Descrizione del progetto
Soluzioni avanzate di apprendimento dell’intelligenza artificiale
Negli ultimi anni, l’apprendimento automatico (ML) e l’IA hanno compiuto progressi significativi, guadagnando sempre più attenzione per il loro potenziale nell’automazione, nella ricerca, nella scoperta di farmaci, nella microchimica e in altri campi. Tuttavia, nonostante questi progressi, i sistemi di ML spesso faticano ad adattarsi alle mutevoli distribuzioni dei dati, ostacolando la loro capacità di superare le fasi di dimostrazione del concetto. Il progetto ConSequentIAL, finanziato dal CER, intende affrontare questa sfida sviluppando un sistema di intelligenza artificiale ad apprendimento continuo e sequenziale. Questo sistema integrerà metodologie di apprendimento supervisionate e non, tecniche avanzate di raccolta dati e strumenti di apprendimento per rinforzo (RL). Il progetto farà progredire la teoria RL per creare sistemi RL non stazionari e sviluppare nuovi principi algoritmici, consentendo una migliore adattabilità ai cambiamenti esterni e migliorando la flessibilità e la robustezza dei sistemi di intelligenza artificiale.
Obiettivo
Machine Learning systems, while promising, lack the autonomy needed for many real-world applications beyond mere proof-of-concept stages. The key challenge lies in enabling AI to continuously adapt to shifting data distributions and proactively seek information under high uncertainty.
Fields such as drug discovery and micro-chemistry are expecting breakthroughs from AI, given the vast and intricate search spaces they deal with, coupled with expensive data acquisition. It is vital for algorithms to steer this search, assimilate new data, and strategically explore promising zones.
Reinforcement Learning (RL) offers tools and methods for agents to autonomously learn from their actions, but its efficacy has been largely confined to stationary, single-task settings.
ConSequentIAL's vision is a Continual and Sequential Learning AI that marries supervised and unsupervised learning with advanced data gathering and RL-driven discovery mechanisms.
To achieve these goals, I propose to bridge the theory of constrained and non-stationary RL to build a sound and useful mathematical formulation of the problem. On these new solid grounds, I develop novel algorithmic principles that allow the agent to detect and respond to external shifts, while remaining aware of her own impact on the system she interacts with. I address the memory-versus-stability trade-off central to continual learning by enabling agents to actively plan their skill acquisition in accordance with their long-term goals.
The ambition of this project is to position AI to tackle the consequential scientific challenges ahead.
Programma(i)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Argomento(i)
Meccanismo di finanziamento
HORIZON-ERC - HORIZON ERC GrantsIstituzione ospitante
72074 Tuebingen
Germania