Att lära AI att lära sig snabbare

Ämnen:

Del av fokusområde Hälsoinnovation

De flesta modellerna för artificiell intelligens (AI) behöver många exempel för att kunna lära sig nya saker, vilket kan bli problematiskt när det saknas data. Resultaten av Anna Vettoruzzos doktorandstudier skulle dock kunna ändra sättet som AI används på inom områden där datainsamling är dyrt eller opraktiskt, såsom vården och självstyrande system.

I sin doktorsavhandling utforskar Anna Vettoruzzo hur metalärande kan hjälpa AI-modeller att lära sig snabbare genom att använda sådant som de redan känner till. Metalärande kallas ibland ”att lära sig att lära” eftersom det är ett slags maskininlärning som tränar AI-modeller på att lära sig att anpassa sig till nya uppgifter på egen hand.

Kvinna med brunt hår och grön stickad tröja. Foto.

Anna Vettoruzzo disputerade i februari 2025.

Anna Vettoruzzos forskning handlar om hur metalärande kan integreras med andra områden inom maskininlärning för förbättrad effektivitet och generalisering, alltså förmågan att applicera vad modellen har lärt sig från en uppgift på en ny, liknande uppgift. Resultaten av Anna Vettoruzzos studier visar att metalärande är särskilt effektivt när det gäller att hantera scenarion med hög variabilitet, såsom att hjälpa en AI-modell att anpassa sig efter olika områden (domänanpassning), kontinuerligt lära sig från ny information utan att glömma (kontinuerligt lärande), träna utan att dela privata data (federerat lärande) och att träna med omärkta data (icke-väglett lärande).

Vården är ett område där datainsamling är opraktisk och metalärande kan vara användbart.

Mer anpassningsbara AI-system

Genom att använda metalärande för att effektivt anpassa sig till nya uppgifter kan AI-modeller med minimal övervakning närma sig hur människor lär sig nya koncept.

– Den här upptäckten belyser nya möjligheter för att skapa mer anpassningsbara AI-system som kräver minimalt med övervakning samtidigt som de behåller en stark generaliseringsförmåga. Det var överraskande att se hur metalärande kan appliceras på olika fält inom maskininlärning för att förstärka inte bara modellernas prestanda utan även deras förmåga att generalisera med enbart begränsade mängder av märkt data, förklarar Anna Vettoruzzo.

Tillgänglig AI i verkliga industrier

Resultatet av Anna Vettoruzzos forskning skulle kunna förändra hur AI används inom områden där datainsamling och märkning av data är dyrt eller opraktiskt, såsom vården, skräddarsydd utbildning och självstyrande system.

– Genom att förbättra maskininlärningsmodellernas förmåga att generalisera har mitt arbete hjälpt till att skapa fler flexibla och effektiva AI-system som kan verka i dynamiska miljöer, vilket i slutändan kan minska behovet av mänsklig intervention och göra AI mer tillgänglig och skalbar över olika domäner, säger Anna Vettoruzzo.

Anna Vettoruzzos utbildningsbakgrund

Anna Vettoruzzo tog sin kandidatexamen i informationsteknik och sin masterexamen i information och kommunikation för internet och multimedia, med fokus på maskininlärning inom vården, vid Padovas universitet i Italien. Hon avslutade nyligen sina doktorandstudier i signal- och systemteknik vid Högskolan i Halmstad med avhandlingen ”Advancing Meta-Learning for Enhanced Generalization Across Diverse Tasks” (på svenska ”Att utveckla metalärande för förbättrad generalisering inom olika uppgifter”).

Anna Vettoruzzo valde att genomföra sin forskarutbildning i Sverige tack vare Sveriges starka forskningsmiljö, och Högskolan i Halmstad tack vare ett forskningsprojekt med målet att göra maskininlärningssystem bättre på att härma hur människor lär sig. Under sin doktorandresa har hon samarbetat med forskare vid såväl Högskolan i Halmstad som andra lärosäten, såsom Eindhovens tekniska universitet i Nederländerna.

Anna Vettoruzzo kommer inom kort att påbörja en anställning som postdoktor vid Eindhovens tekniska universitet i Nederländerna, där hon ska använda metalärande för att designa effektiva och finjusterande tekniker för stora språkmodeller (LLM). I framtiden är hennes långsiktiga mål att bli professor så att hon både kan bidra med forskning som påverkar och handleda nästa generation av forskare.

Text: EMMA SWAHN
Porträttbild: MAGNUS KARLSSON
Toppbild och genrebild: PIXABAY

Publicerad 2025-02-24 08:55
av Emma Swahn

Senast uppdaterad 2025-02-24 09:00