Ученые в России разработали новый подход для оптимизации обучения систем искусственного интеллекта (ИИ) на базе алгоритмов классического машинного обучения, который позволит значительно повысить качество рекомендаций в онлайн-сервисах и на маркетплейсах. Об этом сообщила пресс-служба Сбера.
“Современные модели машинного обучения часто используют слишком много или, наоборот, недостаточно шагов обучения, что снижает их точность. Новый способ, который открыли российские ученые, позволит автоматически найти баланс, улучшить качество модели и сделать ее более эффективной”, – говорится в сообщении.
К такому выводу пришли научный сотрудник Института искусственного интеллекта AIRI Булат Ибрагимов и директор лаборатории Sber AI Lab Глеб Гусев при изучении того, как различные протоколы обучения влияют на точность рекомендаций для пользователей, вырабатываемых популярными алгоритмами градиентного спуска (машинного обучения без применения глубинных нейросетей).
При проведении этого анализа российские исследователи исходили из гипотезы, что качество работы рекомендательных систем ИИ может значительно снизиться из-за того, что существующие подходы для обучения подобных алгоритмов не являются адаптивными. Это проявляется в том, что при “тренировке” различных подсистем ИИ не учитываются различия в структуре и сложности разных поднаборов данных.
Для решения этой проблемы российские исследователи разработали специальный алгоритм, который разбивает данные для обучения на блоки со схожим уровнем сложности и подбирает оптимальные параметры для обучения ИИ для каждого подобного блока. Работу этого адаптивного подхода исследователи проверили на двух популярных алгоритмах с открытым кодом, LightGBM и CatBoost, которые используются для подбора рекомендаций для пользователей.
Последующие проверки работы этого протокола обучения показали, что его применение в некоторых случаях на 2% повысило точность рекомендаций, вырабатываемых и тем, и другим алгоритмом, по сравнению с уже существующими подходами, а расходы времени и ресурсов на процесс обучения и работу ИИ при этом растут несущественным образом. В перспективе это позволит значительно улучшить качество рекомендаций в онлайн-сервисах и на маркетплейсах, подытожили исследователи.