ಮರೆಯದೆ ಕಲಿಯುವ AI
ನಾನು ಒಮ್ಮೆ ಸರ್ಕ್ಯುಲರ್ ಸಪ್ಲೈ ಚೈನ್ ನಿರ್ವಹಿಸಲು ಒಂದು AI ಅನ್ನು ನಿರ್ಮಿಸಿದೆ. ಹೊಸ ಕಾರ್ಬನ್ ತೆರಿಗೆಯನ್ನು ಪರಿಚಯಿಸುವವರೆಗೆ ಅದು ಚೆನ್ನಾಗಿ ಕೆಲಸ ಮಾಡಿತು.
ಆ ಮಾಡೆಲ್ ವಿಫಲವಾಯಿತು. ದಕ್ಷ ರೂಟಿಂಗ್ ಬಗ್ಗೆ ಅದು ಕಲಿತಿದ್ದನ್ನೆಲ್ಲಾ ಮರೆತುಹೋಯಿತು. ಅದನ್ನು ಮೊದಲಿನಿಂದಲೇ ಮರುತರಬೇತಿಗೊಳಿಸಲು ನಾನು ವಾರಗಟ್ಟಲೆ ಸಮಯ ವ್ಯಯಿಸಬೇಕಾಯಿತು.
ಈ ವೈಫಲ್ಯವು ನನಗೆ ಒಂದು ಪ್ರಮುಖ ಪಾಠವನ್ನು ಕಲಿಸಿತು. ಉತ್ಪಾದನಾ ವಲಯದಲ್ಲಿನ AI ಕೇವಲ ಒಮ್ಮೆ ಕಲಿಯುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಿನದನ್ನು ಮಾಡಬೇಕಾಗುತ್ತದೆ. ಅದು ಹಳೆಯ ಜ್ಞಾನವನ್ನು ಕಳೆದುಕೊಳ್ಳದೆ ಹೊಸ ನಿಯಮಗಳಿಗೆ ನಿರಂತರವಾಗಿ ಹೊಂದಿಕೊಳ್ಳಬೇಕು.
ಈ ವಿಧಾನವನ್ನು ನಾನು Meta-Optimized Continual Adaptation ಎಂದು ಕರೆಯುತ್ತೇನೆ.
ಇದು ಎರಡು ಪ್ರಮುಖ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ:
• Meta-Learning: ಮಾಡೆಲ್ ಹೇಗೆ ವೇಗವಾಗಿ ಕಲಿಯಬೇಕು ಎಂಬುದನ್ನು ಕಲಿಸುವುದು. ಇದು ಹೊಸ ತೆರಿಗೆ ರಚನೆಗಳು ಅಥವಾ ಹೊರಸೂಸುವಿಕೆಯ ಮಿತಿಗಳಿಗೆ (emission caps) ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಹೊಂದಿಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. • Continual Learning: ಮಾಡೆಲ್ ತನ್ನ ಹಳೆಯ ಕೌಶಲ್ಯಗಳನ್ನು ಉಳಿಸಿಕೊಳ್ಳುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳುವುದು. ಇದು ನಿಯಮಗಳು ಬದಲಾದಾಗ ಸಿಸ್ಟಮ್ ಕುಸಿಯದಂತೆ ತಡೆಯುತ್ತದೆ.
ನಾನು ಇದನ್ನು ಹೈಬ್ರಿಡ್ ವಿಧಾನವನ್ನು ಬಳಸಿ ಪರೀಕ್ಷಿಸಿದೆ. ನಾನು Model-Agnostic Meta-Learning (MAML) ಅನ್ನು Elastic Weight Consolidation (EWC) ನೊಂದಿಗೆ ಸಂಯೋಜಿಸಿದೆ.
ಫಲಿತಾಂಶಗಳು ಸ್ಪಷ್ಟವಾಗಿದ್ದವು:
- ನಿಯಮಗಳು ಬದಲಾದಾಗ ಸಾಮಾನ್ಯ ಮಾಡೆಲ್ಗಳು 40% ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಕಳೆದುಕೊಂಡವು.
- ನನ್ನ ಅಡಾಪ್ಟಿವ್ ಮಾಡೆಲ್ 5% ಕ್ಕಿಂತ ಕಡಿಮೆ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಕಳೆದುಕೊಂಡಿತು.
- ಸಾವಿರಾರು ಮರುತರಬೇತಿ ಹಂತಗಳ ಬದಲಿಗೆ ಅಡಾಪ್ಟೇಶನ್ ಕೇವಲ 10 ಹಂತಗಳಲ್ಲಿ ನಡೆಯಿತು.
ಬದಲಾಗುತ್ತಿರುವ ನಿಯಮಾವಳಿಗಳಿರುವ ಉದ್ಯಮಗಳಿಗಾಗಿ ನೀವು AI ಅನ್ನು ನಿರ್ಮಿಸುತ್ತಿದ್ದರೆ, ಸ್ಥಿರವಾದ (static) ಮಾಡೆಲ್ಗಳ ಮೇಲೆ ಅವಲಂಬಿತರಾಗಬೇಡಿ. ನೀವೇನಾದರೂ ಒಂದು ನೀತಿಯ ತರ್ಕವನ್ನು (logic) ಅದರ ನಿರ್ದಿಷ್ಟ ಅಂಕಿಅಂಶಗಳಿಂದ ಪ್ರತ್ಯೇಕಿಸುವ ಸಿಸ್ಟಮ್ಗಳನ್ನು ಹೊಂದಿರಬೇಕು.
ನಿಮ್ಮ ಅನುಷ್ಠಾನಕ್ಕಾಗಿ ಮೂರು ಸಲಹೆಗಳು:
- ಬದಲಾವಣೆಗೆ ಸಿದ್ಧರಾಗಲು meta-learning ಬಳಸಿ.
- ಮರೆಯುವುದನ್ನು ತಡೆಯಲು weight constraints ಬಳಸಿ.
- ನಿಮ್ಮ optimization loop ಗೆ ನೇರವಾಗಿ constraints ಅನ್ನು ಸಂಯೋಜಿಸಿ.
ವೈಫಲ್ಯವು ಹೆಚ್ಚಾಗಿ ಅತ್ಯುತ್ತಮ ಶಿಕ್ಷಕವಾಗಿರುತ್ತದೆ. ನನ್ನ ಮಾಡೆಲ್ ಕುಸಿತವು ಬುದ್ಧಿವಂತಿಕೆಯಷ್ಟೇ ಸ್ಥಿರತೆಯೂ ಮುಖ್ಯ ಎಂಬುದನ್ನು ನನಗೆ ತೋರಿಸಿಕೊಟ್ಟಿತು.
Optional learning community: https://t.me/GyaanSetuAi