پیشبرد تحقیقات هوش مصنوعی

این ۱۳ پروژه که برنامه انجام آن‌‌ها توسط محققان کالج محاسبات شوارتزمن MIT هدایت‌‌ می‌‌شود‌‌، یک یا چند موضوع زیر را هدف قرار‌‌ می‌‌دهند: هوش مصنوعی قابل اعتماد‌‌، تقویت شناخت انسان در محیط‌‌‌های پیچیده و هوش مصنوعی برای همه.

کاربرد گسترده هوش مصنوعی در جامعه امروز نیاز به توسعه و استقرار فناوری‌‌‌‌‌هایی دارد که بتواند اعتماد را در مناطقی که این فناوری تازه در حال ظهور است، ایجاد کند. همچنین این فناوری‌‌‌‌‌‌‌ها قادر خواهند بود با تهدیدهای نامتقارن مقابله کنند و با نیازهای همیشه در حال تغییر محیط پیچیده ما سازگار شوند.

کالج محاسبات شوارتزمنMIT و آژانس علوم و فناوری دفاعی در سنگاپور، به عنوان بخشی از همکاری‌‌‌‌‌‌‌‌های جدید خود برای پیشبرد و حمایت از تحقیقات هوش مصنوعی‌‌، به ۱۳ پروژه در زمینه هوش مصنوعی بودجه اعطا‌‌ می‌‌کنند و از محققانی که در این ۱۳ پروژه در حال پژوهش هستند، پشتیبانی مالی می کند. ۱۳ پروژه تحقیقاتی که بدین منظور انتخاب شده‌‌اند عموماً در این موضوعات‌اند: هوش مصنوعی قابل اعتماد‌‌، تقویت شناخت انسان در محیط‌‌‌های پیچیده و هوش مصنوعی برای همه. در ادامه، شرح کوتاهی درباره هر پروژه بیان شده است.

عنوان پروژه تحقیقاتی اول؛

«پروژه SYNTHBOX: استقرار مدل‌‌‌‌‌‌‌‌های واقعی قدرتمند با استفاده از محیط‌‌‌های مصنوعی» پژوهشگر: الکساندر مادری‌‌، استاد علوم کامپیوتر.

فناوری یادگیری ماشین که اکنون در حال ظهور است، این پتانسیل را دارد که به طور قابل توجهی به بسیاری از کارهایی که تاکنون با اطمینان فقط به انسان سپرده‌‌ می‌‌شده‌‌‌‌‌‌‌‌‌‌اند، کمک کند و حتی به طور کامل خودکار شود. تیم الکساندر مادری با ‌‌‌‌‌‌‌‌‌‌بهره‌‌گیری از پیشرفت‌‌‌های اخیر در زمینه هنرهای گرافیکی واقع‌گرایانه‌‌، ‌‌‌‌‌‌‌‌‌‌مدل‌‌سازی داده‌‌ها و استنتاج‌های قدرتمند‌‌، در حال ساخت یک جعبه ابزار کاملاً جدید برای توسعه کارآمد فرایندهای خودکار و استقرار راه‌حل‌‌‌های قابل اعتماد برای یادگیری ماشین است.

عنوان پروژه تحقیقاتی دوم؛

«نسل بعدی فناوری‌‌‌های پردازش زبان طبیعی یا NLP برای زبان‌‌‌‌‌هایی که منابع تحقیقاتی کمی دارند» پژوهشگران: رجینا بارزیلای‌‌، استاد مهندسی برق و علوم کامپیوتر الکترونیک دلتا؛ تومی جاککولای‌‌، استاد مهندسی برق و علوم کامپیوتر توماس سیبل.

در فناوری‌‌‌های پردازش زبان طبیعی‌‌، در وهله اول نیاز به حاشیه‌‍نویسی‌‌‌های غنی در هر زبان وجود دارد. علاوه بر این،‌‌ می‌‌بایست منابع کافی برای تحقیقات زبانی مرتبط نیز وجود داشته باشد. بیشتر زبان‌‌‌های جهان در منابع مطالعاتی خود حاوی حاشیه‎نویسی‌های غنی در این زمینه نیستند. این عدم نظارت مستقیم اغلب منجر به خروجی‌‌‌های نادرست‌‌، نتایج غیرقابل دفاع و بازخوردهای آسیب‎پذیر‌‌ می‌‌شود. در پروژه‌‌‌‌‌‌‌‌‌‌‌‌ای به سرپرستی بارزیلای و یاک کولا‌‌، محققان در حال توسعه ابزارهای جدید تولید متن‌اند که بتوانند سبک‌‌‌های کنترل‌شده و الگوریتم‌‌‌های جدید را برای تشخیص اطلاعات نادرست یا اخبار مشکوک به صورت آنلاین ایجاد کنند.

عنوان پروژه تحقیقاتی سوم؛

«نقش‌آفرینی محاسباتی برای چشم‌انداز اجتماعی» پژوهشگر: دی فاکس هارل‌‌، استاد رسانه‌‌‌های دیجیتال و هوش مصنوعی.

این پژوهش با استفاده از رویکردهای بینارشته‌‌‌‌‌‌‌‌‌‌‌‌ای علوم رایانه و علوم اجتماعی تنظیم شده است. این پروژه با هدف ایجاد ابزارها‌‌، تکنیک‌‌ها و روش‌‌‌‌‌هایی برای ‌‌‌‌‌‌‌‌‌‌مدل‌‌سازی پدیده‌‌‌های اجتماعی سازمان‌دهی و تدوین شده و برای کاربران سیستم‌‌‌های پشتیبانی، چت‌بات‌ها، بازی‌‌‌های آنلاین‌‌، فناوری‌‌‌های واقعیت افزوده و واقعیت مجازی و برای درک بهتر چشم‌‌اندازهای پیش روی هوش مصنوعی در آینده کارایی دارد.

عنوان پروژه تحقیقاتی چهارم؛

«آگاهی وضعیتی برای تیم‌‌‌های پاسخ‌دهنده مشترک انسان و ماشین» پژوهشگر: نیک روی‌‌، استاد هوانوردی و فضانوردی.

هنگام پاسخ به شرایط اضطراری در محیط‌‌‌های شهری‌‌، دستیابی به آگاهی از وضعیت مورد بحران، امری ضروری است. در یک پروژه به رهبری نیک روی‌‌، محققان در حال توسعه یک سیستم چندعاملی‌اند که شامل تیمی از وسایل نقلیه هوایی و زمینی خودران است. این وسایل نقلیه که برای استفاده در موارد اضطراری طراحی و ساخته شده‌‌‌‌‌‌‌‌‌‌اند، به‌طور ویژه طوری برنامه‌‌ریزی و تولید شده‌‌اند که برای رسیدن به محل حادثه اضطراری مناسب باشند. این ابزار نقشه صحنه حادثه یا صحنه بحران‌زده را برای ارائه گزارش وضعیت، پیش از هر چیزی به اولین پاسخ‎دهنده ارائه‌‌ می‌‌دهد و توانایی جستجوی افراد و نهادهایی که برای پیگیری حادثه اضطراری باید در دسترس قرار گیرند را نیز دارد.

عنوان پروژه تحقیقاتی پنجم؛

پروژه: «ارائه‌ راهکارهای جدید بصری با بهره‌گیری از هوش مصنوعی» پژوهشگران: ویلیام فریمن‌‌، استاد مهندسی برق و علوم کامپیوتر توماس و گرد پرکینز؛ جاش تننبام‌‌، استاد علوم شناختی و محاسبات.

یکی از اهداف تحقق‌نیافته هوش مصنوعی ‌‌‌‌‌‌‌‌‌‌مدل‌‌سازی اشکال و بافت‌‌‌های پیچیده موجود در صحنه‌‌‌های دنیای واقعی است که در یک تصویر، به نمایش در‌‌می‌‌آیند. این پروژه بر توسعه بازنمودهای شبکه عصبی برای استفاده در تصاویر متمرکز خواهد بود. این فناوری‌‌ها به بهینه‌سازی نمایش تصاویر و جلوه آن‌‌ها کمک‌‌ می‌‌کنند و با فیچر‌‌‌های گرافیکی هماهنگ‌ترند و یک دنیای سه بعدی را به شکلی بسیار شبیه به واقعی نشان‌‌ می‌‌دهند و غنای آن را به تصویر‌‌ می‌‌کشند.

عنوان پروژه تحقیقاتی ششم؛

«بهینه‌سازی داده محور بر اساس عدم قطعیت طبقه‌بندی، و اپلیکیشن‌هایی برای شهرهای هوشمند» پژوهشگر: الکساندر ژاکیلات‌‌، استادیار تحقیقات عملیاتی و آمار.

فناوری‌‌‌های شهر هوشمند‌‌ می‌‌تواند به کلان‌شهرهای بزرگ که با فشارهای فزاینده‌‌‌‌‌‌‌‌‌‌‌‌ای همچون مدیریت جمعیت‌‌، کاهش انتشار گازهای گلخانه‌ای‌‌، بهبود ایمنی عمومی و ارتقای امکانات درمانی و خدمات بهداشتی روبه‌رو هستند‌‌، کمک کند. در این پروژه که به هدایت الکساندر ژاکیلات به انجام خواهد رسید، محققان در حال کار روی ابزارهای نوین هوش مصنوعی برای کمک به مدیریت زیرساخت‌‌‌های فیزیکی و نیز زیرساخت‌‌‌های سایبری در شهرهای هوشمند و توسعه و استقرار ابزارهای تصمیم‌گیری خودکار برای عملیات شهرهای هوشمندند.

عنوان پروژه تحقیقاتی هفتم؛

«یادگیری تقویتی قدرتمند و قابل اثبات» پژوهشگر: آنکور مویترا‌‌، دانشیار بین‌المللی و استادیار ریاضیات کاربردی.

آنکور مویترا و تیم او در این پروژه بر یادگیری تحت نظارت تمرکز دارند. این استادیار ریاضیات کاربردی، در حال ساخت چارچوب جدید خود برای یادگیری تحت نظارت قدرتمند برای کشف مشکلات یادگیری‌‌‌های پیچیده‌تر، از جمله طراحی الگوریتم‌‌‌های قوی برای یادگیری تقویتی در مدل‌‌‌های نویز ماسارت است؛ فضایی که هنوز به طور کامل مورد بررسی قرار نگرفته است.

عنوان پروژه تحقیقاتی هشتم؛

«پزشکی قانونی صوتی» پژوهشگر: جیمز گلس‌‌، دانشمند ارشد تحقیقات.

پیشرفت‌‌‌های مداوم در هوش مصنوعی، قابلیت‌‌‌‌‌هایی را در حوزه تولید محتوای چندرسانه‌‌‌‌‌‌‌‌‌‌‌‌ای ایجاد کرده است. مثلا با استفاده از این فناوری‌‌ می‌‌توان محتوایی را ایجاد یا ویرایش کرد که غیرواقعی و جعلی باشد، اما بسیار شبیه به واقعی به نظر برسد؛ فناوری جعل عمیق در حوزه‌‌‌های گوناگون یادگیری ماشین، همچون جعل عمیق گفتار‌‌، جعل عمیق تصاویر و جعل عمیق ویدئو قابل انجام است. به این صورت که‌‌ می‌‌توان یک ویدئو یا تصویر یا فایل صوتی را دستکاری یا بازتولید کرد. این فرایند منجر به تولید محتوای «جعل عمیق» طبیعی‌‌تر و واقع گرایانه‌‌تر می‌‌شود که در بعضی موارد به سختی از مدل‌‌‌های حقیقی قابل تشخیص است. در یک پروژه به رهبری جیمز گلس‌‌، محققان در حال توسعه مجموعه‌‌‌‌‌‌‌‌‌‌‌‌ای از مدل‌‌‌های یادگیری عمیق‌اند که‌‌ می‌‌تواند برای شناسایی محتوای گفتاری دستکاری شده یا مصنوعی و همچنین تشخیص ماهیت جعل‌‌‌های عمیق کاربردی باشد. این سیستم‌‌‌های هوش مصنوعی برای کمک به تحلیلگران و برای درک بهتر اهدافی که پشت این دستکاری‌‌ها وجود دارد، استفاده‌‌ می‌‌شود. چنین پژوهش‌‌‌‌‌هایی برای تشخیص محتوای جعلی از حقیقی موردنیاز است.

عنوان پروژه تحقیقاتی نهم؛

«ساخت سیستم‌‌‌های خودکار قابل اعتماد از طریق سیستم های مبتنی بر یادگیری ماشین»  پژوهشگر: چو فن‌‌، استادیار هوانوردی و فضانوردی.

یادگیری ماشینی فرصت‌‌‌های بی سابقه‌‌‌‌‌‌‌‌‌‌‌‌ای را برای دستیابی به فرایندهای کاملا خودکار ایجاد‌‌ می‌‌کند‌‌، اما روش‌‌‌های مبتنی بر یادگیری در سیستم‌‌‌های خودکار و مستقل‌‌ می‌‌توانند شکست بخورند‌‌، زیرا داده‌‌‌های بی‎کیفیت‌‌، خطاهای ‌‌‌‌‌‌‌‌‌‌مدل‌‌سازی‌‌، اتصال با عوامل دیگر و تعامل پیچیده با سیستم‌‌‌های انسانی و رایانه‌‌‌‌‌‌‌‌‌‌‌‌ای در محیط‌‌‌های عملیاتی مدرن همواره وجود دارند و اگر درباره آن‌‌ها بررسی‌‌‌های لازم صورت نگیرد، اصلی‌ترین عوامل ایجاد مشکل‌اند. چو فن و گروه تحقیقاتی وی در حال ساخت چارچوبی متشکل از الگوریتم‌‌ها‌‌، نظریه‌‌ها و ابزارهای نرم‌افزاری برای یادگیری برنامه‌ریزی‌شده‌اند و همچنین در حال توسعه سیستم عامل‌‌‌‌‌هایی برای طراحی خودکار پلاگین و کوادروتورها و کنترل وسایل نقلیه‌‌‌‌‌‌‌‌‌‌‌‌ای هستند که از سیستم‌‌‌های مرکب زمینی و هوایی برای هدایت بهره‌‌ می‌‌جویند.

عنوان پروژه تحقیقاتی دهم؛

«یادگیری آنلاین و تصمیم‌گیری هوش مصنوعی با ‌‌‌‌‌‌‌‌‌‌بهره‌‌گیری از مفهوم عدم اطمینان در محیط‌‌‌های پیچیده» پژوهشگر: پاتریک جیلت‌‌، استاد مهندسی برق و علوم کامپیوتر دوگالد سی جکسون.

پیشرفت‌‌‌های فنی در علم محاسبات‌‌، ارتباطات از راه دور‌‌، ظرفیت‌‌‌های سنجش و سایر فناوری‌‌‌های اطلاعاتی فرصت‌‌‌های فوق‌العاده‌‌‌‌‌‌‌‌‌‌‌‌ای برای استفاده از اطلاعات پویا به منظور افزایش بهره‌وری‌‌، بهینه‌سازی عملکرد و حل مشکلات پیچیده آنلاین جدید فراهم‌‌ می‌‌کند. با این حال‌‌، بسیاری از این فرصت‌‌ها چالش‌‌‌های روش‌شناختی قابل توجهی درباره چگونگی فرمول‌بندی و حل این مشکلات جدید به همراه دارند. در پروژه‌‌‌‌‌‌‌‌‌‌‌‌ای به رهبری جیلت‌‌، محققان از تکنیک‌‌‌های یادگیری ماشین برای ادغام سیستماتیک بهینه‌سازی آنلاین و یادگیری آنلاین برای کمک به تصمیم‌گیری انسان در شرایط عدم اطمینان استفاده‌‌ می‌‌کنند.

عنوان پروژه تحقیقاتی یازدهم؛

«سیستم‌های ارتباطاتی برای مقابله با تبعات همه‌گیرشدن شبکه‌‌‌های اجتماعی» پژوهشگر: دب روی‌‌، استاد علوم و هنرهای رسانه‌ای.

فناوری‌‌‌های رسانه‌‌‌های اجتماعی که نویدبخش دوره‌‌‌‌‌‌‌‌‌‌‌‌ای تازه در دنیای ما به شمار می‌روند، ما را با الگوریتم‌‌‌های خود به سمت پیله‌‌‌های هماهنگی سوق داده‌‌اند که هر چه بیشتر به درون خود بخزیم و از اجتماع انسان‌‌ها فاصله بگیریم. در این میان، دب روی و تیم او در حال توسعه مدل‌‌ها و روش‌‌‌های زبانی برای مقابله با تأثیرات این فناوری‌‌ها هستند؛ چرا که نتایج و پیامدهای استفاده مداوم از آن‌‌ها به تشدید اختلافات اقتصادی و اجتماعی‌‌ می‌‌انجامد و انسان‌‌ها را در معرض هجمه‌‌‌‌‌‌‌‌‌‌‌‌ای از دیدگاه‌‌‌های مختلف قرار داده است. این تغییرات اگرچه با مضراتی همراه است‌‌، اما باعث‌‌ می‌‌شود کاربران بتوانند از انسان‌های دیگری که ممکن است لزوما مانند آن‌‌ها به نظر نرسند‌‌، فکر نکنند یا زندگی نکنند‌‌، چیزهایی را بیاموزند.

عنوان پروژه تحقیقاتی دوازدهم؛

«یادگیری غیرمتمرکز با داده‌‌‌های متنوع»

پژوهشگران: کاستیس داسکالاکیس‌‌، استاد مهندسی برق و علوم کامپیوتر؛ آسو اوزداگلار‌‌، استاد مهندسی برق و علوم کامپیوتر مث ورکز‌‌، رئیس بخش مهندسی برق و علوم کامپیوتر‌‌؛ معاون رئیس دانشکده محاسبات MIT شوارتزمن؛ راس تدریک، استاد مهندسی برق و علوم کامپیوتر تویوتا.

در بسیاری از تنظیمات مربوط به هوش مصنوعی‌‌، ترکیب تجربیات متنوع و غیرمتمرکزی که توسط عوامل ناهمگن جمع‌‌آوری‌‌ می‌‌شوند، وجود دارد. بی‌شک، ایجاد مدل‌‌‌های بهتر برای پیش‌بینی و تصمیم‌گیری در کارهای مختلفی که این عوامل انجام‌‌ می‌‌دهند‌‌، مهم است. با آوردن ابزارهایی که از فناوری یادگیری ماشین بهره گرفته‌‌اند و فرایندهای مربوط به کنترل‌‌، آمار‌‌، فیزیک آماری و نظریه بازی را بهینه‌سازی کرده‌‌‌‌‌‌‌‌‌‌اند، این پروژه می تواند به هدف خود که همانا پیشرفت در علوم بنیادی یادگیری است، برسد.

عنوان پروژه تحقیقاتی سیزدهم؛

«ادراک قابل اعتماد و قابل اجرای سه بعدی صحنه از طریق مدل‌های نمادین شبکه عصبی»

پژوهشگران: ویکاش منسینگها‌‌ (دانشمند اصلی این تحقیق). جوشوا تننبام‌‌، استاد علوم شناختی و محاسبات؛ و آنتونیو تورالبا‌‌، توماس و گرد پرکینز استادان رشته مهندسی برق و علوم کامپیوتر.

این پژوهش به طور مشخص در زمینه یادگیری ماشین برنامه‌‌ریزی و طرح‌بندی شده است. توضیح مقدماتی که درباره آن‌‌ می‌‌توان گفت این است که: برای استقرار در دنیای واقعی‌‌، سیستم‌‌‌های درک صحنه سه بعدی باید در محیط‌‌ها و پیکربندی‌‌‌های دارنده سنسور قرار گیرند و بدون تغییر مجدد آموزش یا تنظیم دقیق‌‌، با تغییرات صحنه و محیط سازگار شوند. تیم پروژه با استفاده از موفقیت محققان در حوزه برنامه‌نویسی و استنباط از شبکه عصبی مونت کارلو به انجام پروژه می‌پردازند.

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