fanavaran
آخرین اخبار
   
    کد خبر : 93746
    تاریخ انتشار : 7 بهمن 1394 11:27
    تعداد بازدید : 1083

    ماشینی که به سرعت انسان، یاد می گیرد

    دانشمندان موفق به ساخت نرم افزاری شده اند که به کمک یک الگوریتم جدید قادر به یادگیری با سرعت انسانی است.

    فناوران- پیشرفت و موفقیت هوش مصنوعی در دانشگاه های نیویورک، تورنتو و MIT نمایانگر توانایی قابل توجه هوش مصنوعی در زمینه یادگیری مفاهیم بصری در یک عکس و دستکاری کردن آنها مشابه روش های انسانی است. این پیشرفت می تواند منجر به ساخت تلفن های هوشمندتر از نمونه های فعلی و کامپیوترهایی شود که درک بهتری از دنیای اطراف خود دارند.
    نسل انسان توانایی قابل توجهی در یادگیری اشیای در حال حرکت نشان می دهد. برای مثال کودکان، تنها کافی است نمونه ای از یک شی جدید مانند سگ یا اتوبوس مدرسه را به آنها، قبل از این که خود قادر به تشخیص دیگر نمونه ها باشند، نشان دهید. محققان باور دارند یکی دیگر از دلایل سرعت ما این است که معمولا درک بهتری از مفاهیم جدید در شرایطی داریم که بخش های آشنا در کنار یکدیگر در غالب یک سیستم کل کار می کنند. وقتی برای اولین بار یک سگ وی (دوچرخه الکتریکی) دیدیم، سریعا چرخ ها و یک دسته را شناسایی کردیم و با نتیجه گیری تا حدی به این اطمینان رسیدیم که این وسیله برای حمل و نقل شخصی مورد استفاده قرار می گیرد.
    وقتی صحبت از زبان به میان می آید، دیدگاه عملی مشابه ای از واقعیت در این باره نیز صدق می کند. وقتی که می بینیم مشخصه هایی روی کاغذ نوشته شده است، حتی اگر زبان های ناآشنا باشند، فقط جوهر روی کاغذ را نمی بینیم بلکه مجموعه ای از حرکات قلم را می بینیم که این مشخصه ها را کشیده است. حتی خودمان می توانیم مشخصه های روی کاغذ را بار دیگر رسم کنیم. و وقتی به یک اصطلاح ناآشنا می رسیم، مانند نام شوباک، حتی با وجود این که درکی از معنای آن نداریم ولی قادر به تکرار آن هستیم. چرا که ما قادر به تجزیه صداها بر حسب حرکات عضلاتی هستیم که آنها را تولید می کنند.
    متاسفانه، ترجمه و انتقال این توانایی های قابل توجه یادگیری یک طرفه به قلمرو هوش مصنوعی وظیفه بسیار سخت و دشواری است. مطابق آخرین پیشرفت های علمی اکثر الگوریتم های «یادگیری ژرف» روی تشخیص الگو متمرکز هستند که با این شرایط تنها پس از تمرین دقیق روی هزاران نمونه قادر به اجرا هستند. حتی پس از آن هم، این نرم افزار تنها قادر به درک اشیا در روش انفعالی است که در این روش به جای استفاده از مفاهیم در جهت ساخت چیزی جدید از الگویی از عناصر تصویری بهره گرفته می شود.
    هوش مصنوعی و تمامی زمینه هایش تنها چند دهه عمر دارند اما موضوع ریشه یادگیری انسانی مساله ای است که برای هزاران سال فلاسفه را متحیر ساخته است. این مشکل استنتاج استقرایی است. چگونه مغز انسان با فراگیری مفاهیم از تعداد محدودی از نمونه ها قادر است به طور موثری مفاهیم انتزاعی را تعمیم دهد؟
     امیدی جدید
    در حال حاضر گروهی از محققان شامل جاشوا تننبام، برندن لیک و راشن سالاخوتدینو گام مهمی در جایگزین کردن این نوع یادگیری یک طرف در دنیای کامپیوتر برداشته اند. سامانه احتمال گرایی این گروه که نام آن را برنامه یادگیری بیزین (BPL) گذاشته اند، نوید پیمودن گام مهمی را در زمینه هایی مانند شناسایی صدا و ترکیب، شناسایی تصویر و پردازش طبیعی زبان را داده است. اما به طور کلی، پیشرفت آنها می تواند منجر به ساخت کامپیوترهایی شود که درک بهتری از دنیای اطرافشان دارند و با افزایش چیزهایی که یاد می گیرند، به طور تصاعدی قادر به انجام وظایف پیچیده تر شوند.
    این نرم افزار بر اساس اصول سه گانه همنهشی (ساخت نمونه های انتزاعی از بخش های ابتدایی)، علیت (استفاده از بخش های ابتدایی برای خلق ساختارهای پیچیده) و آموزش یادگیری (اصلی که می گوید دانش مفاهیم پیشین می تواند باعث آسان تر شدن یادگیری مفاهیم جدید شود) ساخته شده است. در سطح عملی، تکنیک احتمال گرایی منطق بیزین در مرکز الگوریتم قرار دارد و از آن، بر اساس اطلاعات محدود درباره این که کدام بخش های ساده قادر به تشکیل شی پیچیده تر بصری هستند، برای رسیدن به نتیجه استفاده می شود. لیک می گوید: کار ما بر اساس در نظر گرفتن مدل های ذهنی انسان همراه با انواع ساده برنامه های کامپیوتری است که گمان می کنیم ذهنمان می سازد و دستکاری می کند. برای اولین بار اینگونه فکر می کنیم که سیستم ماشینی در اختیار داریم که می تواند بخش بزرگی از مفاهیم تصویری را از روشهایی بیاموزد که تشخیص آن از نوع انسانی بسیار سخت است.
    نرم افزار این گروه با هزار و 600 مشخصه و علامت ناآشنا از زبان های سراسر دنیا، چه از نوع واقعی و چه از نوع تخیلی، مورد آزمایش قرار گرفت. به عنوان نقطه شروع، ورژنی از یک مشخصه به نرم افزار داده شده که الگوریتم موفق به شناسایی آن در میان تمامی علامت های دیگر شد. همچنین با تجزیه کردن یک سری حرکت قلم، موفق به کشیدن دوباره آن تنها با چند تفاوت کوچک شد البته مشخصه هنوز به چشم انسان قابل تشخیص بود.
    این روش منحصر به فرد در تجزیه یک تصویر پیچیده و تلاش برای درک چگونگی کارکرد بخش ها در کنار هم به نرم افزار اجازه می دهد تا وظایف خلاقانه انجام دهد که بر اساس الگوی شناسایی بدون چون و چرا متعلق به الگوریتم هستند. برای مثال، این نرم افزار در هنگام مواجه با یک حرف الفبای ناآشنا خصوصیات کلی را از حرکاتی که یک مشخصه را می سازد، استخراج می کند و قادر به تولید مشخصه ای جدید شامل آن دسته از خصوصیات می شود.


    نظر شما



    نمایش غیر عمومی
    تصویر امنیتی :