帮助机器人即时纠正错误并相互学习

通常需要相当长时间才能解决的人工智能错误可以在莱斯特大学的新研究的帮助下立即得到纠正。

莱斯特大学数学系的研究人员在神经网络杂志上发表了一篇论文，概述了新算法的数学基础，可以让人工智能收集错误报告并立即纠正，而不会影响现有技能 - 同时积累可用于未来版本或更新的更正。

这实际上可以使机器人能够即时纠正错误，有效地从错误中"学习"而不会损害已经获得的知识，并最终在他们自己之间传播新知识。

与ARM的工业合作伙伴一起，算法被组合成一个系统，一个AI校正器，能够即时提高传统AI的性能(技术报告可在线获得)。*

ARM是全球最大的半导体IP供应商，是目前设计的90%以上智能电子产品的首选架构。

莱斯特大学数学系的Alexander Gorban教授表示："迄今为止，已有多个版本的人工智能大数据分析系统部署在各种平台上的数百万台计算机和小工具上。它们在非均匀网络中运行并进行交互。

"像亚马逊，IBM，谷歌，Facebook，SoftBank，ARM等工业技术巨头都参与了这些系统的开发。它们的性能提高了，但有时它们会出现错误警报，错误检测或错误预测等错误。错误是不可避免的，因为大数据固有的不确定性。

"人类可以立即从错误中吸取教训并且不重复它们(至少是我们中最好的人)似乎是很自然的。如何使人工智能具备这种能力是一个大问题。

"很难在飞行中纠正大型AI系统，更难以在不停止的情况下完全驰骋马匹。

"我们最近发现这个问题的解决方案是可能的。在这项工作中，我们证明了在高维度甚至是指数大的样本中，经典Fisher形式的线性分类器足以将错误与正确的响应分开，具有高概率并为非破坏性校正器问题提供有效的解决方案。"

在廉价，快速和局部校正过程中迫切需要在校正过程中不损害AI系统的重要技能。

对于大数据和大型AI系统来说，机器学习的迭代方法从来都不便宜，因此研究人员建议校正器应该是非迭代的，需要重新配置和合并局部校正的可逆校正器。

来自莱斯特大学数学系的Ivan Tyukin博士说："由于以下几个原因重新训练系统通常是不可行的：它们非常庞大，重新训练需要大量的计算资源或长时间或两者兼而有之;这可能是不可能的在发生错误的地方对本地系统进行再培训;我们可以解决一件事但是打破另一件事导致重要的技能可能会消失。

"用于大数据挖掘的可持续大型智能系统的开发需要创建用于快速非破坏性，非迭代和可逆校正的技术和方法。直到还没有这样的技术存在。"

研究人员发现并证明了随机分离定理，它们为大型智能数据分析系统的校正提供了工具。

通过这种方法，人工智能中的即时学习成为可能，使AI能够在发生错误后重新学习错误。

该研究得到了英国Innovate通过知识转移合作伙伴关系的部分支持：ARM / Apical Ltd与莱斯特大学之间的KTP009890和Visual Management Systems Limited与莱斯特大学之间的KTP010522。

知识转移伙伴关系(KTP)计划帮助企业创新和发展。它通过将它们与大学和毕业生联系起来来完成特定项目。

ARM研发，计算机视觉，成像和视觉部门总监Ilya Romanenko博士说："拥有这样的系统对于向客户和最终用户大规模部署AI服务是不可或缺的。客户特定的AI设备使用情况引起客户特定的错误，这被最终用户认为是不可接受的情况。重新训练核心人工智能来处理这些错误在技术上具有挑战性并且具有潜在风险。新教训的人工智能，教会避免特定错误可能会出现意外行为在另一种情况下，在这种情况下，随着人工智能部署规模的增长，问题的规模呈指数级增长，几乎不可能实现。

"新技术可以完全消除这些障碍，使AI支持的设备在错误删除过程中协同工作。这种新的质量允许大型AI部署随着其规模的增长而变得更加智能化。在实践中，这意味着无错误的AI驱动设备成为现实最近我们提交了一份专利申请，以确保我们在这方面的优先权。"