پیشرفت هوش مصنوعی با حل چهار مشکل

پیشرفت هوش مصنوعی با حل چهار مشکل

ممکن است سال گذشته ارتباطات ما با دنیای فیزیکی را قطع کرده باشد ، اما در حوزه دیجیتال ، با پیشرفت هوش مصنوعی همراه بود. در بیشتر مواقع دانشمندان بر روی هوش مصنوعی و بدن خود ما تمرکز  داشته اند و عقیده داشتند که مسیر پیشرفت با این حالت به پیش خواهد رفت. برخی دیگر این عقیده را دارند که باید با ترکیب یادگیری عمیق با سایر فناوری ها باید این علم را پیشرفت داد.

در اینجا چهار زمینه وجود دارد که ما در سال 2021 چشم به راه آنها هستیم. آنها به مشکلات برجسته پیشرفت هوش مصنوعی از جمله کاهش مصرف انرژی ، رفع نیاز به مثالهای یادگیری پرشور و آموزش برخی از عقلانیت عادی به هوش مصنوعی اشاره می کنند.

چهار چالش که به پیشرفت هوش مصنوعی کمک می کنند

1- یادگیری با تعداد داده کمتر

یکی از چالش هایی که همیشه برای فعالان در حوضه هوش مصنوعی وجود داشته و به نوعی مانع پیشرفت هوش مصنوعی می شود تعداد زیاد داده ها است که برای تمربن دادن الگوریتم های هوش مصنوعی نیاز است. این کار نه تنها زمان زیادی می برد بلکه از حجم عظیمی از بودجه نیز استفاده می کند با روش های یادگیری جدید می توانیم از این چالش رهایی یابیم.

مفهوم “سگ” را در نظر بگیرید. صرف نظر از نژاد ، کودکی که چند سگ دیده است می تواند دسته ای از نژادهای مختلف را تشخیص دهد بدون اینکه هرگزآنها را دیده باشد.حتی اگر از مفاهیمی مثل اسب تک شاخ استفاده کنیم تا زمانی که کودک مفهوم اسب و ساخ را بشناسد می تواند اسب تک شاخ را تصویر سازی کند.

در مباحث پیشرفت هوش مصنوعی ، این نوع از یادگیری را یادگیری “کمتر از یک ضربه” (less than one shot) است ، نوعی توانایی مقدس مانند که به یک الگوریتم اجازه می دهد اشیا بیشتری نسبت به نمونه هایی که آموزش داده شده است ، بیاموزد. در صورت تحقق ، پیامدها بسیار زیاد خواهد بود.

الگوریتم های بزرگ در حال حاضر می توانند به طور بالقوه بر روی دستگاه های تلفن همراه با قابلیت پردازش کمتری به راحتی کار کنند. هر نوع “استنباط” ، حتی اگر با درک واقعی همراه نباشد ، می تواند اتومبیل های خودران را در جهت یابی در جهان پر از موانع ما بسیار کارآمدتر کند.

2- جلوگیری از شکنندگی و هک شدن

با اینکه پیشرفت هوش مصنوعی خیلی از کارها را انجام می دهد در دفاع در برابر هکر ها ضعیف است. اغتشاشات جزئی یا به ظاهر تصادفی یک مجموعه داده – که اغلب توسط چشم انسان قابل تشخیص نیستند – می تواند خروجی نهایی را بسیار تغییر دهد ، چیزی که برای الگوریتم “شکننده” نامیده می شود.

هوش مصنوعی آموزش دیده برای تشخیص سرطان از طریق اسکن های پزشکی ، که توسط پزشک انسانی با نشانگر زرد مشخص شده است ، می تواند ارتباط “زرد” با “سرطان” را بیاموزد. اما در مثال دیگر برچسب هایی که روی جاده قرار گرفته اند می توانند سیستم Tesla’s Autopilot را فریب دهند تا خطوط را اشتباه گرفته و به سمت ترافیک رو به جلو حرکت کند و احتمالا منجر به تصادف شود.

شکنندگی برای یادگیری سطح خاصی از انعطاف پذیری به پیشرفت هوش مصنوعی نیاز دارد ، اما خرابکاری – یا “حملات خصمانه” در حال تبدیل شدن به یک مشکل فزاینده شناخته شده است. در اینجا ، هکرها می توانند با تصمیم گیری دقیق ، فرایند تصمیم گیری هوش مصنوعی را تغییر دهند. وقتی صحبت از امنیت شبکه ، تشخیص پزشکی یا سایر موارد پر مخاطره است ، ایجاد سیستم های دفاعی در برابر این حملات بسیار مهم است. و امری است که پیشرفت هوش مصنوعی را تضمین می کند.

3-سندرم ساوانت هوش مصنوعی

یکی از چشمگیرترین الگوریتم های امسال GPT-3 است ، شگفتی OpenAI که زبانی کاملاً شبیه انسان را ارائه می کند. GPT-3 که “یکی از جالبترین و مهمترین سیستمهای پیشرفت هوش مصنوعی تولید شده” لقب گرفته است ، نسل سوم الگوریتمی است که نوشته ای آنقدر “طبیعی” را تولید می کند که تشخیص دستگاه از انسان را بسیار دشوار می کند دشوار. اما همچنان به کار های زیادی نیاز دارد.

یکی از راه های هوشمند سازی GPT-3 یا هر هوش مصنوعی تولید کننده زبان طبیعی ترکیب آن با دید کامپیوتر است. آموزش مدلهای زبان برای “دیدن” در تحقیقات AI به طور فزاینده ای محبوب است. این تکنیک قدرت زبان را با تصاویر ترکیب می کند.

مدل های زبان AI ، از جمله GPT-3 ، از طریق فرایندی به نام “آموزش بدون نظارت” یاد می گیرند ، به این معنی که آنها می توانند الگوها را بدون برچسب های صریح در داده ها تجزیه کنند. به عبارت دیگر ، آنها نیازی به یک انسان ندارند تا به آنها دستورهای گرامری یا نحوه ارتباط کلمات را با یکدیگر بگوید ، که با بمباران هوش مصنوعی با متن متن مثال ، مقیاس یادگیری را آسان تر می کند.

از طرف دیگر مدل های تصویر بهتر واقعیت واقعی ما را منعکس می کنند و باعث پیشرفت هوش مصنوعی می شوند. با این حال ، این موارد نیاز به برچسب گذاری دستی دارند ، که روند را کندتر و خسته کننده تر می کند.

4-خستگی یادگیری عمیق

اگر بخواهید خارج از چهارچوب به این موضوع نگاه کنید ، DeepMind از جمله فناوری هایی است است که با ترکیب روشهای مختلف هوش مصنوعی به چیزی قدرتمندتر بدل می شود. MuZero را بگیرید ، یک الگوریتم خردکن آتاری که درست قبل از کریسمس منتشر شد.

برخلاف wizardهوش مصنوعی DeepMind Go ، پوکر و شطرنج  ، MuZero ترفند دیگری در آستین دارد. به هیچ کس گوش نمی دهد ، زیرا این هوش مصنوعی با دانش قبلی در مورد بازی یا فرایندهای تصمیم گیری شروع نمی شود. در عوض ، بدون کتاب قانون یاد می گیرد ، و محیط بازی را مشاهده می کند – شبیه یک انسان تازه کار است که یک بازی جدید را مشاهده می کند. به این ترتیب ، بعد از میلیون ها بازی ، این فقط قوانین را یاد نمی گیرد ، بلکه یک مفهوم کلی تر از تکنیک هایی را نیز به دست می آورد که می تواند باعث شود جلوتر برود و اشتباهات خودش را از نظر عقاید ارزیابی کند.

پیشرفت هوش مصنوعی در 2021

 این چهار چالش تنها بخشی از چالش هایی است که در زمینه هوش مصنوعی وجود دارد با این حال با غلبه بر این چالش ها هوش مصنوعی پیشرفتی خواهد داشت که همگان را متعجب خواهد کرد این تلاشها  می تواند تمامیت حویت های دیجیتال را تغییر دهد و موجب می شود که کسب و کار ها در حوضه دیجیتال مانند دیجیتال مارکتینگ ، طراحی های گرافیکی و نسل جدید اپلیکیشن ها را تغییر دهد.

با شرکت هوش مصنوعی ویرا سگال کارو همراه باشید

  • برگشت به مقالات
ارسال نظر

آدرس ایمیل شما منتشر نخواهد شد.

برچسب ها