Chuyện gì đã xảy ra
Các nhà nghiên cứu của MIT đã phát triển HardFlow, một thuật toán theo thời gian triển khai cho các mô hình AI tổng quát hoạt động theo các yêu cầu về an toàn, vật lý hoặc nhiệm vụ cụ thể không thể thương lượng. Phương pháp này cho phép các bước tạo trung gian tự do hơn, sau đó điều khiển đầu ra cuối cùng để đáp ứng các ràng buộc cứng. MIT báo cáo các thử nghiệm về thao tác bằng robot, điều hướng trong mê cung và chỉnh sửa hình ảnh theo hướng dẫn bằng văn bản, trong đó HardFlow đáp ứng các ràng buộc bắt buộc và vượt trội hơn các phương pháp cơ bản về các thước đo chất lượng giải pháp.
Kỹ thuật này tái định nghĩa việc lấy mẫu bị ràng buộc cứng như một bài toán tối ưu hóa quỹ đạo bằng các phương pháp điều khiển tối ưu. Thay vì buộc mọi mẫu trung gian phải đáp ứng các ràng buộc, HardFlow điều khiển quỹ đạo tạo và yêu cầu đầu ra cuối cùng phải khả thi. Các nhà nghiên cứu cho biết điều này mang lại nhiều tự do hơn trong quá trình tạo ra và cho phép thực hiện các mục tiêu bổ sung, chẳng hạn như giảm thiểu độ dài đường đi của robot.
Nguồn tin cho biết nhóm đã sử dụng cấu trúc của các mô hình khớp luồng để chia bài toán tối ưu hóa lớn thành các bài toán con một bước nhỏ hơn. Báo cáo cho thấy HardFlow đã đạt được sự hài lòng về hạn chế hoàn hảo qua các thử nghiệm về thao tác bằng robot, điều hướng trong mê cung và chỉnh sửa hình ảnh theo hướng dẫn bằng văn bản, đồng thời luôn vượt trội so với các phương pháp cơ bản về các thước đo chất lượng giải pháp. Nguồn tin cũng cho biết thời gian tính toán của nó tương đương hoặc thấp hơn hầu hết các phương pháp cạnh tranh. Không có kết quả bằng số, đường cơ sở được đặt tên, phát hành mã hoặc chi tiết truy cập mô hình nào được cung cấp.
Chi tiết nguồn: news.mit.edu ↗
Tại sao nó quan trọng
Các mô hình sáng tạo gần như chính xác vẫn có thể không an toàn trong các cài đặt như điều hướng robot xung quanh người hoặc máy móc. HardFlow giải quyết vấn đề triển khai trọng tâm: thực thi các ràng buộc mà không hạn chế một cách không cần thiết việc tìm kiếm giải pháp tốt hơn của mô hình. Nếu kết quả được báo cáo khái quát hóa, phương pháp này có thể giúp các nhóm sử dụng các mô hình tổng quát đã được huấn luyện trước trong các ứng dụng đòi hỏi cả tính khả thi và tối ưu hóa, chẳng hạn như tránh va chạm kết hợp với quỹ đạo robot ngắn hơn. Nguồn không thiết lập hiệu suất sản xuất trong thế giới thực, xác nhận độc lập hoặc tính sẵn có rộng rãi.
Vấn đề thực tế là chỉ đáp ứng các yêu cầu về an toàn có thể tạo ra kết quả không hiệu quả hoặc kém, trong khi việc tối ưu hóa chất lượng mà không thực thi nghiêm ngặt có thể tạo ra những thất bại không thể chấp nhận được. Các ví dụ của MIT trình bày sự cân bằng thông qua việc lập kế hoạch đường đi cho robot: một đường đi gần như tránh được chướng ngại vật vẫn có thể gây ra va chạm, trong khi một phương pháp bị ràng buộc chặt chẽ có thể tìm được đường đi dài hơn nhiều.
HardFlow được mô tả là plug-and-play và có thể sử dụng được tại thời điểm triển khai với các mô hình tổng quát được huấn luyện trước, điều này có thể làm giảm nhu cầu đào tạo lại khi có ràng buộc mới. Đó là tuyên bố từ nguồn, không phải là kết quả được xác lập độc lập. Bài viết không nêu rõ yêu cầu triển khai, cấp phép, phần cứng được hỗ trợ hay liệu các tổ chức ngoài nhóm nghiên cứu có thể sử dụng phương pháp này hay không.
Cơ chế tương tác: Nó thực sự hoạt động như thế nào
Khám phá công nghệ cơ bản đằng sau sự phát triển này một cách tương tác.
Which component of an AI application is the machine-learning model itself?
Xem gì tiếp theo
Các câu hỏi mở chính là liệu HardFlow có được cung cấp công khai hay không, những mô hình được huấn luyện trước và loại ràng buộc nào mà nó hỗ trợ trong thực tế và chi phí tính toán của nó thay đổi như thế nào với các hệ thống lớn hơn hoặc môi trường phức tạp hơn. Công việc tiếp theo có thể cho phép mô hình cơ bản được cập nhật cùng với việc thực thi ràng buộc. Sẽ cần có bằng chứng triển khai và thử nghiệm độc lập để xác định xem liệu kết quả được báo cáo có vượt quá các thử nghiệm của nguồn hay không.
Theo nguồn tin, nghiên cứu này xuất hiện trong IEEE Transactions on Pattern Analysis and Machine Intelligence. Công việc tiếp theo dự kiến sẽ kiểm tra các cài đặt trong đó mô hình AI có thể được cập nhật, có khả năng cải thiện cả sự hài lòng về hạn chế và chất lượng đầu ra theo thời gian.
Những ẩn số quan trọng bao gồm hiệu suất trên các robot vật lý bên ngoài các thí nghiệm được kiểm soát, hành vi trong điều kiện thông tin môi trường không đầy đủ hoặc thay đổi, các loại ràng buộc cứng có thể được mã hóa một cách đáng tin cậy và mở rộng sang các mạng thần kinh lớn hơn. Nguồn không cung cấp thông tin về giá cả hoặc quyền truy cập thương mại và không báo cáo sự sao chép độc lập hoặc chứng nhận an toàn.