Fyysikot tuovat tekoälyä lähemmäksi “ohjaamatonta oppimista”

• Uusi tekoälyalgoritmi nimeltä Torque Clustering, joka on saanut inspiraationsa siitä, miten galaksit sulautuvat avaruudessa, voi löytää kuvioita tiedoista ilman ihmisen ohjausta. Se saavutti 97.7 prosentin tarkkuuden 1,000 XNUMX eri tietojoukossa
• Toisin kuin nykyinen tekoäly, joka vaatii laajaa ihmisen merkitsemää dataa harjoitteluun, tämän läpimurron avulla tietokoneet voivat oppia itsenäisesti samalla tavalla kuin eläimet tarkkailevat ja ymmärtävät ympäristöään luonnollisesti.
• Algoritmi voisi nopeuttaa lääketieteen, rahoituksen, ilmastotieteen ja muiden alojen löytöjä paljastamalla monimutkaisissa tiedoissa piilomalleja, jotka perinteiset analyysimenetelmät saattavat jäädä huomaamatta, samalla kun edistynyt tekoäly olisi helpommin saavutettavissa organisaatioille, joilla on rajalliset resurssit.

Tekoäly on noussut otsikoihin esseiden kirjoittamisessa, taiteen luomisessa ja jopa lääketieteellisten kokeiden läpäisyssä. Useimmat tekoälyjärjestelmät vaativat kuitenkin edelleen laajaa ihmisen ohjausta toimiakseen tehokkaasti. Kuten opiskelija, joka tarvitsee jatkuvaa opetusta, nykyinen tekoäly perustuu huolellisesti merkittyihin tietoihin ja tarkkoihin sääntöihin oppiessaan. Nyt Sydneyn teknillisen yliopiston tutkijat ovat kehittäneet innovatiivisen lähestymistavan, joka tuo tekoälyn lähemmäksi luonnollista älykkyyttä, jolloin se voi oppia itsenäisesti etsimällä datasta malleja.

”Luonnossa eläimet oppivat tarkkailemalla, tutkimalla ja olemalla vuorovaikutuksessa ympäristönsä kanssa ilman erityisiä ohjeita. Tekoälyn seuraava aalto, “ohjaamaton oppiminen”, pyrkii jäljittelemään tätä lähestymistapaa, sanoo ansioitunut professori CT Lin Sydneyn teknillisestä yliopistosta lausunnossaan.

Heidän menetelmänsä, nimeltään “Torque Clustering” (TC), saa inspiraationsa odottamattomasta lähteestä: tavasta, jolla galaksit sulautuvat avaruudessa. Julkaistu vuonna IEEE-transaktiot kuvioanalyysissä ja koneintelligenssissä, johtava tekoälytutkimuksen aikakauslehti, tämä läpimurto voi muuttua miten tekoälyjärjestelmät oppivat ja paljastaa malleja eri aloilta lääketieteen sairauksien havaitsemisesta taloudellisten petosten paljastamiseen.

“Lähes kaikki nykyiset tekoälytekniikat perustuvat” ohjattuun oppimiseen”, an AI koulutusmenetelmä Tämä edellyttää, että ihminen merkitsee suuria määriä dataa ennalta määritettyjen luokkien tai arvojen avulla, jotta tekoäly voi tehdä ennusteita ja nähdä suhteita”, Lin sanoo.

Tämä merkintäprosessi ei ole vain kallis ja aikaa vievä, vaan se on usein epäkäytännöllinen monimutkaisissa tai suurissa tehtävissä. Harkitse lääketieteellinen tutkimus, jossa tiedemiehillä saattaa olla laajoja tietokantoja potilastietueista, mutta heillä ei ole resursseja jokaisen datan manuaaliseen merkitsemiseen. An AI-järjestelmä TC:n käyttö voi automaattisesti tunnistaa potilaan oireiden, hoitovasteiden ja tulosten mallit ilman esimerkittyjä tietoja. Tämä voi johtaa uuden löytämiseen tauti alatyyppejä tai hoitomenetelmiä, joita perinteiset analyysimenetelmät saattavat jättää huomiotta.

Vastaavasti rahoitusmarkkinoilla TC voisi auttaa havaitsemaan petollinen toiminta tunnistamalla epätavallisia malleja tapahtumatiedoista tarvitsematta esimerkkejä tunnetuista petostapauksista. Algoritmin kyky tunnistaa kuvioita luonnollisesti tekee siitä erityisen arvokkaan skenaarioissa, joissa uusia petoksia ilmaantuu jatkuvasti.

“Vääntömomentin klusteroinnin erottaa sen perusta fyysisessä vääntömomentin käsitteessä, minkä ansiosta se voi tunnistaa klustereita itsenäisesti ja mukautua saumattomasti erilaisiin tietotyyppeihin, joiden muoto, tiheys ja kohinaaste vaihtelevat”, selittää ensimmäinen kirjoittaja Jie Yang. “Se sai inspiraationsa vääntömomentin tasapainosta painovoiman vuorovaikutuksessa, kun galaksit sulautuvat yhteen. Se perustuu kahteen universumin luonnolliseen ominaisuuteen: massaan ja etäisyyteen.

Tutkimusryhmä testasi algoritmiaan 19 muun huippuluokan klusterointimenetelmän kanssa käyttämällä erilaisia ​​tietojoukkoja. TC osoitti huomattavaa monipuolisuutta ja saavutti suurimman tarkkuuden 15:ssä 19 tietojoukosta, joissa tiedettiin oikeat ryhmittelyt. Vielä vaikuttavampaa on, että se määritti automaattisesti oikean ryhmien määrän 15:ssä 20:stä tietojoukosta, mikä yleensä vaatii ihmisen panos.

Algoritmin tehokkuus on validoitu laajalla testauksella 1,000 eri tietojoukolla. Se saavutti keskimääräisen oikaistun keskinäisen tiedon pistemäärän 97.7 %, mikä ylitti merkittävästi muut tekniikan tason mukaiset menetelmät, jotka tyypillisesti saavuttavat 80 %:n alueella.

Lääketieteellisen tutkimuksen lisäksi rahoittaa, TC on lupaava monilla aloilla. Vähittäiskaupassa se voisi auttaa yrityksiä ymmärtämään asiakkaiden käyttäytymismalleja ilman ennalta määritettyjä asiakassegmenttejä. sisään Ympäristötiede, se voisi tunnistaa ilmastotiedoissa malleja, jotka saattavat viitata aiemmin tuntemattomiin ympäristösuhteisiin. varten tietoverkkojen ryhmiä, se voisi havaita uudentyyppiset verkkohyökkäykset tunnistamalla epätavallisia verkkoliikenteen malleja.

Robotiikassa nykyinen robots tarvitsevat yleensä laajaa ohjelmointia ymmärtääkseen ympäristöään ja tehdäkseen päätöksiä. TC voisi auttaa robotteja oppimaan luonnollisemmin ympäristöstään ja sopeutumaan uusiin tilanteisiin ilman erityistä ohjelmointia jokaiseen skenaarioon.

“Viime vuoden fysiikan Nobel-palkinto myönnettiin perustavanlaatuisista löydöistä, jotka mahdollistavat valvotun koneoppiminen keinotekoisten neuroverkkojen kanssa. Valvomattomalla koneoppimisella – vääntömomentin periaatteen inspiroima – voi olla samanlainen vaikutus”, tohtori Yang sanoo.

TC:n kehittäminen on askel kohti autonomisempaa tekoäly järjestelmät. Ihmisten puuttumisen tarpeen vähentäminen oppimisprosessiin voi nopeuttaa tekoälysovelluksia eri toimialoilla samalla, kun edistynyt data-analyysi olisi helpommin saatavilla organisaatioille, joilla on rajalliset resurssit.

Tutkijat ovat tehneet koodistaan ​​avoimen lähdekoodin, jolloin muut tutkijat ja kehittäjät voivat rakentaa töitään. Tämä saavutettavuus voi johtaa teknologian nopeaan käyttöönottoon ja lisäparannuksiin eri aloilla.

Koodi on nyt vapaasti tutkijoiden saatavilla maailmanlaajuisesti, joten Torque Clustering edustaa enemmän kuin vain teknistä edistystä; se osoittaa lupaavan uuden suunnan tekoälyn kehittämiseen. Tämä lähestymistapa voisi auttaa kuromaan umpeen tekoälyn ja luonnollisen älykkyyden välistä kuilua, koska se saa inspiraatiota fyysisistä perusprosesseista sen sijaan, että se yrittäisi jäljitellä ihmisen ajattelua.

Lähde

Artikkelissa kerrotaan Sydneyn teknillisen yliopiston tutkijoiden kehittämästä uudesta “Torque Clustering” -algoritmista, joka mahdollistaa tekoälyn oppimisen ilman ihmisen ohjausta, jäljitellen eläinten luonnollista oppimista.

Väite 1: “Torque Clustering” -algoritmi mahdollistaa tekoälyn oppimisen ilman ihmisen ohjausta.

Artikkelin mukaan “Torque Clustering” (TC) on uusi algoritmi, joka pystyy löytämään kuvioita ja malleja suurista tietomassoista ilman ennalta määriteltyjä luokkia tai ihmisen antamia ohjeita. Tämä mahdollistaa tekoälyn itsenäisen oppimisen ja tiedon jäsentämisen, mikä on merkittävä edistysaskel ohjaamattoman oppimisen alalla.

Väite 2: Algoritmi on saanut inspiraationsa galaksien sulautumisesta avaruudessa.

Artikkelissa kerrotaan, että TC-algoritmin kehittäjät ovat saaneet inspiraationsa siitä, miten galaksit sulautuvat toisiinsa avaruudessa. Tämä luonnonilmiö on tarjonnut mallin algoritmin toiminnalle, jossa tietopisteet ryhmitellään dynaamisesti ilman ulkoista ohjausta.

Väite 3: “Torque Clustering” -algoritmi saavutti 97,7 prosentin tarkkuuden 1 000 eri tietojoukossa.

Artikkelin mukaan TC-algoritmi on testattu laajasti ja se on saavuttanut 97,7 prosentin tarkkuuden analysoidessaan 1 000 erilaista tietojoukkoa. Tämä osoittaa algoritmin tehokkuuden ja potentiaalin monipuolisissa sovelluksissa.

Johtopäätös:

Artikkeli esittelee merkittävän edistysaskeleen tekoälyn ohjaamattomassa oppimisessa “Torque Clustering” -algoritmin muodossa. Tämä algoritmi mahdollistaa tekoälyn itsenäisen oppimisen ilman ihmisen antamia ohjeita, mikä voi johtaa uusiin löytöihin lääketieteen, rahoituksen ja ilmastotieteen aloilla. On kuitenkin tärkeää huomioida, että vaikka artikkeli tarjoaa lupaavia tietoja algoritmin suorituskyvystä, riippumattomia vertaisarvioituja tutkimuksia tarvitaan vahvistamaan nämä väitteet ja arvioimaan algoritmin laajempaa sovellettavuutta.