Скриншот из YouTube-канала MITCSAIL
Еще в 2021 году исследователи из Массачусетского технологического института (MIT) разработали тип нейронной сети, вдохновленный адаптивностью органического мозга. Эти гибкие алгоритмы, которые ученые назвали «жидкими» сетями, имеют способность постоянно адаптироваться к новым вводным данным: то есть способны учиться и адаптироваться к новой информации прямо во время работы, а не только на этапе начального обучения. Другими словами, они могут «думать» на ходу.
Уникальные способности в принятии решений в условиях изменяющихся данных делают жидкие сети идеальными для использования в задачах, зависящих от времени, таких как, например, мониторинг кардиостимулятора, прогноз погоды, прогноз инвестиций или автономная навигация траспортных средств и других механизмов.
Поведение большинства современных нейронных сетей фиксируется после фазы обучения, и это означает, что они плохо приспосабливаются к изменениям во входящем потоке данных. Алгоритмы распознают шаблоны путем анализа набора «учебных» примеров — поэтому часто проводится параллель с имитацией путей обработки данных в мозге.
Создатели жидкой сети черпали вдохновение непосредственно в природе, изучая поведение микроскопической нематоды C. elegans. Этот крошечный организм длиной в 1 мм имеет в нервной системе всего 302 нейрона, но может генерировать неожиданно сложную динамику.
Сейчас ученые экспериментировали с обучением системы на основе данных, взятых от пилота-человека. Эксперименты показали, что беспилотник можно эффективно научить определению местоположения объекта в лесу летом, а затем применять эту модель зимой и в очень разнообразных условиях (даже в городском ландшафте) для различных задач, связанных с поиском и слежением. Среди прочего оказалось, например, что беспилотники способны отслеживать подвижные цели.
Хотя жидкие нейронные сети превзошли другие подходы к навигационным задачам и показали мастерство в принятии надежных решений в неизвестной среде — в лесу, городском ландшафте, среде с дополнительным шумом и вращением — пока еще не все идеально, когда дело доходит до понимания причинно-следственной связи.
Надежное обучение и производительность в непредусмотренных сценариях являются одними из ключевых проблем, которые машинное обучение и автономные роботизированные системы должны преодолеть, чтобы закрепиться в жизненно важных проектах.
