AI kerfi eru þjálfuð á mörgum sviðum til að taka merkingarbærar ákvarðanir, til dæmis með því að nota gervigreind til að stjórna borgarumferð til að auka hraða, öryggi og sjálfbærni. Þetta er þó krefjandi vegna þess að styrkingarnámslíkön eiga oft í vandræðum með breytileika verkefna. Til að takast á við þetta hafa rannsakendur við MIT þróað skilvirkari reiknirit til að þjálfa þessi líkön. Reikniritið velur stefnumarkandi þau verkefni sem hafa mest áhrif á þjálfun AI, sem hámarkar afköst og lágmarkar kostnað. Til dæmis, við stjórn á umferðarljósum í borgum, einblínir það á færri lykilgatnamót til þjálfunar, sem bætir heildarskilvirkni. Rannsakendur fundu þessa aðferð vera 5 til 50 sinnum skilvirkari en hefðbundnar aðferðir, sem leiðir til hraðari náms og betri frammistöðu AI. Cathy Wu, sem er einn af aðalhöfundunum, leggur áherslu á einfaldleika og áhrifamætti reikniritsins með möguleika á breiðari upptöku þess.

Rannsóknin var kynnt á ráðstefnunni um Taugarögnunarvinnslukerfi, og var unnin af Jung-Hoon Cho, Vindula Jayawardana, Sirui Li og Cathy Wu. Hefðbundnar aðferðir fela annaðhvort í sér að þjálfa sérhverja algóriþma fyrir hverfisasamræður eða einn fyrir öll, bæði með annmörkum. Nýja aðferðin finnur jafnvægi með því að nota yfirfærslunám til að beita þjálfuðu líkani á ný verkefni án viðbótarþjálfunar, með áherslu á verkefni sem auka heildarframmistöðu reikniritsins. Þróaða Model-Based Transfer Learning (MBTL) reikniritið metur ávinninginn af því að þjálfa ný verkefni með því að móta frammistöðu einstakra verkefna og alhæfingu yfir mismunandi verkefni, og velur þau verkefni sem bjóða hæsta ávinningsstigið. Þessi nálgun eykur verulega skilvirkni þjálfunar, og notar mun minna af gögnum til að komast að sömu lausnum. Próf sýndu skilvirkni MBTL í ýmsum atvinnusviðum í hermilíkingum, með allt að 50x aukningu í þjálfunarskilvirkni. Þetta þýðir verulega minni kröfur um gögn til að ná hámarkslausnum. Rannsakendur stefna að því að stækka MBTL til að takast á við flóknari, raunveruleg vandamál, einkum í næstu kynslóð samgöngukerfa. Rannsóknin fékk stuðning frá nokkrum stofnunum, þar á meðal frá Verðlaunum CAREER á vegum National Science Foundation og Amazon Robotics doktorsnámsstyrkjum.