Новый тип нейронной сети, способной адаптировать свое базовое поведение после начальной фазы обучения, может стать ключом к большим улучшениям в ситуациях, когда условия могут быстро меняться, например, автономное вождение, управление роботами или диагностика заболеваний. Эти так называемые “ жидкие ” нейронные сети были разработаны Рамином Хасани из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института и его командой в CSAIL, и они могут значительно расширить гибкость технологии искусственного интеллекта после фазы обучения, когда они задействованы. в реальных практических выводах, проделанных на местах.
Как правило, после фазы обучения, во время которой алгоритмам нейронной сети предоставляется большой объем соответствующих целевых данных для оттачивания их возможностей вывода и вознаграждается за правильные ответы для оптимизации производительности, они по существу исправляются. Но команда Хасани разработала средство, с помощью которого его «жидкая» нейронная сеть может со временем адаптировать параметры «успеха» в ответ на новую информацию, что означает, что если нейронная сеть, которой поручено восприятие на беспилотном автомобиле, уйдет с чистого неба в сильный снегопад, например, он лучше справляется с изменением обстоятельств и сохраняет высокий уровень производительности.
Основное отличие метода, представленного Хасани и его сотрудниками, заключается в том, что он фокусируется на адаптируемости временных рядов, а это означает, что вместо того, чтобы строиться на обучающих данных, которые по существу состоят из нескольких снимков или статических моментов, фиксированных во времени, Жидкие сети по своей сути рассматривают данные временных рядов или последовательности изображений, а не отдельные срезы.
Из-за того, как система спроектирована, она также более открыта для наблюдения и изучения исследователями по сравнению с традиционными нейронными сетями. Этот вид ИИ обычно называют «черным ящиком», потому что, хотя разработчики алгоритмов знают входные данные и критерии для определения и поощрения успешного поведения, они обычно не могут определить, что именно происходит в нейронных сетях. что ведет к успеху. Эта «жидкая» модель предлагает большую прозрачность и менее затратна, когда дело доходит до вычислений, потому что она полагается на меньшее количество, но более сложных вычислительных узлов.
Между тем, результаты производительности показывают, что это лучше, чем другие альтернативы по точности прогнозирования будущих значений известных наборов данных. Следующий шаг для Хасани и его команды – определить, как лучше всего сделать систему еще лучше и подготовить ее для использования в реальных практических приложениях.