محققان MIT نوعی شبکه عصبی ابداع کرده‌اند که قادر است رفتار زیربنایی خود را پس از فاز آموزشی با شرایط جدید تطبیق داده و تصمیم‌گیری در موقعیت‌هایی که شرایط در آنها به سرعت تغییر می‌کند (مثل رانندگی خودکار، کنترل ربات‌ها و تشخیص بیماری) را بهبود دهد.

این شبکه عصبی «سیال» توسط «رامین حسنی»، محقق آزمایشگاه هوش مصنوعی و علوم کامپیوتر مؤسسه فناوری ماساچوست (CSAIL) و تیم او توسعه داده شده و پتانسیل گسترش قابل توجه انعطاف‌پذیری هوش مصنوعی پس از فاز تمرینی و حین بکارگیری در دنیای واقعی و انجام وظایف را دارد.

 

الگوریتم‌های شبکه عصبی در فاز تمرینی با حجم بزرگی از داده‌ها برای ارتقای توانمندی‌ها آموزش می‌بینند و در صورت ارائه پاسخ صحیح به منظور بهینه‌سازی عملکرد به آنها پاداش داده می‌شود. این شبکه‌ها پس از فاز تمرینی معمولاً دیگر امکان تغییر ندارد. اما حسنی و تیم او تکنیکی توسعه داده‌اند که شبکه عصبی «سیال» می‌تواند پارامترهای موفقیت را در واکنش به اطلاعات جدید تطبیق دهد. این یعنی برای مثال اگر شرایط آب و هوایی ناگهان از صاف به برفی تغییر پیدا کند، شبکه عصبی اتومبیل خودران سریع‌تر خود را با شرایط جدید وفق داده و عملکرد بالای خود را حفظ می‌کند.

یکی از تفاوت‌های اصلی این تکنیک با تکنیک‌های مشابه این است که بر تطابق‌پذیری سری-زمانی (time-series adaptability) تمرکز می‌کند؛ یعنی به جای ساخته شدن بر مبنای داده‌های آموزشی که در واقع از تصاویر یا لحظات ایستا (static) تشکیل شده‌اند، داده‌های سری زمانی یا به عبارت دیگر توالی‌های تصاویر (sequences of images) را در نظر می‌گیرد.

مطالعه این شبکه عصبی سیال نیز به خاطر نوع طراحی در مقایسه با شبکه‌های عصبی سنتی آسان‌تر است. محققان از هوش مصنوعی سنتی سنتی تحت عنوان «جعبه سیاه» یاد می‌کنند چون با اینکه ورودی‌ها و معیار تشخیص و تشویق رفتار موفقیت آمیز مشخص است، اما اغلب نمی‌توان فهمید چه فعل و انفعالاتی درون شبکه عصبی رخ می‌دهد که منجر به موفقیت می‌شوند. شبکه عصبی موردب بحث شفافیت بیشتری از این بابت داشته و به خاطر استفاده از گره‌های رایانشی کمتر اما پیچیده‌تر ارزان‌تر است.