AI có thể kích hoạt máy có trí thông minh linh hoạt không?

Một lớp học máy mới về trí tuệ nhân tạo (AI) sẽ được công bố tại Hội nghị AAAI lần thứ ba sắp tới về trí tuệ nhân tạo vào đầu tháng 2 năm 2021. Viện Công nghệ Massachusetts (MIT) và các nhà nghiên cứu Áo đã tạo ra một mạng nơ-ron mới với khả năng tăng chất lỏng trí tuệ nhân tạo được gọi là học máy “lỏng”.Lớp học máy mới này có thể cho phép thích ứng tốt hơn với các biến động động của các vấn đề phức tạp trong thế giới thực.

Trong các lĩnh vực mà luồng dữ liệu thay đổi theo thời gian, việc phát triển AI linh hoạt hơn có thể học hỏi nhanh chóng là nhiệm vụ tối quan trọng. Các ứng dụng trong thế giới thực với dữ liệu chuỗi thời gian bao gồm xử lý video, dịch tễ học, thị trường tài chính, kinh tế, tổng sản phẩm quốc nội (GDP), theo dõi sức khỏe, dự báo thời tiết, ô nhiễm khí quyển, xe tự hành, robot, hàng không và hình ảnh y tế, chỉ cần đặt tên là một số ít.

Khái niệm về trí thông minh chất lỏng và kết tinh có từ năm 1963, khi nó được đưa ra bởi một trong những nhà tâm lý học có ảnh hưởng nhất của thế kỷ 20, Raymond Cattell (1905-1998). Thông minh linh hoạt là khả năng suy nghĩ linh hoạt, suy luận và xử lý thông tin mới trong thời gian thực. Ngược lại, trí thông minh kết tinh đề cập đến kiến ​​thức thu được từ việc học hỏi các sự kiện, kỹ năng và kinh nghiệm trước đó.

Các tác giả của nghiên cứu viết: “Chúng tôi giới thiệu một lớp mô hình mạng nơ-ron tuần hoàn liên tục theo thời gian mới. Ramin Hasani, một postdoc tại Phòng thí nghiệm Khoa học Máy tính và Trí tuệ Nhân tạo (CSAIL), và là tác giả chính của nghiên cứu. Các nhà nghiên cứu khác trong nhóm bao gồm giáo sư MIT và Giám đốc CSAIL Daniela Rus, nghiên cứu sinh tiến sĩ Alexander Amini của MIT, Mathias Lechner tại Viện Khoa học và Công nghệ Áo, và Radu Grosu tại Đại học Công nghệ Vienna.

Mạng nơ-ron tuần hoàn sử dụng phương trình vi phân thông thường (ODE) để xác định trạng thái ẩn thời gian liên tục thường được sử dụng khi có dữ liệu chuỗi thời gian. Nhóm nghiên cứu đã đặt ra mục tiêu cải thiện cấu trúc này để “cho phép học và biểu đạt phong phú hơn.”

Các nhà nghiên cứu viết: “Thay vì khai báo động lực học của một hệ thống học bằng các điểm phi tuyến ngầm, chúng tôi xây dựng mạng lưới các hệ thống động lực học tuyến tính bậc nhất được điều chế thông qua các cổng liên kết phi tuyến tính.

Để thay thế, các nhà nghiên cứu đã tạo ra mạng nơ-ron tuần hoàn không đổi thời gian (LTC) lỏng (RNN). Ưu điểm của loại mạng nơ-ron tuần hoàn mới này là nó được thiết kế biểu đạt hơn, và do đó vốn dĩ minh bạch hơn và có thể giải thích được.

Sự biểu đạt này cho phép các nhà nghiên cứu có tầm nhìn rõ hơn về một số quá trình “suy nghĩ” của mạng nơ-ron, một lợi ích giúp làm sáng tỏ một số nhận thức phức tạp về “hộp đen” của máy học trí tuệ nhân tạo.

Nhóm nghiên cứu viết: “Các mô hình kết quả đại diện cho các hệ thống động lực học với các hằng số thời gian (tức là chất lỏng) khác nhau cùng với trạng thái ẩn của chúng, với kết quả đầu ra được tính toán bởi các bộ giải phương trình vi phân số”. “Các mạng nơ-ron này thể hiện hành vi ổn định và có giới hạn, mang lại tính biểu hiện vượt trội trong họ các phương trình vi phân thông thường thần kinh và làm tăng hiệu suất được cải thiện đối với các nhiệm vụ dự đoán chuỗi thời gian.”

Để đánh giá mô hình mới của họ, nhóm đã thực hiện một số thử nghiệm với mạng nơ-ron lặp lại giới hạn thời gian lỏng của họ. Các thử nghiệm bao gồm đào tạo một bộ phân loại để xác định cử chỉ tay từ dữ liệu chuyển động, dự đoán phòng chứa từ các luồng dữ liệu cảm biến (nhiệt độ, mức carbon dioxide, độ ẩm và các cảm biến khác) và nhận biết hoạt động của con người (ví dụ: đứng, đi bộ và ngồi), từ dữ liệu điện thoại thông minh. Các bài kiểm tra bổ sung bao gồm MNIST tuần tự, mô hình động lực học và dự đoán lưu lượng, mức tiêu thụ điện năng hàng giờ của hộ gia đình, nồng độ ôzôn và nhiều loại hoạt động khác của con người.

So với các mô hình mạng nơ-ron lặp lại khác (LSTM, CT-RNN, Neural ODE và CT-GRU), các nhà nghiên cứu quan sát thấy rằng có từ năm đến 70 phần trăm cải thiện trong bốn trong số bảy thử nghiệm về dự đoán chuỗi thời gian.

Trí tuệ nhân tạo đang nhanh chóng mở rộng trên các ngành công nghiệp và nhiều chức năng. Máy học AI càng linh hoạt, linh hoạt và minh bạch càng trở nên linh hoạt, thì tiềm năng cải thiện hiệu suất và an toàn của AI càng lớn trong tương lai.

Bản quyền © 2021 Cami Rosso Mọi quyền được bảo lưu.