Rewolucja w dziedzinie sztucznej inteligencji: nowa technika MIT służąca do rozwiązywania problemów o ogromnym znaczeniu

Naukowcy z MIT otwierają nowe horyzonty w dziedzinie sztucznej inteligencji. W ramach znaczącego przełomu zaprezentowali technikę, która znacznie poprawia zdolność generatywnych modeli sztucznej inteligencji do radzenia sobie w sytuacjach o wysokiej stawce. Takie scenariusze wymagają rozwiązań, które rygorystycznie spełniają wymogi dotyczące bezpieczeństwa, warunków fizycznych lub konkretnych zadań, znane również jako “sztywne ograniczenia”. Typowe rozwiązania nie wystarczą – potrzebne są wyniki, które spełniają wszystkie kryteria tych istotnych ograniczeń.

Nowa metoda dla modeli generatywnych

Zamiast czuć się przypartym do muru przez te surowe ograniczenia, zespół z MIT znalazł sposób, by wykorzystać je na swoją korzyść. Naukowcy opracowali metodę, która pozwala modelom generatywnym spełniać te rygorystyczne wymagania bez zmniejszania jasności pierwotnych wyników. Osiągnęli to poprzez zapewnienie modelowi większej swobody działania podczas procesu generowania. Dopiero gdy ostateczny wynik był już na wyciągnięcie ręki, zastosowali sztywne ograniczenia. W ten sposób uniknęli hamowania kreatywności modelu na każdym pośrednim etapie.

Ta pomysłowa metoda pozwoliła pokonać poważne ograniczenia występujące w różnych eksperymentach, wykazując swoją wszechstronność w takich dziedzinach, jak robotyka, sterowanie procesami fizycznymi oraz wizja komputerowa. Udało się jej nawet znaleźć rozwiązania lepsze niż te oferowane przez dotychczasowe techniki. Co więcej, metodę tę można z łatwością zastosować do wstępnie wytrenowanych modeli generatywnych, co eliminuje konieczność czasochłonnego ponownego trenowania.

Jeden z badaczy, Navid Azizan, twierdzi, że pomimo potencjału generatywnej sztucznej inteligencji w zakresie odwzorowywania bogatej przestrzeni możliwości, realia świata rzeczywistego nakładają ograniczenia na zakres dopuszczalnych wyników. Według Azizana piękno tego podejścia polega na zdolności do eksplorowania ogromnego potencjału generatywnej sztucznej inteligencji przy jednoczesnym przestrzeganiu niepodważalnych wymagań sytuacji o wysokiej stawce. Azizan nie jest osamotniony w swoich pracach. W badaniach tych towarzyszą mu Zeyang Li i Kaveh Alim, obaj doktoranci MIT. Artykuł na temat ich badań jest dostępny na stronie Serwis informacyjny MIT a wyniki ich badań zostały opublikowane w Czasopismo IEEE „Transactions on Pattern Analysis and Machine Intelligence”.

Odkrywanie świata aplikacji

Wstępnie wytrenowane generatywne modele sztucznej inteligencji, takie jak Stable Diffusion, oraz modele dopasowujące przepływ, np. FLUX, nie są obce trudnym wyzwaniom. Jednak w krytycznych sytuacjach, takich jak planowanie trasy robota w ruchliwym środowisku fabrycznym, sytuacja “o włos od kolizji” może ostatecznie zakończyć się katastrofalnym zderzeniem. Wyobraźmy sobie, że „prawie poprawna” ścieżka robota prowadzi do zderzenia z pracownikiem. Unikanie takich problemów ma kluczowe znaczenie i właśnie w tym miejscu pojawiają się wyniki tych badań.

Poznajcie HardFlow – nowy algorytm opracowany przez naukowców. HardFlow przekształca próbkowanie z twardymi ograniczeniami w problem optymalizacji trajektorii. Wykorzystuje narzędzia z dziedziny sterowania optymalnego, co pozwala na subtelne kierowanie trajektorią próbkowania modelu w stronę celu, jednocześnie wprowadzając niezbędne korekty i egzekwując twarde ograniczenia dotyczące końcowego wyniku. Innymi słowy, działa to jak prowadząca ręka, wskazująca drogę do łatwiejszego do opanowania rozwiązania, przy jednoczesnym przestrzeganiu istotnych zasad pierwotnego problemu.

Co imponujące, dzięki technice opracowanej przez zespół z MIT system HardFlow osiągnął idealną zgodność z ograniczeniami. Pod względem jakości rozwiązań przewyższył on nawet metody referencyjne. Przykładem tego sukcesu jest manipulator robotyczny, który potrafi unikać kolizji, wyznaczając jednocześnie najszybszą ścieżkę do obiektu docelowego – a wszystko to bez wydłużania czasu obliczeń.

Zespół nie zamierza na tym poprzestać – planuje rozszerzyć tę platformę na sytuacje, w których sam model sztucznej inteligencji będzie mógł ewoluować, co mogłoby doprowadzić do bardziej adaptacyjnych usprawnień w zakresie spełniania ograniczeń i jakości próbek. Jeśli chcesz dowiedzieć się więcej o tym, jak możemy wykorzystać sztuczną inteligencję do usprawnienia i poprawy działalności operacyjnej, zapraszamy do zapoznania się z tym, jak firma implementi.ai wykorzystuje najnowocześniejsze technologie sztucznej inteligencji.