Kan AI aktivere maskiner med væskeintelligens?

En ny klasse av kunstig intelligens (AI) maskinlæring vil bli avduket på den kommende trettifemte AAAI-konferansen om kunstig intelligens i begynnelsen av februar 2021. Massachusetts Institute of Technology (MIT) og østerrikske forskere har opprettet et nytt nevrale nettverk utstyrt med økt væske. kunstig intelligens kalt “flytende” maskinlæring.Denne nye klassen maskinlæring kan muliggjøre bedre tilpasning til dynamiske svingninger i komplekse, virkelige problemer.

I områder der datastrømmer endres over tid, er det oppdragskritisk å utvikle mer fleksibel AI som kan lære raskt. Virkelige applikasjoner med tidsseriedata inkluderer videobehandling, epidemiologi, finansmarkeder, økonomi, bruttonasjonalprodukt (BNP), helseovervåking, værvarsling, luftforurensning, autonome kjøretøyer, robotteknologi, luftfart og medisinsk bildebehandling, for å bare nevne Noen.

Konseptet flytende versus krystallisert intelligens dateres tilbake til 1963, da det ble introdusert av en av de mest innflytelsesrike psykologene i det 20. århundre, Raymond Cattell (1905-1998). Fluid intelligence er evnen til å tenke fleksibelt, resonnere og behandle ny informasjon i sanntid. I motsetning til dette refererer krystallisert intelligens til kunnskap fra tidligere læring av fakta, ferdigheter og erfaringer.

"Vi introduserer en ny klasse med kontinuerlige tilbakevendende nevrale nettverksmodeller," skrev forfatterne av studien. Ramin Hasani, en postdoktor ved Computer Science and Artificial Intelligence Laboratory (CSAIL), og hovedforfatter av studien. Andre studieforskere i teamet inkluderer MIT-professor og CSAIL-direktør Daniela Rus, MIT-doktorgradsstudent Alexander Amini, Mathias Lechner ved Institutt for vitenskap og teknologi Østerrike, og Radu Grosu ved Vienna University of Technology.

Gjentatte nevrale nettverk som bruker vanlige differensiallikninger (ODEer) for å bestemme skjulte tilstander med kontinuerlig tid, brukes ofte når det er tidsseriedata. Forskerteamet satte seg for å forbedre denne strukturen for å "muliggjøre rikere representasjonslæring og uttrykksevne."

"I stedet for å erklære et læringssystems dynamikk ved implisitte ikke-lineariteter, konstruerer vi nettverk av lineære førsteordens dynamiske systemer modulert via ikke-lineære sammenkoblede porter," skrev forskerne.

Som et alternativ skapte forskerne et flytende tidskonstant (LTC) tilbakevendende nevrale nettverk (RNN). Fordelen med denne nye typen tilbakevendende nevrale nettverk er at den er mer uttrykksfull av design, og derfor iboende mer gjennomsiktig og forklarbar.

Denne uttrykksevnen gjør det mulig for forskere å få bedre oversikt over noe av det nevrale nettverkets "tenkeprosess", en fordel som hjelper til med å avmystifisere noe av kompleks forståelse av "black-box" av kunstig intelligens maskinlæring.

"De resulterende modellene representerer dynamiske systemer med varierende (dvs. flytende) tidskonstanter koblet til deres skjulte tilstand, med utdata beregnet av numeriske differensialløvere," skrev forskergruppen. "Disse nevrale nettverkene viser stabil og avgrenset oppførsel, gir overlegen ekspressivitet i familien til nevrale vanlige differensiallikninger, og gir opphav til forbedret ytelse på tidsserieforutsigelsesoppgaver."

For å evaluere den nye modellen deres, utførte teamet en rekke eksperimenter med sitt flytende tidsnødvendige tilbakevendende nevrale nettverk. Eksperimentene inkluderer å trene en klassifikator for å identifisere håndbevegelser fra bevegelsesdata, forutsi rombelegg fra sensordatastrømmer (temperatur, karbondioksidnivå, fuktighet og andre sensorer) og gjenkjenne menneskelig aktivitet (f.eks. Stå, gå og sitte), fra smarttelefondata. Ytterligere tester inkluderer sekvensiell MNIST, kinematisk dynamikkmodellering, og prediksjon av trafikk, husholdningers strømforbruk, ozonkonsentrasjonsnivåer og flere typer menneskelig aktivitet.

Sammenlignet med andre gjentatte nevrale nettverksmodeller (LSTM, CT-RNN, Neural ODE og CT-GRU), observerte forskerne at det var mellom fem og 70 prosent forbedring i fire av de sju eksperimentene på tidsserieforutsigelser.

Kunstig intelligens utvides raskt på tvers av bransjer og mange funksjoner. Jo mer fleksibel, flytende og gjennomsiktig AI-maskinlæring blir, jo større potensial for forbedret AI-sikkerhet og ytelse i fremtiden.

Copyright © 2021 Cami Rosso Med enerett.