Maaari Bang Mabilis na Matutong Walang Superbisyon ang AI Dahil sa Torque Clustering?

Ang tunay na autonomous na artipisyal na intelihensiya ay nasa abot-tanaw salamat sa gawain ng mga makabagong mananaliksik mula sa University of Technology Sydney (UTS). Ang kanilang pag-aaral¹ ay sumisid sa isang bagong algoritmo na tinatawag na Torque Clustering, na inspirasyon ng mga gravitational interaction na nagaganap sa panahon ng pagsasanib ng mga galaxy.

Ang bagong pamamaraan ay maaaring magbago ng paraan kung paano natututo ang mga AI system, nagdadala ng isang panahon ng mas epektibong autonomous na AI. Narito ang lahat ng kailangan mong malaman.

Kasalukuyang Mga Pamamaraan ng Pagkatuto

Ang kasalukuyang pamamaraan na ginagamit upang sanayin ang karamihan ng mga AI protocol ay nakasalalay sa supervised learning. Ang teknik na ito ay maaaring mangailangan ng mga tao na gumugol ng libu-libong oras sa pag-label ng data. Ang naka-label na data ay nagbibigay-daan sa AI na mas mahusay na ikategorya ang data batay sa mga halaga nito.

Maaaring hindi mo alam, ngunit malamang na nakatulong ka na sa pagsasanay ng mga AI system noon. Kung nakapuno ka na ng captcha kapag pumapasok sa isang website upang patunayan na hindi ka robot, nag-label ka na ng data para sa mga AI system. Ginamit ang data na ito upang lumikha ng malalaking modelo na maaaring pagbatayan ng mga AI system.

Robot na Pinapagana ng AI

Mga Isyu sa Pagsasanay ng AI Ngayon

Ang pangunahing problema sa pamamaraang ito ay ito ay matagal, magastos, at hindi madaling umangkop sa bagong data. Ang gastos sa paglikha ng bagong modelo gamit ang pamamaraang ito ay mas mataas kumpara sa simpleng pagsasabi sa AI system na matuto nang autonomous. Bukod pa rito, ang estratehiyang ito ay nangangailangan ng mga developer na mag-program ng mga bagong modelo para sa bawat system, na nagdaragdag sa kabuuang gastusin ng pagpapalawak ng mga AI proyekto.

Pag-aaral ng Torque Clustering

Isang pag-aaral na inilathala sa siyentipikong journal na IEEE Transactions on Pattern Analysis and Machine Intelligence na may pamagat na “Autonomous Clustering by Fast Find of Mass and Distance Peaks” ay nagpakilala ng mas natural na pamamaraan upang turuan ang mga AI system.

Pinapayagan nito ang mga protocol na kilalanin ang mga pattern nang mag-isa sa pamamagitan ng pagsusuri ng mga estruktura ng data nang hindi nangangailangan ng dataset na may label mula sa tao. Ang lapit na ito ay isang pag-unlad sa unsupervised learning, na nagbabawas ng pag-asa sa magastos na naka-label na data.

Torque Clustering

Ang bagong AI algoritmo ay tinatawag na Torque Clustering, at may potensyal itong baguhin ang merkado. Inspirado ng torque balance sa gravitational interactions kapag nagsasanib ang mga galaxy, ito ay gumagamit ng dalawang pangkalahatang katangian—masa at distansya—upang tuklasin ang masalimuot na mga pattern. Ang kakayahang ito ay nagpasikat sa Torque Clustering bilang isang hinahangad na algoritmo para sa biyolohiya, sikolohiya, pananalapi, kimika, astronomiya, at pananaliksik medikal.

Clustering

Ang konsepto ng clustering ay tumutukoy sa isang protocol na nagbubuo ng mga katulad na data point. Ang pagbubuo na ito ay karaniwang batay sa isang pangunahing katangian. Dahil dito, naaalis ang pangangailangan na i-label ang mga item, na nakakatipid ng pera, oras, at pagsisikap.
Ang clustering ay gumagana batay sa ilang pangkalahatang prinsipyo. Una, ang mga cluster ay magsasama sa kanilang pinakamalapit na kapitbahay kung ito ay may mas malaking masa. Ang pagbubukod sa patakarang ito ay kung may malaking distansya sa pagitan nila, o kung pareho silang may napakalaking masa na nagkokontra sa isa’t isa.

Maling Pagsasama

Ang algoritmo ay maaaring matukoy at alisin ang maling pagsasama nang autonomous. Ginagawa ito sa pamamagitan ng pagsusuri ng mga tuktok ng masa at distansya upang matukoy ang pinaka-natural na mga cluster. Ang proseso ay mabilis at hindi nangangailangan ng anumang interbensyon ng tao, na nangangahulugang ito ay mas epektibo sa operasyon.

Pagsubok sa Torque Clustering

Ang pagsubok sa Torque Clustering AI algorithm ay kinabibilangan ng pag-apply nito sa 1,000 iba’t ibang dataset. Ang mga dataset na ito ay naglalaman ng real-world data kasama ang synthetic na impormasyon na dinisenyo upang subukan ang kakayahan ng AI na matukoy ang mga pattern. Ang mga mananaliksik ay nagsagawa ng iba’t ibang eksperimento na may iba’t ibang resulta.

Mga Resulta ng Pagsubok sa Torque Clustering

Ang Torque Clustering testing ay nagbigay ng ilang kawili-wiling datos. Una, napatunayan nito na ang algoritmong ito ay kayang higitan ang tradisyunal na mga pamamaraan ng unsupervised learning. Partikular, ang protocol ay nakakuha ng 97.7% na average adjusted mutual information (AMI) score, na ginagamit upang sukatin ang katumpakan ng clustering. Kung ikukumpara, ang iba pang nangungunang mga pamamaraan ng clustering ay karaniwang nakakamit ng AMI scores sa hanay na 80%.

Pag-aaral ng Torque Clustering

Maraming benepisyo ang hatid ng pag-aaral na ito sa merkado. Una, ang buong proyekto ay open source, na nangangahulugang maaaring beripikahin at pagbatayan ito ng ibang mga inhinyero. Ang desisyong ito ay makakatulong upang higit pang mapaunlad ang ganap na autonomous, parameter-free, at high-performance na mga AI system.

Kahusayan

Ang Torque Clustering AI programming method ay mas napakaepektibo kumpara sa mga nauna nito. Pinapayagan nito ang mga inhinyero na suriin ang napakalaking dataset nang kaunti lang ang pagsisikap at mapabuti ang mga resulta. Bukod pa rito, nag-aalok ito ng mas maraming opsyon na maaaring umangkop sa pagbabago ng mga pangangailangan nang mabilis.

Pinapayagan ng Torque Clustering ang sinuman na autonomously suriin ang napakalaking dami ng data nang hindi na kailangang maglaan ng oras sa manu-manong pag-label ng lahat ng impormasyon. Binabawasan nito ang workload at gastos. Ang protocol ay awtomatikong matutukoy at matutukoy ang mga cluster, natatanging uri ng cluster, ingay, at kung paano i-optimize ang mga hinaharap na paghahanap.

Adaptabilidad

Isa pang malaking benepisyo ay ang pagiging versatile nito. Pinapayagan ng Torque Clustering ang mga AI system na umangkop sa iba’t ibang uri ng data at nagbabagong estruktura nang walang paunang tinakdang mga parameter. Pinahihintulutan nito ang mga inhinyero na lumikha ng mas advanced na state-of-the-art na mga teknik sa clustering na maaaring tuklasin ang mga pangunahing elemento nang walang interbensyon ng tao.

Mga Aplikasyon ng Torque Clustering AI

May mahabang listahan ng mga aplikasyon para sa Torque Clustering AI system, dahil ang pangangailangan para sa mga advanced na teknik ng unsupervised learning ay tumataas sa halos lahat ng merkado. Ang kakayahang magbigay ng sistemang maaaring mag-ayos ng data nang autonomous ay isang malaking kalamangan na tiyak na magpapasigla sa interes ng mga mamumuhunan at negosyo. Narito ang ilang pangunahing aplikasyon ng teknolohiyang ito.

Robotics

Maaaring suportahan ng Torque Clustering ang mga hinaharap na pag-unlad ng AI sa robotics. Ang teknolohiyang ito ay makakatulong sa mga robot na magproseso ng data nang mas epektibo, i-optimize ang galaw, at mapabuti ang kakayahan sa paggawa ng desisyon. Bagaman nasa yugto pa ng pananaliksik, may potensyal itong makatulong sa AI-powered automation sa hinaharap.

Medikal na Larangan

Maaaring magkaroon ang teknolohiyang ito ng maraming hinaharap na gamit sa medikal na larangan. Ang kakayahan nitong tuklasin ang mga nakatagong pattern ay maaaring maging mahalaga sa pag-diagnose ng mga kondisyon at pagsusuri ng data ng pasyente. Gayunpaman, ang direktang aplikasyon nito sa real-world na medikal na AI ay patuloy pa ring sinusuri.

Pagpigil sa Pandaraya

Isa pang mahusay na gamit ng teknolohiyang ito ay ang pagtuklas ng mapanlinlang na gawain. Sa pamamagitan ng pagsusuri ng malakihang dataset, maaaring matuklasan ng AI ang mga banayad na pattern ng pandaraya sa mga transaksyong pinansyal at cybersecurity.

Pag-unawa sa Isip ng Tao

Maraming mananaliksik ang naniniwala na ang teknolohiyang ito ay makakatulong sa mas mahusay na pag-unawa ng tao sa kanyang isipan. Ang mga unsupervised clustering method tulad nito ay maaaring magamit sa pagsusuri ng pag-uugali at pananaliksik sa neuroscience.

Mga Mananaliksik ng Torque Clustering

Ang pag-aaral na ito ay pinamunuan ng mga mananaliksik mula sa University of Technology Sydney (UTS). Sina Jie Yang at Chin‑Teng Lin ang nagkasamang sumulat ng pag-aaral. Ang koponan ay ngayon naghahangad na palawakin ang kanilang pagsisikap sa iba pang industriya upang itaguyod ang mga pag-unlad sa AI-powered na pagsusuri ng data.

Isang Nangungunang Kumpanya na Naka-Posisyon para sa Tagumpay

Maraming kumpanya ang umaasa sa mga AI system upang mag-operate. Ang mga kumpanyang ito ay maaaring makaranas ng malaking pagtaas sa produktibidad habang ang self‑learning na AI system ay inilulunsad. Narito ang isang kumpanya na naka‑positibo upang samantalahin ang pag‑unlad na ito at gamitin ang kanilang data upang makamit ang kita.

INTUITIVE Surgical Inc

Ang Intuitive Surgical Inc (ISRG ) ay pumasok sa merkado noong 1995 upang mapabuti ang mga kinalabasan ng pasyente mula sa mga operasyong medikal. Ang mga tagapagtatag nito, sina Frederic H. Moll, John Gordon Freund, at Robert G. Young, ay nakakita ng isang niche market para sa precision surgical robotics.

Mula nang ilunsad, nakakuha ang kumpanya ng milyun‑milyong pondo at naglunsad ng ilang rebolusyonaryong produkto. Bukod pa rito, nakatanggap ang Intuitive Surgical ng Maramihang FDA approvals para sa susunod na henerasyon ng robotics. Ang kanilang da Vinci surgical systems ang pinakakilalang alok. Ang aparatong ito ay nagbibigay ng napaka‑tumpak na tulong, na nagreresulta sa malawakang integrasyon sa maraming sistemang ospital.