એઆઈ સિસ્ટમ્સને કૃત્રિમ બુદ્ધિનો ઉપયોગ કરીને ગતિ, સલામતી અને ટકાઉપણાને વધારવા માટે શહેરના ટ્રાફિકનું વ્યવસ્થાપન કરવા જેવા અર્થપૂર્ણ નિર્ણયો લેવા માટે વિવિધ ક્ષેત્રોમાં તાલીમ આપવામાં આવી રહી છે. પરંતુ, આ કરકારું છે કારણ કે રેઇનફોર્સમેન્ટ લર્નિંગ મોડલ સામાન્ય રીતે કાર્યોની ભિન્નતાઓથી સંઘર્ષ કરે છે. આનો સામનો કરવા માટે, MIT ના સંશોધકોએ વધુ કાર્યક્ષમ અલ્ગોરિધમ વિકસાવ્યો છે જે આ મોડલ્સને તાલીમ આપતા સમયે વધુ અસરકારક કાર્યો પસંદ કરે છે, જે પ્રદર્શનને મહત્તમ બનાવે છે અને ખર્ચને ઓછું કરે છે. ઉદાહરણ તરીકે, શહેરના ટ્રાફિક સિગ્નલને નિયંત્રિત કરતી વખતે, તે મુખ્ય ચોરાહાઓ પર તાલીમને કેન્દ્રિત કરે છે, જેણે સુધારેલ અસરકારકતા પેદા કરી. સંશોધકોએ શોધી કાઢ્યું છે કે તેમની પદ્ધતિ પરંપરાગત દ્રષ્ટીએવિધી કરતા 5 થી 50 ગણી વધુ કાર્યક્ષમ છે, જે વધારે ઝડપી શીખવાના અને મહત્તમ AI કાર્યક્ષમતાના પરિણામ આપે છે.

સિનિયર લેખક કેથિ વુએ એવા અલ્ગોરિધમની સરળતા અને કાર્યક્ષમતા પર જોર આપ્યું છે, અને તેની વૈશ્વિક સ્વીકાર્યતાને હૈયાબંધ પ્રશ્નમાં ઉમેર્યું. પરંપરાગત પદ્ધતિઓમાં દરેક ચોરાહા માટે અલગ-અલગ અલ્ગોરિધમ અથવા આ બધા માટે એકનો તાલીમદંડ શક્તિનાં દોષો સમાય કહેવામાં આવે છે. નવી પદ્ધતિ પરિવર્તન લર્નિંગનો ઉપયોગ કરીને તાલીમ આપના કામ માટે નવા કાર્ય હોવા સિવાય તરત જ કામ માટે એક તારણો મેળવવાની ક્ષમતા ધરાવે છે. મોડલ-આધારિત ટ્રાન્સફર લર્નિંગ (MBTL) અલ્ગોરિધમ પદ્ધતિનો વિકાસ તેમને વિવિધ કાર્યોમાં કાર્યક્ષમતાને સચેત કરતો દેખાડવા માટે કરવામાં આવ્યો છે. મહિલાઓએ વધુ સીમિત ડેટા સાથે સમાધાના ઉદ્દેશ્યીમાં પહોંચવા માટે આ પદ્ધતિની ભાગીદારતામાં ભાગ લેનારી પદ્ધતિ દર્શાવવામાં આવી છે. એમ્બિટીઅલ મિશન માટે MBTL વિસ્તૃત સ્કેલ્ડ સંબંધો. આ સંશોધનને અનેક સંસ્થાઓ દ્વારા સમર્થન પ્રાપ્ત થયું છે, જેમાં નેશનલ સાયન્સ ફાઉન્ડેશન કરિયર એવોર્ડ અને એમેઝોન રોબોટિક્સ પીએચડી ફેલોશિપનો સમાવેશ થાય છે.