Negli ultimi anni, l’intelligenza artificiale ha compiuto passi da gigante, trasformando il modo in cui interagiamo con la tecnologia. I ricercatori del MIT hanno recentemente sviluppato un approccio innovativo per migliorare l’efficacia dei modelli di apprendimento automatico, concentrandosi su compiti complessi che comportano variabilità. Questo nuovo algoritmo consente di addestrare agenti AI in modo più efficiente, selezionando strategicamente i migliori compiti per garantire prestazioni ottimali. Con questo metodo, l’algoritmo si è dimostrato da cinque a cinquanta volte più efficace rispetto agli approcci tradizionali.
L’applicazione di questo approccio non si limita a meglio controllare il traffico nelle città congestionate, ma si estende a vari campi, dal settore sanitario alla robotica. Immaginate un sistema che può prendere decisioni intelligenti in tempo reale, migliorando la sostenibilità e la sicurezza. Tuttavia, l’insegnamento a un sistema AI di prendere buone decisioni non è un compito semplice. I modelli di apprendimento per rinforzo possono fallire di fronte anche a piccole variazioni delle attività a cui sono stati addestrati, come nel caso della gestione di incroci stradali con diversi limiti di velocità e schemi di traffico.
Per affrontare questi problemi, i ricercatori hanno proposto l’uso di una tecnica nota come zero-shot transfer learning, che consente ai modelli di applicare ciò che hanno appreso a nuovi compiti senza ulteriori addestramenti. Per migliorare ulteriormente il processo di addestramento, è stato sviluppato un algoritmo chiamato Model-Based Transfer Learning (MBTL), che seleziona i compiti in base alla loro capacità di massimizzare le prestazioni complessive dell’agente AI. Questo approccio rappresenta un passo avanti significativo per l’AI, rendendo i modelli più agili e pronti ad affrontare le sfide del mondo reale.
