دستکاری نرم افزار هوش مصنوعی توانایی یادگیری کامپیوتر را بهبود می‌‌بخشد

بر اساس رویکردی جدید توانایی‌های نرم افزار هوش مصنوعی می‌تواند به سرعت بهبود باید و آن رویکرد این است که هوش مصنوعی مبتنی بر یادگیری رایانه وقتی طوری برنامه‌‌ریزی شده باشد که از تکنیک بسیار سریع‌‌تری برای درک اشیای جدید استفاده کند، می‌‌تواند عملکردی شبیه هوش انسانی داشته باشد. این‌‌ها اظهارات دو دانشمند مغز و اعصابی است که این مدل را به منظور تقلید از ویژگی یادگیری بصری مغز انسان طراحی کرده بودند.

دکتر ماکسیمیلیان ریزن هوبر، فوق تخصص علوم اعصاب در مرکز پزشکی دانشگاه جورج تاون و دکتر جاشوا رول، دانشمند فوق دکترا در دانشگاه برکلی، در مجله Frontiers in Computational Neuroscience توضیح می‌‌دهند که چگونه این رویکرد جدید توانایی‌‌‌‌های نرم افزار هوش مصنوعی را به‌سرعت بهبود می‌‌بخشد تا هوش مصنوعی بتواند مفاهیم بصری جدید را یاد بگیرد. دکتر ریزن هوبر در این زمینه می‌‌گوید: «مدل ما از نظر بیولوژیک برای شبکه‌‌‌‌های عصبی مصنوعی راهی محتمل برای یادگیری مفاهیم بصری جدید از تعداد کمی نمونه فراهم می‌‌کند. ما می‌‌توانیم با فناوری یادگیری ماشین، کامپیوترها را آموزش دهیم تا به روشی که انسان‌‌ها فکر می‌‌کنند و تصمیم می‌‌گیرند، عمل کنند. به این معنا که کامپیوتر هم بتواند عملکرد مغز انسانی را تقلید کنند.

عملکرد مغز انسان

انسان‌‌ها می‌‌توانند به سرعت و با دقت مفاهیم تصویری جدیدی را از داده‌‌‌‌های پراکنده بیاموزند. بعضی اوقات برای یادگیری انسان تنها یک نمونه واحد کافی است. حتی نوزادان سه تا چهار ماهه به راحتی می‌‌توانند گورخر را تشخیص دهند و آن‌‌ها را از گربه‌‌‌‌‌‌ها، اسب‌‌ها و زرافه‌‌ها تمایز دهند. دکتر ریزن هوبر توضیح می‌‌دهد که این موضوع برای رایانه‌‌ها کمی متفاوت است و یک کامپیوتر برای‌‌‌‌‌‌ این‌‌که آموزش ببیند، معمولاً باید نمونه‌‌‌‌های بسیاری از همان شیء را «ببینند» تا بدانند که چیست.

دکتر ریزن هوبر می‌‌گوید، تغییر بزرگ مورد نیاز ما، در حقیقت طراحی و ایجاد یک نرم افزار هوش مصنوعی برای آموزش سامانه‌های هوشمند است که بتواند روابط بین کل دسته‌‌‌‌های بصری را شناسایی کند، به جای‌‌‌‌‌‌ این‌‌که رویکرد استاندارد‌‌‌‌‌‌‌‌تر شناسایی یک شیء را در پیش بگیرد که فقط با استفاده از اطلاعات سطح پایین و متوسط​​، مانند شکل و رنگ انجام می‌‌شود. وی می‌‌گوید: «قدرت محاسباتی سلسله مراتب مغز متکی بر پتانسیل ساده یادگیری با استفاده از بازنمایی‌‌‌‌های قبلاً آموخته‌شده از یک بانک اطلاعاتی است که پر از مفاهیم مربوط به اشیاست.

دکتر ریزن هوبر و دکتر جاشوا رول دریافتند که شبکه‌‌‌‌های عصبی مصنوعی که با استفاده از مفاهیم یادگیری پیشین prior learning قادر بودند نمونه‌های مختلف را درک کنند، مفاهیم بصری جدید را به‌طور قابل‌توجهی سریع‌‌‌‌‌‌‌‌تر فراگرفتند. دکتر جاشوا رول توضیح می‌‌دهد: «به جای یادگیری مفاهیم سطح بالا با ویژگی‌‌‌‌های بصری سطح پایین، رویکرد ما آن‌‌ها را با ویژگی‌‌‌‌های بصری سطح بالا توضیح می‌‌دهد. مثل این است که وقتی می‌‌خواهیم یک پلاتیپوس را توصیف کنیم، به جای تصاویر متفاوت آن با زاویه‌‌‌‌های مختلف، بگوییم این حیوان کمی شبیه اردک، بیور و یک سمور دریایی است.»

معماری مغز

معماری مغز که زیربنای یادگیری مفهوم بصری انسان را تشکیل می‌‌دهد، بر پایه شبکه های عصبی درگیر در شناسایی شیء ساخته می‌‌شود. به نظر می‌‌رسد لوب گیجگاهی قدامی مغز شامل نمایش‌‌‌‌های مفهومی «انتزاعی» است که فراتر از شکل هستند. این سلسله مراتب عصبی پیچیده برای تشخیص بصری به انسان امکان یادگیری وظایف جدید و مهم‌‌‌‌‌‌‌‌تر از آن استفاده از یادگیری را می‌‌دهد. دکتر ریزن هوبر می‌‌گوید: «با استفاده مجدد از این مفاهیم، شما می‌‌توانید مفاهیم جدید را راحت‌‌‌‌‌‌‌‌تر بیاموزید و معانی جدیدی را یاد بگیرید؛ برای مثال، آموختن این که گورخر در حقیقت یک اسب است که نوارهایی با رنگ‌‌‌‌های متضاد دارد!»

دانشمندان می‌‌گویند، علیرغم پیشرفت‌‌‌‌های بسیار چشمگیر در فناوری‌‌‌‌ هوش مصنوعی، سیستم بینایی انسان هنوز از نظر توانایی تعمیم ادراک از روی چند نمونه و درک صحنه‌‌‌‌‌‌ها، دارای یک استاندارد طلایی است و فناوری بینایی ماشین هنوز پیش‌روی خود گام‌های زیادی برای پیمودن دارد. دکتر ریزن هوبر از این حقیقت این‌طور نتیجه‌گیری می‌‌کند: «یافته‌‌‌‌های ما نه‌تنها تکنیک‌هایی را نشان می‌‌دهد که می‌‌توانند به کامپیوترها برای یادگیری سریع‌‌‌‌‌‌‌‌تر و کارآمدتر کمک کنند، بلکه می‌‌توانند منجر به بهبود آزمایش‌‌‌‌های علوم اعصاب با هدف درک روش یادگیری سریع شوند». این پژوهش از سوی آزمایشگاه ملی لارنس لیورمور و کمک هزینه‌‌‌‌های تحصیلی بنیاد ملی علوم پشتیبانی شده است.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید