自動運転、ロボットの制御、病状の診断など、状態が急速に変化する可能性のある状況では、最初のトレーニング段階の後に基本的な動作を適応させることができる新しいタイプのニューラルネットワークが大きな改善の鍵となる可能性があります。 これらのいわゆる 「液体」ニューラルネットワーク MITコンピューター科学人工知能研究所のRaminHasaniとCSAILの彼のチームによって考案されたものであり、トレーニング段階の後、実際の推論作業に従事するときに、AIテクノロジーの柔軟性を大幅に拡大する可能性があります。フィールド。
通常、ニューラルネットワークアルゴリズムに推論機能を磨くために大量の関連するターゲットデータが提供され、パフォーマンスを最適化するために正しい応答に対して報酬が与えられるトレーニングフェーズの後、それらは本質的に修正されます。 しかし、Hasaniのチームは、彼の「液体」ニューラルネットが新しい情報に応じて時間の経過とともに「成功」のパラメーターを適応できる手段を開発しました。つまり、自動運転車の知覚を任務とするニューラルネットが晴天から出た場合です。たとえば、大雪の中では、状況の変化に対処し、高いレベルのパフォーマンスを維持することができます。
Hasaniと彼の共同研究者によって導入された方法の主な違いは、時系列の適応性に焦点を当てていることです。つまり、基本的に多数のスナップショットまたは時間的に固定された静的モーメントで構成されるトレーニングデータに基づいて構築されるのではなく、液体ネットワークは本質的に時系列データ、または孤立したスライスではなく画像のシーケンスを考慮します。
システムの設計方法により、従来のニューラルネットワークと比較した場合、実際には研究者による観察や研究に対してよりオープンです。 この種のAIは通常、「ブラックボックス」と呼ばれます。これは、アルゴリズムを開発している人は、正常な動作を決定および奨励するための入力と基準を知っていますが、ニューラルネットワーク内で何が起こっているのかを正確に判断できないためです。それが成功につながります。 この「流動的な」モデルは、そこでより透明性を提供し、コンピューティングに関しては、より少ないがより洗練されたコンピューティングノードに依存するため、コストが低くなります。
一方、パフォーマンスの結果は、既知のデータセットの将来の値を正確に予測するために他の選択肢よりも優れていることを示しています。 Hasaniと彼のチームの次のステップは、システムをさらに改善する最善の方法を決定し、実際の実用的なアプリケーションで使用できるようにすることです。
