初期トレーニングフェーズ後に基盤となる動作を適応させることができる新しいタイプのニューラルネットワークは、自動運転、ロボット制御、病状の診断など、状況が急速に変化する状況において、大きな改善の鍵となる可能性があります。このいわゆる「液体」ニューラルネットワークは、MITコンピュータ科学・人工知能研究所のラミン・ハサニ氏とCSAILのチームによって考案されたもので、トレーニングフェーズ後、現場で実際に行われる推論作業においてAI技術の柔軟性を大幅に向上させる可能性を秘めています。
通常、ニューラルネットワークアルゴリズムは、推論能力を磨くために大量の関連ターゲットデータを提供し、パフォーマンスを最適化するために正解に対して報酬を与えるトレーニングフェーズの後、基本的に固定されます。しかし、ハサニ氏のチームは、「液体」ニューラルネットワークが新しい情報に応じて「成功」のパラメータを時間の経過とともに適応させる手段を開発しました。これは、例えば自動運転車の認識を担うニューラルネットワークが晴天から大雪に変わった場合でも、状況の変化に適切に対応し、高いパフォーマンスを維持できることを意味します。
ハサニ氏とその協力者らが導入した手法の主な違いは、時系列適応性に重点を置いている点である。つまり、液体ネットワークは、本質的に多数のスナップショット、つまり時間的に固定された静的な瞬間から構成されるトレーニング データ上に構築されるのではなく、時系列データ、つまり分離されたスライスではなく画像のシーケンスを考慮している。
このシステムの設計方法により、従来のニューラルネットワークと比較して、研究者による観察や研究が容易になります。この種のAIは一般的に「ブラックボックス」と呼ばれます。アルゴリズム開発者は入力値や成功行動を決定・促進するための基準を把握している一方で、ニューラルネットワーク内で何が起こって成功に繋がるのかを正確に把握できないためです。この「流動的」モデルは、この点でより高い透明性を提供し、より少数ながらもより高度な計算ノードに依存するため、計算コストも低くなります。
一方、パフォーマンス結果は、既知のデータセットの将来の値を予測する精度において、他の代替手段よりも優れていることを示しています。ハサニ氏と彼のチームの次のステップは、システムをさらに改善し、実際の実用的なアプリケーションで使用できるようにするための最適な方法を決定することです。
トピック
AI 、人工知能（AI）、人工ニューラルネットワーク、バイオテクノロジーと健康、コンピューティング、新興技術、 MIT CSAIL 、ニューラルネットワーク、ニューラルネットワーク、科学技術、自動運転車
宇宙、科学、健康技術を専門とするライター。以前は自動車とモビリティ技術を担当し、AppleとShopifyに勤務。
バイオを見る
