هوش مصنوعی دانشگاه جورجیا آینده را پیش‌بینی میکند_سیاه پوش

یک مدل پیشرفته از یادگیری ماشین که توسط محققان دانشگاه جورجیا تک طراحی شده، توانایی دارد تا در عرصه‌های مختلفی از جمله محافظت در برابر بیماری‌ها، مدیریت مصرف برق در شهرها و این چنین تحکیم رشد کسب‌وکارها، عملکردی عالی اراعه دهد. این مدل تازه که از آن به گفتن مدل سری وقتی پیش‌آموزش‌دیده بزرگ (LPTM) یاد می‌بشود، به گفتن یک مدل بنیادی واحد می‌تواند به‌طور مؤثر ماموریت های پیش‌بینی را در حوزه‌های گوناگون انجام دهد.

به نقل از سرویس نوآوری رسانه اخبار فناوری تکنا، این مدل نه تنها عملکردی برابر یا حتی بهتر از مدل‌های اختصاصی حاضر دارد، بلکه به ۴۰ درصد داده کمتری نیاز دارد و زمان آموزش آن نیز ۵۰ درصد کمتر از استانداردهای حاضر است. در برخی موارد، LPTM حتی بدون نیاز به داده‌های آموزشی به کار گرفته می‌بشود. محققان این مدل را بر روی مجموعه‌های داده گوناگون از صنایع گوناگون از جمله مراقبت‌های بهداشتی، حمل‌ونقل و انرژی پیش‌آموزش داده‌اند. برای منفعت گیری مؤثر از این داده‌ها، گروه دانشگاه جورجیا تک یک ماژول تقسیم‌بندی تطبیقی گسترش داده‌اند.

LPTM به زودی در کنفرانس پردازش اطلاعات عصبی ۲۰۲۴ (NeurIPS 2024) در ونکوور کانادا به نمایش گذاشته خواهد شد و پیش‌نویس تحقیقاتی آن نیز در سرور arXiv انتشار شده است. B. Aditya Prakash، یکی از گسترش‌دهندگان این مدل، به اهمیت کار انجام شده در این عرصه اشاره کرد و او گفت که مدل‌های قبلی عمدتاً برای داده‌های متنی و تصویری آموزش داده شده‌اند، اما تا این مدت تحقیقات بسیاری در عرصه داده‌های سری وقتی صورت نگرفته است.

مدل‌های بنیادی که به‌طور معمول از داده‌های گوناگون آموزش می‌بینند، توانایی انجام ماموریت های گوناگون را دارند. این مدل‌ها، همانند موتورهای GPT و DALL-E، پلتفرم‌های معروف هوش مصنوعی مولد امروزی می باشند. اما LPTM در این عرصه متفاوت است، چون برای داده‌های سری وقتی طراحی شده است، نه برای تشکیل متن و عکس. محققان دانشگاه جورجیا تکنولوژی، LPTM را با منفعت گیری از داده‌هایی از اپیدمی‌ها، اقتصاد کلان، مصرف انرژی، ترافیک و حمل‌ونقل، بازارهای سهام و حرکت انسان آموزش داده‌اند. بعد از آموزش، این مدل در قیاس با ۱۷ مدل دیگر در آزمایش‌های گوناگون کارکرد بی‌نظیری نشان داد و در پنج مجموعه داده بهترین کارکرد را داشت.

در یکی از آزمایش‌ها، گروه محققان LPTM را بدون نیاز به داده‌های خاص و تنها با منفعت گیری از داده‌های ورودی آزمایش کردند و در همه معیارها از دیگر مدل‌ها بهتر عمل کرد. این کارکرد برجسته نشان‌دهنده پتانسیل بالای مدل LPTM برای پیش‌بینی نتایج برتر در عرصه‌های گوناگون است. Prakash، استاد دانشگاه جورجیا تک، به این مسئله اشاره کرد که مدل LPTM فراتر از پیش‌بینی عمل می‌کند و قادر به انجام دیگر ماموریت های مرتبط با داده‌های سری وقتی همانند طبقه‌بندی نیز می‌باشد. او گفت که مدل‌های سنتی طبق معمولً برای هر کاربرد خاص طراحی خواهد شد، چون داده‌ها در هر حوزه‌ای ویژگی‌های متغیری دارند.

یکی از قابلیت‌های برجسته LPTM، ماژول تقسیم‌بندی تطبیقی آن است که می‌تواند تفاوت‌های وقتی در داده‌ها را مدیریت کند. این ماژول قادر است داده‌ها را به قسمت‌های گوناگون تقسیم کند و بهترین راه حلها را برای یادگیری الگوهای سودمند انتخاب نماید.

کارکرد شگفت‌انگیز این مدل در آزمایش‌ها، علتشده تا در کنفرانس NeurIPS 2024 پذیرفته بشود. این کنفرانس یکی از سه اتفاقات مهم در عرصه تحقیقات هوش مصنوعی و یادگیری ماشین است. علاوه بر اراعه تحقیقات خود در این کنفرانس، Prakash و Kamarthi، همکاران در پروژه LPTM، یک کتابخانه منبع‌باز از ماژول‌های سری وقتی را نیز در GitHub انتشار کرده‌اند.