새로운 MIT 알고리즘이 AI 결정-제작 효율성을 최대 50배 향상시킵니다

MIT 연구진들은 최적의 과제를 선택하여 의사결정을 개선하고 훈련 비용을 줄이는 효율적인 AI 훈련 알고리즘을 개발하였습니다.

MIT의 연구자들이 AI 결정 모델을 특히 도시의 교통 통제와 같은 복잡한 작업에 대해 더 효율적으로 만들기 위해 새로운 알고리즘을 소개하였습니다.

이 알고리즘은 다양한 작업 간의 변동성으로 종종 어려움을 겪는 전통적인 강화 학습을 개선합니다.

MIT의 보도자료에 따르면 예를 들어, 한 교차로의 교통을 제어하도록 훈련된 AI 모델은 교통 패턴, 차선 수, 또는 속도 제한이 다른 다른 교차로에 적용할 경우 실패할 수 있다고 설명하고 있습니다.

이 새로운 접근법은 모델 기반 전이 학습(Model-Based Transfer Learning, MBTL)이라고 알려져 있으며, AI 에이전트를 훈련시키기 위한 작업의 부분 집합을 전략적으로 선택합니다. 이는 성능 향상이 가장 큰 작업에 집중하는 것입니다.

이 방법을 통해 훈련의 초점을 좁히면, 데이터와 계산 자원의 필요성을 줄이면서 학습 과정의 효율성을 향상시킨다고 MIT에서 말합니다.

해당 팀의 연구 결과는 신경 정보 처리 시스템에 대한 회의에서 발표될 예정이며, MBTL이 표준 방법보다 5에서 50배 더 효율적이라는 것을 입증했습니다.

“우리는 박스 밖으로 생각함으로써, 매우 단순한 알고리즘으로도 놀라운 성능 향상을 볼 수 있었습니다.”라고 Cathy Wu, MIT의 부교수이자 고위 저자가 말했습니다.

“복잡하지 않은 알고리즘이라면, 구현하기도 쉽고 다른 사람들이 이해하기도 쉬워서 커뮤니티에서 채택될 가능성이 더 큽니다.”

일반적으로 교통 통제와 같은 작업을 위한 AI 모델은 두 가지 방법 중 하나로 훈련됩니다: 모든 작업에서 데이터를 사용하거나, 각 작업마다 별도의 모델을 훈련시키는 것입니다.

MIT는 두 가지 방법 모두에 단점이 있다고 설명합니다—별도의 모델을 훈련시키는 것은 대량의 데이터를 필요로 하며, 반면에 모든 작업에 대해 훈련시키는 것은 종종 미흡한 성능을 초래합니다.

연구자들의 방법은 중간 길을 찾아, 모든 작업에 걸친 성능을 최대화하기 위해 전략적으로 선택된 작업의 작은 부분 집합에 알고리즘을 훈련시킵니다.

MBTL은 제로샷 전이 학습을 사용하는데, 이는 모델이 한 가지 작업에 대해 훈련받은 후 추가적인 재훈련 없이 비슷한 작업에 적용되는 개념입니다.

MIT는 이 방법이 모델이 직접 훈련받지 않은 작업에서 얼마나 잘 수행될 것인지를 추정하고, 따라서 전체 일반화를 개선할 작업을 선택한다고 설명합니다.

“MBTL 알고리즘은 50배의 효율성 향상으로, 단 두 가지 작업만을 훈련하여 100개의 작업 데이터를 사용하는 표준 방법과 동일한 성능을 달성할 수 있었습니다,”라고 우(Wu)는 설명했습니다.

MIT에 따르면, 이 접근 방식은 필요한 훈련 데이터의 양을 크게 줄이며, 복잡한 의사 결정을 위한 AI 모델 개발의 속도와 비용 효율성을 모두 개선합니다.

전망을 내다보면, 이 팀은 보다 복잡한 시스템과 실제 세계의 응용 분야를 위해 MBTL 방법론을 더욱 정제할 계획입니다. 이는 예를 들어 차세대 이동성 시스템과 같은 분야를 포함합니다.