هوش مصنوعی دانشگاه جورجیا آینده را پیش‌بینی میکند

یک مدل پیشرفته از یادگیری ماشین که توسط محققان دانشگاه جورجیا تک طراحی شده، توانایی دارد تا در زمینه‌های مختلفی از جمله محافظت در برابر بیماری‌ها، مدیریت مصرف برق در شهرها و همچنین تقویت رشد کسب‌وکارها، عملکردی عالی ارائه دهد. این مدل جدید که از آن به عنوان مدل سری زمانی پیش‌آموزش‌دیده بزرگ (LPTM) یاد می‌شود، به عنوان یک مدل بنیادی واحد می‌تواند به‌طور مؤثر وظایف پیش‌بینی را در حوزه‌های مختلف انجام دهد.

به گزارش سرویس نوآوری رسانه اخبار فناوری تکنا، این مدل نه تنها عملکردی برابر یا حتی بهتر از مدل‌های اختصاصی موجود دارد، بلکه به ۴۰ درصد داده کمتری نیاز دارد و زمان آموزش آن نیز ۵۰ درصد کمتر از استانداردهای موجود است. در برخی موارد، LPTM حتی بدون نیاز به داده‌های آموزشی به کار گرفته می‌شود. محققان این مدل را بر روی مجموعه‌های داده مختلف از صنایع گوناگون از جمله مراقبت‌های بهداشتی، حمل‌ونقل و انرژی پیش‌آموزش داده‌اند. برای استفاده مؤثر از این داده‌ها، گروه دانشگاه جورجیا تک یک ماژول تقسیم‌بندی تطبیقی توسعه داده‌اند.

LPTM به زودی در کنفرانس پردازش اطلاعات عصبی ۲۰۲۴ (NeurIPS 2024) در ونکوور کانادا به نمایش گذاشته خواهد شد و پیش‌نویس تحقیقاتی آن نیز در سرور arXiv منتشر شده است. B. Aditya Prakash، یکی از توسعه‌دهندگان این مدل، به اهمیت کار انجام شده در این زمینه اشاره کرد و گفت که مدل‌های قبلی عمدتاً برای داده‌های متنی و تصویری آموزش داده شده‌اند، اما هنوز تحقیقات زیادی در زمینه داده‌های سری زمانی صورت نگرفته است.

مدل‌های بنیادی که به‌طور معمول از داده‌های مختلف آموزش می‌بینند، توانایی انجام وظایف مختلف را دارند. این مدل‌ها، مانند موتورهای GPT و DALL-E، پلتفرم‌های معروف هوش مصنوعی مولد امروزی هستند. اما LPTM در این زمینه متفاوت است، زیرا برای داده‌های سری زمانی طراحی شده است، نه برای تولید متن و تصویر. محققان دانشگاه جورجیا تکنولوژی، LPTM را با استفاده از داده‌هایی از اپیدمی‌ها، اقتصاد کلان، مصرف انرژی، ترافیک و حمل‌ونقل، بازارهای سهام و حرکت انسان آموزش داده‌اند. پس از آموزش، این مدل در مقایسه با ۱۷ مدل دیگر در آزمایش‌های مختلف عملکرد بی‌نظیری نشان داد و در پنج مجموعه داده بهترین عملکرد 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 تمامی معیارها از دیگر مدل‌ها بهتر عمل کرد. این عملکرد برجسته نشان‌دهنده پتانسیل بالای مدل LPTM برای پیش‌بینی نتایج برتر در زمینه‌های مختلف است. Prakash، استاد دانشگاه جورجیا تک، به این نکته اشاره کرد که مدل LPTM فراتر از پیش‌بینی عمل می‌کند و قادر به انجام سایر وظایف مرتبط با داده‌های سری زمانی مانند طبقه‌بندی نیز می‌باشد. او توضیح داد که مدل‌های سنتی معمولاً برای هر کاربرد خاص طراحی می‌شوند، زیرا داده‌ها در هر حوزه‌ای ویژگی‌های متفاوتی دارند.

یکی از قابلیت‌های برجسته LPTM، ماژول تقسیم‌بندی تطبیقی آن است که می‌تواند تفاوت‌های زمانی در داده‌ها را مدیریت کند. این ماژول قادر است داده‌ها را به بخش‌های مختلف تقسیم کند و بهترین روش‌ها را برای یادگیری الگوهای مفید انتخاب نماید.

عملکرد شگفت‌انگیز این مدل در آزمایش‌ها، باعث شده تا در کنفرانس NeurIPS 2024 پذیرفته شود. این کنفرانس یکی از سه رویداد اصلی در زمینه تحقیقات هوش مصنوعی و یادگیری ماشین است. علاوه بر ارائه تحقیقات خود در این کنفرانس، Prakash و Kamarthi، همکاران در پروژه LPTM، یک کتابخانه منبع‌باز از ماژول‌های سری زمانی را نیز در GitHub منتشر کرده‌اند.