Na MIT-u otkrili način da smanje neuronske mreže i zadrže im efikasnost
Današnji sustavi umjetne inteligencije oslanjaju se na računalne neuronske mreže koje se moraju trenirati velikim količinama podataka, ali moraju biti i prilično velike. No, možda ih se može i smanjiti
Sustavi računalne umjetne inteligencije kakve danas poznajemo oslanjaju se na umjetne neuronske mreže – računalne sustave inspirirane neuronskim strukturama iz mozga – koje provode kalkulacije na temelju složenih algoritama, rafiniraju te algoritme, uče, te poboljšavaju dobivene rezultate. Neuronske mreže sastoje se od više slojeva kroz koje podaci prolaze prilikom obrade, a za dobivanje funkcionalne umjetne inteligencije, one koja je u stanju obavljati dodijeljene joj zadatke, potrebno je svaki takav sustav "trenirati" na velikim skupovima podataka.
Zbog toga su neuronske mreže obično velike i zahtijevaju mnogo računalne snage. Tim znanstvenika s MIT-a pošao je od pretpostavke da se rafiniranjem i "učenjem" u konačnici ne koriste baš svi umjetni neuroni za dobivanje konačnih rezultata, nego da tek manji dio njih na kraju preuzima glavnu ulogu, dok se drugi, korišteni tijekom treniranja, mogu i zanemariti. To su i dokazali u svojem radu koji pokazuje kako se neuronske mreže u konačnici mogu sastojati i od 90% manje neurona i da mogu i dalje biti jednako efikasne.
Ovi su znanstvenici inspiraciju uzeli još jednom iz prirode, gdje je primijećeno da neuroni koji se u mozgu ne koriste obično budu "odrezani" – pa su pokušali isti princip primijeniti i na umjetnim neuronima. I uspjeli su: njihovi sustavi su tijekom treniranja sami gasili određene neuronske veze koje nisu bile korisne za dobivanje krajnjeg rezultata. Time je ostvareno spomenuto smanjenje potrebne neuronske mreže, a da joj funkcija ostane nepromijenjena.
No, postavlja se pitanje mogu li se izraditi 10 puta manje neuronske mreže koje će moći biti i trenirane bez "viška" neurona. Ekipa iz MIT-jevog laboratorija za umjetnu inteligenciju kaže kako je to slično kupovini samo dobitnih listića lutrije. Da bi kupac bio siguran da će dobiti na lutriji morao bi kupiti sve listiće (tj. imati cijelu neuronsku mrežu za treniranje), ali će mu dobitak donijeti tek jedan ili nekoliko njih (samo neuroni koji nakon treniranja ostanu aktivni i korisni). Ovaj će problem komprimiranja neuronskih mreža, kažu, držati stručnjake zaposlenima još godinama – a dokaz da je moguće s manjom mrežom biti jednako učinkovit tek je početak.
