Российские учёные стали первыми в мире, кто обучил ИИ адаптироваться к новым действиям без посторонней помощи

Раньше системы искусственного интеллекта (ИИ) могли выполнять только определённый набор задач. Если появлялись новые задачи, их нужно было переобучать, что требовало дополнительных финансовых и вычислительных ресурсов. Однако теперь благодаря открытию лаборатории исследований искусственного интеллекта T-Bank AI Research и Института AIRI ситуация изменилась.

Учёные создали "слабый" ИИ в области контекстного обучения (In-Context Learning), которая может самостоятельно учиться новым действиям на нескольких примерах. Нейросеть, названная Headless-AD, способна выполнять в пять раз больше действий, чем в неё было заложено при начальном обучении. Такие ИИ-системы, которые могут адаптироваться к изменениям среды и новым задачам без вмешательства людей, будут полезны во многих областях — от бытовых до связанных с космической отраслью.

Например, подобные системы могут быть использованы в домашних роботах-помощниках. Сначала их можно будет обучить стандартному набору действий в доме, а затем, благодаря возможностям Headless-AD к самообучению, они смогут подстраиваться под персональные нужды домохозяйств.

Ещё один возможный сценарий — внедрение Headless-AD в беспилотные автомобили. ИИ-модель позволит им адаптироваться к замене деталей на новые, даже с другим принципом работы. Например, установка более мощного двигателя или нового типа шин.

Исследователи провели серию экспериментов, в которых сравнили Headless-AD с ближайшими аналогами. Одна из задач — составление рекомендаций к товарам. В то время как другие модели требуют переобучения для новых групп товаров и теряют в качестве при увеличении их количества, Headless-AD показала преимущество. Она может рекомендовать в пять раз больше подходящих товаров по сравнению со стартовым набором, которому её обучили.

В других экспериментах Headless-AD также доказала свою способность выполнять любые комбинации и число действий без снижения качества и дополнительного обучения.

Модель и результаты испытаний подробно описаны в статье In-Context Reinforcement Learning for Variable Action Spaces. Исходный код и дополнительные материалы доступны на GitHub.

Российскую разработку представили на международной конференции по машинному обучению ICML, одной из самых престижных и крупных в этой сфере. В 2023 году мероприятие проходит в Австрии, с 21 по 27 июля.