Uczenie maszynowe nowej generacji w Europie
Aktualne metody uczenia maszynowego muszą sprostać coraz większej gamie i złożoności dużej liczby zadań i celów. W miarę rozwoju tej technologii i wzrostu znaczenia algorytmów uczenia, będą one musiały radzić sobie z tą dodatkową złożonością. W tym kontekście, w ramach projektu HERL (Large scale machine learning for simultaneous heterogeneous tasks), finansowanego ze środków UE, opracowano narzędzie, które analizuje efektywność nowych i istniejących algorytmów pod kątem rozwiązywania wielozadaniowych problemów dotyczących uczenia się poprzez wzmacnianie. Uczeni starali się też stworzyć algorytmy umożliwiające zarządzanie wieloma celami naraz. W pierwszej kolejności opracowano losowy generator problemów dotyczących uczenia się o nazwie Merlin. Jego wyjątkowość polega na tym, że potrafi generować wielozadaniowe problemy dotyczące uczenia się oraz umożliwia kontrolowanie struktury zależności między zadaniami. Program Merlin jest dostępny bezpłatnie i stale udoskonalany w celu poszerzenia gamy struktury problemów. Zespół HERL opracował platformę oprogramowania umożliwiającą stosowanie wielozadaniowych algorytmów uczenia poprzez wzmocnienie. Przeanalizował również dane dotyczące efektywności różnych algorytmów uczenia, opracowanych i przetestowanych na problemach wygenerowanych, jak i rzeczywistych. Aby tego dokonać, w pierwszej kolejności przygotowano znane struktury problemów, a następnie przeanalizowano te procesy w celu stworzenia skuteczniejszych algorytmów uczenia. Dzięki projektowi HERL powstał program Merlin, który umożliwia badaczom ocenę skuteczności algorytmów w radzeniu sobie z większą różnorodnością problemów. Nowe algorytmy rozwiązują problemy o więcej niż dwóch lub trzech równoczesnych celach. Przyszłe systemy uczenia maszynowego będą bardziej efektywne, a jednocześnie będą wymagać rzadszych interwencji człowieka i pochłaniać mniej zasobów obliczeniowych.
