Fizičari približavaju veštačku inteligenciju „učenju bez nadzora“
Veštačka inteligencija je dospela na naslovne strane za pisanje eseja, stvaranje umetnosti, pa čak i polaganje medicinskih ispita. Međutim, većina sistema veštačke inteligencije danas i dalje zahteva opsežna ljudska uputstva da bi efikasno funkcionisali. Slično učeniku kome su potrebna stalna uputstva, trenutna AI se oslanja na pažljivo označene podatke i precizna pravila za učenje. Sada su istraživači sa Tehnološkog univerziteta u Sidneju razvili inovativni pristup koji približava veštačku inteligenciju prirodnoj inteligenciji, omogućavajući joj da samostalno uči pronalaženjem obrazaca u podacima.
„U prirodi, životinje uče posmatrajući, istražujući i komunicirajući sa svojom okolinom, bez eksplicitnih uputstava. Sledeći talas AI, „učenje bez nadzora“, ima za cilj da oponaša ovaj pristup“, kaže uvaženi profesor CT Lin sa Tehnološkog univerziteta u Sidneju.
Njihov metod, nazvan „Grupisanje obrtnog momenta“ (TC), crpi inspiraciju iz neočekivanog izvora: načina na koji se galaksije spajaju u svemiru. Objavljeno u IEEE Transactions on Pattern Analysis and Machine Intelligence, vodećem časopisu u istraživanju veštačke inteligencije, ovaj napredak bi mogao da transformiše način na koji sistemi veštačke inteligencije uče i otkrivaju obrasce u različitim oblastima, od otkrivanja obrazaca bolesti u medicini do otkrivanja finansijskih prevara.
„Skoro sve trenutne AI tehnologije se oslanjaju na ’učenje pod nadzorom’, metod obuke AI koji zahteva velike količine podataka koje treba da označi čovek koristeći unapred definisane kategorije ili vrednosti, tako da AI može da predviđa i vidi odnose“, kaže Lin.
Ovo su odlučujući dani, narod je gladan istine | Ratko Ristić | Mario Zna, 316 Uživo
Ovaj proces označavanja nije samo skup i dugotrajan, već je često i nepraktičan za složene ili velike zadatke. Uzmite u obzir medicinska istraživanja, gde naučnici mogu imati ogromne baze podataka o pacijentima, ali im nedostaju resursi za ručno označavanje svakog podatka. Sistem veštačke inteligencije koji koristi TC mogao bi automatski da identifikuje obrasce u simptomima pacijenata, odgovorima na lečenje i ishodima bez potrebe za prethodno označenim podacima. Ovo bi moglo dovesti do otkrivanja novih podtipova bolesti ili pristupa tretmanu koji bi mogli biti promašeni tradicionalnim metodama analize.
Slično, na finansijskim tržištima, TC bi mogao da pomogne u otkrivanju lažnih aktivnosti tako što će identifikovati neobične obrasce u podacima o transakcijama bez potrebe za primerima poznatih slučajeva prevare. Sposobnost algoritma da prepozna obrasce prirodno ga čini posebno vrednim u scenarijima u kojima se stalno pojavljuju nove vrste prevara.
„Ono što izdvaja Torque Clustering je njegova osnova u fizičkom konceptu obrtnog momenta, omogućavajući mu da autonomno identifikuje klastere i neprimetno se prilagođava različitim tipovima podataka, sa različitim oblicima, gustinama i stepenom buke“, objašnjava prvi autor Jie Yang. „Inspirisano je ravnotežom obrtnog momenta u gravitacionim interakcijama kada se galaksije spajaju. Zasnovan je na dva prirodna svojstva univerzuma: masi i udaljenosti.“
Istraživački tim je testirao svoj algoritam u odnosu na 19 drugih najsavremenijih metoda grupisanja koristeći različite skupove podataka. TC je pokazao izuzetnu svestranost, postigavši najveću preciznost na 15 od 19 skupova podataka gde su bila poznata tačna grupisanja. Još impresivnije, automatski je odredio tačan broj grupa u 15 od 20 skupova podataka, zadatak koji obično zahteva ljudski doprinos.
Opasnost u hrani: Dr Robert Meloun upozorava na vakcine protiv ptičjeg gripa u lancu ishrane! 💉🐔https://t.co/kyp9SsRNor
— Nulta Tačka (@NultaTackaSrb) February 19, 2025
Efikasnost algoritma je potvrđena kroz opsežno testiranje na 1.000 različitih skupova podataka. Postigao je prosečnu prilagođenu međusobnu informaciju od 97,7%, značajno nadmašujući druge najsavremenije metode koje obično imaju rezultate u rasponu od 80%.
Pored medicinskih istraživanja i finansija, TC obećava u brojnim oblastima. U maloprodaji, to bi moglo pomoći preduzećima da razumeju obrasce ponašanja kupaca bez unapred definisanih segmenata kupaca. U nauci o životnoj sredini, mogao bi da identifikuje obrasce u klimatskim podacima koji bi mogli ukazivati na ranije nepoznate odnose sa životnom sredinom. Za timove za sajber bezbednost, mogao bi da otkrije nove vrste mrežnih napada prepoznavanjem neobičnih obrazaca u mrežnom saobraćaju.
U robotici, trenutnim robotima je obično potrebno opsežno programiranje da bi razumeli svoje okruženje i doneli odluke. TC bi mogao pomoći robotima da nauče na prirodniji način o svom okruženju i da se prilagode novim situacijama bez eksplicitnog programiranja za svaki scenario.
„Prošlogodišnja Nobelova nagrada za fiziku dodeljena je za temeljna otkrića koja omogućavaju nadgledano mašinsko učenje pomoću veštačkih neuronskih mreža. Mašinsko učenje bez nadzora – inspirisano principom obrtnog momenta – ima potencijal da izvrši sličan uticaj“, kaže dr Jang.
Razvoj TC predstavlja korak ka autonomnijim sistemima veštačke inteligencije. Smanjenje potrebe za ljudskom intervencijom u procesu učenja moglo bi da ubrza primene veštačke inteligencije u svim industrijama, dok bi napredna analiza podataka postala pristupačnija organizacijama sa ograničenim resursima.
Istraživači su svoj kod učinili otvorenim kodom, omogućavajući drugim naučnicima i programerima da nadograđuju svoj rad. Ova pristupačnost bi mogla dovesti do brzog usvajanja i daljih poboljšanja tehnologije u različitim oblastima.
Sa kodom koji je sada slobodno dostupan istraživačima širom sveta, grupisanje obrtnog momenta predstavlja više od samo tehničkog napretka; pokazuje obećavajući novi pravac razvoja veštačke inteligencije. Crpljenjem inspiracije iz fundamentalnih fizičkih procesa umesto pokušaja da se replicira ljudsko razmišljanje, ovaj pristup bi mogao pomoći da se premosti jaz između veštačke i prirodne inteligencije.
