Nyt intelligent system lærer af enkle problemer at løse komplekse

Forskere ved Australian National University (ANU) har designet en ny type intelligent system baseret på dyb læring, der kan lære at løse beslutningsproblemer, herunder problemer mere komplekse, end det er blevet trænet til at løse.

Deep learning er en populær kunstig intelligens teknik til opgaver som f.eks. At lave billedtekster til at beskrive billeder, transskriberer tale til tekst og lærer at spille video eller brætspil alene fra billeder.

Lederforsker Sam Toyer sagde, at systemet, kaldet Action Schema Networks (ASNets), hypotetisk set kunne en robot lære at navigere i et gulv med 10 værelser, og derefter kunne færdes på et gulv med tusinder af værelser.

"ASNets evne til at løse meget større problemer er en game changer, sagde hr. Toyer, som udviklede ASNets som en del af sit speciale under sin Bachelor of Advanced Computing (Research &Development) på ANU og blev tildelt en universitetsmedalje.

"Ved hjælp af vores ASNet-baserede system, vi kunne potentielt oprette nye cyber-sikkerhedsprogrammer, der finder system sårbarheder, eller designe ny roboticsoftware til at udføre specialiserede opgaver i automatiserede lagre eller ubemandede rummissioner. "

Mr. Toyer sagde, at intelligente systemer var afhængige af automatiseret planlægningsteknologi til at træffe beslutninger.

"Uanset om det er en Mars -rover, der vælger, hvor de skal tage fotos, eller et smart net, der beslutter, hvordan en fejl skal isoleres, du har brug for en planlægningsalgoritme for at vælge den bedste fremgangsmåde. "

Mr. Toyer sagde nogle dybe læringsbaserede systemer, herunder AlphaGo, var blevet brugt til at løse beslutningsproblemer.

"AlphaGo, som opnåede overmenneskelig dygtighed i spillet Go, er et nyligt og velkendt eksempel, " han sagde.

"Imidlertid, systemer som AlphaGo kan kun spille spillet på en fast brætstørrelse.

"I modsætning, ASNets kan lære at løse problemer med variabel størrelse. Dette giver dem mulighed for hurtigt at lære, hvad de har brug for at vide på små, lette problemer, overfør derefter den viden direkte til meget større problemer uden genuddannelse. "

Medforsker Dr. Felipe Trevizan fra ANU og CSIRO's Data61 sagde, at ASNet ikke konkurrerede mod en modstander, som AlphaGo gør.

"Hellere, det har specialiseret sig i at løse problemer i dynamiske og usikre miljøer, " han sagde.

Professor Sylvie Thiébaux, en af ​​de ANU -akademikere, der fører tilsyn med hr. Toyers afhandling, sagde, at forskningen var et bevis på koncept, som kunne videreudvikles med industrien til brug i intelligent robotik til at udføre opgaver autonomt i en lang række indstillinger.

Hun sagde, at systemet lærte at spille et spil for at arrangere op til 35 blokke i en bestemt formation, efter kun at have fået 25 problemer med at bruge op til ni blokke som en del af sin træning.

"Vi gav ASNets en beskrivelse af spillet, nogle eksempler på planer for enkle problemer med et lille antal blokke, og så lærte det at løse meget mere komplekse problemer, "sagde professor Thiébaux fra ANU Research School of Computer Science.

Lektor Lexing Xie fra ANU Research School of Computer Science, der var med til at vejlede hr. Toyers afhandling, sagde, at ASNets var en kreativ måde at bruge dyb læring på.

"Dette arbejde er det første til at låne designs til visuel genkendelse for at løse beslutningsproblemer, der ser meget forskellige ud i naturen, men deler logiske strukturer, " hun sagde.