Забывание обучающих данных при шумной обстановке: Обещания MUST’s Metaverse больше, чем жизнь ..

В литературе говорится, что«иногда мы выживаем, забывая».В процессе развития и прогресса ИИ и машинного интеллекта это задание становится все более актуальным. Мы видим типичные модели машинного обучения, которые терпят неудачу в непрерывном обучении. Это склонность к забыванию определенных новых тенденций, когда они подвергаются тренировке или изучению новых задач, особенно нейронные сети или даже человеческий мозг. Это обычно называют катастрофическим забыванием. Реально оправдать такое поведение интеллектуальной системы, где распределение входов по различным новым задачам может происходить очень случайно.

В последние годы всеобщее внимание не было привлечено к этому важному явлению ИИ, т.е. к забыванию. Для любого потока непрерывного обучения мы считаем, что процесс обучения должен быть стохастически оптимизирован с определенным сроком. Обычно это известно в оптимизации стохастического градиентного спуска (SGD), где любая щелчок задач может быть названа крошечной «задачей», представленной сети как новая задача для обучения. Рассмотрим пример с точки зрения платформы для подбора партнеров MUST: Для оптимального подбора партнера MUST использует модель с наблюдением для обучения системы. Модель с наблюдением включает в себя различные характеристики данных нескольких компаний, такие как их производство, категории, детали поставки и т.д. Если мы рассматриваем фиксированное количество атрибутов для обучения нашей модели, это становится реалистичным. Однако, реальная проблема заключается в том, что эти признаки динамически меняются, и редко возникает практическая необходимость вводить новые признаки и новые задачи или процессы для обучения для оптимального подбора сетевиков. С точки зрения оптимизации времени, хорошее обучение означает, что модель может хорошо вспомнить классификацию в момент времени t, 0 < t. Она терпит неудачу, если имеющиеся данные не оптимизированы для последующей обработки этих новых задач и характеристик.

На данном этапе, для подбора MUST, мы вводим многозадачные процедуры, представляя особенности данных с хорошо определенной стохастической градиентной оптимизацией. Этого будет достаточно для того, чтобы более общим образом решить проблему классификации задач и характеристик.

В результате, конечные пользователи будут наслаждаться точным подбором партнеров без пересечений, несмотря на динамические особенности данных, которые никогда не будут забыты моделью ИИ.

Основные задачи данного исследования заключаются в следующем:

— Поддерживать соответствующий эвристический вес для каждой новой функциональности, добавляемой для предприятий для обучения.

— Определить приоритетность задач и функций для оптимального подбора

— Наконец, разумная оптимизация объема данных, обрабатываемых платформой Must, для масштабируемого решения.

Таким образом, с помощью платформы Must Metaverse участники могут быть расширены для выполнения следующих задач, а AI/ ML будет ведущим компонентом:

• Анализ данных о клиентах для понимания их потребностей и желаний
• Разработка прототипов новых продуктов и услуг
• Создание реалистичных симуляций новых продуктов и услуг, если это необходимо, с помощью Must Pavilion
• Тестирование новых продуктов и услуг перед их выпуском.
• Обмен и взаимодействие лучшими практиками Метаверсии.

Must Metaverse на пути к созданию«Цифровой человеческой платформы» будущего

В компании Must мы всегда считаем, что забывчивость неприемлема ни для одного из конечных пользователей, поэтому мы следуем извечной поговорке, следуя ей Нельсон Мандела «Я никогда не проигрываю и не забываю, я либо выигрываю, либо учусь»..