В MIT разработали алгоритм для обучения более умного ИИ. Он в 50 раз эффективнее

«Обучение с подкреплением», популярный метод обучения ИИ, часто дает сбой при решении разнообразных задач, таких как управление движением на перекрестках с различными условиями. Традиционные подходы предполагают либо обучение отдельных моделей для каждой задачи, что отнимает много времени, либо использование одной модели для всех задач, что может привести к снижению производительности.

MBTL выбирает подмножество задач для обучения, фокусируясь на тех, которые максимизируют общую эффективность системы. Так, обученные модели могут эффективно обобщаться на другие задачи без дополнительного обучения. Этот подход в некоторых случаях до 50 раз эффективнее стандартных методов. Например, MBTL, обученная всего на двух задачах, достигла той же производительности, что и традиционные методы, требующие данных из 100 задач.