The Pulse

Sandia riferisce un’accuratezza di oltre il 90% circa in un test di apprendimento continuo

Sandia National Laboratories ha riferito un’accuratezza complessiva di oltre il 90% circa per il suo metodo AIGM Lite in un primo test controllato. Il progetto mira ad aiutare i modelli che analizzano dati dei sensori ad apprendere nuove in

AI.info Team · Scritto con l’IA · verificato · 2026-11-11

Un progetto dei Sandia National Laboratories ha raggiunto un’accuratezza complessiva di oltre il 90% circa in un test di un metodo per aggiornare i modelli di machine learning, rispetto a oltre il 70% circa per un approccio di riferimento, ha riferito il laboratorio.

Il lavoro fa parte di Adaptive Intelligence for Global Monitoring Lite, o AIGM Lite. Tian Ma, specialista di superintelligenza, guida il progetto triennale Laboratory Directed Research and Development, che studia come i modelli possano incorporare nuove informazioni conservando ciò che già sanno.

Un test per fasi

I ricercatori studiano l’apprendimento continuo, un approccio che mira a consentire a un modello di apprendere progressivamente senza cancellare quanto appreso in precedenza. Nell’esperimento, il team è partito da un dataset completo, ma ha addestrato un modello iniziale solo su una parte dei suoi dati e delle sue categorie.

Ha poi introdotto progressivamente ulteriori dati e nuove categorie per simulare l’arrivo di informazioni nel tempo. Il test ha esaminato se il modello fosse in grado di apprendere i nuovi contenuti senza perdere ciò che aveva imparato prima.

Il problema è noto come dimenticanza catastrofica: dopo aver appreso qualcosa di nuovo, un modello può ottenere risultati peggiori in compiti che prima svolgeva bene. Un sistema addestrato a riconoscere una nuova categoria di oggetti, per esempio, potrebbe diventare meno accurato nell’identificare categorie che già conosceva.

Il team di AIGM Lite sta studiando aggiornamenti più frequenti che proteggano le conoscenze pregresse, anziché affidarsi soltanto a cicli occasionali di riaddestramento su larga scala. Gli aggiornamenti convenzionali possono comportare la raccolta e l’etichettatura dei dati, il riaddestramento e la verifica di un modello e la sua successiva rimessa in funzione.

Analisi rapida, verifica più lenta

La soluzione in fase di test affianca a un sistema rapido, che opera in tempo reale, un processo parallelo che monitora le prestazioni e prepara gli aggiornamenti. La componente veloce consente analisi rapide; quella lenta verifica le prestazioni nel tempo, individua eventuali cambiamenti nelle condizioni e guida gli aggiornamenti del modello veloce.

Il team ha tratto ispirazione dal libro Thinking, Fast and Slow del premio Nobel Daniel Kahneman. La ricerca si concentra su modelli che analizzano dati dei sensori, non su modelli conversazionali. Ma ha detto che il ruolo previsto è quello di supportare le decisioni, non di sostituire il giudizio umano.

Ma ha affermato che l’approccio potrebbe supportare missioni che ricevono dati continui da una varietà di sensori e fonti, compresi sistemi spaziali. Per esempio, i dati satellitari possono contenere oggetti o condizioni mutevoli diversi da quelli rappresentati nei dati di addestramento originali di un modello.

Segnalare i casi sconosciuti

AIGM Lite è progettato per segnalare i casi sconosciuti affinché gli analisti li valutino. Un oggetto con una velocità o una traiettoria sostanzialmente diversa da quelle degli esempi usati per addestrare un modello di riconoscimento degli aeromobili potrebbe indicare condizioni che i dati di addestramento non rappresentavano adeguatamente.

Gli esempi segnalati possono essere esaminati, aggiunti a un insieme di addestramento selezionato e utilizzati per testare un possibile aggiornamento. L’obiettivo è valutare le modifiche man mano, anziché aggiornare automaticamente il modello, ha detto Ma.

Un’altra strategia allo studio consiste nel conservare un piccolo insieme di esempi precedenti rappresentativi. Il modello potrebbe riesaminare quei casi mentre apprende nuovi contenuti, con l’obiettivo di preservare le capacità acquisite in precedenza.

Un lavoro ancora in fase di sviluppo

Nel primo anno del progetto, i ricercatori hanno realizzato componenti fondamentali e dimostrato una sequenza di inferenza rapida per la componente veloce. Le prime componenti della parte lenta sono in fase di sviluppo, insieme a un lavoro sui metodi di clustering non supervisionato.

Questi metodi potrebbero aiutare a organizzare i nuovi casi segnalati per esaminarli e utilizzarli eventualmente in futuri addestramenti. Il team sta integrando le diverse componenti in un flusso di lavoro automatizzato end-to-end che intende testare su diversi dataset.