Представьте, что вы учите ребенка решать головоломки. Вы можете позволить ему действовать методом проб и ошибок или дать полезные советы, основанные на принципах реального мира. Именно такая идея лежит в основе нового фреймворка, который объединяет человеческие знания и данные для создания более эффективного и реалистичного ИИ.
Нынешние модели ИИ, такие как ChatGPT, обучаются исключительно на данных. Несмотря на свою эффективность, они не понимают правил физического мира, что мешает им решать сложные задачи. Новое исследование, опубликованное в журнале Nexus, предлагает схему «информированного машинного обучения», которая устраняет это ограничение.
Эта система включает в процесс обучения ИИ правила, определяемые человеком, такие как законы физики. Но какой вес должны иметь эти правила по сравнению с самими данными? Вот тут-то система и проявляет себя. Она может оценить относительную ценность каждого правила, оптимизируя процесс обучения модели и, в конечном счете, ее производительность.
Исследователи успешно использовали эту систему для решения различных научных задач. Они использовали ее для обучения моделей ИИ решению сложных математических задач, оптимизации химических экспериментов и даже для анализа данных, полученных в ходе экспериментов по тонкослойной хроматографии, с целью прогнозирования будущих условий эксперимента.
В будущем исследователи намерены создать удобный инструмент для разработчиков ИИ и в конечном итоге добиться создания действительно самообучающегося ИИ.