ხელოვნური ინტელექტის სისტემების უზარმაზარი შესაძლებლობები ნიშნავს იმას, რომ შეგვიძლია უკეთ ვიწინასწარმეტყველოთ ქაოტური სისტემების მომავალი, წარსულის სულ უფრო და უფრო ნაკლებ შაბლონებზე დაყრდნობით. ამ პროცესს ახალი ალგორითმი კიდევ უფრო მეტ სიზუსტეს ჰმატებს.

შემუშავებული შემდეგი თაობის რეზერვუარის გამოთვლითი ტექნიკის მეშვეობით, რომელიც უფრო დინამიურ და სწრაფ მიდგომას იღებს მანქანური სწავლებისადმი, ახალი ალგორითმი აუმჯობესებს რთული ფიზიკური პროცესების პროგნოზებს, როგორიცაა ამინდის გლობალური პროგნოზი.

ამ პროცესების გამოთვლები, რომლებიც ცნობილია როგორც სივრცით-დროითი ქაოტური სისტემები, ახლა შეიძლება განხორციელდეს დროის უფრო მოკლე მონაკვეთში, უფრო დიდი სიზუსტით, ნაკლები გამოთვლითი რესურსების გამოყენებით და ნაკლები სასწავლო მონაცემების საფუძველზე.

"ეს ძალიან ამაღელვებელია, რადგან ჩვენ გვჯერა, რომ ეს არის მნიშვნელოვანი წინსვლა მონაცემთა დამუშავების ეფექტურობისა და პროგნოზირების სიზუსტის თვალსაზრისით მანქანური სწავლების სფეროში", — ამბობს ფიზიკოსი ვენსონ დე სა ბარბოსა ოჰაიოს სახელმწიფო უნივერსიტეტიდან.

მანქანური სწავლება ზუსტად ეს არის: კომპიუტერული ალგორითმები, რომლებიც იყენებენ აღმოჩენის პროცესს პროგნოზების გასაკეთებლად (როგორიცაა მომავალი ამინდის შაბლონები) მონაცემთა დიდ არქივებზე დაყრდნობით (როგორიცაა წარსული ამინდის ნიმუშები).

რეზერვუარის გამოთვლითი მიდგომა ცდილობს უფრო მეტად მიბაძოს ადამიანის ტვინს და მიაწოდოს ინფორმაცია შემთხვევით დაკავშირებული ხელოვნური ნეირონების "რეზერვუარს", რათა სასარგებლო შაბლონები აღმოაჩინოს. შედეგები შემდგომ გამოიყენება სწავლების მომავალი ციკლების ინფორმირებისთვის.

დროთა განმავლობაში ეს სისტემები უფრო გამარტივებული და ეფექტური გახდა. მანქანური სწავლების ერთ-ერთმა ინოვაციამ პროგნოზირებადი მოდელის ცალკეულ კომპონენტებს პარალელურად განხორციელების საშუალება მისცა. ამ ტიპის არქიტექტურის გამოყენება უახლესი რეზერვუარების გამოთვლითი ტექნოლოგიით ალგორითმებს საშუალებას აძლევს, დააფიქსირონ პოტენციური სიმეტრიები იქ, სადაც ინფორმაცია ქაოტურად ირევა.

მკვლევრებმა გამოსცადეს თავიანთი ახალი მიდგომა ატმოსფერული ამინდის მოდელზე. ჩვეულებრივი ლეპტოპის გამოყენებით, რომელიც Windows-ის პროგრამულ უზრუნველყოფაზე მუშაობს, მათ შეძლეს პროგნოზების გაკეთება 240 000-ჯერ უფრო სწრაფად, ვიდრე ტრადიციული ალგორითმების შემთხვევაში.

"თუკი იცით განტოლებები, რომლებიც ზუსტად აღწერს, თუ როგორ განვითარდება ეს უნიკალური პროცესები სისტემისთვის, მაშინ მისი ქცევის რეპროდუცირება და პროგნოზირება შესაძლებელი იქნება", — ამბობს დე სა ბარბოზა.

მანქანური სწავლების ალგორითმები შეიძლება გამოვიყენოთ ნებისმიერი სახის მომავალი პროცესების პროგნოზირებისთვის, დაწყებული ახალი რესურსების მოპოვებით და დამთავრებული სოციალური ინჟინერიით.

სცენარების გართულებასთან ერთად, უფრო და უფრო მეტი ცვლადია გასათვალისწინებელი, რაც გამოთვლით რესურსებს საზღვრებს უწესებს. მანქანური სწავლების სისტემებს შეუძლიათ წარსულის მონაცემებში დაინახონ ისეთი შაბლონები, რომლებიც ადამიანის თვალისთვის შეუმჩნეველია, და შემდეგ ყურადღება მიაქციონ ამ შაბლონების გამეორებას. მათ ასევე შეუძლიათ უკუკავშირი საკუთარ თავზე, რათა გააუმჯობესონ თავიანთი სიზუსტე დროთა განმავლობაში.

მკვლევართა აზრით, შემდგომში ეს ახალი და გაუმჯობესებული ალგორითმები შეიძლება გამოვიყენოთ მრავალფეროვან სიტუაციებში, როგორებიცაა: გულისცემის შაბლონების მონიტორინგი, ჯანმრთელობის პრობლემების დადგენა და სხვ. ამდენად, როდესაც საკმარისი მონაცემები და გამოთვლითი სიმძლავრე ადგილზეა, მანქანური სწავლების მოდელებით რეალურ სამყაროში არსებული ნებისმიერი კომპლექსური სისტემის პროგნოზირება შეიძლება.