В природе животные учатся, наблюдая, исследуя и взаимодействуя с окружающей средой, без явных указаний. Новый этап в развитии искусственного интеллекта — «неконтролируемое обучение» (unsupervised learning) — имитирует этот процесс.

Большинство существующих технологий ИИ основаны на контролируемом обучении. Такой подход предполагает, что человек маркирует данные с использованием заранее определенных категорий или значений. Это необходимо, чтобы ИИ делал предсказания и выявлял связи. Но разметка требует больших затрат времени и ресурсов, а также непрактична для сложных масштабных задач. В то же время неконтролируемое обучение работает с необработанными данными, позволяя ИИ самостоятельно выявлять скрытые структуры и паттерны.

Созданный учеными алгоритм Torque Clustering превосходит традиционные методы неконтролируемого обучения и может совершить революцию в этой области. Он автономен, не требует настройки параметров и способен обрабатывать большие наборы информации с высокой вычислительной производительностью.

Результаты тестирования на 1000 различных наборах данных показали, что алгоритм достигает среднего значения AMI (показатель качества кластеризации) 97,7%, тогда как другие современные методы демонстрируют результаты около 80%. Кластеризация — это процесс разделения набора данных на группы, называемые кластерами, на основе схожести признаков. Цель — выявить скрытые закономерности и структуры.

По словам ученых, Torque Clustering основывается на физической концепции момента силы, что позволяет ему автономно выявлять кластеры и адаптироваться к тем или иным типам данных, обладающим разной формой, плотностью и уровнем шума.

Torque Clustering может повлиять на развитие общего искусственного интеллекта, особенно в робототехнике и автономных системах, помогая оптимизировать движение, управление и принятие решений. Исходный код доступен в открытом доступе.