Решение снижает затраты и повышает эффективностьУченые из Массачусетского технологического института (MIT) разработали новый алгоритм, который повышает эффективность обучения искусственного интеллекта (ИИ) для сложных задач, таких как управление транспортными потоками в городах. Эта технология может ускорить развитие умных систем и снизить расходы.
© Ferra.ru
Был создан новый подход к обучению ИИ, который решает проблему адаптации моделей к разнообразным задачам. Новый алгоритм, названный Model-Based Transfer Learning (MBTL), улучшает производительность системы, сокращая объем необходимой для обучения информации.
При использовании ИИ, например, для управления дорожным движением, стандартные подходы либо требуют огромных ресурсов, либо дают посредственные результаты. Чтобы найти баланс, исследователи предложили обучать модель только на самых значимых задачах. В случае дорожного трафика это может быть оптимизация работы нескольких ключевых перекрестков вместо обучения на данных всех пересечений города.
Новый метод основывается на концепции «обучения без дообучения» (zero-shot transfer learning). После тренировки на выбранных задачах модель применяется к новым задачам без дополнительной подготовки. Это позволяет значительно сократить время и затраты.
При тестировании MBTL на различных задачах, включая управление сигналами светофоров и скоростными рекомендациями, метод оказался в 5−50 раз эффективнее стандартных подходов. Например, модель могла достичь тех же результатов, обучаясь на данных всего двух задач вместо ста.
© arXiv