Naukowcy z University of Technology Sydney przedstawili nową metodę uczenia sztucznej inteligencji opartą na technice o hermetycznej nazwie „klasteryzacja momentowa” (ang. torque clustering).

Jak tłumaczą, podejście to jest dużo bardziej zbliżone do działania naturalnej inteligencji niż obecnie rozwijane metody. Nowy algorytm dużo lepiej radzi sobie z uczeniem się i odkrywaniem różnorodnych wzorców niezależnie - bez nadzoru człowieka.

Potrafi autonomicznie analizować potężne ilości danych z różnych dziedzin – np. biologii, chemii, astronomii, psychologii, finansów czy medycyny.

"Niemal wszystkie obecne technologie SI opierają się na >uczeniu nadzorowanym<. To metoda uczenia sztucznej inteligencji, która wymaga oznakowania potężnej ilości danych przez człowieka, przy użyciu predefiniowanych kategorii czy wartości, tak aby SI mogła dokonywać przewidywań i dostrzegać różne powiązania" – wyjaśnia prof. CT Lin, autor publikacji, która ukazała się w piśmie „IEEE Transactions on Pattern Analysis and Machine Intelligence”.

„Uczenie nadzorowane ma pewne ograniczenia. Oznaczanie danych jest kosztowne, czasochłonne i często niepraktyczne w przypadku złożonych lub dużych zadań. Z kolei uczenie nienadzorowane działa bez oznaczania danych, odkrywając wewnętrzne struktury i wzorce w zbiorach informacji” – dodaje.

Naukowcy tłumaczą, że metodę torque clustering wyróżnia jej zakotwiczenie w fizycznym pojęciu momentu siły, co pozwala mu autonomicznie identyfikować klastry danych i płynnie dostosowywać się do różnych typów i jakości informacji.

„Metoda jest inspirowana równowagą momentu obrotowego w oddziaływaniach grawitacyjnych zachodzących podczas łączenia się galaktyk. Opiera się na dwóch naturalnych właściwościach wszechświata: masie i odległości. To powiązanie z fizyką dodaje tej metodzie fundamentalną warstwę naukowego znaczenia” – tłumaczy jeden z naukowców, dr Jie Yang.

„Zeszłoroczna Nagroda Nobla w dziedzinie fizyki została przyznana za przełomowe odkrycia umożliwiające nadzorowane uczenie maszynowe z wykorzystaniem sztucznych sieci neuronowych. Nienadzorowane uczenie maszynowe – inspirowane zasadą momentu obrotowego – ma potencjał, by wywrzeć podobny wpływ” – powiedział dr Yang, współautor publikacji.

Według badaczy oparte na klasteryzacji momentowej algorytmy mogą przynieść jeszcze większe korzyści. Ich zdaniem mogą wspierać rozwój ogólnej sztucznej inteligencji stosowanej szczególnie w robotyce i systemach autonomicznych, pomagając w optymalizacji ruchu, kontroli i podejmowaniu decyzji.

„Metoda ma szansę na nowo zdefiniować krajobraz uczenia nienadzorowanego, torując drogę do naprawdę autonomicznej sztucznej inteligencji” – twierdzą.

Marek Matacz (PAP)

mat/ agt/