Oublier les données d’entraînement dans une configuration bruyante : Les promesses du Metaverse de MUST plus grandes que nature..

Oublier les données d’entraînement dans une configuration bruyante : Les promesses du Metaverse de MUST plus grandes que nature..

Il est dit dans la littérature que » parfois nous survivons en oubliant « .Au cours du développement et des progrès de l’IA et de l’intelligence artificielle, cette errance devient plus vivante. Nous trouvons des modèles typiques d’apprentissage automatique qui échouent dans l’apprentissage continu. Il s’agit d’une inclinaison vers l’oubli de certaines nouvelles tendances, lorsqu’elles sont exposées à la formation ou à l’apprentissage de nouvelles tâches, en particulier pour les réseaux neuronaux ou même pour le cerveau humain. On parle généralement d’oubli catastrophique. Il est réaliste de justifier un tel comportement d’un système intelligent, où la distribution des entrées sur différentes nouvelles tâches peut se produire de manière très aléatoire.

Ces dernières années, l’attention mondiale n’a pas été attirée sur ce phénomène très important de l’IA, à savoir l’oubli. Pour tout flux du cadre d’apprentissage continu, nous considérons que le processus d’apprentissage doit être optimisé de manière stochastique avec un délai stipulé. Normalement, cela est connu dans l’optimisation Stochastic Gradient Descent (SGD), où tout instantané de tâches peut être désigné comme une minuscule « tâche » présentée au réseau comme une nouvelle tâche à apprendre. Prenons un exemple du point de vue de la plateforme de mise en relation MUST : Pour une mise en relation optimale, MUST suit un modèle supervisé pour former le système. Le modèle supervisé comprend différentes caractéristiques de données de plusieurs entreprises, comme leur production, leurs catégories, les détails de leur approvisionnement, pour n’en citer que quelques-unes. Si nous considérons un nombre fixe d’attributs pour former notre modèle, cela devient réaliste. Cependant, le véritable défi est que ces caractéristiques changent de façon dynamique et qu’il est rarement nécessaire d’introduire de nouvelles caractéristiques et de nouvelles tâches ou processus à apprendre pour une correspondance optimale des réseauteurs. En termes d’optimisation du temps, un bon apprentissage signifie que le modèle peut bien se souvenir de la classification à un instant t, 0 < t. Il échoue si les données disponibles ne sont pas optimisées pour gérer ces nouvelles tâches et caractéristiques par la suite.

À ce stade, pour la mise en correspondance MUST, nous introduisons des procédures multitâches tout en présentant des caractéristiques de données avec une optimisation de gradient stochastique bien définie. Cela permettra de traiter cette classification manquée des tâches et des caractéristiques de manière plus générique.

En conséquence, les utilisateurs finaux profiteront des partenaires de correspondance exacte sans croisement malgré les caractéristiques dynamiques des données, qui ne seront jamais oubliées par le modèle d’IA.

Les points focaux de cette investigation dépendent de :

– Conserver un poids heuristique approprié à chaque nouvelle fonctionnalité ajoutée aux entreprises pour la formation.

– De hiérarchiser la préséance des tâches et des fonctionnalités pour une mise en relation optimale

– Enfin, une optimisation intelligente pour le volume des flux de données à traiter par la plateforme Must vers une solution évolutive .

Ainsi, avec la plateforme Must Metaverse, les participants peuvent être étendus pour effectuer les tâches suivantes tout en ayant l’IA/ML comme composant principal :

  • Analyser les données des clients pour comprendre leurs besoins et leurs désirs
  • Développer des prototypes de nouveaux produits et services
  • Créer des simulations réalistes de nouveaux produits et services si nécessaire grâce au Must Pavilion
  • Tester les nouveaux produits et services avant leur lancement.
  • Partager et interagir les meilleures pratiques de jumelage.

Must Metaverse en route vers la création d’une« Plateforme humaine numérique » du futur

Chez Must, nous pensons toujours que l’oubli n’est acceptable pour aucun des utilisateurs finaux, c’est pourquoi nous suivons le dicton séculaire en Nelson Mandela « Je ne perds ou n’oublie jamais, je gagne ou j’apprends »..