एआय प्रणालींना विविध क्षेत्रांमध्ये अर्थपूर्ण निर्णय घेण्यासाठी प्रशिक्षण दिले जात आहे, जसे की शहरातील वाहतूक व्यवस्थापित करण्यासाठी एआयचा वापर करून वेग, सुरक्षा आणि टिकाऊपणात सुधारणा करणे. तथापि, हे आव्हानात्मक आहे कारण रेइन्फोर्समेंट लर्निंग मॉडेल्स कार्यांमधील बदलांमुळे संघर्ष करतात. या समस्येचे निराकरण करण्यासाठी, एमआयटीच्या संशोधकांनी या मॉडेल्सना प्रशिक्षित करण्यासाठी एक अधिक कार्यक्षम अल्गोरिदम विकसित केला आहे. हा अल्गोरिदम प्रशिक्षणासाठी एआयसाठी सर्वात प्रभावी कार्यांचा धोरणात्मक निवड करतो, ज्यामुळे कार्यक्षमता वाढते आणि खर्च कमी होतो. उदाहरणार्थ, शहरातील वाहतुकीच्या सिग्नलचे नियमन करताना, हा काही महत्त्वाच्या चौकांवर लक्ष केंद्रित करतो, ज्यामुळे एकूणच प्रभावशीलता सुधारली जाते. संशोधकांनी या पद्धतीला पारंपारिक दृष्टिकोनांपेक्षा 5 ते 50 पट अधिक कार्यक्षम आढळले, ज्यामुळे जलद शिकणे आणि उत्तम एआय कामगिरी प्राप्त होते. वरिष्ठ लेखक कॅथी वू यांनी त्यांच्या अल्गोरिदमच्या साधेपणा आणि कार्यक्षमतेवर प्रकाश टाकताना त्याच्या व्यापक स्वीकाराच्या क्षमतेवर भर दिला.

सांदर्भिक न्यूरल इनफॉर्मेशन प्रोसेसिंग सिस्टिम्स कॉन्फरन्समध्ये प्रस्तुत केलेले हे संशोधन जुंग-हून चो, विंडुला जयवर्धने, सिरुई ली आणि कॅथी वू यांनी केले. पारंपारिक पद्धतीत प्रत्येक चौकासाठी वेगळा किंवा सर्वांसाठी एकच अल्गोरिदम तयार करणे समाविष्ट आहे, यामध्ये दोन्हीच्या मर्यादा आहेत. नवीन पद्धत ट्रान्सफर लर्निंगचा वापर करून प्रशिक्षित मॉडेल नवीन कार्यांवर अतिरिक्त प्रशिक्षणाशिवाय लागू करणे, आणि अल्गोरिदमच्या एकूण कार्यक्षमतेमध्ये सुधारणा करण्यासाठी कार्यांवर लक्ष केंद्रित करते. विकसित मॉडेल-बेस्ड ट्रान्सफर लर्निंग (MBTL) अल्गोरिदम व्यक्तिगत कार्यप्रदर्शन आणि विविध कार्यांमध्ये सर्वसामान्यीकरण मॉडेलिंग द्वारे नवीन कार्ये प्रशिक्षणाच्या फायद्याचा अंदाज लावतो, आणि सर्वाधिक फायदा देणाऱ्या कार्यांची निवड करतो. हा दृष्टिकोन प्रशिक्षण कार्यक्षमतेत महत्त्वानुसार वाढ करतो, ज्यामुळे खूप कमी डेटा वापरून समान तोडगे साधता येतात. परीक्षणांनी विविध अनुकरणित कार्यांमध्ये MBTLच्या कार्यक्षमतेचे प्रमाण दिले, प्रशिक्षण कार्यक्षमतेत 50x पर्यंत वाढ साध्य केली. याचा अर्थ आहे की सर्वोत्तम तोडगे शोधण्यासाठी डेटा आवश्यकता खूपच कमी होतात. संशोधक MBTLला अधिक जटिल, वास्तविक जगातील समस्यांना सोडविण्यासाठी, विशेषतः पुढील पिढीतील गतिशीलता प्रणालींमध्ये, विस्तृत करण्यात उत्सुक आहेत. संशोधनाला अनेक संस्थांपासून समर्थन मिळाले आहे, ज्यामध्ये नॅशनल सायन्स फाउंडेशन CAREER अवॉर्ड आणि अॅमेझॉन रोबोटिक्स पीएचडी फेलोशिपचा समावेश आहे.