Kan AI snart lære uten tilsyn takket være Torque Clustering?

Ekte autonom kunstig intelligens er på horisonten takket være arbeidet til innovative forskere fra University of Technology Sydney (UTS). Studien deres¹ går inn på en ny algoritme kalt Torque Clustering, som er inspirert av gravitasjonsinteraksjoner som dannes under galakse‑sammenslåinger.

Den nye metoden kan revolusjonere måten AI‑systemer lærer på, og innlede en æra med mer effektiv autonom AI. Her er alt du trenger å vite.

Nåværende læringsmetoder

Den nåværende metoden som brukes til å trene flertallet av AI‑protokoller, baserer seg på veiledet læring. Denne teknikken kan kreve at menneskelige operatører bruker tusenvis av timer på å merke data. De merkede dataene gjør at AI kan kategorisere data bedre basert på deres verdier.

Du er kanskje ikke klar over det, men du har sannsynligvis bidratt til å trene AI‑systemer tidligere. Hvis du noen gang har fylt ut en captcha når du gikk inn på et nettsted for å bekrefte at du ikke er en robot, har du merket data for AI‑systemer. Disse dataene ble brukt til å lage store modeller som AI‑systemer kunne bygge på.

AI-drevet robot

Problemer med dagens AI‑trening

Hovedproblemet med denne metoden er at den er tidkrevende, kostbar og ikke tilpasser seg nye data. Kostnaden for å lage en ny modell med denne metoden er mye høyere enn om du enkelt kunne be AI‑systemet om å lære autonomt. I tillegg krever denne strategien at utviklere programmerer nye modeller for hvert system, noe som øker de totale kostnadene ved å utvide AI‑prosjekter.

Torque Clustering‑studie

En studie publisert i det vitenskapelige tidsskriftet IEEE Transactions on Pattern Analysis and Machine Intelligence med tittelen «Autonomous Clustering by Fast Find of Mass and Distance Peaks» introduserer en mer naturlig metode for å lære AI‑systemer.

Den gjør det mulig for disse protokollene å gjenkjenne mønstre uavhengig ved å analysere datastrukturer uten å kreve menneskelig merkede datasett. Denne tilnærmingen er et fremskritt innen usupervisert læring, og reduserer avhengigheten av kostbare merkede data.

Torque Clustering

Den nye AI‑algoritmen heter Torque Clustering, og den har potensial til å revolusjonere markedet. Inspirert av dreiemomentbalansen i gravitasjonsinteraksjoner når galakser smelter sammen, bruker den to universelle egenskaper – masse og avstand – for å avdekke intrikate mønstre. Denne evnen har gjort Torque Clustering til en ettertraktet algoritme innen biologi, psykologi, finans, kjemi, astronomi og medisinsk forskning.

Klynging

Begrepet klynging refererer til en protokoll som grupperer lignende datapunkter. Denne gruppering er vanligvis basert på en kjernekarakteristikk. Dermed elimineres behovet for å merke elementer, noe som sparer penger, tid og innsats.

Klynging fungerer etter noen universelle prinsipper. For det første vil klynger smelte sammen med sin nærmeste nabo hvis den har større masse. Unntaket fra denne regelen er dersom avstanden mellom dem er stor, eller begge har en svært stor masse som motvirker hverandre.

Feilaktige sammenslåinger

Algoritmen kan oppdage og eliminere feilaktige sammenslåinger autonomt. Den gjør dette ved å analysere masse‑ og avstandstopper for å bestemme de mest naturlige klyngene. Prosessen er rask og krever ingen menneskelig inngripen, noe som gjør den langt mer effektiv i drift.

Torque Clustering‑test

Testing av Torque Clustering‑AI‑algoritmen involverte å anvende den på 1 000 ulike datasett. Disse datasettene inkluderte virkelige data samt syntetisk informasjon designet for å teste AI‑ens evne til å identifisere mønstre. Forskerne gjennomførte en rekke eksperimenter med varierende resultater.

Resultater fra Torque Clustering‑test

Torque Clustering‑testingen ga noen interessante data. For det første viste den at denne algoritmen er i stand til å overgå tradisjonelle usuperviserte læringsmetoder. Spesielt oppnådde protokollen en gjennomsnittlig justert gjensidig informasjons‑ (AMI) score på 97,7 %, som brukes til å måle klyngingsnøyaktighet. Til sammenligning oppnår andre ledende klyngingsmetoder vanligvis AMI‑score i 80‑prosent‑området.

Torque Clustering‑studie

Det er mange fordeler denne studien bringer til markedet. For det første er hele prosjektet åpen kildekode, noe som betyr at andre ingeniører kan verifisere og bygge videre på deres fremdrift. Denne beslutningen vil bidra til å fremme fullt autonome, parameterfrie, høyytelses‑AI‑systemer.

Effektivitet

Torque Clustering‑AI‑programmeringsmetoden er langt mer effektiv enn sine forgjengere. Den gjør det mulig for ingeniører å analysere enorme datasett med minimal innsats og forbedre resultater. I tillegg tilbyr den et mer allsidig alternativ som kan tilpasse seg endringer i krav i sanntid.

Torque Clustering gjør det mulig for alle å autonomt analysere enorme mengder data uten å måtte bruke tid på å manuelt merke all informasjon. Dette reduserer arbeidsbelastning og kostnader. Protokollen kan automatisk lokalisere og bestemme klynger, unike klyngetyper, støy, og hvordan man optimaliserer fremtidige søk.

Tilpasningsevne

En annen stor fordel er dens allsidighet. Torque Clustering gjør det mulig for AI‑systemer å tilpasse seg ulike datatyper og varierende strukturer uten forhåndsdefinerte parametere. Dette gjør at ingeniører kan utvikle enda mer avanserte, toppmoderne klyngingsteknikker som kan identifisere kjerneelementer uten menneskelig inngripen.

Torque Clustering‑AI‑applikasjoner

Det finnes en lang liste med anvendelser for Torque Clustering‑AI‑systemer, ettersom etterspørselen etter avanserte usuperviserte læringsteknikker øker i nesten alle markeder. Evnen til å tilby et system som kan organisere data autonomt er en stor fordel som helt sikkert vil stimulere investorer og forretningsinteresser. Her er noen andre fremtredende anvendelser av denne teknologien.

Robotikk

Torque Clustering kan støtte fremtidige AI‑fremskritt innen robotikk. Denne teknologien kan hjelpe roboter med å behandle data mer effektivt, optimalisere bevegelse og forbedre beslutningstaking. Selv om den fortsatt er i forskningsstadiet, har den potensial til å bistå AI‑drevet automatisering i fremtiden.

Medisinsk felt

Denne teknologien kan finne mange fremtidige bruksområder innen det medisinske feltet. Evnen til å avdekke skjulte mønstre kan være verdifull i diagnostisering av tilstander og analyse av pasientdata. Imidlertid er dens direkte anvendelse i medisinsk AI i den virkelige verden fortsatt under utforskning.

Svindelforebygging

En annen utmerket bruk av denne teknologien er å oppdage svindelaktivitet. Ved å analysere store datasett kan AI avdekke subtile svindelmønstre i finansielle transaksjoner og cybersikkerhet.

Forståelse av den menneskelige sinnet

Mange forskere mener at denne teknologien vil hjelpe folk å forstå den menneskelige sinnet bedre. Usuperviserte klyngingsmetoder som denne kan brukes i atferdsanalyse og nevrovitenskapelig forskning.

Torque Clustering‑forskere

Denne studien ble ledet av forskere fra University of Technology Sydney (UTS). Jie Yang og Chin‑Teng Lin var medforfattere av studien. Teamet søker nå å utvide sine innsatsområder til andre bransjer for å fremme fremskritt innen AI‑drevet dataanalyse.

En bransjeleder posisjonert for suksess

Mange selskaper er avhengige av AI‑systemer for å operere. Disse firmaene kan oppleve betydelige produktivitetsøkninger når selv‑lærende AI‑systemer settes i drift. Her er ett selskap som er posisjonert til å utnytte denne utviklingen og bruke sine data for å sikre avkastning.

INTUITIVE Surgical Inc

Intuitive Surgical Inc (ISRG ) gikk inn på markedet i 1995 for å forbedre pasientresultater fra kirurgiske prosedyrer. Grunnleggerne, Frederic H. Moll, John Gordon Freund og Robert G. Young, så et nisjemarked for presisjonskirurgisk robotikk.

Siden lanseringen har selskapet sikret millioner i finansiering og lansert flere revolusjonerende produkter. I tillegg har Intuitive Surgical mottatt flere FDA‑godkjenninger for neste generasjons robotikk. Deres da Vinci‑kirurgisystemer er deres mest kjente tilbud. Denne enheten gir svært nøyaktig assistanse, noe som har ført til omfattende integrering i mange sykehussystemer.

Til tross for at selskapet ble saksøkt for monopolistisk praksis i 2021, forblir Intuitive Surgical en leder innen AI‑robotikk. Å introdusere en raskere og mer nøyaktig treningsprosess vil hjelpe selskapet med å sikre ekstra inntekter og åpne døren for flere bruksscenarier for sine produkter. Dermed forblir ISRG en sterk «hold» for de fleste analytikere.

Fremtiden for Torque Clustering‑AI‑læring

Fremtiden for AI‑klyngingsmetoder er autonomi i databehandling. Ved å redusere avhengigheten av veiledet læring representerer Torque Clustering et skritt mot mer uavhengig AI‑drevet mønstergjenkjenning. Dermed kan du forvente at usupervisert AI‑klynging blir mer populær etter hvert som teknologien forbedres.

I fremtiden kan Torque Clustering spille en betydelig rolle i å fremme AI‑systemer på tvers av flere sektorer, og finpusse hvordan AI autonomt organiserer og tolker data.

Lær om andre kule AI‑prosjekter nå.

Studierreferanse:

^{1. Yang, J., & Lin, C.-T. (2025). Autonom klustering ved rask finne av masse- og avstandstopper. IEEE Transactions on Pattern Analysis and Machine Intelligence. https://doi.org/10.1109/TPAMI.2025.3535743}