دانشمندان با استفاده از روشی، به هوش مصنوعی توانایی این را میدهند که اشیاء و چهرههایی را که قبلاً هرگز دیده نشده اند را تصور کند
هوش مصنوعی (AI) در انجام برخی وظایف بسیار ماهرانه اثبات می شود و عملکرد خوبی داشته اند، بعضی از این موارد اختراع چهره های انسانی ست که در واقع وجود خارجی ندارند یا برنده شدن در بازی های پوکر ، اما این شبکه ها هوش مصنوعی هنوز هم درمورد کارهایی که بشر به طور طبیعی انجام می دهد مانند تصور کدن مشکلاتی را دارند.
وقتی انسان بفهمد گربه چیست، بهراحتی میتواند گربهای با رنگی متفاوت یا حتی در حالت و محیطی متفاوت را درک و تصور کند. برای شبکه های هوش مصنوعی، تشخیص گربه حتی با وجود دیدنش کاری دشواری است، و تنها در صورت آموزش دیدن میتواند گربه را تصور کند.
محققان برای تلاش و باز کردن قوه تخیل هوش مصنوعی، روشی جدید برای توانمندسازی سیستم های هوش مصنوعی در مورد شکل ظاهری یک شی ارائه داده اند، حتی اگر قبلاً چنین چیزی را ندیده باشند.
یونهائو جی، دانشمند کامپیوتر دانشگاه کالیفرنیای جنوبی (USC)، دراینباره میگوید:: "ما از توانایی های تعمیم بصری انسان الهام گرفته ایم تا سعی کنیم تخیل انسان را در ماشین شبیه سازی کنیم. انسان میتواند دانش دریافتی خود را براساس مشخصههایی مثل شکل، حالت، موقعیت و رنگ تفکیک و سپس این مشخصهها را مجددا برای تصور شئ جدید ترکیب کند. مقاله ما تلاش میکند این فرایند را با استفاده از شبکههای عصبی شبیهسازی کند."
نکته اصلی ، برون یابی است، برونیابی بهمعنی استفاده از بانک بزرگی از دادههای آموزشی (مانند تصاویر خودرو) و سپس فرارفتن از موارد دیده شده است. این برای هوش مصنوعی دشوار است زیرا به طور معمول آموزش می یابد تا الگوهای خاص را به جای ویژگی های گسترده تر تشخیص دهد؛ بدینمعنی که بخشهای مختلف یک نمونه تفکیک میشوند (مانند جداسازی حرکت چهره و هویت چهره در ویدئو دیپفیک). این بدان معناست که اگر هوش مصنوعی یک ماشین قرمز و یک دوچرخه آبی ببیند پس از آن می تواند یک دوچرخه قرمز را برای خود تصور کند ، حتی اگر قبلاً آن را ندیده باشد. محققان این موضوع را در چارچوبی قرار داده اند که آنها آن را یادگیری گروهی تحت نظارت می نامند.
یکی از نوآوریهای اصلی این روش پردازش نمونهها بهصورت گروهی است. سپس روابط بین نمونهها ایجاد میشود و درادامه هوش مصنوعی شباهتها و تفاوتهایی را بین نمونههای دیدهشده تشخیص میدهد و با استفاده از این اطلاعات نمونهای کاملا جدید را تولید میکند.
لوران اتی، دانشمند کامپیوتر USC می گوید: " رویکرد جدید گرهزدایی اولینبار مفهومی جدید از تصور را در سیستمهای هوش مصنوعی ارائه میدهد و این سیستمها را به انسان و درک دنیای او نزدیک میکند."
این ایده ها کاملاً جدید نیستن ، اما در این بررسی محققان با استفاده از مفاهیم بیشتر، این روش را با انواع اضافی داده انعطاف پذیرتر و سازگارتر کرده اند. آنها چهارچوبی متنباز ایجاد کردهاند؛ بهطوریکه دانشمندان دیگر بتوانند بهراحتی از آن استفاده کنند. سیستم توسعهیافته یادشده میتواند در آینده با حذف ویژگیهای حساس از انحرافهای هوش مصنوعی جلوگیری کند. برای مثال، اجازه نمیدهد شبکههای عصبی جنسیتزده یا نژادپرست باشند.
محققان می گویند همین روش می تواند در زمینه های پزشکی و اتومبیل های خودران نیز اعمال شود، زیرا هوش مصنوعی قادر است "داروهای جدید" را تصور كند ، یا سناریوهای جاده ای جدیدی را تجسم كند كه در گذشته به طور خاص آموزش ندیده است.
اتی می گوید: " یادگیری عمیق در بسیاری از حوزهها عملکرد موفقی از خود نشان داده و امیدبخش ظاهر شده است؛ اما این عملکرد مطلوب را مدیون تقلیدی سطحی است و به درکی عمیق از مشخصههای جداگانه هر شئ منحصربهفرد نرسیده."
این تحقیق در کنفرانس بین المللی نمایندگی های یادگیری 2021 ارائه شده است و می توانید آن را در اینجا بخوانید.
های فن تک از شما دعوت میکند،دیدگاه خود را در ارتباط با این مقاله به اشتراک بگذارید