Открыт новый алгоритм, с помощью которого можно ускорить обучение ИИ в 20 раз и увеличить качество обучения на 10%

Открыт новый алгоритм, с помощью которого можно ускорить обучение ИИ в 20 раз и увеличить качество обучения на 10% Его создали ученые из лаборатории Tinkoff Research, метод получил название SAC-RND.
SAC-RND способствует тому, что повысится безопасность беспилотных автомобилей, упростятся логистические цепочки, ускорятся доставка и работа складов, оптимизируются процессы горения на энергетических объектах и сократятся выбросы вредных веществ в окружающую среду.
Кроме того, с его появлением ученые становятся на несколько шагов ближе к разработке универсального робота, который сможет в одиночку выполнять любые задачи.
Для этого исследователи из Tinkoff Research сделали эквивалентными глубины сетей и обнаружили, что при таковых настройках методу RND удается различать данные. После метод оптимизировали. Роботы смогли находить эффективные решения за счет применения механизма слияния, основанного на модуляции сигналов и их линейном отображении. Ранее работы на тему RND не подвергали сигналы дополнительной обработке.
Как известно, обучить искусственный интеллект (ИИ) можно с помощью немалых вычислительных мощностей, финансовых затрат и времени. Если суметь оптимизировать этот процесс, то можно будет повысить скорость развития областей, в которых применяются ИИ-агенты.
Сейчас обучение ИИ происходит посредством подкрепления (RL), который позволяет роботам постигать метод проб и ошибок, адаптироваться в различных, в том числе, непростых ситуациях, ориентироваться, подстраиваться и менять поведение в процессе. При этом всегда считалось, что обучить офлайн искусственный интеллект с RL невозможно при применении случайных нейросетей (RND). Именно на изучение недостатков и неточностей в проведенных ранее экспериментах, а также выводов, и была направлена работа ученых из Tinkoff Research.
Так, при применении RND участвуют две нейросети: случайная и основная, которая в свою очередь пытается предсказать поведение первой. Причем у них есть одно главное свойство – глубина или количество слоев, из которых состоит нейросеть. Основная сеть не может иметь меньше слоев, чем случайная. В результате ученые из Tinkoff Research выяснили, что ранее случайная сеть имела 4 слоя, а основная – два.
Именно из-за того, что применялись неправильные глубины нейросетей, и появилось ошибочное мнение, что метод RND не умеет классифицировать данные и отличать действия, которые были в датасете, от тех, которых там не происходило. Они исправили глубину сетей и количество слоев. В результате RND может различать данные.