Аналитика
Новиот алгоритам за вештачка интелигенција наречен Torque Clustering, развиен од истражувачи од Технолошкиот универзитет во Сиднеј иновативен пристап кој ја приближува вештачката интелигенција до природната интелигенција, овозможувајќи ѝ да учи самостојно со наоѓање обрасци во податоците. Алгоритамот е инспириран од тоа како галаксиите се спојуваат во вселената, може да најде обрасци во податоците без човечко водство. Постигна точност од 97,7% во 1.000 различни групи на податоци.
За разлика од сегашната вештачка интелигенција која бара обемни податоци означени од страна на луѓе за обука, ова откритие им овозможува на компјутерите самостојно да учат, слично на тоа како животните природно ја набљудуваат и разбираат нивната околина.
Алгоритмот би можел да ги забрза откритијата во медицината, финансиите, климатските науки и други области со откривање скриени обрасци во сложени податоци што традиционалните методи на анализа би можеле да ги пропуштат, а истовремено да ја направи напредната вештачка интелигенција подостапна за организациите со ограничени ресурси.
„Во природата, животните учат преку набљудување, истражување и интеракција со нивната околина, без експлицитни упатства. Следниот бран на вештачка интелигенција, „учење без надзор“ има за цел да го имитира овој пристап“, вели угледниот професор КТ Лин од Универзитетот за технологија во Сиднеј во изјавата.
Нивниот метод, наречен „Torque Clustering“ (TC), црпи инспирација од неочекуван извор: начинот на кој галаксиите се спојуваат во вселената. Објавено во IEEE Transactions on Pattern Analysis and Machine Intelligence, водечко списание за истражување на вештачка интелигенција, ова откритие би можело да го трансформира начинот на кој системите за вештачка интелигенција учат и откриваат обрасци низ различни области, од откривање на обрасци на болести во медицината до откривање финансиска измама.
„Речиси сите актуелни технологии за вештачка интелигенција се потпираат на „надгледувано учење“, метод за обука за вештачка интелигенција кој бара големи количини на податоци да бидат етикетирани од човек со претходно дефинирани категории или вредности, за да може вештачката интелигенција да прави предвидувања и да ги гледа врските“, вели Лин.
Овој процес на етикетирање не само што е скап и одзема време, туку честопати е непрактичен за сложени или големи задачи.
ПРИМЕНА НА TORQUE CLUSTERING
Голем е неговиот потенцијал за примена во медицинските истражувања, каде што научниците би можеле да имаат огромни бази на податоци за евиденција на пациенти, но немаат ресурси за рачно етикетирање на секој податок. Систем за вештачка интелигенција што користи TC може автоматски да ги идентификува шемите на симптомите на пациентот, одговорите на третманот и исходите без да бара претходно означени податоци. Ова би можело да доведе до откривање на нови подтипови на болести или пристапи за третман кои би можеле да бидат пропуштени од традиционалните методи на анализа.
Слично на тоа, на финансиските пазари, ТК може да помогне во откривањето на измамнички активности со идентификување на невообичаени обрасци во податоците за трансакциите без да се потребни примери на познати случаи на измами. Способноста на алгоритмот да препознава обрасци природно го прави особено вреден во сценарија каде постојано се појавуваат нови видови измами.
Истражувачкиот тим го тестираше нивниот алгоритам против 19 други најсовремени методи за кластерирање користејќи разновиден опсег на збирки на податоци. TC покажа извонредна разновидност, постигнувајќи најголема точност на 15 од 19 сетови на податоци каде што беа познати точните групирања. Уште поимпресивно, тој автоматски го одредуваше точниот број на групи во 15 од 20 збирки на податоци, задача која обично бара човечки придонес.
Ефективноста на алгоритмот е потврдена преку опширно тестирање на 1.000 различни групи на податоци. Постигна просечен приспособен резултат за взаемни информации од 97,7%, значително надминувајќи ги другите најсовремени методи кои обично постигнуваат резултати во опсегот од 80%.
Надвор од медицинските истражувања и финансиите, ТЦ покажува можности за примена во многу области. Во малопродажбата, може да им помогне на бизнисите да ги разберат моделите на однесување на клиентите без претходно дефинирани сегменти на клиенти. Во науката за животната средина, може да се идентификуваат обрасци во податоците за климата што може да укажуваат на претходно непознати односи со животната средина. За тимовите за сајбер безбедност, тој би можел да открие нови типови мрежни напади со препознавање на невообичаени обрасци во мрежниот сообраќај.
Во роботиката, на сегашните роботи обично им е потребно опширно програмирање за да ја разберат нивната околина и да донесуваат одлуки. TC може да им помогне на роботите да научат поприродно за нивната околина и да се прилагодат на новите ситуации без експлицитно програмирање за секое сценарио.
„Минатогодишната Нобелова награда за физика беше доделена за основни откритија кои овозможуваат надгледувано машинско учење со вештачки невронски мрежи. Машинското учење без надзор – инспирирано од принципот на вртежен момент – има потенцијал да изврши слично влијание“, вели д-р Јанг.
