2025. 02. 14. - 08:20
Hoppá: jön a mesterséges intelligencia felügyelet nélküli tanulása?
Új mesterséges intelligencia-algoritmust fejlesztettek ki a kutatók, amely a jelenlegi módszereknél jóval közelebb áll a természetes intelligenciához.
Közel a természetes intelligencia, amely mesterséges intelligencia eredménye?
A kutatók kifejlesztettek egy új mesterséges intelligencia (MI) algoritmust, a Torque Clustering-et, amely sokkal közelebb áll a természetes intelligenciához, mint a jelenlegi módszerek.
Jelentősen javítja, ahogyan az MI-rendszerek önállóan, emberi irányítás nélkül tanulják meg és fedezik fel az adatok mintázatait.
Hogyan juthat ide a mesterséges intelligencia?
A nyomatékcsoportosítás hatékonyan és önállóan elemezhet hatalmas mennyiségű adatot olyan területeken, mint a biológia, a kémia, a csillagászat, a pszichológia, a pénzügy és az orvostudomány, új felismeréseket tárva fel - így például a betegségek mintázatainak felderítését, a csalások feltárását vagy a viselkedés megértését.
„A természetben az állatok úgy tanulnak, hogy megfigyelik, felfedezik és interakcióba lépnek környezetükkel, kifejezett utasítások nélkül. A mesterséges intelligencia következő hulláma, a felügyelet nélküli tanulás ezt a megközelítést kívánja utánozni" – mondta el CT Lin, a Sydney-i Műszaki Egyetem (UTS) kiváló professzora.
Hozzátette: szinte az összes jelenlegi mesterséges intelligencia-technológia a „felügyelt tanulásra” támaszkodik – vagyis egy MI-képzési módszerre, amelyhez nagy mennyiségű adatot kell előre meghatározott kategóriák vagy értékek segítségével felcímkézni, hogy a mesterséges intelligencia előrejelzéseket készíthessen és kapcsolatokat lásson. Olvasd el: Új szintet lépett a mesterséges intelligencia - Emberszintű intelligenciát ért el az OpenAI
Előbb-utóbb természetes intelligenciát produkál a mesterséges intelligencia?
„A felügyelt tanulásnak számos korlátja van. Az adatok címkézése költséges, időigényes és gyakran nem praktikus összetett vagy nagy léptékű feladatokhoz. A felügyelet nélküli tanulás ezzel szemben címkézett adatok nélkül működik, feltárva az adatkészletekben rejlő struktúrákat és mintákat” – magyarázta a professzor.
Torque Clustering algoritmus a felügyelet nélküli tanuláshoz
A Torque Clustering módszert részletező tanulmány az IEEE Transactions on Pattern Analysis and Machine Intelligence folyóiratban jelent meg.
A Torque Clustering algoritmus felülmúlja a hagyományos, felügyelet nélküli tanulási módszereket, potenciális paradigmaváltást kínálva. Teljesen autonóm, paramétermentes és rendkívüli számítási hatékonysággal képes nagy adathalmazokat feldolgozni.
A kutatók szigorú teszteket végeztek vele ezer különböző adathalmazon: 97,7 százalékos átlagos korrigált kölcsönös információs (AMI) pontszámot értek el, amely a klaszterezési eredmények mérőszáma. Összehasonlításképpen, a többi korszerű módszer csak 80 százalékpontra képes.
„A Torque Clustering-et az különbözteti meg mástól, hogy a nyomaték fizikai koncepciójában van megalapozva, lehetővé téve a klaszterek autonóm azonosítását és zökkenőmentesen alkalmazkodva a különböző adattípusokhoz, amelyek változó formájúak, sűrűségűek és zajszintűek” - mondta dr. Jie Yang, a tanulmány első szerzője.
Hozzátette: a tavalyi fizikai Nobel-díjat olyan alapvető felfedezésekért ítélték oda, amelyek lehetővé teszik a felügyelt gépi tanulást mesterséges neurális hálózatokkal.
A felügyelt gépi tanulás – amelyet amelyet a nyomaték elve ihletett – hasonló hatást fejthet ki.
A nyomaték klaszterezés támogathatja az általános mesterséges intelligencia fejlesztését, különösen a robotikában és az autonóm rendszerekben – azzal, hogy segíti a mozgás, az irányítás és a döntéshozatal optimalizálását.
Úgy tervezték, hogy újradefiniálja a felügyelet nélküli tanulás környezetét, megnyitva az utat a valóban autonóm mesterséges intelligencia felé. A nyílt forráskódú kódot elérhetővé tették a kutatók számára.
B.A.
