Para ilmuwan mengungkap AI yang belajar tanpa label manusia – lompatan besar menuju kecerdasan sejati!
Para peneliti telah membuat algoritma AI baru yang disebut clustering torsi, yang sangat meningkatkan kemampuan sistem AI untuk mempelajari dan mengidentifikasi pola dalam data sendiri, tanpa input manusia.
Para peneliti telah mengembangkan algoritma AI baru, pengelompokan torsi, yang lebih meniru kecerdasan alami daripada metode yang ada. Pendekatan lanjutan ini meningkatkan kemampuan AI untuk mempelajari dan mengidentifikasi pola dalam data secara mandiri, tanpa intervensi manusia.
Pengelompokan torsi dirancang untuk secara efisien menganalisis kumpulan data besar di berbagai bidang, termasuk biologi, kimia, astronomi, psikologi, keuangan, dan kedokteran. Dengan mengungkap pola tersembunyi, ia dapat memberikan wawasan yang berharga, seperti mendeteksi tren penyakit, mengidentifikasi kegiatan penipuan, dan memahami perilaku manusia.
“Di alam, hewan belajar dengan mengamati, mengeksplorasi, dan berinteraksi dengan lingkungan mereka, tanpa instruksi eksplisit. Gelombang AI berikutnya, 'pembelajaran tanpa pengawasan' bertujuan untuk meniru pendekatan ini,” kata Profesor CT Lin dari University of Technology Sydney (UTS).
“Hampir semua teknologi AI saat ini mengandalkan 'pembelajaran yang diawasi', metode pelatihan AI yang membutuhkan sejumlah besar data untuk diberi label oleh manusia menggunakan kategori atau nilai yang telah ditentukan, sehingga AI dapat membuat prediksi dan melihat hubungan.
“Pembelajaran yang diawasi memiliki sejumlah keterbatasan. Data pelabelan mahal, memakan waktu, dan seringkali tidak praktis untuk tugas-tugas kompleks atau skala besar. Pembelajaran yang tidak diawasi, sebaliknya, berfungsi tanpa data berlabel, mengungkap struktur dan pola yang melekat dalam dataset.”
Pergeseran paradigma dalam pembelajaran AI
Makalah yang merinci metode pengelompokan torsi baru saja diterbitkan Transaksi IEEE tentang analisis pola dan kecerdasan mesinjurnal terkemuka di bidang kecerdasan buatan.
Algoritma pengelompokan torsi mengungguli metode pembelajaran tradisional tanpa pengawasan, menawarkan pergeseran paradigma potensial. Ini sepenuhnya otonom, bebas parameter, dan dapat memproses kumpulan data besar dengan efisiensi komputasi yang luar biasa.
Ini telah diuji secara ketat pada 1.000 dataset yang beragam, mencapai skor informasi timbal balik rata -rata (AMI) – ukuran hasil pengelompokan – 97,7%. Sebagai perbandingan, metode canggih lainnya hanya mencapai skor dalam kisaran 80%.
Inovasi AI yang terinspirasi oleh fisika
“Apa yang membedakan clustering torsi adalah fondasi dalam konsep fisik torsi, memungkinkannya untuk mengidentifikasi cluster secara mandiri dan beradaptasi dengan mulus dengan beragam tipe data, dengan berbagai bentuk, kepadatan, dan derajat kebisingan,” kata penulis pertama Dr Jie Yang.
“Itu terinspirasi oleh keseimbangan torsi dalam interaksi gravitasi ketika galaksi bergabung. Ini didasarkan pada dua sifat alami alam semesta: massa dan jarak. Koneksi ini dengan fisika menambahkan lapisan fundamental signifikansi ilmiah pada metode ini.
“Hadiah Nobel Fisika tahun lalu diberikan untuk penemuan dasar yang memungkinkan diawasi Pembelajaran Mesin dengan jaringan saraf buatan. Pembelajaran mesin tanpa pengawasan – terinspirasi oleh prinsip torsi – memiliki potensi untuk membuat dampak yang sama, ”kata Dr Yang.
Pengelompokan torsi dapat mendukung pengembangan kecerdasan buatan umum, khususnya dalam robotika dan sistem otonom, dengan membantu mengoptimalkan gerakan, kontrol, dan pengambilan keputusan. Diatur untuk mendefinisikan kembali lanskap pembelajaran tanpa pengawasan, membuka jalan bagi AI yang benar -benar otonom. Kode open-source telah tersedia untuk para peneliti.
Referensi: “Clustering Otonomi oleh Temukan Puncak Massa dan Jarak Jauh” oleh Jie Yang dan Chin-Teng Lin, 28 Januari 2025, Transaksi IEEE tentang analisis pola dan kecerdasan mesin.
Doi: 10.1109/tpami.2025.3535743
