Yeni MIT Algoritması, AI Karar Alma Verimliliğini 50 Kata Kadar Artırıyor

MIT araştırmacıları, en iyi görevleri seçerek, karar verme yeteneğini geliştirerek ve eğitim maliyetlerini azaltarak performansı artıran etkili bir AI eğitim algoritması geliştirdi.

MIT araştırmacıları, özellikle şehirlerdeki trafik kontrolü gibi karmaşık görevler için AI karar verme modellerini daha verimli hale getirmek amacıyla yeni bir algoritma tanıttı.

Algoritma, geleneksel pekiştirmeli öğrenme üzerine geliştirme yapar ki bu genellikle farklı görevler arasındaki değişkenlikle mücadele eder.

MIT basın bülteni, örneğin, bir kavşakta trafiği kontrol etmek için eğitilmiş bir AI modelinin, farklı trafik kalıpları, şerit sayıları veya hız sınırları olan diğer kavşaklarda başarısız olabileceğini açıklar.

Yeni yaklaşım, Model Tabanlı Aktarım Öğrenmesi (MBTL) olarak bilinir, stratejik olarak bir görev alt kümesini seçer ve AI ajanını eğitir, en önemli performans iyileştirmelerini sağlayacak olanlara odaklanır.

Eğitim odaklanmasını daraltarak, bu yöntem, veri ve hesaplama kaynaklarının gerekliliğini azaltırken, öğrenme sürecinin verimliliğini artırır, diyor MIT.

Ekibin araştırması, Neural Information Processing Systems Konferansı’nda sunulacak ve MBTL’nin standart yöntemlerden beş ila 50 kat daha verimli olduğunu gösterecek.

“Kutunun dışında düşünerek, çok basit bir algoritmayla inanılmaz performans iyileştirmeleri görmeyi başardık,” dedi Cathy Wu, başyazar ve MIT’de doçent.

“Karmaşık olmayan bir algoritmanın, uygulaması daha kolay ve başkaları tarafından anlaşılması daha kolay olduğu için topluluk tarafından benimsenme olasılığı daha yüksektir.”

Genellikle, trafik kontrolü gibi görevler için AI modelleri iki şekilde eğitilir: ya tüm görevlerden gelen veriler kullanılarak ya da her görev için ayrı modeller eğitilerek.

MIT, her iki yöntemin de dezavantajları olduğunu açıklıyor – ayrı modelleri eğitmek büyük miktarda veri gerektirirken, tüm görevler üzerinde eğitim genellikle alt düzey performansa yol açar.

Araştırmacıların yöntemi, orta bir yol bulur, bir algoritmayı tüm görevlerde performansı en üst düzeye çıkarmak için stratejik olarak seçilmiş daha küçük bir görev alt kümesinde eğitir.

MBTL, ek eğitim gerektirmeden bir modelin bir görevde eğitildikten sonra benzer görevlere uygulandığı bir kavram olan sıfır atış transfer öğrenmeyi kullanır.

MIT, bu yöntemin modelin doğrudan eğitilmediği görevlerde ne kadar iyi performans göstereceğini tahmin ettiğini, böylece genel uygulanabilirliği genel olarak iyileştirecek görevleri seçtiğini açıklar.

“50x verimlilik artışıyla, MBTL algoritması sadece iki görev üzerinde eğitim alabilir ve 100 görevden veri kullanan standart bir yöntemin aynı performansını elde edebilir,” diye açıkladı Wu.

MIT’ye göre, bu yaklaşım, karmaşık karar verme için AI modellerini geliştirmenin hızını ve maliyet etkinliğini artıran, eğitim verisi miktarını önemli ölçüde azaltır.

İleriye bakıldığında, ekip, daha karmaşık sistemler ve gerçek dünya uygulamaları gibi alanlarda MBTL yöntemini geliştirmeyi planlıyor, örneğin yeni nesil mobilite sistemleri.