Nov algoritem obeta cenejše, natančnejše in hitrejše modele umetne inteligence

Skupina raziskovalcev je uspešno rešila eno izmed temeljnih težav strojnega učenja. To jim je uspelo doseči z razvojem prve metode za obravnavo simetričnih podatkov, ki je dokazano učinkovita tako z vidika računalniških virov kot potreb po podatkih. Eden glavnih izzivov je namreč ta, da umetna inteligenca simetrije pogosto ne prepozna, na primer, zasukane molekule lahko razume kot popolnoma nov objekt.

»Simetrije so naravni namigi o strukturi podatkov. Zdaj smo dokazali, da lahko z njimi učinkovito upravljamo v strojnih modelih,« pravi Behrooz Tahmasebi, doktorski študent na MIT in soavtor raziskave. Čeprav obstoječi modeli, kot so grafne nevronske mreže, že deloma razumejo simetrije, razlogi za njihovo učinkovitost še niso povsem znani. Ekipa z MIT pa je ubrala drugačen pristop in uporabila algebrske ter geometrijske koncepte, da bi ustvarila algoritem, ki se simetrij nauči in jim sledi.

Ta nova metoda potrebuje manj učnih primerov, kar pomeni boljšo natančnost in večjo prilagodljivost modelov umetne inteligence. Raziskovalci verjamejo, da bi njihovo delo lahko v bližnji prihodnosti privedlo do razvoja zmogljivejših in energetsko manj potratnih AI modelov, in sicer z aplikacijami na področju materialov, astronomije in podnebnih analiz. Raziskava je bila predstavljena na konferenci ICML. Kdaj bo nova metoda zaživela v praksi, pa trenutno še ni znano.