Les systèmes d'IA sont formés dans divers domaines pour prendre des décisions significatives, comme l'utilisation de l'IA pour gérer le trafic urbain afin d'améliorer la vitesse, la sécurité et la durabilité. Cependant, cela est difficile car les modèles d'apprentissage par renforcement ont souvent du mal avec les variations des tâches. Pour remédier à cela, des chercheurs du MIT ont développé un algorithme plus efficace pour former ces modèles. Cet algorithme sélectionne stratégiquement les tâches les plus impactantes pour former l'IA, ce qui maximise la performance et minimise les coûts. Par exemple, dans le contrôle des feux de circulation urbains, il se concentre sur un plus petit nombre d'intersections clés pour s'entraîner, améliorant l'efficacité globale. Les chercheurs ont constaté que cette méthode est de 5 à 50 fois plus efficace que les approches conventionnelles, conduisant à un apprentissage plus rapide et à de meilleures performances de l'IA. La co-auteur principale Cathy Wu souligne la simplicité et l'efficacité de leur algorithme, mettant en avant son potentiel d'adoption élargie.

La recherche, présentée à la conférence sur les systèmes de traitement de l'information neuronale, a été menée par Jung-Hoon Cho, Vindula Jayawardana, Sirui Li et Cathy Wu. Les méthodes traditionnelles impliquent soit de former un algorithme distinct pour chaque intersection, soit un pour toutes, toutes deux avec des inconvénients. La nouvelle méthode trouve un équilibre en utilisant l'apprentissage par transfert pour appliquer un modèle formé à de nouvelles tâches sans formation supplémentaire, en se concentrant sur des tâches qui améliorent la performance générale de l'algorithme. L'algorithme développé d'Apprentissage par Transfert Basé sur le Modèle (MBTL) évalue le bénéfice de former de nouvelles tâches en modélisant la performance individuelle des tâches et la généralisation à travers différentes tâches, sélectionnant celles offrant les gains les plus élevés. Cette approche accroît considérablement l'efficacité de la formation, utilisant beaucoup moins de données pour arriver aux mêmes solutions. Les tests ont montré l'efficacité du MBTL dans diverses tâches simulées, réalisant jusqu'à une augmentation de 50 fois de l'efficacité de la formation. Cela signifie des besoins en données considérablement réduits pour atteindre des solutions optimales. Les chercheurs visent à étendre le MBTL pour aborder des problèmes réels plus complexes, notamment dans les systèmes de mobilité de nouvelle génération. La recherche a reçu le soutien de plusieurs institutions, notamment un prix CAREER de la National Science Foundation et une bourse de doctorat Amazon Robotics.