40 گام به سوی آینده‌ای هوشمند - مجموعه وبینارهای رایگان در حوزه هوش مصنوعی
Filter by دسته‌ها
chatGTP
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
تیتر یک
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
 XLand ؛ محیط طراحی شده توسط دیپ‌مایند که هوش مصنوعی مدام آن را تغییر می‌دهد

XLand ؛ محیط طراحی شده توسط دیپ‌مایند که هوش مصنوعی مدام آن را تغییر می‌دهد

دیپ‌مایند محیط بازی بزرگی به نام XLand طراحی کرده است که هوش مصنوعی پیوسته آن را تغییر می‌دهد.

هوش مصنوعی تاکنون توانسته است استاد بزرگ بازی‌های شطرنج، گو و چندین بازی دیگر را شکست دهد.
شرکت دیپ‌مایند (DeepMind) در نوشتار جدید خود اعلام کرد در حال آموزش سیستم‌هایی است که می‌توانند بازی‌های مختلف را بدون نیاز به داده‌های تعاملی انسان انجام دهند.

XLand

XLand

شرکت دیپ‌مایند خبر از ساخت محیط بازی وسیعی به نام XLand داده است. XLand از چندین بازی‌ چندنفره‌‌ در محیط‌هایی پایدار، سه بعدی و ملموس برای انسان تشکیل شده است. در این محیط، تدوین الگوریتم‌های یادگیری جدید امکان‌پذیر است، الگوریتم‌هایی که به طور پویا نحوه تمرین عامل هوشمند و بازی‌های آن را کنترل می‌کنند.

در ادامه این نوشتار آمده است که: «قابلیت‌های عامل هوشمند در پاسخ به چالش‌هایی که در طی آموزش مطرح می‌شوند، به طور پیوسته ارتقاء یافته و فرایند یادگیری به طور مداوم وظایف آموزشی را تغییر می‌دهد و به این ترتیب یادگیری هرگز متوقف نمی‌شود. حاصلِ کار، عامل هوشمندی است که می‌تواند طیف وسیعی از وظایف را با موفقیت انجام دهد. حتی وظایفی که در حین آموزش با آن‌ها روبه‌رو نشده است. از قبیل بازی‌های ساده مانند پیداکردن اشیاء و بازی‌های پیچیده‌ مانند قایم – موشک و فتح پرچم».

این فناوری چه تاثیری بر روی هوش مصنوعی دارد؟

برآیند این فناوری در هوش مصنوعی ساخت عامل‌های هوشمند جدیدی است که می‌توانند طیف وسیعی از وظایف را انجام دهند و محدود به یک وظیفه مجزا و منحصر به فرد نیستند. به عبارت دیگر، این عامل‌های هوشمند می‌توانند به سرعت با محیط‌های پویا سازگار شوند. و این یعنی دیگر کمبود داده‌های آموزشی مسئله‌ساز نخواهد بود و عامل‌های هوشمند می‌توانند به صورت خودآموز وظایف جدید را یاد بگیرند.

حال، این سوال مطرح می‌شود که شرکت دیپ‌مایند چگونه به این فناوری دست‌یافته است؟ مهندسان این شرکت وظایفی پویا با درجه سختی متوسط (نه بسیار سخت و نه بسیار آسان) و مناسب برای آموزش در این محیط طراحی کردند. آن‌ها سپس «آموزش مبتنی بر جمعیت» (PBT) را برای تنظیم پارامترهای تولید وظیفه پویا به‌کار بردند. این تنظیمات بر اساس برازشی با هدف بهبود توانایی عمومی‌ عامل هوشمند صورت گرفت. و در نهایت، شرکت موفق شد زنجیره‌ای از چندین دوره آموزشی طراحی کند که در آن‌ها عامل‌های هوشمند هر نسل مستقل از عامل‌های نسل قبل بودند.

نسخه پیش از چاپ این پژوهش در مقاله‌ای با عنوان «یادگیری باز پاسخ منجر به ساخت عامل هوشمندی با توانایی‌های عمومی می‌شود» ارائه شده است.

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"]