«`html
Уникальный метод машинного обучения PRISE для изучения многозадачных временных абстракций действий с использованием обработки естественного языка (NLP)
В области последовательного принятия решений, особенно в робототехнике, агенты часто имеют дело с непрерывными пространствами действий и высокомерными наблюдениями. Эти трудности возникают при принятии решений в широком спектре потенциальных действий, таких как сложные, непрерывные пространства действий, и при оценке огромных объемов данных. Для эффективной и эффективной обработки и действий в этих сценариях требуются продвинутые процедуры.
Ключевые практические решения и ценность:
В недавнем исследовании команда из Университета Мэриленда, Колледж Парк, и исследовательского центра Microsoft представила новую точку зрения, которая формулирует проблему компрессии последовательности в терминах создания временных абстракций действий. Подходы к обучению больших языковых моделей (LLM) служат источником вдохновения для этого метода в области обработки естественного языка (NLP). Токенизация ввода является важной частью обучения LLM и обычно выполняется с использованием кодирования пар байтов (BPE). Это исследование предлагает адаптировать BPE, который широко используется в NLP, для задачи изучения возможностей переменного времени в областях непрерывного управления.
Примитивное кодирование последовательности (PRISE) — новый подход, представленный исследованием для воплощения этой теории в практике. PRISE создает эффективные действия абстракций путем объединения BPE и квантования непрерывного действия. Для упрощения обработки и анализа непрерывные действия квантованы путем преобразования их в дискретные коды. Эти последовательности дискретных кодов затем сжимаются с использованием техники компрессии последовательности BPE, чтобы выявить значимые и повторяющиеся действия примитивов.
Эмпирические исследования используют задачи робототехники для демонстрации эффективности PRISE. Исследование показало, что высокоуровневые умения улучшают производительность копирования поведения (BC) на последующих задачах при использовании PRISE на ряде демонстраций многозадачной роботизированной манипуляции. Компактные и значимые действия, созданные PRISE, полезны для копирования поведения, подхода, при котором агенты учатся на примерах экспертов.
Ключевые вклады команды можно суммировать следующим образом:
- Уникальный метод — Примитивное кодирование последовательности (PRISE) для изучения многозадачных временных абстракций действий с использованием подходов NLP.
- PRISE существенно улучшает эффективность обучения по сравнению с сильными базовыми линиями, такими как ACT, путем обучения политик по изученным умениям и их декодирования в простые последовательности действий в ходе последующих задач.
- Исследование включает в себя детальное исследование для понимания того, как различные параметры влияют на производительность PRISE, демонстрируя важную роль BPE в успехе проекта.
В заключение, временные абстракции действий представляют собой мощное средство улучшения последовательного принятия решений, когда они рассматриваются как проблема компрессии последовательности. Через эффективную интеграцию подходов NLP, особенно BPE, в область непрерывного управления PRISE способен изучать и кодировать высокоуровневые умения. Эти способности демонстрируют потенциал междисциплинарных подходов в увеличении робототехники и искусственного интеллекта, а также в улучшении эффективности таких техник, как копирование поведения.
Ознакомьтесь с документом и проектом. Вся заслуга за это исследование принадлежит его ученым. Также подпишитесь на нас в Twitter и присоединяйтесь к нашей группе в LinkedIn. Если вам нравится наша работа, вам понравится наш бюллетень.
Не забудьте присоединиться к нашему сообществу 47 тыс. подписчиков на ML SubReddit.
Найдите предстоящие вебинары по ИИ здесь.
Статья в оригинале опубликована на сайте MarkTechPost.
Как PRISE может улучшить ваш бизнес с помощью искусственного интеллекта (ИИ)
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте PRISE: A Unique Machine Learning Method for Learning Multitask Temporal Action Abstractions Using Natural Language Processing (NLP).
Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизацию: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.
Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.
Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI.
На полученных данных и опыте расширяйте автоматизацию.
Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/itinai. Следите за новостями о ИИ в нашем Телеграм-канале t.me/itinainews или в Twitter @itinairu45358.
Попробуйте AI Sales Bot. Этот AI ассистент в продажах, помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab itinai.ru. Будущее уже здесь!
«`
P.S. Пожалуйста, замените «#» ссылки на соответствующие URL-адреса.
