Τι έγινε
Οι ερευνητές του MIT ανέπτυξαν το HardFlow, έναν αλγόριθμο χρόνου ανάπτυξης για παραγωγικά μοντέλα τεχνητής νοημοσύνης που λειτουργούν υπό αδιαπραγμάτευτες απαιτήσεις ασφάλειας, φυσικών ή ειδικών εργασιών. Η μέθοδος επιτρέπει στα βήματα της ενδιάμεσης παραγωγής περισσότερη ελευθερία και, στη συνέχεια, κατευθύνει την τελική έξοδο για να ικανοποιήσει σκληρούς περιορισμούς. Το MIT αναφέρει πειράματα σε ρομποτικό χειρισμό, πλοήγηση με λαβύρινθο και επεξεργασία εικόνας καθοδηγούμενη από κείμενο, όπου το HardFlow πληρούσε τους απαιτούμενους περιορισμούς και ξεπέρασε τις βασικές μεθόδους σε σχέση με τα μέτρα ποιότητας λύσης.
Η τεχνική επαναδιατυπώνει τη δειγματοληψία με σκληρούς περιορισμούς ως πρόβλημα βελτιστοποίησης τροχιάς χρησιμοποιώντας μεθόδους βέλτιστου ελέγχου. Αντί να υποχρεώνει κάθε ενδιάμεσο δείγμα να πληροί τους περιορισμούς, το HardFlow κατευθύνει την τροχιά παραγωγής και απαιτεί να είναι εφικτή η τελική έξοδος. Οι ερευνητές λένε ότι αυτό διατηρεί περισσότερη ελευθερία κατά τη διάρκεια της παραγωγής και επιτρέπει πρόσθετους στόχους, όπως η ελαχιστοποίηση του μήκους διαδρομής ενός ρομπότ.
Η πηγή λέει ότι η ομάδα χρησιμοποίησε τη δομή των μοντέλων αντιστοίχισης ροής για να σπάσει το μεγάλο πρόβλημα βελτιστοποίησης σε μικρότερα υποπροβλήματα ενός βήματος. Αναφέρει ότι το HardFlow πέτυχε τέλεια ικανοποίηση περιορισμών σε πειράματα σε ρομποτικό χειρισμό, πλοήγηση με λαβύρινθο και επεξεργασία εικόνας καθοδηγούμενη από κείμενο, ενώ ξεπερνούσε σταθερά τις βασικές μεθόδους όσον αφορά τα μέτρα ποιότητας λύσης. Η πηγή λέει επίσης ότι ο χρόνος υπολογισμού του ήταν συγκρίσιμος ή χαμηλότερος από αυτόν των περισσότερων ανταγωνιστικών μεθόδων. Δεν παρέχονται αριθμητικά αποτελέσματα, ονομασμένες γραμμές βάσης, έκδοση κώδικα ή λεπτομέρειες πρόσβασης μοντέλου.
Στοιχεία πηγής: news.mit.edu ↗
Γιατί έχει σημασία
Τα μοντέλα παραγωγής που είναι σχεδόν σωστά μπορεί να εξακολουθούν να μην είναι ασφαλή σε ρυθμίσεις όπως η πλοήγηση ρομπότ γύρω από ανθρώπους ή μηχανές. Το HardFlow αντιμετωπίζει ένα κεντρικό πρόβλημα ανάπτυξης: επιβολή περιορισμών χωρίς να περιορίζει άσκοπα την αναζήτηση του μοντέλου για καλύτερες λύσεις. Εάν τα αναφερόμενα αποτελέσματα γενικευθούν, η μέθοδος θα μπορούσε να βοηθήσει τις ομάδες να χρησιμοποιήσουν προεκπαιδευμένα μοντέλα παραγωγής σε εφαρμογές που απαιτούν σκοπιμότητα και βελτιστοποίηση, όπως η αποφυγή σύγκρουσης σε συνδυασμό με μικρότερες τροχιές ρομπότ. Η πηγή δεν καθορίζει την απόδοση παραγωγής σε πραγματικό κόσμο, την ανεξάρτητη επικύρωση ή την ευρεία διαθεσιμότητα.
Το πρακτικό ζήτημα είναι ότι η ικανοποίηση των απαιτήσεων ασφαλείας από μόνη της μπορεί να παράγει ένα αναποτελεσματικό ή άλλως κακό αποτέλεσμα, ενώ η βελτιστοποίηση της ποιότητας χωρίς αυστηρή επιβολή μπορεί να προκαλέσει απαράδεκτες αστοχίες. Τα παραδείγματα του MIT πλαισιώνουν την αντιστάθμιση μέσω του σχεδιασμού διαδρομής ρομπότ: ένα μονοπάτι που σχεδόν αποφεύγει ένα εμπόδιο μπορεί να προκαλέσει σύγκρουση, ενώ μια πολύ περιορισμένη μέθοδος μπορεί να βρει μια πολύ μεγαλύτερη διαδρομή.
Το HardFlow περιγράφεται ως plug-and-play και μπορεί να χρησιμοποιηθεί κατά το χρόνο ανάπτυξης με προεκπαιδευμένα μοντέλα παραγωγής, τα οποία θα μπορούσαν να μειώσουν την ανάγκη για επανεκπαίδευση όταν εισάγεται ένας νέος περιορισμός. Αυτός είναι ένας ισχυρισμός από την πηγή, όχι ένα ανεξάρτητο αποτέλεσμα. Το άρθρο δεν προσδιορίζει απαιτήσεις υλοποίησης, αδειοδότηση, υποστηριζόμενο υλικό ή εάν οργανισμοί εκτός της ερευνητικής ομάδας μπορούν να χρησιμοποιήσουν τη μέθοδο τώρα.
Διαδραστικός Μηχανισμός: Πώς λειτουργεί στην πραγματικότητα
Εξερευνήστε την υποκείμενη τεχνολογία πίσω από αυτήν την εξέλιξη διαδραστικά.
Which component of an AI application is the machine-learning model itself?
Τι να παρακολουθήσετε στη συνέχεια
Τα βασικά ανοιχτά ερωτήματα είναι εάν το HardFlow είναι διαθέσιμο στο κοινό, ποια προεκπαιδευμένα μοντέλα και τύπους περιορισμών υποστηρίζει στην πράξη και πώς αλλάζει το υπολογιστικό του κόστος με μεγαλύτερα συστήματα ή πιο πολύπλοκα περιβάλλοντα. Περαιτέρω εργασία μπορεί να επιτρέψει την ενημέρωση του υποκείμενου μοντέλου παράλληλα με την επιβολή περιορισμών. Θα χρειαστούν ανεξάρτητες αποδείξεις δοκιμών και ανάπτυξης για να καθοριστεί εάν τα αναφερόμενα αποτελέσματα μεταφέρονται πέρα από τα πειράματα της πηγής.
Η έρευνα εμφανίζεται στο IEEE Transactions on Pattern Analysis and Machine Intelligence, σύμφωνα με την πηγή. Οι εργασίες παρακολούθησης αναμένεται να εξετάσουν τις ρυθμίσεις όπου το ίδιο το μοντέλο τεχνητής νοημοσύνης μπορεί να ενημερωθεί, βελτιώνοντας ενδεχομένως τόσο την ικανοποίηση των περιορισμών όσο και την ποιότητα παραγωγής με την πάροδο του χρόνου.
Σημαντικά άγνωστα περιλαμβάνουν την απόδοση σε φυσικά ρομπότ εκτός ελεγχόμενων πειραμάτων, τη συμπεριφορά υπό ελλιπείς ή μεταβαλλόμενες περιβαλλοντικές πληροφορίες, τα είδη σκληρών περιορισμών που μπορούν να κωδικοποιηθούν αξιόπιστα και την κλιμάκωση σε μεγαλύτερα νευρωνικά δίκτυα. Η πηγή δεν παρέχει πληροφορίες τιμολόγησης ή εμπορικής πρόσβασης και δεν αναφέρει ανεξάρτητη αναπαραγωγή ή πιστοποίηση ασφάλειας.