Inteligencja numeryczna: model, który rozumie dane tak jak my rozumiemy zdania

Wyobraź sobie system, który dostaje kilka wykresów z danymi z nowej dziedziny, na przykład z epidemiologii, i od razu potrafi przewidywać rozwój epidemii. Bez dodatkowego treningu, bez czytania podręczników. Właśnie coś takiego pokazali badacze z UNICON – modelu bazowego, który uczy się w locie z kontekstu liczbowego i generalizuje na dziedziny, których nigdy wcześniej nie widział.

Co to znaczy inteligencja numeryczna?

Modele językowe, takie jak GPT, rozumieją tekst, bo widziały go ogromne ilości. Potrafią dokończyć zdanie, streścić artykuł, a nawet wygenerować kod. Ale co z danymi liczbowymi? Wykresy, pomiary, szeregi czasowe – to też pewien rodzaj języka, tylko zamiast słów mamy liczby i zależności między nimi. Inteligencja numeryczna to zdolność do wychwytywania tych zależności z kontekstu i stosowania ich do nowych sytuacji.

W uproszczeniu: jeśli pokażesz komuś trzy przykłady działania dźwigni, to czwarty przypadek policzy bez zaglądania do podręcznika fizyki. UNICON robi to samo, tylko z dowolnym systemem opisanym grafem – od reakcji chemicznych po przepływy w sieciach społecznościowych.

Jak UNICON uczy się w locie?

Model dostaje na wejściu zestaw przykładów w formie grafu. Węzły to elementy systemu (np. miasta w modelu transportowym), a krawędzie to relacje między nimi (np. odległości). Na podstawie tych przykładów UNICON wnioskuje, jaka reguła rządzi całym układem – czyli znajduje operator predykcyjny. Potem dostaje nowe zapytanie (np. 'jak zmieni się ruch, jeśli zamkniemy ten most?') i stosuje wywnioskowaną regułę, by podać odpowiedź.

Cały proces przypomina uczenie się przez analogię. Nie ma fazy treningu na konkretnym zadaniu. Model raz wytrenowany na wielkim, zróżnicowanym zbiorze danych radzi sobie z nowymi problemami od ręki. 'To trochę jak uczenie się na przykładach: pokazujesz kilka przypadków, a system sam domyśla się reguły' – mówi Liu Yang, współautor badania.

To trochę jak uczenie się na przykładach: pokazujesz kilka przypadków, a system sam domyśla się reguły.

Liu Yang

Współautor badania UNICON

Generalizacja: od fizyki po ekonomię

Największym zaskoczeniem było to, że UNICON potrafi działać w dziedzinach, których nie widział podczas treningu. W eksperymentach model testowano na zadaniach z dynamiki płynów, epidemiologii, a nawet nauk społecznych. Wyniki były bliskie modelom specjalistycznym, które trenowano wyłącznie na tych danych.

Co ciekawe, model nie tylko powtarzał znane wzorce. Gdy dostał przykłady z zupełnie nowej dyscypliny, faktycznie wyciągał z nich ogólną regułę i stosował ją poprawnie. To zachowanie przypomina rozumowanie, a nie tylko dopasowywanie krzywej.

Gdy modele językowe wchodzą do gry

Badacze poszli o krok dalej i połączyli UNICON z agentami opartymi na dużych modelach językowych. Agent mógł na przykład zdecydować, które przykłady pokazać UNICON-owi, albo jak zinterpretować jego odpowiedź. Efekt? Wyniki w nieznanych dziedzinach przebiły nawet najlepsze modele specjalistyczne.

To połączenie dwóch światów: precyzji obliczeniowej i elastyczności językowej. Agent LLM działa trochę jak menedżer, który wie, kiedy poprosić eksperta od liczb o pomoc, a UNICON jest tym ekspertem.

Różnorodność danych to podstawa

Głównym wnioskiem z badań jest to, że zdolność do generalizacji bierze się z różnorodności korpusu treningowego. Im więcej dziedzin widział model w fazie uczenia, tym lepiej radził sobie z nowymi. To intuicyjne: jeśli uczysz się tylko na zadaniach z fizyki, to ekonomia będzie czarną magią. Ale jeśli trening obejmował fizykę, biologię, socjologię i transport, to model wyłapuje głębsze wzorce – coś w rodzaju meta-reguł rządzących systemami dynamicznymi.

'Różnorodność danych treningowych jest niezbędna, aby model mógł rozumieć nowe dziedziny bez dodatkowego trenowania' – potwierdza Chenghan Wu, główny autor pracy.

• UNICON wnioskuje reguły predykcyjne z przykładów grafowych i stosuje je do nowych zapytań bez dodatkowego treningu.
• Model generalizuje na nieznane wcześniej dyscypliny – od fizyki po nauki społeczne – osiągając wyniki bliskie specjalistom.
• Połączenie z agentami modeli językowych pozwala przebić nawet najlepsze modele wyspecjalizowane.
• Różnorodność danych treningowych jest warunkiem koniecznym szerokiej generalizacji.

Praktyczne zastosowania

Aby lepiej zrozumieć opisywaną innowację, przygotowaliśmy cztery przykłady praktycznego zastosowania tej technologii w różnych branżach:

Predykcyjne zarządzanie mikrosieciami bez modelowania fizycznego. Operatorzy testują UNICON

Gwałtowne zmiany generacji z OZE potrafią w kilka minut rozchwiać napięcie w lokalnej sieci. Operato

Gdy mapy milczą: jak UNICON uczy się tras z chaosu

Kiedy woda opada po powodzi, firmy kurierskie stają przed zadaniem dostarczenia pomocy na teren, gdz

Inteligencja numeryczna w terenie: jak UNICON przewiduje rozprzestrzenianie się zanieczyszczeń bez gotowego modelu

Wyciek chemiczny w terenie górskim. Sieć sensorów IoT daje kilka punktów pomiarowych, ale nikt nie m

Jak wycisnąć wiedzę z 15 pacjentów: UNICON w badaniach nad chorobami rzadkimi

W przypadku choroby Gauchera typu 2 na całym świecie jest może 15 nowych pacjentów rocznie. Standard

Podsumowanie

UNICON otwiera drzwi do systemów, które bez wysiłku adaptują się do nowych problemów numerycznych. W inżynierii mógłby szybko modelować zachowanie nowych materiałów na podstawie kilku pomiarów. W epidemiologii – prognozować rozwój choroby po pierwszych dniach danych. W biznesie – analizować zależności w łańcuchu dostaw po zmianie jednego parametru. To nie jest już tylko ciekawostka laboratoryjna, ale fundament pod narzędzia, które rozumieją liczby tak, jak my rozumiemy słowa.

Napisanie tego artykułu zostało wspomagane przez sztuczną inteligencję. Treść opiera się na oryginalnym artykule naukowym, a jej dokładność została zweryfikowana automatycznie.