پویایی و انعطاف هوش مصنوعی
اخبار

راهکارهایی برای افزایش پویایی و انعطاف هوش مصنوعی

0
زمان مطالعه: ۳ دقیقه

پژوهشگران، به دنبال روشی برای پویایی و انعطاف هوش مصنوعی، الگوی پاسخ‌دهی آن‌ها به شرایط ناآشنا را بررسی می‌کنند. سیستم‌های هوش مصنوعی امروزی که برای شناسایی تصویر استفاده می‌شوند، قدرت و ظرفیت عمده‌ای برای کاربردهای تجاری دارند. با وجود این، دارای یک نقص جدی هستند؛ این سیستم‌ها در صورت رویارویی با تصاویری که اندکی تفاوت با نمونه‌های آموزشی دارند، شکست می‌خورند.

عدم پویایی و انعطاف هوش مصنوعی در سیستم‌ها از جمله موانع برجسته‌ای است که در مسیر ساخت سیستم‌های هوش مصنوعی پیشرفته‌تر بر سر راه پژوهشگران قرار دارد. با این حال، دلیل و مکانیزم‌های زیربنایی این مشکل همچنان ناشناخته باقی می‌ماند.

کشف دلایل عدم پویایی و انعطاف هوش مصنوعی

پژوهشگران دانشگاه کیوشو با امید غلبه بر این مشکل، مقاله‌ای در ژورنال PLOS ONE منتشر کرده‌اند که در آن، روشی به نام Raw Zero-Shot (زیرو-شات پردازش‌نشده) معرفی می‌کنند؛ این روش یادگیری نحوه‌ مدیریت مؤلفه‌های ناشناخته توسط شبکه‌های عصبی را مورد مطالعه قرار می‌دهد. نتایج این بررسی‌ها به پژوهشگران کمک می‌کند، تا دلایل رایج عدم عدم پویایی و انعطاف هوش مصنوعی را شناسایی کرده و راهکارهایی برای حل آن بیابند.

دنیلو واسونسلوس، نویسنده ارشد مقاله، توضیح می‌دهد: «شبکه‌های عصبی تشخیص‌دهنده تصویر، کاربردهای گوناگونی دارند که از جمله‌ آن‌ها می‌توان به خودروهای خودران و کمک به تشخیص‌ در پزشکی اشاره کرد. با این حال، فارغ از نحوه‌ آموزش هوش مصنوعی، این سیستم‌ها ممکن است با کوچک‌ترین تغییری در تصاویر مختل شوند.»

آموزش سریع‌ و بهینه شبکه‌های عصبی با یادگیری عمیق آنالوگ

سیستم‌های تشخیص‌دهنده تصویر و شبکه‌های عصبی در ابتدا باید روی تعداد زیادی تصویر (نمونه) آموزش بینند. برای مثال، اگر بخواهیم هوش مصنوعی، اردک‌ها را شناسایی کند، ابتدا باید تصاویر اردک را به آن آموزش دهید.

پویایی و انعطاف هوش مصنوعی

با وجود این، حتی سیستم‌هایی که به بهترین نحو ممکن آموزش دیده‌اند هم می‌توانند گمراه شوند. پژوهشگران دریافته‌اند که با دستکاری تصویر (حتی تغییراتی جزئی که به چشم انسان مشهود نیستند)، ممکن است با عدم پویایی و انعطاف هوش مصنوعی مواجه باشیم و این یعنی این فناوری دیگر قادر به تشخیص نیست؛ حتی تغییر در مقیاس پیکسلی هم می‌تواند به سردرگمی سیستم بیانجامد.

نحوه کار هوش مصنوعی با تصویر ناشناخته چگونه است؟

پژوهشگران به منظور درک بهتر دلیل این مشکل، شروع به مطالعه‌ تشخیص‌دهنده‌های تصویر کردند، تا الگوی رفتاری آن‌ها را در مواجهه با نمونه‌های متفاوت از داده‌های آموزشی (یعنی عناصر ناشناخته) دریابند.

وارگاس ادامه می‌دهد: «اگر یک تصویر ناشناخته به سیستم نشان بدهیم، سعی می‌کند به آن پاسخ بدهد، فرقی هم ندارد پاسخ درست باشد یا اشتباه. به همین خاطر، در این پژوهش، دوازده سیستم هوش مصنوعی رایج را انتخاب و روش یادگیری جدیدی به نام Raw Zero-shot رویشان اجرا کردیم. در ابتدا، بدون هرگونه آموزش یا سرنخی، یک سری تصویر به سیستم‌ها دادیم؛ به عبارت دیگر، هوش مصنوعی با تصویر ناشناخته مواجه شد. فرض بر این بود که در پاسخ سیستم‌ها نوعی همبستگی به چشم می‌خورد؛ به بیان دیگر، پاسخ‌ها اشتباه خواهند بود، اما به شیوه‌ای مشابه. یافته‌ها نیز این فرضیه را تأیید کردند. در تمام موارد، سیستم‌ها به تصویر ناشناخته پاسخ می‌دادند و پاسخ‌ها، با اینکه اشتباه بودند، پایایی داشتند یا به عبارتی، با یکدیگر خوشه تشکیل می‌دادند. تراکم هر خوشه نشان می‌داد سیستم چطور بر اساس دانشی که از تصاویر گوناگون دارد، تصویر ناشناخته را پردازش کرده است.»

نرم‌افزاری که نمایش همزمان تصاویر ساختار بافت را امکان‌پذیر می‌سازد

طبق توضیحات وارگاس، اگر بفهمیم هوش مصنوعی با تصویر ناشناخته چطور ‌کار می‌کند و چه می‌آموزد، می‌توانیم از این دانش برای تحلیل دلیل ناکارآمدی سیستم‌ها و عدم پویایی و انعطاف هوش مصنوعی در این شرایط استفاده کنیم. به‌ کارگیری دانشی که در حل یک مسئله به دست آمده است، در مسئله‌ای متفاوت اما مرتبط تحت عنوان «انتقال‌پذیری» شناخته می‌شود.

پویایی و دقت سیستم‌های هوش مصنوعی

پژوهشگران دریافتند که شبکه‌های کپسولی، به نام CapsNet، متراکم‌ترین خوشه‌ها را تولید می‌کنند؛ یعنی بهترین انتقال‌پذیری را در میان شبکه‌های عصبی دارند. به عقیده‌ پژوهشگران، دلیل این امر به ماهیت پویای CapsNetها بر می‌گردد.

وارگاس در انتها خاطرنشان می‌کند: «با اینکه دقت سیستم‌های هوش مصنوعی امروزی بسیار بالاست، اما پویایی و انعطاف لازم برای کاربرد گسترده‌تر را در اختیار ندارند؛ به عبارت دیگر، پویایی و انعطاف هوش مصنوعی در این خصوص کم است. به همین دلیل، باید علت این مشکل را بفهمیم. در این پژوهش، راهبردی بالقوه برای مطالعه‌ این مسائل را به تصویر کشیدیم و به جای این‌که صرفاً بر دقت سیستم‌های هوش مصنوعی تمرکز داشته باشیم، راهکار‌های موجود برای افزایش پویایی و انعطاف هوش مصنوعی را بررسی کرده‌ایم. در این صورت، شاید بتوانیم یک هوش مصنوعی واقعی بسازیم.»

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

این مطلب چه میزان برای شما مفید بوده است؟
[کل: ۰ میانگین: ۰]

هشداردهنده تصادف که با هوش مصنوعی کار می‌کند در نمایشگاه هم‌افزایی مدیران عرضه شد 

مقاله قبلی

درباره رایانش توزیع شده در هوش مصنوعی بیشتر بدانید

مقاله بعدی

شما همچنین ممکن است دوست داشته باشید

بیشتر در اخبار

نظرات

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد.