Роботы обучают других роботов — это уже не научная фантастика
В мире, где каждый обладает своей уникальной областью знаний, обмен информацией может быть поистине ценным опытом. Исследователи задались вопросом: возможно ли применить этот принцип к машинам, чтобы роботы могли обучать друг друга?
Команда ученых известного профессора компьютерных наук Лорана Итти и его студента Юнхао Гэ решила исследовать эту интригующую идею. Их работа, опубликованная в журнале Transactions on Machine Learning Research, привела к поразительному открытию — роботы действительно могут обучать других роботов.
Исследователи представили свое творение под названием SKILL (Shared Knowledge Lifelong Learning). SKILL использует уникальный метод, позволяющий искусственному интеллекту решать различные задачи. Они провели эксперименты, включающие категоризацию изображений автомобилей, классификацию цветов и анализ рентгенограмм грудной клетки. Агенты ИИ, используя SKILL, обучились решать эти задачи и поделились своими знаниями по децентрализованной сети, что позволило им освоить все 102 задачи.
Это исследование открывает новую перспективу в области непрерывного обучения (LL) в рамках машинного обучения. Текущие исследования в основном сосредоточены на последовательном обучении одного агента ИИ, что является медленным процессом. SKILL предлагает набор алгоритмов, которые позволяют нескольким агентам учиться одновременно. Исследователи обнаружили, что когда 102 агента изучают задачу и обмениваются знаниями, время обучения сокращается в 101,5 раза.
Профессор Итти объясняет, что традиционный подход заключается в том, чтобы собрать все данные и обучить ИИ на основе этих данных. Однако они стремятся создать агентов ИИ, которые могут продолжать учиться после открытия чего-то нового. Он считает, что непрерывное обучение может революционизировать многие аспекты нашей жизни и создать взаимосвязанное, интеллектуальное и эффективное глобальное сообщество.
Это только начало, и ученым предстоит проверить этот новый подход на еще большем количестве задач. Они надеются, что их исследование может быть масштабировано до тысяч или миллионов задач, открывая новые возможности для развития и прогресса в области машинного обучения.