Jak nauczyli sztuczną inteligencję rozwiązywać złożone problemy?

Zespół polskich naukowców stworzył algorytm AI, który znalazł się w czołówce prac przyjętych na tegoroczną konferencję ICLR (International Conference on Learning Representations). Ich dzieło łączy uczenie maszynowe z klasyczną algorytmiką i pomaga sztucznej inteligencji samodzielnie konstruować kolejne kroki do rozwiązywania złożonych problemów. Dzięki takim rozwiązaniom możliwe będzie np. budowanie robotów, które lepiej radzą sobie z wykonywaniem bardziej złożonych zadań.

Zainicjowana dekadę temu konferencja International Conference on Learning Representations (ICLR) szybko stała się jednym z ważniejszych wydarzeń dla środowisk pracujących nad rozwojem sztucznej inteligencji. Co roku rośnie liczba zgłoszeń na temat przełomowych badań naukowych z obszaru AI, które są podstawą do wzięcia udziału w ICLR. Wystąpienia ekspertów dotyczą ich prac nad uczeniem maszynowym, jak również badań z obszarów deep learning i data science.

W najbliższej edycji, która odbędzie się w maju 2023 r. w Kigali w Rwandzie, weźmie udział polski zespół naukowców. Publikacja opisująca stworzony przez nich algorytm Adaptive Subgoal Search (AdaSubS) znalazła się wśród 5 proc. zaakceptowanych prac zgłoszonych na konferencję, czyli około 2% wszystkich zgłoszonych prac.

Wśród autorów algorytmu jest dwóch ekspertów polskiego centrum innowacji w obszarze sztucznej inteligencji IDEAS NCBR: prof. Piotr Miłoś i dr Tomasz Odrzygóźdź. – Zakwalifikowanie się na jedną z najważniejszych konferencji informatycznych i to z wyróżnieniem “notable-top-5%” jest wyjątkowym osiągnięciem dla polskiej nauki. W badaniach nad rozwojem sztucznej inteligencji nie odstajemy od światowej czołówki – stwierdza prof. Piotr Miłoś, lider zespołu badawczego w IDEAS NCBR związany również z Instytutem Matematyki PAN.

Czym jest i jak działa algorytm AdaSubS

Algorytm Adaptive Subgoal Search pozwala maszynom dzielić złożone i skomplikowane problemy na pod-zadania, które z kolei można wykonać krok po kroku.

Algorytm Adaptive Subgoal Search pozwala maszynom dzielić złożone i skomplikowane problemy na pod-zadania, które z kolei można wykonać krok po kroku. Dzięki temu, dojście do rozwiązania wymaga mniej pracy, czyli również mniej mocy obliczeniowej i mniej energii potrzebnej do działania serwerów.

W podobny sposób działają ludzie dzieląc na małe etapy codzienne czynności (jak przygotowanie posiłku), relatywnie rzadkie zadania (jak planowanie wyjazdu na wakacje) i umieją zastosować tę zdolność do zupełnie nowych wyzwań (jak projekt w pracy wymagający innowacyjnego podejścia).

W przypadku programów komputerowych, im dalej od rutynowego schematu, tym trudniej podjąć im adekwatne działanie. Sztuczna inteligencja jest jednak w stanie nauczyć się, jak samodzielnie rozkładać swoje zadania na mniejsze kroki.

– Istnieje wiele palących problemów, które są zbyt trudne, aby można je było rozwiązywać dokładnie i szybko. Przydatne może być nasza innowacyjna metoda, która jest wydajna i naśladuje sposób w jaki my jako ludzie naturalnie myślimy – komentuje Tomasz Odrzygóźdź, postdoc w IDEAS NCBR.

Polski zespół trenował umiejętność swojego algorytmu na kostce Rubika. Obserwując efekty jej mieszania i analizując tysiące możliwych kombinacji, algorytm sam opracował “kamienie milowe” na drodze do ułożenia kostki.

Okazało się, że polski algorytm jest w stanie rozwiązywać te zadania w mniejszej średniej ilości kroków niż najlepsze dotąd znane w tym zakresie algorytmy.

Umiejętności adaptacyjne AdaSubS były również testowane na grze logicznej Sokoban i nierównościach matematycznych. Okazało się, że polski algorytm jest w stanie rozwiązywać te zadania w mniejszej średniej ilości kroków niż najlepsze dotąd znane w tym zakresie algorytmy.

– Celowo uczyliśmy nasz algorytm nie na strategiach mistrzów kostki Rubika, a na zwykłym losowym obracaniu kostki. Sukces polega m.in. na tym, że to w zupełności wystarczyło. Pokazaliśmy, że nawet tak “tanie’” dane uzyskane prostym sposobem są wystarczające, by algorytm był w stanie stworzyć sobie dobre pod-zadania do osiągnięcia celu – komentuje Michał Zawalski, doktorant na Uniwersytecie Warszawskim.

Możliwe zastosowania algorytmu AdaSubS

Chociaż robotyka rozwijana jest od dekad, jesteśmy wciąż daleko od spełnienia się futurystycznych wizji robotów – asystentów

Chociaż robotyka rozwijana jest od dekad, jesteśmy wciąż daleko od spełnienia się futurystycznych wizji robotów – asystentów, które przejęły gotowanie i sprzątanie w domu. Dzieje się tak właśnie dlatego, że czynności te są wbrew pozorom dosyć skomplikowane. Zatrudnienie maszyn do tych zadań wymagałoby stworzenia bardzo złożonego oprogramowania albo właśnie sztucznej inteligencji, która potrafiłaby sama nauczyć się poruszania po kuchni, podobnie jak algorytm AdaSubS nauczył się układać kostkę Rubika.

Innym miejscem obfitującym we wciąż nowe i niestandardowe sytuacje są ulice. Zdolność uczenia się na bieżąco z pewnością pomogłaby systemom sterującym autonomicznymi pojazdami. Twórcy algorytmu AdaSubS widzą też potencjalne zastosowanie ich narzędzia w szerokiej gamie problemów.

– AdaSubS jest algorytmem ogólnego zastosowania, co daje nadzieję na wyskalowanie jego użycia do ważnych problemów nauki oraz życia codziennego. W planach mamy wykorzystanie metody do automatycznego dowodzenia twierdzeń (ang. automated theorem proving, abbreviated ATP), robotyki, automatycznego pisania programów (ang. program synthesis), gier wieloosobowych czy retrosyntezy – opowiada dr Łukasz Kuciński z Instytutu Matematycznego PAN.

Wyróżniona praca polskich naukowców dostępna jest w bazie arXiv oraz na specjalnej stronie internetowej. Jej autorami są doktoranci z Uniwersytetu Warszawskiego: Michał Zawalski, Michał Tyrolski, Konrad Czechowski, Piotr Piękos KAUS (praca napisana podczas pracy na Uniwersytecie Warszawskim), doktorant z Uniwersytetu Jagiellońskiego Damian Stachura, a także dr Tomasz Odrzygóźdź z IDEAS NCBR, Yuhuai Wu z Google Research, dr Łukasz Kuciński z Instytutu Matematycznego PAN i prof. Piotr Miłoś, lider zespołu badawczego w IDEAS NCBR, związany również z Instytutu Matematycznego PAN.
ICLR 2023 odbędzie się w dniach 1-5 maja, więcej informacji na stronie konferencji.