مدل هوشمند جدید دانشگاه جورجیا تک پیشبینیهای کارآمد در عرصهها را

یک سیستم پیشرفته یادگیری ماشین که توسط اساتید دانشگاهیا تک طراحی شده، قابلیت پیشبینی در حوزههای مختلفی مانند مبارزه با بیماریها، مدیریت برق شهری و رشد کسبوکارها را دارد. این مدل جدید که به عنوان پیوند با مدلهای بزرگ شناخته میشود، قادر است یک واحد برای انجام وظایف پیشبینی در حوزهها باشد.

به گزارش شبکه ملی اخبار فناوری، این مدل نه تنها عملکردی برابر یا حتی بهتر از مدلهای تخصصی موجود دارد، بلکه از ۴۰ درصد کمتر از دادههای آموزشی نیاز دارد و زمان آموزش آن ۵۰ درصد کمتر از های فعلی است. در برخی موارد، این مدل حتی بدون نیاز به دادههای آموزشی استفاده میتواند انجام دهد. محققان این مدل را روی مجموعههای داده گوناگون از صنایع متعددی از جمله سلامت، حملونقل و انرژی پیشآموزش دادهاند.

LPTM ز در کنفرانس پردازش اطلاعات عصبی ۲۰۲۴ ( ۲۰۲۴) درکانادا به نمایش خواهد گذاشت و پیشنویس تحقیقاتی آن در سرور آراکس منتشر شده است. ب. ادیتا پیشاکثور، یکی از گسترشدهندگان این مدل، اهمیت انجام شده در این حوزه را تأکید کرد و اظهار داشت که مدلهای قبلی عمدتا برای دادههای متنی و تصویری آموزش گرفته شدهاند، اما تحقیقات وسیعی در حوزه دادههای سری زمانی انجام نشده بود.

مدلهای بنیادین که از دادههای گوناگون آموزش میبینند، توانایی انجام الوظائف گوناگون را دارند. این مدلها شبیه موتورات GPT و، پلتفرمهای شناختهشده هوش مصنوعی مولد امروز هستند. اما LPTM در این حوزه متفاوت است، زیرا برای دادههای سری زمانی طراحی شده است، نه برای تولید متن و تصویر. اساتید دانشگاهیا تک, LPTM را با بهرهگیری از دادههایی از اپیدمیها، اقتصاد کلان، مصرف انرژی، ترافیک و حملونقل، بازارهای سهام و حرکت انسان آموزش دادهاند. بعد از آموزش، این مدل در مقایسه با ۱۷ مدل دیگر در آزمایشهای مختلف، عملکرد بینظیر نشان داد و در پنج مجموعه داده، بهترین کارکرد را داشت.

در یکی از آزمایشها، گروه محققان LPTM را بدون نیاز به دادههای خاص و تنها با استفاده از دادههای ورودی آزمایش کردند و در تمام معیارها از سایر مدلها عمل کردند. این کارکرد برجسته نشاندهنده پتانسیل بالای مدل LPTM برای پیشبینی نتایج برتر در حوزههای مختلف است. البروفسور، اساتید دانشگاهیا تک، اشاره کرد که LPTM تنها به پیشبینی محدود نمیشود و قادر به انجام سایر وظایف مرتبط با دادههای سری زمانی مثل طبقهبندی نیز است. او توضیح داد که مدلهای سنتی معمولا برای هر کاربرد خاص طراحی خواهد شد، زیرا دادهها در هر حوزه ویژگیهای متغیر دارند.

یکی از قابلیتهای برجسته LPTM، ماژول تقسیمبندی تطبیقی آن است که قادر است تغییرات زمانی در دادهها را مدیریت کند. این ماژول است دادهها را به قطعات مختلف تقسیم کرده و بهترین راهکارها برای یادگیری الگوهای سودمند انتخاب نماید.

کارکرد شگفتآزنده این مدل در آزمایشها، دلیلش است که در کنفرانس ۲۰۲۴ پذیرفته شد. این کنفرانس یکی از سه رویدادهای مهم در حوزه تحقیقات هوش مصنوعی و یادگیری ماشین است. علاوه بر آشنایی باحثان در این کنفرانس, و, همکاران در پروژه LPTM, یک کتابخانه منبعباز از ماژولهای سری زمانی را نیز در گیتهاب منتشر کردهاند.

OAR_MEDIA_