هوش مصنوعی قابل‌ توصیف
آموزش‌های پیشرفته هوش مصنوعیعلوم شناختی

چگونه هوش مصنوعی قابل‌ توصیف می‌تواند به انسان در نوآوری کمک کند؟

    0
    مدت زمان مطالعه: ۵ دقیقه

    فناوری هوش مصنوعی سیستم‌هایی را ایجاد کرده است که می‌توانند اتومبیل‌ها را برانند، ترکیبات شیمیایی را سنتز کنند، مساله تاشدگی پروتئین‌ها را حل کنند و ذرات پرانرژی را تشخیص دهند. با این حال، این الگوریتم‌های هوش مصنوعی نمی‌توانند فرایندهای پشت تصمیم‌های خود را توضیح دهند و نیاز به هوش مصنوعی قابل‌ توصیف است.

    کامپیوتری که بر چالش تاشدگی پروتئین‌ها غلبه می‌کند و همچنین در مورد قوانین زیست شناسی به محققان توضیح می‌دهد بسیار مفیدتر از رایانه‌ای است که مساله تاشدگی پروتئین‌ها را بدون توضیح حل می‌کند.

    این موضوعی است که ذهن فارست آگوستینلی، استادیار علوم کامپیوتر دانشگاه کارولینای جنوبی و دیگر محققان را به خود جلب کرده است. این محققان تلاشی‌های خود را به به سمت توسعه الگوریتم‌هایی معطوف کرده‌اند که می‌توانند خود را به روشی توضیح دهند که انسان بتواند آن را درک کند.

    آگوستینلی معتقد است اگر بتوانیم این کار را انجام دهیم، هوش مصنوعی قابل‌ توصیف قادر خواهد بود حقایق جدیدی را درباره جهان کشف کند که تاکنون کشف نشده باقی مانده‌اند و به مردم نیز این حقایق را توضیح دهد که این خود منجر به نوآوری‌های جدید می‌شود.

    هوش مصنوعی قابل توصیف

    یادگیری از تجربه

    یکی از حوزه‌های هوش مصنوعی یادگیری تقویتی است. این نوع یادگیری، این موضوع را مطالعه می‌کند که چگونه کامپیوترها می‌توانند از تجربیات خود یاد بگیرند. در یادگیری تقویتی، هوش مصنوعی جهان را کاوش می‌کند و براساس اعمال و اقدامات خود، بازخورد مثبت یا منفی دریافت می‌کند.

    این رویکرد منجر به ایجاد الگوریتم‌هایی شده است که به طور مستقل یاد‌گرفته اند شطرنج را در سطحی بهتر از انسان‌ها بازی کنند و قضیه‌های ریاضی را بدون هیچ‌گونه راهنمایی انسانی اثبات کنند.

    دکتر آگوستینلی می‌گوید: من به عنوان یک محقق هوش مصنوعی در کار خود، از یادگیری تقویتی برای ایجاد الگوریتم‌های هوش مصنوعی استفاده می‌کنم که یاد بگیرند چگونه معماهایی از جمله مکعب روبیک را حل کنند. هوش مصنوعی از طریق یادگیری تقویتی به طور مستقل در حال حل مسائلی است که حتی انسان‌ها نیز برای کشف آن‌ها با مشکلات زیادی دست و پنجه نرم می‌کنند.

    این باعث شده است که من و بسیاری از محققان، بیشتر از اینکه به این موضوع فکر کنیم که هوش مصنوعی چه چیزی می‌تواند یاد بگیرد به این مساله فکر کنیم که انسان‌ها چه چیزی از هوش مصنوعی یاد می‌گیرند. در واقع رایانه‌ای که بتواند مکعب روبیک را حل کند، باید بتواند به مردم نیز آموزش دهد که چگونه آن را حل کنند.

    ورود به دنیای جعبه سیاه

    متأسفانه در حال حاضر، فهم و درک ذهن فوق‌بشری هوش مصنوعی برای ما انسان‌ها دور از دسترس است. سیستم‌های مبتنی بر هوش مصنوعی به خوبی نمی‌توانند خود را توضیح دهند و این همان چیزی است که ما در دنیای علوم کامپیوتر “جعبه‌های سیاه” می‌نامیم.

    هوش مصنوعی قابل‌ توصیف

    جعبه سیاه  هوش مصنوعی بدون اینکه دلایلی برای راه‌حل‌های خود بیابد، راه‌حل‌ها را بیرون می‌دهد. دانشمندان علوم رایانه ده‌ها سال تلاش کرده‌اند تا این جعبه سیاه را باز کنند و تحقیقات اخیر نشان داده که بسیاری از الگوریتم‌های هوش مصنوعی در واقع به روش‌هایی شبیه انسان فکر و عمل می‌کنند. به عنوان مثال، رایانه‌ای که برای شناسایی حیوانات آموزش دیده است، در مورد انواع مختلف چشم و گوش یاد می‌گیرد و از این اطلاعات برای شناسایی و تفکیک درست حیوانات استفاده می‌کند.

    تلاش برای گشودن جعبه سیاه را هوش مصنوعی قابل‌ توصیف می‌نامند. گروه تحقیقاتی دکتر آگوستینلی در موسسه هوش مصنوعی در دانشگاه کارولینای جنوبی علاقه‌مند به توسعه هوش مصنوعی قابل‌ توصیف هستند. برای رسیدن به این هدف، آن‌ها به کار با مکعب روبیک پرداختند.

    مکعب روبیک

    مکعب روبیک اساسا یک مسئله‌ی مسیریابی است: مسیری را از نقطه A تا نقطه B پیدا کنید. در واقع نقطه A نقطه‌ای است که رنگ‌های مکعب قاطی شده‌اند و در نقطه B مکعب حل شده و رنگ‌ها کنار هم چیده شده‌اند. از دیگر مسائل این‌چنینی می‌توان به ناوبری، اثبات قضیه و سنتز شیمیایی اشاره کرد.

    آزمایشگاه دکتر آگوستینلی وب‌سایتی را ایجاد کرده است که هر کسی می‌تواند ببیند الگوریتم هوش مصنوعی آن‌ها چگونه مکعب روبیک را حل می‌کند. با این حال، یک شخص ممکن است برایش سخت باشد که یاد بگیرد چگونه مکعب را در این وب‌سایت حل کند. این به این دلیل است که رایانه نمی‌تواند منطق راه‌حل‌های خود را به شما بگوید.

    راه‌حل‌های مکعب روبیک را می‌توان به چند مرحله کلی تقسیم کرد. به عنوان مثال، اولین مرحله می‌تواند رسم نقش یک صلیب باشد، در حالی که مرحله دوم می‌تواند این باشد که قطعات موجود در گوشه‌ها را در جای خود قرار دهید. در حالی که مکعب روبیک می‌تواند بیش از ۱۰ تا ۱۹ ترکیب ممکن داشته باشد، می‌توان یک راهنمای کلی گام به گام را به خاطر سپرد و در سناریوهای مختلف اجرا کرد.

    یک رویکرد وجود دارد که در آن افراد با تقسیم‌کردن یک مساله به چندین مرحله چیزها را برای یکدیگر توضیح می‌دهند. مکعب روبیک به طور طبیعی در این چارچوب ِ گام‌به‌گام قرار می‌گیرد که به ما فرصت می‌دهد جعبه سیاه الگوریتم خود را راحت‌تر باز کنیم. ساخت الگوریتم‌های هوش مصنوعی که به این توانایی مجهز باشند می‌تواند به افراد اجازه دهد تا با هوش مصنوعی همکاری کنند و طیف گسترده‌ای از مشکلات پیچیده را به مراحل قابل درک و آسان تقسیم کنند.

    هوش مصنوعی قابل‌ توصیف

    همکاری منجر به نوآوری می‌شود

    فرایند همکاری با استفاده از شهود شخصی برای تعریف برنامه‌ای گام به گام، به منظور حل یک مسئله پیچیده آغاز می‌شود. سپس الگوریتم، هر مرحله را بررسی می‌کند و بازخورد می‌دهد که کدام مراحل امکان‌پذیر است، کدام مرحله غیرممکن است و چگونه می‌توان برنامه را اصلاح کرد. سپس انسان با استفاده از توصیه‌های هوش مصنوعی برنامه اولیه را بهبود می‌بخشد و این روند تا زمان حل مشکل تکرار می‌شود. امید می‌رود که فرد و هوش مصنوعی سرانجام به نوعی درک متقابل برسند.

    دکتر آگوستینلی می‌گوید در حال حاضر، الگوریتم ما می‌تواند یک طرح انسانی را برای حل مکعب روبیک در نظر بگیرد، بهبودهایی را برای این طرح پیشنهاد دهد، برنامه هایی را که کار نمی‌کنند تشخیص دهد و گزینه‌های برای جایگزینی پیشنهاد دهید. با این کار، سیستم بازخوردی می‌دهد که منجر به یک برنامه گام به گام برای حل مکعب روبیک می‌شود و شخص می تواند آن را بفهمد. گام بعدی تیم ما ایجاد یک رابط بینایی است که به الگوریتم ما امکان می‌دهد به افراد نحوه حل مکعب روبیک را یاد دهد. امید ما تعمیم این رویکرد به طیف وسیعی از مشکلات مسیریابی است.

    شهود در انسان‌ها قوی است و از آن سو، ماشین‌ها از نظر قدرت محاسباتی و دقت الگوریتمی بسیار بهتر هستند. این همکاری بین انسان و ماشین درواقع فرصتی برای استفاده از نقاط قوت هر دو است. آگوستینلی می‌گوید من معتقدم این نوع همکاری مشکلات حل‌نشده قبلی را از شیمی گرفته تا ریاضیات روشن می‌کند و منجر به راه‌حل‌های جدید، شهود و نوآوری‌هایی می شود که تا پیش از این دور از دسترس بوده‌اند.

    این مطلب چه میزان برای شما مفید بوده است؟
    [کل: ۲ میانگین: ۵]

    چطور ماشین یادگیری عمیق خودمان را بسازیم؟

    مقاله قبلی

    فناوری تولید همزمان متن آهنگ، الهام‌بخش آهنگ‌سازان

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    نظرات

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *