Hvordan flytende nevrale nettverk kan krympe KI-verden

Flytende nevrale nettverk er blant de viktigste og mest unike fremvoksende komponentene i landskapet for kunstig intelligens (KI).

N?r en maskin eller robot m? reagere p? ytre stimuli eller data, kan det v?re ekstremt ressurskrevende, noe som skaper en flaskehals hvis man pr?ver ? tilpasse intelligens i et sv?rt lite rom.

VentureBeat beskriver hvordan et klassisk nevralt nettverk kan trenge 100,000 kunstige nevroner for ? holde bilen stabil i en oppgave som ? kj?re et kj?ret?y nedover en vei.

Men i et utrolig funn, klarte teamet ved MIT CSAIL, som utvikler flytende nevrale nettverk, ? utf?re samme oppgave med bare 19 nevroner.

Inspirasjonen bak flytende nevrale nettverk

Flytende nevrale nettverk er en type dyp l?ring arkitektur utviklet for ? l?se en utfordring for roboter som utf?rer kompleks l?ring og oppgaver, med m?l om ? kutte rundt problemet med avhengighet av skyen eller begrenset intern lagring.

Daniela Rus, direkt?ren for MIT CSAIL, fortalte VentureBeat: “Inspirasjonen for flytende nevrale nettverk var ? tenke p? de eksisterende tiln?rmingene til maskinl?ring og vurdere hvordan de passer med de sikkerhetskritiske systemene som roboter og kantenheter tilbyr.

“P? en robot kan du ikke virkelig kj?re en stor spr?kmodell fordi det ikke er nok beregningskraft og lagringsplass for det.”

Forskningsteamet fant et spor til problemet sitt fra forskning p? biologiske nevroner funnet i sm? organismer.

Hva er liquid neural networks?

Tenk p? flytende nevrale nettverk som de sammenkoblede cellene i en menneskehjerne som kommer sammen for ? prosessere informasjon og gi output.

Den menneskelige hjernen er en sv?rt kompleks celleoppstilling som utf?rer ekstremt komplekse beregninger.

Flytende nevrale nettverk fokuserer p? sikkerhetskritiske applikasjoner, som selvkj?rende kj?ret?y og roboter, som trenger en kontinuerlig str?m av data som mates inn i dem.

If?lge Daniela Rus, “Generelt gj?r flytende nettverk det bra n?r vi har tidsserie-data … du trenger en sekvens for at flytende nettverk skal fungere bra.

“Men, hvis du pr?ver ? anvende flytende nettverk-l?sningen p? noen statisk database som ImageNet, vil det ikke fungere s? bra.”

Fordeler og begrensninger

Forskningsteamet ved Computer Science and Artificial Intelligence Laboratory ved MIT (CSAIL) fant f?lgende fordeler basert p? deres erfaring.

• Kompakthet

Liquid Neural Networks kunne arbeide med et betydelig mindre antall nevroner enn klassiske nevrale nettverk.

Som nevnt ovenfor, vil et klassisk dyp-l?rings nevralt nettverk trenge 100,000 nevroner for ? holde en selvkj?rende bil i sin kj?rebane – et flytende nevralt nettverk trenger bare 19 nevroner.

• Kausalitet

Flytende nevrale nettverk h?ndterer kausalitet bedre enn klassiske dyp-l?rings nevrale nettverk. De kan identifisere en klar sammenheng mellom ?rsak og virkning, noe som klassiske dyp-l?rings nevrale nettverk sliter med ? gj?re.

• Tolkbarhet

? forst? en AI-systems tolkning av data er en av de st?rste utfordringene i AI.

Klassiske dyp-l?ringsmodeller viser ofte overfladisk, uklar eller feil grunnlag for tolkninger av data, men flytende nevrale nettverk kan forklare sitt grunnlag for ? tolke data.

• Men…

Flytende nevrale nettverk er ikke en helhetlig l?sning for alt.

Selv om de h?ndterer kontinuerlige datastr?mmer som lydstr?mmer, temperaturdata eller videostreamer godt, sliter de med statisk eller fast data, som er bedre egnet for andre KI-modeller.

Konklusjon

I AI-landskapet er flytende nevrale nettverk blant de mest kritiske fremvoksende modellene.

Det eksisterer sammen med det klassiske dyp-l?rings nevrale nettverket, men ser ut til ? v?re en bedre l?sning for ekstremt komplekse oppgaver som autonome kj?ret?y, temperatur- eller klimaavlesninger, eller aksjemarkedsvurderinger, mens det klassiske dyp-l?rings nevrale nettverket gj?r en bedre jobb med statisk eller engangsdata.

Forskerne ved Computer Science and Artificial Intelligence Laboratory ved MIT (CSAIL) har fors?kt ? utvide kapasitetene til flytende nevrale nettverk til flere bruksomr?der, men det vil ta tid.

B?de liquid neural networks og klassiske dyp-l?rings nevrale nettverk har sine definerte roller i det bredere KI-bildet, og det er definitivt et tilfelle hvor to modeller er bedre enn én.