Filter by دسته‌ها
chatGTP
ابزارهای هوش مصنوعی
اخبار
گزارش
تیتر یک
چندرسانه ای
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
دانش روز
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
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
رویدادها
کاربردهای هوش مصنوعی
کتابخانه
اشخاص
شرکت‌های هوش مصنوعی
محصولات و مدل‌های هوش مصنوعی
مفاهیم
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
مقاله
 فیلترینگ مشارکتی و دستاوردی جدید ؛ ذهن خوانی با کامپیوتر

فیلترینگ مشارکتی و دستاوردی جدید ؛ ذهن خوانی با کامپیوتر

زمان مطالعه: 3 دقیقه

گروهی از محققان دانشگاه کپنهاگ و دانشگاه هلسینکی با مطالعه بر فیلترینگ مشارکتی نشان دادند که با مقایسه‌ پاسخ‌های مغز فرد با دیگران، می‌توان ذهن خوانی کرد و سلایق او را دریافت. از جمله کاربرد این یافته‌ها می‌توان به شخصی‌سازی محتوای رسانه‌ها و افزایش خودشناسی افراد اشاره کرد.
این‌که الگوریتم‌های آنلاین سلیقه و ترجیحات ما (در مورد فیلم، موسیقی، اخبار و محصولات) را حدس می‌زنند، امری طبیعی شده است. این برآوردها و پیشنهادات بر اساس آن‌چه قبلاً جستجو و تماشا کرده‌ایم یا گوش داده‌ایم و فعالیت‌هایی که در مقایسه با سایر افراد انجام داده‌ایم انجام می‌شوند. «فیلترینگ مشارکتی » از الگوهای نهان موجود در رفتار فرد و دیگران استفاده می‌کند تا چیزهایی که به نظر او جالب و دل‌نشین می‌آیند را پیش‌بینی کند.

فیلترینگ مشارکتی

پرسشی که پژوهش حاضر را آغاز کرد این بود که اگر این الگوریتم‌ها به جای رفتار، از پاسخ مغزی افراد استفاده کنند چه اتفاقی خواهد افتاد؟ این ایده شاید شبیه فیلم‌های علمی-تخیلی به نظر برسد، اما محققان دانشگاه کپنهاگ و هلسینکی با ترکیب علوم کامپیوتری با علم اعصاب نشان دادند که «فیلترینگ مشارکتی مبتنی بر مغز» و در نتیجه ذهن خوانی امکان‌پذیر است. این پژوهشگران با استفاده از الگوریتم، الگوی یک آزمودنی را با پاسخ‌های مغزی دیگر افراد مقایسه کرده و بدین طریق توانستند نظر افراد نسبت به چهره‌هایی که تا به حال ندیده بودند را پیش‌بینی کنند.
پیش از این، محققان تصاویر چهره‌های گوناگون را به آزمودنی‌هایی که الکترودهای EEG روی سرشان قرار داشت، نشان دادند تا نشان دهند یادگیری ماشین می‌توان با تکیه بر نوار مغز، چهره‌هایی که از نظر آزمودنی‌ها جذاب‌تر بودند را شناسایی و به نوعی ذهن خوانی کند.
نویسنده‌ی ارشد مقاله، دکتر توکا روتسالو از دپارتمان علوم کامپیوتر دانشگاه کپنهاگ، می‌گوید: «از طریق مقایسه‌ی فعالیت مغزی فرد با دیگران توانستیم چهره‌هایی که مشارکت‌کنندگان جذاب می‌دانند را قبل از نمایش آن‌ها، پیش‌بینی کنیم. این فناوری کمک می‌کند در حوزه‌هایی همچون سرویس‌های پخش (که بر اساس تاریخچه‌ی کاربران، فیلم‌ها و سریال‌های جدید به آن‌ها پیشنهاد می‌کنند) پیشنهاداتی معتبرتر به کاربران ارائه دهیم.»

به سوی محاسبات ذهن‌آگاه و خودآگاهی بیشتر

پیشنهاداتی که صنایع و ارائه‌دهندگان خدمات به کاربران ارائه می‌دهند روز به روز شخصی‌تر می‌شوند؛ تا جایی که اکنون انتظار داریم محتوای آن‌ها متناسب با هر فرد باشند. به همین دلیل، پژوهشگران و صنایع تمایل به ساخت تکنیک‌هایی دقیق‌تر دارند که بتوانند پاسخگوی این نیازها باشند. با این حال، تکنیک‌های «فیلترینگ مشارکتی» موجود، مبتنی بر رفتارهای عینی (همچون امتیازدهی، کلیک، به اشتراک‌گذاری محتوا و …) هستند و نمی‌توان همواره مطمئن بود که سلائق واقعی و درونی ما را آشکار می‎کنند.
طبق توضیحات دکتر میشل اسپپ ، نویسنده‌ی دیگر این مقاله: «با توجه به عواملی از جمله هنجارهای اجتماعی، احتمال این وجود دارد که کاربران سلائق واقعی خود را از طریق رفتارهای آنلاینشان بروز ندهند. به همین دلیل می‌توان گفت رفتارهای عینی، صادقانه نیستند. سیگنال‌های مغزی که در این آزمایشات مورد بررسی قرار دادیم بلافاصله بعد از نمایش تصاویر ثبت شدند تا بیشتر برداشت‌های فوری افراد را نشان دهند، نه رفتارهای ملاحظه‌گرانه‌ی آن‌ها را.»
به گفته‌ی توکا روستالو: «فعالیت الکتریکی مغز ما منبع اطلاعاتی تقریباً بکر و دسته‌اول است. احتمالاً در آینده می‌توان از این روش استفاده کرد تا اطلاعاتی بسیار دقیق‌تر از سلائق افراد به دست آورد. بدین طریق می‌توان دلایل زیربنایی علاقه‌ی افراد به (برای مثال) یک سبک موسیقی خاص را مشخص کرد، دلایلی که می‌تواتند مربوط به یک سری عواطف خاص باشد که با گوش دادن به آن موسیقی‌ها برانگیخته می‌شوند.»

فیلترینگ مشارکتی

با این حال، از نظر محققان، کاربرد این روش جدید محدود به فروش بیشتر یا حفظ کاربران در سازندگان تبلیغات و سرویس‌های پخش نمی‌شود. به بیان کیس دیویس :
«مطالعات ما گامی است در مسیر رسیدن به عصری که برخی آن را «محاسبات ذهن‌آگاه » می‌نامند، در این دوران، ادغام کامپیوترها و تکنیک‌های علوم اعصاب به کاربران اجازه خواهد داد اطلاعاتی منحصر به فرد در مورد خودشان به دست آورند. تعامل مغز-کامپیوتر به خودشناسی بهتر افراد کمک خواهد کرد.»
در هر صورت، تا زمانی که بشود این تکنیک را در بافت غیرآزمایشگاهی اجرا کرد، مسیری طولانی پیش رو داریم. برای رسیدن به این جایگاه، دستگاه‌های تعامل مغز-کامپیوتر باید ارزان‌تر شوند و کاربری راحت‌تری داشته باشند؛ در غیر این صورت، کاربران عادی نخواهند توانست به صورت دستبند یا هدفون از این فناوری‌‌ها بهره ببند. طبق برآورد محققان، در بهترین حالت، این اتفاق طی 10 سال آینده روی خواهد داد.
محققان از چالش بزرگی که این فناوری به همراه دارد نیز یاد می‌کنند: سوءاستفاده از داده‌های به دست آمده از مغز. جامعه‌ی پژوهشی باید به استفاده‌ی اخلاقی از داده‌های جمع‌آوری شده از EEG، حفظ حریم خصوصی و مالکیت آن‌ها، توجه داشته باشند.
در این آزمایشات، تصاویر زیادی از چهره‌های افراد به مشارکت‌کنندگان نشان داده و از آن‌ها خواسته شد به دنبال چهره‌هایی بگردند که به نظرشان جذاب است. در همین حین، سیگنال‌های مغزی آن‌ها نیز ثبت می‌شد. این داده‌ها برای آموزش یک مدل یادگیری ماشینی به کار رفتند که تفاوت فعالیت مغزی مشارکت‌کنندگان، بین وقتی که چهره‌ای جذاب می‌بینند با زمانی که چهره‌ای غیرجذاب می‌بینند، را تشخیص می‌دهد.
سپس، با استفاده از یک مدل یادگیری ماشینی دیگر و با تکیه بر داده‌های مبتنی بر مغز که از گروهی بزرگ‌تر جمع‌آوری شده بود، جذابیت تصاویر جدید در نظر آزمودنی‌ها برآورد شد. به همین دلیل گفته می‌شود که پیش‌بینی‌های نهایی، تا حدودی مبتنی بر سیگنال‌های مغزی خود فرد و تا حدی هم وابسته به نحوه‌ی پاسخدهی افراد دیگر به آن تصاویر، بوده‌اند.

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

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]