Trzej naukowcy pracujący w IDEAS NCBR: dr hab. Bartosz Zieliński – lider zespołu badawczego “Zrównoważona wizja komputerowa dla maszyn autonomicznych”, dr Łukasz Kuciński – lider zespołu “Autonomiczni agenci i dopasowanie dużych modeli językowych” oraz dr Bartłomiej Twardowski – lider zespołu badawczego “Uczenie maszynowe w trybie ciągłym” – zdobyli granty w konkursach SONATA BIS 13, OPUS 26 oraz SONATA 19 Narodowego Centrum Nauki. Wszyscy są również członkami ELLIS Unit Warsaw, pierwszym w Polsce oddziałem ELLIS Society, sieci łączącej ośrodki prac nad sztuczną inteligencją w Europie.
Ekologiczne rozwiązania dla autonomicznych maszyn
Bartosz Zieliński zdobył grant w wysokości 990 600 zł w konkursie SONATA BIS 13 na projekt “Zrównoważone widzenie komputerowe dla maszyn autonomicznych”. Celem jest opracowanie nowatorskich, zrównoważonych metod wizji komputerowej, które uwzględniają ograniczone zasoby obliczeniowe i potrzebę ograniczenia negatywnego wpływu na środowisko. Badania koncentrują się na aktywnej eksploracji wizualnej, która umożliwia efektywne zbieranie i analizowanie informacji wizualnych z otoczenia.
W rezultacie rozwiązanie to może znacznie zwiększyć autonomię maszyn podczas ich użytkowania. Dla przykładu, drony wyposażone w nowatorskie rozwiązania z zakresu wizji komputerowej będą mogły monitorować stan lasów, tak żeby szybko lokalizować pożary, a także śledzić ruchy zwierząt w parkach narodowych, co pomoże zapobiegać kłusownictwu. Wszystko to będzie możliwe przy zminimalizowaniu śladu węglowego.
Oczekuje się, że projekt pozwoli na stworzenie modeli uczenia maszynowego zdolnych do szybkiej adaptacji do różnych środowisk oraz zmniejszy ilość energii potrzebnej do treningu. Taka technologia może mieć liczne zastosowania w praktyce.
– Dotychczasowe prace nad zrównoważonym widzeniem komputerowym często nie brały pod uwagę specyficznych wymagań aplikacji robotycznych, co czyniło je mało efektywnymi w takich zastosowaniach. Nasze badania mają na celu dostosowanie widzenia komputerowego do potrzeb robotyki, tak aby tworzyć bardziej skuteczne i praktyczne metody – tłumaczy dr hab. Bartosz Zieliński, IDEAS NCBR.
Debatujące AI: nowa era treningu modeli
Łukasz Kuciński zdobył grant w wysokości 624 640 zł w konkursie OPUS 26 na realizację projektu “Dopasowanie dużych modeli językowych poprzez debatę oraz uczenie ze wzmocnieniem”. Innowacyjne podejście ma polegać na szkoleniu modeli AI w formacie debaty – modele będą się uczyły argumentować i bronić swoich racji. Metoda ta ma sprawić, że AI będzie rozumować w bardziej logiczny sposób, formułować złożone argumenty oraz lepiej dostosowywać się do ludzkich wartości i intencji.
W ramach realizacji projektu powstanie protokół szkolenia oparty na debatach, udostępniony publicznie zestaw transkryptów debat oraz wyuczony model AI. Badacze oczekują, że AI będzie dostarczać dokładniejszych, niezawodnych odpowiedzi, poprawiając nasze zrozumienie świata i wspomagając podejmowanie decyzji.
– Dotychczasowe badania nad dopasowaniem modeli językowych skupiają się w większości na odzwierciedleniu ludzkich preferencji. Niemniej równie ważne są zdolności do rozumowania, rozmowy zorientowanej na cel, kompetentnego odpowiadania na pytania i przedstawiania odpowiednich uzasadnień. Dlatego używanie debat do dopasowania dużych modeli językowych jest tak obiecującym kierunkiem badań: zachęca ono modele do obrony własnych argumentów, przekonywania osób postronnych i krytycznego podejścia do przeciwstawnych punktów widzenia – opowiada dr Łukasz Kuciński, IDEAS NCBR.
Samoadaptujące się algorytmy AI
Bartłomiej Twardowski otrzymał grant w wysokości 615 353 zł w ramach konkursu SONATA 19 na projekt “MLAdapt – Self-Adapting Machine Learning”. Projekt zakłada rozwój samoadaptujących się algorytmów uczenia maszynowego. Umożliwią one modelom uczenie się i adaptację do zmieniających się warunków w trybie online, po pierwotnym wdrożeniu. Dla przykładu, pojazd autonomiczny wyposażony w taką technologię potrafiłby samodzielnie nauczyć się pokonywania coraz trudniejszych przeszkód w nieznanym terenie, być odpornym na anomalie oraz poprawnie funkcjonować przy nieprzewidzianych warunkach pogodowych. Ale zastosowań jest dużo więcej: robotyka, medycyna, modelowanie zachowania użytkowników. Wszędzie tam, gdzie po wdrożeniu modelu warunki, w których jest wykorzystywany mogą ulec zmianie.
Rozwiązania tego typu, bazujące na uczeniu ciągłym (continual learning) oraz adaptacji sieci w trakcie inferencji (test-time adaptation), pozwolą m.in. na zredukowanie kosztów trenowania modeli i zwiększenie ich możliwości. Modele będą w stanie ewoluować na bieżąco w oparciu o nowe dane ze środowiska. Będą mogły znaleźć zastosowanie w dziedzinach takich jak przetwarzanie obrazów medycznych, robotyka, asystenci głosowi i przemysł motoryzacyjny.
– Otaczający nas świat się zmienia, dane do modelowania również. Założenie, że model uczenia maszynowego jest wykorzystywany tylko dla danych bardzo podobnych do tych, na których został wytrenowany, jest bardzo restrykcyjne i naciągane przy wielu wdrożeniach modeli ML. Natomiast detekcja każdej anomalii, jej poprawna klasyfikacja i wytrenowanie kolejnego modelu to podejście bardzo kosztowne i mało ekologiczne. W naszych badaniach adresujemy ten problem poprzez adaptację modelu w trybie ciągłym już w trakcie jego ewaluacji. Podejście to jest bardzo praktyczne, gdyż nie musimy zapewniać dodatkowo sklasyfikowanych przykładów, a same metody są aplikowane do już wytrenowanych modeli – głównie sztucznych sieci neuronowych – wyjaśnia dr Bartłomiej Twardowski, IDEAS NCBR.
Prace nad projektami grantowymi rozpoczną się jesienią 2024 roku. Projekt Łukasza Kucińskiego ma trwać do 31 sierpnia 2026 roku, a projekty Bartosza Zielińskiego i Bartłomieja Twardowskiego do 31 sierpnia 2027 roku.