2024-03-14 | 대전=박희윤 기자

人工智能将依情况自行更新

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

人工智能今后可根据情况自行更新,从而作出更准确的判断。

KAIST14日表示,电气与电子工程学院黄义宗教授研究团队开发出一项新的学习数据选择技术,可帮助人工智能在数据分布随时间变化的漂移环境中也能作出准确判断。

近来人工智能在多个领域展现出超越人类能力的高性能,但大部分良好结果都是在训练AI模型和测试性能时,假定数据分布不发生变化的静态环境下获得的。

但与这一假定不同,在SK海力士的半导体工艺过程中,由于设备随时间老化以及周期性检修,观测到传感器数据观测值持续变化的漂移现象。

随着时间推移,如果数据与正确答案标签之间的决策边界模式发生变化,过去训练的AI模型所作的判断在当前时点会变得不准确,模型性能可能逐渐恶化。

为解决这一问题,研究团队引入了利用梯度(gradient)的概念,该梯度表示学习数据时AI模型的更新程度和方向,并从理论上和实验上分析了所提出的概念有助于在漂移情况下选择对学习有效的数据。

在此分析基础上,团队提出了有效的学习数据选择方法,并提出了即使数据分布和决策边界发生变化也能稳健训练模型的可持续、以数据为中心的AI学习框架。

该学习框架的主要优点在于,与使模型适应不断变化的数据的以模型为中心的AI方法不同,它通过直接预处理可视为漂移主要原因的数据本身,将其转换为最适合当前学习的数据,因此可不受既有AI模型种类限制而轻松扩展。

实际上,通过该方法,即使数据分布随时间发生变化,也能稳定维持AI模型的性能,即准确度。

第一作者、博士生金敏洙表示:“希望通过本次研究让大家认识到,把人工智能训练好一次固然重要,但根据不断变化的环境持续管理并维持其性能同样重要。”

指导研究团队的黄义宗教授表示:“期待这项成果有助于人工智能在面对不断变化的数据时性能不下降、得以维持。”

本次研究中,KAIST电气与电子工程学院博士生金敏洙为第一作者,博士生黄成贤为第二作者,黄义宗教授(KAIST)为通讯作者。该研究于今年2月在加拿大温哥华举行的人工智能领域最高权威国际学术会议“国际人工智能学会(Association for the Advancement of Artificial Intelligence, AAAI)”上发表。

阅读韩文原文