Tím MIT skombinoval algoritmus učenia údajov s hlbokou neurónovou sieťou, ktorá využíva napr.
Aby boli systémy umelej inteligencie odolné voči nekonzistentným údajom, výskumníci sa pokúsili implementovať obranu pod dohľadom.
Neurónová sieť sa tradične učí spájaťkonkrétne štítky alebo akcie s danými vstupmi. Napríklad neurónová sieť, ktorá prijíma tisíce obrázkov označených ako mačky, spolu s obrázkami označenými ako domy a párky v rožku, by mala nový obrázok správne označiť ako mačka.
V robustných systémoch umelej inteligencierovnaké metódy učenia pod dohľadom je možné testovať s čiastočne upravenými verziami obrázku. Ak sieť zasiahne rovnaký štítok - mačka - je veľká šanca, že obrázok a zmení sa, alebo nie, je mačka.
Kriticky používať neurónové sietepri bezpečnostných scenároch sme museli prísť na to, ako robiť rozhodnutia v reálnom čase na základe predpokladov najhoršieho prípadu, vysvetľujú autori článku.
Tím sa preto snažil spoľahnúť na ešte jednéhoforma strojového učenia, ktorá nevyžaduje viazanie označených vstupov na výstupy, ale skôr sa zameriava na zlepšenie určitých činností v reakcii na vstupy. Tento prístup sa bežne používa na učenie počítačov hrať šach a ísť.
Autori sa domnievajú, že nový algoritmus CARRL môže robotom pomôcť bezpečne sa vysporiadať s nepredvídateľnými interakciami v reálnom svete.
Čítaj viac
Fyzici vytvorili analóg čiernej diery a potvrdili Hawkingovu teóriu. Kadiaľ vedie?
Algoritmus objavil novú záhadnú vrstvu vo vnútri Zeme
Vďaka Slnku stratí zemská atmosféra všetok voľný kyslík