Un team di ricercatori afferma di aver sviluppato una tecnica di apprendimento automatico che è stata in grado di perfezionare i modelli di intelligenza artificiale utilizzando meno risorse, pur mantenendo l'accuratezza. Questa potrebbe essere utilizzata per migliorare l'intelligenza artificiale su dispositivi più piccoli come gli smartphone.

Il nuovo metodo di addestramento dei ricercatori del Massachusetts Institute of Technology (MIT) potrebbe essere utile per consentire un apprendimento continuo dell'IA su dispositivi di edge computing. Affermano anche che le tecniche di apprendimento profondo possono aiutare i chatbot dell'IA a comprendere gli accenti degli utenti o a prevedere la parola successiva che qualcuno digiterà basandosi sul suo storico di digitazione.

Tuttavia, queste caratteristiche richiedono che il modello dell'IA sia perfezionato con nuovi dati. Il team afferma che su smartphone e piccoli dispositivi di edge questo diventa un problema, dato che possono mancare la memoria e la potenza di calcolo necessarie per questo processo di perfezionamento.

Una soluzione a questo problema potrebbe essere attraverso server cloud, ma ciò presenta preoccupazioni sia per l'energia che per la sicurezza quando si tratta di dati sensibili. Per risolvere questo problema, il team afferma di aver sviluppato una tecnica che permette ai modelli di apprendimento profondo di adattarsi in modo efficiente a nuovi dati di sensori, direttamente su un dispositivo di edge.

Questo metodo di addestramento, che i ricercatori hanno chiamato PockEngine, può determinare quali parti del modello di apprendimento automatico necessitano di essere aggiornate per migliorare l'accuratezza. Poi memorizza e calcola solo quei pezzi specifici.

Il metodo PockEngine è stato progettato per perfezionare ogni strato su un determinato compito e misura il miglioramento dell'accuratezza dopo ogni strato individuale. Puedetermina la contribuzione di ogni strato e i compromessi tra accuratezza e costi di perfezionamento, al fine di determinare la percentuale di ciascun strato che deve essere perfezionata.

Il team afferma che questo metodo di addestramento può svolgere i suoi compiti prima del runtime per minimizzare la potenza di calcolo necessaria e aumentare la velocità del processo di perfezionamento. I ricercatori affermano che PockEngine è stato in grado di eseguire fino a 15 volte più velocemente di altri metodi su alcune piattaforme hardware, senza alcun calo di precisione.