اكتشاف بُعد جديد في تعليم المهام المتعددة: شبكة عصبية تنبؤية ذكية ومبتكرة

في عالم الذكاء الاصطناعي، تكمن التحديات الكبرى في تدريب الوكلاء المستقلين (Autonomous Agents) على أداء مهام متعددة في الوقت ذاته، مما يتطلب القدرة على التكيف مع بيئات متنوعة ولديها موارد محدودة. تقانات التعلم المعزز (Reinforcement Learning) قد وُجدت كحلول، لكن الأداء المتعدد المهام كان ما زال عرضة للعقبات بسبب تداخل المهام.

هنا يظهر الحل الجديد SwitchMT، الذي يعتمد على استخدام الشبكات العصبية المنبضّة (Spiking Neural Networks) لرفع فعالية التعلم المتعدد المهام، مع استهلاك أقل للطاقة. يعتمد SwitchMT على تطوير استراتيجية بديلة للتبديل بين المهام بشكل مرن، مما يسمح بتحسين الأداء دون زيادة تعقيد الشبكة.

يتضمن هذا الأسلوب الابتكاري استخدام شبكة عميقة من الشبكات العصبية المنبضّة (Deep Spiking Q-Network) التي تضم دندرايات نشطة وهياكل متنافسة للاستفادة من إشارات السياق الخاصة بالمهام لإنشاء شبكات فرعية متخصصة. بالإضافة إلى ذلك، يقوم بتطوير سياسة تغيير المهام التي تعتمد على المكافآت والديناميات الداخلية للمعلمات الشبكية.

أظهرت النتائج التجريبية أن SwitchMT حقق نتائج تنافسية في عدد من ألعاب أتياري الشهيرة مثل Pong وBreakout وEnduro، مما يدل بوضوح على كفاءته في التعامل مع تداخل المهام بفاعلية.

مع SwitchMT، أصبح لدى الوكلاء الذكيين إمكانية التعلم المتعدد المهام القابلة للتوسع، مما يفتح آفاقاً جديدة في مجالات التعلم الآلي والتطبيقات العملية في حياتنا اليومية.