Ученые повысили эффективность обучения генеративного ИИ

Отечественные ученые создали технологию, которая помогает повысить эффективность обучения генеративных потоковых нейросетей, предназначенных для работы с неструктурированными задачами. Данный метод ускорит разработку ИИ, способных искать новые лекарства.

По словам специалистов, генеративные потоковые модели представляют особый тип алгоритмов машинного обучения, который строит сложные объекты шаг за шагом. Ученые применяют их для поиска белков, лекарств и оптимизации транспортных систем. Для решения этих задач ИИ должен научиться понимать и манипулировать свойствами объектов, которые хочет получить пользователь, пишет ТАСС.

Как правило, они состоят из двух компонентов – прямой и обратной модели. Первая постепенно конструирует сложные объекты из некого набора базовых блоков, а вторая – «разбирает» их и определяет цепочку шагов, которая привела к появлению этой конструкции.

«Мы сделали так, что поиск оптимального решения стал похож на переговоры, в которых обе стороны готовы менять свою позицию. В задачах с большой степенью неизвестности обратная модель – лишь вспомогательный инструмент, улучшающий результаты прямой модели. Мы искали способ сделать работу обратной модели гибкой и, наконец, смогли его получить», – рассказал стажер-исследователь Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ Тимофей Грицаев.

Ранее компания «Яндекс» объявила о поиске школьных преподавателей, которые займутся обучением нейросети «Алиса». Для работы требуются специалисты с опытом преподавания и знанием государственных образовательных стандартов.