Ученые создали новый алгоритм искусственного интеллекта под названием Torque Clustering, который значительно повышает способность систем самостоятельно обучаться и находить закономерности в данных без участия человека.

Torque Clustering разработан для того, чтобы эффективно анализировать большие объемы данных в различных сферах, таких как биология, химия, астрономия, психология, финансы и медицина. Этот метод позволяет выявлять скрытые закономерности, что может помочь в обнаружении тенденций заболеваний, выявлении мошеннических действий и изучении человеческого поведения.

«Животные в природе учатся, наблюдая, исследуя и взаимодействуя с окружающим миром. Следующая волна искусственного интеллекта, известная как “самостоятельное обучение”, пытается имитировать этот процесс», — пояснил профессор СТ Лин из Технологического университета Сиднея (UTS).

Современные технологии ИИ в основном основываются на «контролируемом обучении», которое требует наличия больших объемов данных, помеченных людьми с использованием заранее установленных категорий или значений, чтобы ИИ мог делать прогнозы и находить связи.

Контролируемое обучение имеет несколько недостатков. Процесс пометки данных затратен, трудоемок и часто оказывается непрактичным для сложных или масштабных задач. В отличие от него, самостоятельное обучение может работать без помеченных данных, выявляя присущие наборам структуры и закономерности.

Алгоритм Torque Clustering превосходит традиционные методы, предлагая потенциальную смену парадигмы. Он полностью автономен, не требует параметров и может обрабатывать большие наборы данных с исключительной вычислительной эффективностью.

Он был тщательно протестирован на 1 тыс. различных наборах данных и показал средний скорректированный показатель взаимной информации (AMI) — меру результатов кластеризации — в 97,7%. В сравнении с другими современными методами, которые показывают результаты в диапазоне 80%.

Torque Clustering отличается тем, что основан на физическом понятии момента силы. Это позволяет алгоритму самостоятельно определять группы данных и легко адаптироваться в работе с разнообразными типами информации, независимо от их формы, плотности или наличия шума. Идея метода была вдохновлена тем, как силы действуют при слиянии галактик, при этом учитываются две основные характеристики: масса и расстояние.

Доктор Цзе Ян, один из авторов исследования, отмечает, что в прошлом году Нобелевская премия по физике была вручена за открытия, которые сделали возможным контролируемое обучение с применением искусственных нейронных сетей. Он считает, что машинное обучение без учителя, может иметь такое же влияние.

Torque Clustering может поддержать развитие общего искусственного интеллекта, особенно в области робототехники и автономных систем, помогая оптимизировать движения, управление и принятие решений. Он способен изменить подход к обучению без учителя, прокладывая путь к созданию действительно автономного ИИ.

Ранее Илон Маск во время беседы с председателем совета директоров Stagwell Марком Пенном сообщил, что разработчики уже исчерпали всю совокупность человеческих знаний для обучения ИИ. По мнению бывшего главного научного сотрудника OpenAI Ильи Суцкевера, индустрия достигла «пика данных», а нехватка обучающих материалов заставит отказаться от сегодняшнего способа разработки моделей.