AI sistemi se obučavaju u različitim oblastima kako bi donosili smislenije odluke, poput korišćenja AI za upravljanje gradskim saobraćajem radi povećanja brzine, bezbednosti i održivosti. Međutim, ovo je izazovno jer modeli za učenje pojačanja često imaju poteškoća sa varijacijama u zadacima. Kako bi rešili ovaj problem, istraživači sa MIT-a su razvili efikasniji algoritam za obuku ovih modela. Algoritam strateški bira najuticajnije zadatke za obuku AI, čime se maksimizira performansa i minimiziraju troškovi. Na primer, pri kontroli saobraćajnih signala, fokusira se na manji broj ključnih raskrsnica za obuku, čime se poboljšava ukupna efikasnost. Istraživači su otkrili da je ova metoda 5 do 50 puta efikasnija od konvencionalnih pristupa, što dovodi do bržeg učenja i boljih AI performansi. Viša autorka Keti Vu ističe jednostavnost i efikasnost njihovog algoritma, naglašavajući njegov potencijal za širu upotrebu.

Istraživanje, prezentovano na Konferenciji o sistemima za obradu informacija o neuralnim mrežama, sprovedeno je od strane Jung-Hun Čoa, Vindula Džajavardane, Sirui Lija i Keti Vu. Tradicionalne metode uključuju obuku zasebnog algoritma za svaku raskrsnicu ili jednog za sve, oba sa nedostacima. Novi metod pronalazi balans koristeći transferno učenje za primenu obučenog modela na nove zadatke bez dodatne obuke, fokusirajući se na zadatke koji poboljšavaju ukupne performanse algoritma. Razvijeni Model Based Transfer Learning (MBTL) algoritam procenjuje korist obuke novih zadataka modeliranjem performansi pojedinačnih zadataka i generalizacije kroz različite zadatke, birajući zadatke koji nude najveće dobitke. Ovaj pristup značajno povećava efikasnost obuke, koristeći mnogo manje podataka za postizanje istih rešenja. Testovi su pokazali efikasnost MBTL-a u različitim simuliranim zadacima, postižući do 50 puta veću efikasnost obuke. To znači da su znatno smanjeni zahtevi za podacima za postizanje optimalnih rešenja. Istraživači nameravaju da prošire MBTL kako bi se nosili sa složenijim, stvarnim problemima, posebno u sistemima mobilnosti sledeće generacije. Istraživanje je dobilo podršku od nekoliko institucija, uključujući nagradu CAREER Nacionalne fondacije za nauku i Amazon Robotics PhD stipendiju.