Vergessen von Trainingsdaten in einer verrauschten Umgebung: Die Versprechungen von MUSTs Metaverse sind größer als das Leben..

In der Literatur heißt es:„Manchmal überleben wir durch Vergessen“.Im Zuge der Entwicklung und des Fortschritts von KI und maschineller Intelligenz wird diese Aufgabe immer lebendiger. Wir finden typische maschinelle Lernmodelle, die beim kontinuierlichen Lernen versagen. Sie neigen dazu, bestimmte neue Trends zu vergessen, wenn sie dem Training oder dem Erlernen neuer Aufgaben ausgesetzt sind, insbesondere bei neuronalen Netzwerken oder sogar beim menschlichen Gehirn. Dies wird gewöhnlich als katastrophales Vergessen bezeichnet. Es ist realistisch, ein solches Verhalten eines intelligenten Systems zu rechtfertigen, bei dem die Verteilung der Eingaben auf verschiedene neue Aufgaben sehr zufällig erfolgen kann.

In den letzten Jahren hat man diesem wichtigen KI-Phänomen, dem Vergessen, weltweit keine Aufmerksamkeit geschenkt. Wir gehen davon aus, dass der Lernprozess für jeden Strom des kontinuierlichen Lernens stochastisch mit einer festgelegten Zeitspanne optimiert werden sollte. Normalerweise kennt man das von der Stochastic Gradient Descent (SGD)-Optimierung, bei der jeder Schnappschuss von Aufgaben als eine winzige „Aufgabe“ bezeichnet werden kann, die dem Netzwerk als neue Aufgabe zum Lernen vorgelegt wird. Nehmen wir ein Beispiel aus der Perspektive der Matchmaking-Plattform MUST: Um ein optimales Matching zu erreichen, verwendet MUST ein überwachtes Modell, um das System zu trainieren. Das überwachte Modell umfasst verschiedene Datenmerkmale mehrerer Unternehmen, wie z.B. deren Produktion, Kategorien, Lieferdetails, um nur einige zu nennen. Wenn wir eine feste Anzahl von Attributen zum Trainieren unseres Modells verwenden, wird es realistisch. Die eigentliche Herausforderung besteht jedoch darin, dass sich diese Merkmale dynamisch verändern und es in der Praxis nur selten notwendig ist, neue Merkmale und neue Aufgaben oder Prozesse einzuführen, die für einen optimalen Abgleich der Netzwerker gelernt werden müssen. In Bezug auf die Zeitoptimierung bedeutet gutes Lernen, dass das Modell die Klassifizierung zu einem Zeitpunkt t, 0 < t, gut abrufen kann. Es scheitert, wenn die verfügbaren Daten nicht optimiert sind, um diese neuen Aufgaben und Merkmale später zu verarbeiten.

An dieser Stelle führen wir für das MUST-Matchmaking Multitasking-Verfahren ein, während wir die Datenmerkmale mit einer wohldefinierten stochastischen Gradientenoptimierung präsentieren. Dies wird ausreichen, um diese Fehlklassifizierung von Aufgaben und Merkmalen auf eine allgemeinere Art und Weise anzugehen.

Im Ergebnis werden die Endbenutzer trotz der dynamischen Merkmale der Daten, die das KI-Modell nie vergisst, in den Genuss von exakt passenden Partnern kommen, ohne sich zu überschneiden.

Die Schwerpunkte dieser Untersuchung liegen auf:

– Eine angemessene heuristische Gewichtung für jede neue Funktionalität, die für Unternehmen zum Training hinzugefügt wird.

– Die Priorisierung von Aufgaben und Funktionen für eine optimale Abstimmung

– Schließlich eine intelligente Optimierung des Datenvolumens, das von der Must-Plattform verarbeitet werden muss, um eine skalierbare Lösung zu erhalten.

Mit der Must Metaverse-Plattform können die Teilnehmer also folgende Aufgaben ausführen, wobei KI/ML eine wichtige Rolle spielt:

• Analyse von Kundendaten, um deren Bedürfnisse und Wünsche zu verstehen
• Entwicklung von Prototypen für neue Produkte und Dienstleistungen
• Erstellen realistischer Simulationen neuer Produkte und Dienstleistungen, falls erforderlich durch Must Pavilion
• Testen neuer Produkte und Dienstleistungen vor deren Veröffentlichung.
• Austausch und Interaktion der besten Matchmaking-Praktiken.

Must Metaverse auf dem Weg zu einer„Digital Human Platform“ der Zukunft

Wir bei Must sind der Meinung, dass Vergessen für die Endnutzer nicht akzeptabel ist, deshalb folgen wir dem alten Sprichwort, indem wir Nelson Mandela „Ich verliere oder vergesse nie, ich gewinne oder lerne“..