Filter by دسته‌ها
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 حتی هوشمندترین مدل های هوش مصنوعی هم قادر به رقابت با پردازش دیداری انسان‌ها نیستند

حتی هوشمندترین مدل های هوش مصنوعی هم قادر به رقابت با پردازش دیداری انسان‌ها نیستند

هوشمندترین مدل های هوش مصنوعی از جمله شبکه‌های عصبی کانولوشنی عمیق (DCNN) نمی‌توانند مانند انسان‌ها، از ادراک اشکال ساختاری برای دیدن اشیاء استفاده کنند و به گفته‌ جیمز الدر، استاد دانشگاه یورک، این نکته می‌تواند در کاربردهای هوش مصنوعی در دنیای واقعی مشکل‌زا و حتی خطرناک باشد.

الدر، استاد بینایی کامپیوتری و انسانی دانشگاه یورک و یکی از مدیران مرکز هوش مصنوعی و جامعه، به همراه نیکولاس بیکر، از لایولا کالج شیکاگو، به‌تازگی مقاله‌ای تحت عنوان «Deep learning models fail to capture the configural nature of human shape perception» را در ژورنال iScience به چاپ رسانده‌اند.

این پژوهش از دسته‌ نوینی از محرک‌های دیداری به نام «فرانکشتاین» استفاده می‌کند، تا دریابد مغز انسان و DCNNها چطور ویژگی‌های ظاهری و کلی اشیاء را وارسی می‌کنند.

الدر توضیح می‌دهد: «فرانکشتین‌ها اشیائی هستند که به تکه‌های متعدد تقسیم شده‌ و به اشتباه کنار هم قرار گرفته‌اند. به همین خاطر، ویژگی‌های محلی درست را در مناطق اشتباه نمایش می‌دهند.»

مطالعات نشان دادند که فرانکشتاین‌ها سیستم بینایی انسان‌ها را سردرگم می‌کنند، ولی بر DCNNها تأثیری ندارند؛ امری که حاکی از عدم حساسیت به خواص ساختاری اشیاء است.

هوشمندترین مدل های هوش مصنوعی

الدر ادامه می‌دهد: «بر اساس یافته‌ها می‌توان دریافت که چرا هوشمندترین مدل های هوش مصنوعی در بعضی موقعیت‌ها شکست می‌خورند. به علاوه، حالا متوجه شده‌ایم که برای درک فرایند پردازش دیداری در مغز، باید مسائلی فراتر از شناسایی شیء را در نظر بگیریم. DCNNها معمولاً برای حل مسائل تشخیصی پیچیده، میان‌بر می‌زنند. این میان‌برها خیلی اوقات به پاسخ می‌رسند، اما در کاربردهای دنیای واقعی کاربردی نداشته و حتی می‌توانند خطرناک باشند.»

به عنوان یکی از این کاربردها می‌توان به سیستم‌های ویدئویی امنیت جاده اشاره کرد. الدر در این باره توضیح می‌دهد: «اشیاء موجود در جاده‌های شلوغ، یعنی خودروها، دوچرخه‌ها و عابران پیاده، مدام راه یکدیگر را سد می‌کنند و به صورت قطعات ناپیوسته جلوی چشم راننده قرار می‌گیرند. مغز باید این قطعات را به‌درستی دسته‌بندی کند، تا انواع اشیاء و موقعیت‌شان را تشخیص دهد. سیستم هوش مصنوعی که برای نظارت بر امنیت جاده به کار می‌رود، هر یک از قطعات را به صورت مجزا ادراک می‌کند و به همین دلیل، نه‌تنها عملکرد خوبی از خود نشان نمی‌دهد، بلکه خطرات احتمالی موجود در جاده را نیز به اشتباه درک می‌کند.» مطالعات پژوهشگران نشان داد که تغییر معماری و فرایند آموزش شبکه‌ها برای اینکه شباهت بیشتری به مغز انسان‌ها پیدا کنند، به پردازش ساختاری (همچون مغز انسان) نمی‌انجامد و هیچ‌یک از شبکه‌های تغییریافته نتوانسته‌اند از فرایند ادراک مغز انسان‌ها تقلید کنند. الدر می‌گوید: «طبق برآوردهای ما، شبکه‌ها می‌بایست برای دستیابی به حساسیت ساختاری در سطح مغز انسان، طوری آموزش ببینند که از تشخیص دسته‌بندی‌ها فراتر رفته و طیف گسترده‌تری از مسائلی شیئی را حل کنند.»


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

مقاله ما چطور بود؟

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
لطفاً برای تکمیل این فرم، جاوا اسکریپت را در مرورگر خود فعال کنید.