Искусственный интеллект стал обучаться в 10 раз быстрее и эффективнее

В кaчeствe срeды oбучeния испoльзуются стaрыe видeoигры Atari. Oн пoзвoляeт oтдeльным чaстям oбучaться выпoлнeнию залпом нескольких задач, а потом обмениваться знаниями между лицом. Во многом новая система была основана в более ранней архитектурной системе A3C (Asynchronous Actor-Critic Agents), в которой отдельные агенты исследуют среду, следом процесс приостанавливается, и они обмениваются знаниями с центральным компонентом, «учеником». В чем дело? касается IMPALA, то у нее агентов может присутствовать больше, а сам процесс обучения происходит несколько до-другому. В ней агенты посылают информацию сразу две «ученикам», которые после этого еще и обмениваются данными посредь собой. Пример прохождения игры человеком:

Тогда показано, как с такой же задачей справляется дефинитив IMPALA:

Одной из основных проблем быть разработке ИИ является время и необходимость в высокой вычислительной мощности. Аж в условиях автономности машинам нужны правила, которым они могли бы идти в ходе собственных экспериментов и поиска путей решения задач. Беспричинно как мы не можем просто построить роботов и отпустить на свободу их на волю учиться, разработчики используют симуляции и методы глубокого обучения. Для того того чтобы современные нейронные сети могли чему-в таком случае научиться, им приходится обрабатывать огромный объем информации, в данном случае — миллиарды кадров. Согласно словам представителей DeepMind, при наличии достаточного числа процессоров IMPALA достигает производительности в 250 000 кадров/с, неужто 21 миллиард кадров в день. Сами же разработчики комментируют, аюшки? их система ИИ справляется с задачей лучше, нежели аналогичные машины и люди. В будущем подобные алгоритмы ИИ (бог) велел будет использовать в робототехнике. Благодаря оптимизации систем машинного обучения роботы будут быстрее адаптироваться к окружающей среде и горбить спину эффективнее.

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *