शोधकर्ताओं ने एक नया एआई एल्गोरिथ्म विकसित किया है, जिसे टॉर्क क्लस्टरिंग कहा जाता है, जो वर्तमान तरीकों की तुलना में प्राकृतिक बुद्धिमत्ता के बहुत करीब है। यह महत्वपूर्ण रूप से सुधार करता है कि कैसे एआई सिस्टम मानव मार्गदर्शन के बिना स्वतंत्र रूप से डेटा में पैटर्न को सीखते हैं और उजागर करते हैं।
टॉर्क क्लस्टरिंग कुशलतापूर्वक और स्वायत्त रूप से जीव विज्ञान, रसायन विज्ञान, खगोल विज्ञान, मनोविज्ञान, वित्त और चिकित्सा जैसे क्षेत्रों में डेटा की विशाल मात्रा का विश्लेषण कर सकता है, नई अंतर्दृष्टि जैसे रोग पैटर्न का पता लगाना, धोखाधड़ी को उजागर करना, या व्यवहार को समझना।
“, जानवरों ने स्पष्ट निर्देशों के बिना, अपने पर्यावरण के साथ अवलोकन, खोज, और बातचीत करके सीखते हैं। एआई की अगली लहर, ‘अनसुनीवेटेड लर्निंग’ का उद्देश्य इस दृष्टिकोण की नकल करना है,” प्रौद्योगिकी विश्वविद्यालय से प्रतिष्ठित प्रोफेसर सीटी लिन ने कहा। Uts)।
“लगभग सभी वर्तमान एआई प्रौद्योगिकियां ‘पर्यवेक्षित सीखने’ पर भरोसा करती हैं, एक एआई प्रशिक्षण विधि जिसमें बड़ी मात्रा में डेटा की आवश्यकता होती है, जिसे मानव द्वारा पूर्वनिर्धारित श्रेणियों या मूल्यों का उपयोग करके लेबल किया जाना चाहिए, ताकि एआई भविष्यवाणियां कर सके और रिश्तों को देख सके।
“पर्यवेक्षित सीखने की कई सीमाएँ हैं। लेबलिंग डेटा महंगा, समय लेने वाली और अक्सर जटिल या बड़े पैमाने पर कार्यों के लिए अव्यावहारिक है। इसके विपरीत, इसके विपरीत, बिना डेटा के काम के बिना काम करता है, डेटासेट के भीतर अंतर्निहित संरचनाओं और पैटर्न को उजागर करता है।”
टॉर्क क्लस्टरिंग विधि का विवरण देने वाला एक पेपर, द्रव्यमान और दूरी चोटियों की तेजी से खोज द्वारा स्वायत्त क्लस्टरिंग, अभी प्रकाशित किया गया है पैटर्न एनालिसिस और मशीन इंटेलिजेंस पर आईईईई लेनदेनआर्टिफिशियल इंटेलिजेंस के क्षेत्र में एक प्रमुख पत्रिका।
टोक़ क्लस्टरिंग एल्गोरिथ्म पारंपरिक असुरक्षित सीखने के तरीकों से बेहतर प्रदर्शन करता है, एक संभावित प्रतिमान बदलाव की पेशकश करता है। यह पूरी तरह से स्वायत्त, पैरामीटर-मुक्त है, और असाधारण कम्प्यूटेशनल दक्षता के साथ बड़े डेटासेट को संसाधित कर सकता है।
यह 1,000 विविध डेटासेट पर सख्ती से परीक्षण किया गया है, एक औसत समायोजित आपसी सूचना (एएमआई) स्कोर को प्राप्त करता है – क्लस्टरिंग परिणामों का एक उपाय – 97.7%का। इसकी तुलना में, अन्य अत्याधुनिक तरीके केवल 80% रेंज में स्कोर प्राप्त करते हैं।
पहले लेखक डॉ। जी यांग ने कहा, “टोक़ क्लस्टरिंग को जो सेट करता है, वह टॉर्क की भौतिक अवधारणा में इसकी नींव है, जो क्लस्टर को स्वायत्त रूप से पहचानने में सक्षम बनाता है और विविध डेटा प्रकारों के लिए मूल रूप से अनुकूलन करता है, अलग -अलग आकृतियों, घनत्व और शोर की डिग्री के साथ,” पहले लेखक डॉ। जी यांग ने कहा।
“यह आकाशगंगाओं के विलय होने पर गुरुत्वाकर्षण बातचीत में टोक़ संतुलन से प्रेरित था। यह ब्रह्मांड के दो प्राकृतिक गुणों पर आधारित है: द्रव्यमान और दूरी। भौतिकी से यह संबंध वैज्ञानिक महत्व की एक मौलिक परत को विधि में जोड़ता है।
डॉ। यांग ने कहा, “भौतिकी में पिछले साल के नोबेल पुरस्कार को संस्थापक खोजों के लिए सम्मानित किया गया था, जो कृत्रिम तंत्रिका नेटवर्क के साथ पर्यवेक्षित मशीन लर्निंग को सक्षम करता है। असुरक्षित मशीन लर्निंग – टॉर्क के सिद्धांत से प्रेरित – एक समान प्रभाव बनाने की क्षमता है,” डॉ। यांग ने कहा।
टोक़ क्लस्टरिंग आंदोलन, नियंत्रण और निर्णय लेने को अनुकूलित करने में मदद करके, विशेष रूप से रोबोटिक्स और स्वायत्त प्रणालियों में सामान्य कृत्रिम बुद्धिमत्ता के विकास का समर्थन कर सकता है। यह वास्तव में स्वायत्त एआई के लिए मार्ग प्रशस्त करते हुए, अनसुफलीज़ लर्निंग के परिदृश्य को फिर से परिभाषित करने के लिए तैयार है। ओपन-सोर्स कोड शोधकर्ताओं को उपलब्ध कराया गया है।
