der Steuerung von Verkehrssignalen in Städten auf eine kleinere Anzahl von Schlüsselkreuzungen, um die Gesamteffektivität zu verbessern. Die Forscher stellten fest, dass diese Methode 5 bis 50 Mal effizienter ist als herkömmliche Ansätze, was zu schnellerem Lernen und besserer KI-Leistung führt. Die Hauptautorin Cathy Wu betont die Einfachheit und Wirksamkeit ihres Algorithmus und hebt dessen Potenzial für eine breitere Anwendung hervor.

Die Forschung, die auf der Konferenz über Neuronale Informationsverarbeitungssysteme vorgestellt wurde, wurde von Jung-Hoon Cho, Vindula Jayawardana, Sirui Li und Cathy Wu durchgeführt. Traditionelle Methoden beinhalten entweder das Training eines separaten Algorithmus für jede Kreuzung oder einen für alle, beide mit Nachteilen. Die neue Methode findet ein Gleichgewicht, indem sie Transferlernen nutzt, um ein trainiertes Modell auf neue Aufgaben anzuwenden, ohne zusätzliches Training, und sich auf Aufgaben konzentriert, die die Gesamtleistung des Algorithmus verbessern. Der entwickelte Modellbasierte Transferlernalgorithmus (MBTL) schätzt den Nutzen des Trainings neuer Aufgaben, indem er die Leistung einzelner Aufgaben modelliert und die Verallgemeinerung über verschiedene Aufgaben hinweg untersucht. Dabei werden Aufgaben ausgewählt, die den höchsten Gewinn bieten. Dieser Ansatz erhöht die Trainingseffizienz erheblich, indem er viel weniger Daten verwendet, um zu denselben Lösungen zu gelangen. Tests zeigten die Effizienz von MBTL bei verschiedenen simulierten Aufgaben, mit einer bis zu 50-fachen Steigerung der Trainingseffizienz. Dies bedeutet erheblich reduzierte Datenanforderungen, um optimale Lösungen zu erreichen. Die Forscher beabsichtigen, MBTL auf komplexere, reale Probleme auszuweiten, insbesondere bei Mobilitätssystemen der nächsten Generation. Die Forschung wurde von mehreren Institutionen unterstützt, darunter ein CAREER-Preis der National Science Foundation und ein Amazon Robotics PhD Fellowship.