Nieuwe leermethode laat AI-agenten lessen trekken uit fouten
Onderzoekers presenteren een aanpak waarmee autonome systemen hun fouten beter onthouden. Dit lost het probleem op waarbij tijdelijke aanpassingen snel verdwijnen en permanente training te kostbaar is.
Autonome softwareagenten moeten door de wol geverfd raken in het oplossen van problemen door te leren van eerdere fouten. Tot voor kort liepen ontwikkelaars tegen een grens aan: tijdelijke correcties verdwijnen te snel uit het geheugen, terwijl het grondig hertrainen van de onderliggende modellen veel rekenkracht en tijd kost.
De voorgestelde techniek probeert deze nadelen te omzeilen door een middenweg te kiezen. Hierdoor kunnen systemen ervaringen uit het verleden effectiever inzetten zonder dat bestaande vaardigheden verloren gaan of de contextlimieten worden overschreden.
Continu leren
Het vermogen om autonoom te verbeteren is een belangrijk doel binnen de kunstmatige intelligentie. Waar systemen traditioneel vooral leertaken uitvoeren tijdens de ontwikkelingsfase, groeit de nadruk op methoden waarmee software zelfstandig blijft leren tijdens het gebruik.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.AI). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel