تازه‌های فناوری و کامپیوتر

گوگل و اوبر در حال ساخت سیستم هوشمندی با قابلیت شک به خود

محققان در اوبر و گوگل در حال کار بر روی دو چارچوب یادگیری عمیقِ محبوب هستند که به آنها این امکان را می دهد تا از پس مدیریت عدم قطعیت بر بیایند. این کار راهی را برای هوشمندتر کردن برنامه های هوش مصنوعی فراهم می کند تا میزان اطمینان را در تصمیم گیری و پیش بینی بسنجند – اساسا برای اینکه بدانند چه وقتی بایستی به خودشان شک کنند.

یادگیری عمیق که شامل تکمیل داده های نمونه با یک شبکه عصبی قدرتمند و بزرگ هستند، یک موفقیت بزرگ در طی چند سال اخیر بوده که به ماشین ها این امکان را می دهد تا اشیایی را در تصاویر شناسایی کرده یا سخنرانی هایی را تقریبا به صورت بی نقصی رونویسی کنند. ولی این کار نیازمند تمرین توان محاسباتی و داده ها است و به صورت شگفت آوری می تواند شکننده باشد.

این روش جدید می تواند در سناریوهایی مفید باشد که صحبت از خودروهای بدون راننده و دیگر ماشین های خودکار می شود.

کسی که بر روی این مساله در گوگل کار می کند می گوید: «شما سیستمی می خواهید که به شما بگوید که چقدر مطمئن است. اگر که یک ماشین بدون راننده از سطح عدم قطعیت خود آگاه نباشد، ممکن است دچار خطای وحشتناکی شود، این مساله می تواند فاجعه آفرین باشد.»

آقای ژوبین قهرمانی، دانشمند و پروفسور ایرانی الاصل دانشگاه کمبریج که محقق برجسته هوش مصنوعی و دانشمند ارشد اوبر هم هست در این باره می گوید: «این کار بیانگر درکی ست که عدم قطعیت جنبه ای کلیدی از استدلال و هوش انسانی محسوب می شود. با افزودن این امکان به برنامه های هوش مصنوعی می توان آنها را هوشمندتر و کمتر مستعد اشتباه کرد. ما می خواهیم که چارچوب مستحکمی داشته باشیم و همچنین عدم قطعیت را به مردم نشان دهیم»

در کنفرانس هوش مصنوعی در لانگ بیچ کالیفرنیا، با حضور قهرمانی و گروهی از محققان، بر روی زبان برنامه نویسی جدیدی با نام Pyro صحبت شد که اوبر آن را برای ادغام یادگیری عمیق و برنامه نویسی احتمالی منتشر کرده است.

این دیدار در لانگ بیچ توسط Noah Goodman، پروفسور دانشگاه استنفورد که با آزمایشگاه هوش مصنوعی اوبر کار می کند ترتیب داده شد. با موهایی ژولیده و پیراهنی باز، ممکن است که او را با یک معلم یوگا اشتباه بگیرید.

Goodman توضیح می دهد که ایجاد قابلیت برای یادگیری عمیق برای مدیریت احتمال می تواند آن را به صورت متفاوتی هوشمندتر سازد. برای مثال، این کار می تواند به یک برنامه کمک کند تا چیزهایی با میزان معقولی از عدم قطعیت از فقط چند نمونه بجای چند هزار را تشخیص دهد. ارایه مقداری عدم قطعیت بجای فقط پاسخ بله یا خیر می تواند همچنین به مهندسی سیستم های پیچیده کمک کند.

و در حالیکه سیستم عمیق یادگیری مرسوم تنها از داده هایی که به آن داده می شود، یاد می گیرد، Pyro نیز می تواند برای ساخت سیستمی قابل برنامه ریزی با دانش مورد استفاده قرار گیرد. Goodman می گوید: «در موردی که شما دانش قبلی دارید برنامه نویسی احتمالی مفید است. مردم از Pyro برای همه نوع امور استفاده خواهند کرد.»

Edward، زبان برنامه نویسی دیگری است که از عدم قطعیت استفاده می کند، این مورد توسط دانشگاه کلمبیا با کمک DARPA توسعه داده شده است. هر دوی Pyro و Edward هنوز در مراحل اولیه توسعه هستند ولی سخت نیست که درک کنیم چرا اوبر و گوگل علاقه مند به این موضوع هستند.

اوبر از یادگیری ماشین در زمینه های بیشماری، از مسیریابی راننده ها یا تنظیم افزایش قیمت و البته در خود خودروهای بدون راننده استفاده می کند. این شرکت به شدت در هوش مصنوعی سرمایه گذاری کرده و تعدادی متخصصین را که در زمینه ایده های جدید کار می کنند استخدام کرده است. گوگل کل کسب و کار خودش را در حدود هوش مصنوعی و یادگیری عمیق بازسازی کرده است.

David Blei، پروفسور آمار و علوم کامپیوتر در دانشگاه کلمبیا می گوید که ترکیب یادگیری عمیق و برنامه نویسی احتمالی یک ایده نوید بخش است که نیازمند کار بیشتر می باشد. او می گوید که در اصل این روش بسیار قدرتمند است ولی چالش های فنی خیلی خیلی زیادی هم وجود دارد.

فیسبوک توییتر گوگل + لینکداین تلگرام واتس اپ کلوب

پاسخ دهید

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