تعزيز كفاءة اتخاذ القرارات الذكاء الاصطناعي بما يصل إلى 50 مرة بفضل خوارزمية MIT الجديدة

قام الباحثون في MIT بتطوير خوارزمية تدريب فعالة للذكاء الصناعي، حيث عززوا الأداء من خلال اختيار أفضل المهام، وتحسين صنع القرار، وتقليل تكاليف التدريب.

قدم الباحثون في معهد ماساتشوستس للتكنولوجيا خوارزمية جديدة مصممة لجعل نماذج اتخاذ القرار الذكاء الاصطناعي أكثر كفاءة، خاصة بالنسبة للمهام المعقدة مثل التحكم في حركة المرور في المدن.

يقوم الخوارزمية بتحسين التعلم التقليدي المعزز، الذي غالبًا ما يعاني من التقلبات عبر المهام المختلفة.

يوضح البيان الصحفي لـ MIT على سبيل المثال، أن النموذج الذكاء الاصطناعي المدرب للتحكم في حركة المرور في تقاطع واحد قد يفشل عند تطبيقه على تقاطعات أخرى ذات أنماط مرور مختلفة، أو عدد من الحارات، أو حدود السرعة.

المنهج الجديد، المعروف بـ “التعلم النقلي المبني على النموذج” (MBTL)، يُختار بإستراتيجية مجموعة فرعية من المهام لتدريب الوكيل الذكاء الصناعي، مركزًا على تلك التي ستقدم أكبر تحسينات ملحوظة في الأداء.

من خلال تضييق نطاق التدريب، يقلل هذا الأسلوب من البيانات والموارد الحسابية المطلوبة مع تعزيز كفاءة عملية التعلم، بحسب ما ذكره MIT.

أظهرت أبحاث الفريق، التي ستعرض في مؤتمر أنظمة معالجة المعلومات العصبية، أن الـMBTL كان بين خمسة و 50 مرة أكثر كفاءة من الأساليب القياسية.

“تمكنا من رؤية تحسينات أداء مدهشة، باستخدام خوارزمية بسيطة للغاية، من خلال التفكير خارج الصندوق،” قالت كاثي وو، المؤلفة الرئيسية والأستاذة المشاركة في MIT.

“يحتمل أن يتم اعتماد خوارزمية غير معقدة بشكل كبير من قِبل المجتمع لأنها أسهل في التنفيذ وأسهل للآخرين في الفهم.”

عادةً، يتم تدريب نماذج الذكاء الصناعي لمهام مثل التحكم في حركة المرور بأحد الطريقتين: إما باستخدام البيانات من جميع المهام، أو تدريب نماذج منفصلة لكل مهمة.

توضح MIT أن كلا الأسلوبين لديهما عيوب – يتطلب تدريب النماذج المنفصلة كميات ضخمة من البيانات، بينما يؤدي التدريب على جميع المهام غالبًا إلى أداء غير متميز.

تجد طريقة الباحثين نقطة توازن، من خلال تدريب خوارزمية على مجموعة فرعية أصغر من المهام التي يتم اختيارها بطريقة استراتيجية لتحقيق الأداء الأمثل عبر جميع المهام.

تستخدم MBTL التعلم بدون رصاصة ، وهو مفهوم يتضمن تطبيق نموذج تم تدريبه على مهمة واحدة على مهام مشابهة دون إعادة التدريب.

توضح MIT أن هذه الطريقة تقدر مدى أداء النموذج في المهام التي لم يتم تدريبه عليها مباشرة، وبالتالي اختيار المهام التي ستحسن التعميم العام.

“بزيادة كفاءة تصل إلى 50 ضعفًا، يمكن لخوارزمية MBTL التدريب على مهمتين فقط وتحقيق نفس الأداء الذي يحققه الأسلوب القياسي الذي يستخدم بيانات من 100 مهمة”، كما أوضحت وو.

هذا النهج يقلل بشكل كبير من كمية البيانات المطلوبة للتدريب، مما يحسن من سرعة وكفاءة التكلفة لتطوير نماذج الذكاء الاصطناعي لاتخاذ القرارات المعقدة، وفقًا لمعهد MIT.

نظرًا للمستقبل، يخطط الفريق لتحسين طريقة MBTL لأنظمة أكثر تعقيدًا وتطبيقات في العالم الحقيقي، مثل أنظمة الحركة المتقدمة للجيل القادم.