MIT komanda duomenų mokymosi algoritmą sujungė su giliu neuroniniu tinklu, kuris naudoja pvz.
Kad dirbtinio intelekto sistemos būtų atsparios nenuosekliems duomenims, mokslininkai bandė įdiegti prižiūrimas mokymosi apsaugos priemones.
Tradiciškai neuroninis tinklas mokosi jungtiskonkrečios etiketės ar veiksmai su nurodytomis įvestimis. Pavyzdžiui, neuroninis tinklas, gaunantis tūkstančius vaizdų, pažymėtų kaip katės, kartu su vaizdais, pažymėtais kaip namai ir dešrelės, turėtų teisingai paženklinti naują vaizdą kaip katė.
Tvirtose dirbtinio intelekto sistemose tietuos pačius prižiūrimus mokymosi metodus galima išbandyti iš dalies pakeistomis vaizdo versijomis. Jei tinklas pasiekia tą patį ženklą - katę, yra didelė tikimybė, kad vaizdas ir pasikeis, ar ne.
Naudoti neuroninius tinklus kritiniais atvejaisSaugumo scenarijus turėjome išsiaiškinti, kaip priimti sprendimus realiuoju laiku, remiantis blogiausio atvejo prielaidomis, aiškina straipsnio autoriai.
Todėl komanda siekė pasikliauti dar vienumašininio mokymosi forma, kuri nereikalauja susieti pažymėtų įvesties rezultatų ir greičiau siekiama sustiprinti tam tikrus veiksmus atsižvelgiant į įvestį. Šis metodas dažniausiai naudojamas mokant kompiuterius žaisti šachmatais ir „Go“.
Autoriai mano, kad naujasis CARRL algoritmas galėtų padėti robotams saugiai susidoroti su nenuspėjama sąveika realiame pasaulyje.
Skaityti daugiau
Fizikai sukūrė juodosios skylės analogą ir patvirtino Hawkingo teoriją. Kur jis veda?
Algoritmas atrado naują paslaptingą sluoksnį Žemės viduje
Dėl Saulės Žemės atmosfera praras visą laisvą deguonį