Автор: 
Инженеры Швейцарского центра электроники и микротехнологий (CSEM) разработали новый метод машинного обучения, способный сократить потребление энергии, а также позволить искусственному интеллекту (ИИ) выполнять задачи, которые когда-то считались недоступными.
Обучение с подкреплением, при котором компьютер постоянно совершенствуется, извлекая уроки из своего прошлого опыта, является важным аспектом искусственного интеллекта. Однако, эту технологию часто трудно применить в реальных сценариях и ситуациях, таких как обучение систем климат-контроля. Подобные приложения не могут справиться с резкими перепадами температур, которые могут быть вызваны обучением с подкреплением.
Именно эту проблему и решили решить инженеры CSEM, придумав новый подход. Инженеры продемонстрировали, что сначала можно использовать упрощённые теоретические модели для обучения компьютеров, а затем они обратятся к реальным системам. Это позволяет процессу машинного обучения быть более точным к тому времени, когда он достигает реальной системы, извлекая уроки из предыдущих проб и ошибок с теоретической моделью. Это означает, что не будет резких колебаний для реальной системы с технологией климат-контроля.
Одним из наиболее важных аспектов этого нового метода является то, что он позволяет сократить потребление энергии более чем на 20%. Инженеры опробовали метод на системе отопления, вентиляции и кондиционирования (HVAC), которая находилась в 100-комнатном здании.
Инженеры использовали три шага, первый из которых — обучение компьютера в «виртуальном режиме». Эта модель была построена с помощью простых уравнений, объясняющих поведение здания. Реальные данные о здании, такие как температура, погодные условия и другие переменные, затем передавались на компьютер, что приводило к более точному обучению. Последним шагом было позволить компьютеру запускать алгоритмы обучения с подкреплением, что в конечном итоге привело к лучшему подходу к системе HVAC.
Новый метод, разработанный инженерами CSEM, может иметь большое значение для машинного обучения. Ко многим приложениям, которые когда-то считались «недоступными» с помощью обучения с подкреплением, например, с большими колебаниями, теперь можно подойти по-новому. Это приведёт, как к более низкому потреблению энергии, так и к более низким финансовым затратам.
