Tehisintellekti süsteeme koolitatakse mitmesugustes valdkondades, et teha tähenduslikke otsuseid, näiteks kasutada AI-d linnaliikluse juhtimiseks, et parandada kiirust, ohutust ja jätkusuutlikkust. See on aga keeruline, kuna tugevdusõppe mudelitel on tihti raskusi ülesannete varieerumisega. Selle lahendamiseks on MIT teadlased välja töötanud tõhusama algoritmi nende mudelite koolitamiseks. See algoritm valib strateegiliselt välja kõige mõjusamad ülesanded AI koolitamiseks, mis maksimeerib jõudluse ja minimeerib kulud. Näiteks linnaliikluse signaalide juhtimisel keskendub see väiksemale arvule võtmelise tähtsusega ristmikele, et suurendada üldist efektiivsust. Teadlased leidsid, et see meetod on 5 kuni 50 korda tõhusam kui traditsioonilised lähenemised, mis viib kiirema õppimiseni ja parema tehisintellekti jõudluseni. Juhtiv autor Cathy Wu toob esile nende algoritmi lihtsuse ja tõhususe ning rõhutab selle potentsiaali laiemaks kasutuselevõtuks.

Uuring, mida esitleti Neural Information Processing Systems konverentsil, viidi läbi Jung-Hoon Cho, Vindula Jayawardana, Sirui Li ja Cathy Wu poolt. Traditsioonilised meetodid hõlmavad kas iga ristmiku jaoks eraldi algoritmi treenimist või ühe algoritmi kasutamist kõigi jaoks, mõlemad oma puudustega. Uus meetod leiab tasakaalu, kasutades ülekandeõpet, et rakendada treenitud mudelit uutele ülesannetele ilma täiendava koolituseta, keskendudes ülesannetele, mis parandavad algoritmi üldist toimivust. Väljatöötatud Mudelpõhine ülekandeõppe (MBTL) algoritm hindab uute ülesannete koolituse kasu, modelleerides üksikute ülesannete jõudlust ja üldistamist erinevate ülesannete vahel, valides ülesanded, mis pakuvad suurimat kasu. See lähenemisviis suurendab oluliselt koolituse efektiivsust, kasutades palju vähem andmeid samade lahendusteni jõudmiseks. Testid näitasid MBTL tõhusust mitmesugustes simuleeritud ülesannetes, saavutades kuni 50-kordse tõusuga koolituse efektiivsuses. See tähendab tunduvalt väiksemaid andmenõudeid optimaalse lahenduse saavutamiseks. Teadlased kavatsevad laiendada MBTL-i keerulisemate reaalmaailma probleemide lahendamiseks, eriti järgmise põlvkonna liikuvussüsteemides. Uuring sai toetust mitmetelt asutustelt, sealhulgas National Science Foundation CAREER auhinnalt ja Amazon Robotics PhD Fellowshipilt.