یادگیری خود نظارتی، کلیدی برای رسیدن به سطح هوش انسانی

براساس گفته های برندگان جایزه تورینگ، یوشوا بنگیو و یان لیکان، یادگیری خود نظارتی می تواند به ایجاد هوش مصنوعی که از نظر استدلالی شباهت بیشتری به انسان دارد، منجر شود. Bengio، مدیر مؤسسه الگوریتم های یادگیری مونترال، و LeCun ، معاون رسمی شرکت فیسبوک و دانشمند ارشد هوش مصنوعی، طی جلسه ای در کنفرانس بین المللی دستاوردهای یادگیری (ICLR 2020)، که بصورت آنلاین برگزار شد، در مورد این موضوع و سایر روندهای تحقیق صحبت کردند.

نویسنده: امیررضا جهانی

یادگیری نظارت شده مستلزم آموزش یک مدل هوش مصنوعی در مجموعه داده های دارای Label می باشد و در رابطه با این موضوع، LeCun فکر می کند که یادگیری خود نظارتی نقش مهمی داشته و منجر به استفاده گسترده تر خواهد شد. به جای تکیه بر یادداشت ها، الگوریتم های یادگیری خود نظارتی از طریق آشکار سازی روابط بین قسمت های داده های موجود،Label  هایی از داده ها را ایجاد می کنند. این عملکرد گامی بسیار حیاتی و مهم برای دستیابی به سطح هوش انسانی شناخته شده است.

وی گفت: ” بیشتر آنچه که ما به عنوان انسان یاد می گیریم و بیشتر آنچه که حیوانات یاد می گیرند در حالت خود نظارتی بوده و در حالت تقویتی نمی باشد. این موضوع اساساً جهان را مورد مشاهده قرار داده است و به میزان کمی با آن تعامل دارد و همچنین این امر بیشتر با مشاهده به روش آزمون مستقل می باشد. “

عدم قطعیت یک مانع بزرگ در راه موفقیت یادگیری خود نظارتی می باشد.

توزیع ها جداول ارزش های موجود هستند. آنها هر مقدار ممکن از یک متغیر را، به مقدار احتمال وقوع آن پیوند می دهند. آن ها به خوبی در صورت عدم وجود متغیرها، وضعیت عدم اطمینان نشان می دهند. به همین دلیل است که طراحانی مانند BERT Google بسیار موفق هستند. متأسفانه، محققان هنوز راهی پیدا نکرده اند تا بتوانند توزیعاتی که در آن متغیرها پیوسته هستند را ارائه دهند. این در حالی است که آن ها فقط با اندازه گیری قابل دستیابی هستند.

LeCun به این نکته اشاره کرد که یک راه حل برای رفع مشکل توزیع پیوسته، مدل های مبتنی بر انرژی است که عناصر ریاضی یک مجموعه داده را یاد می گیرند و سعی در تولید مجموعه داده های مشابه دارند. با توجه به سوابق گزارش شده، اين شكل مدل سازي براي كاربرد عملي دشوار بوده است اما در مقابل، تحقیقات اخیر نشان می دهد که این مدل سازی در مقیاس توپولوژی های پیچیده سازگار می باشد. Bengio معتقد است كه هوش مصنوعی از حوزه علوم عصبی، به ویژه اكتشافات آن در مورد آگاهی و پردازش آگاهانه، فواید زیادی به همراه دارد. (این کار با هر دو روش پیش می رود که برخی از دانشمندان علوم اعصاب از شبکه های عصبی کانوشنال  (CNN)استفاده می کنند. شبکه های عصبی کانوشنال نوعی الگوریتم هوش مصنوعی می باشد که به عنوان الگویی مانند جریان بطنی سیستم بصری عمل کرده و برای طبقه بندی تصویر مناسب است.) Bengio همچنین پیش بینی می کند که مطالعات جدید نحوه ارتباط بین متغیرهای معنایی سطح بالا و نحوه پردازش اطلاعات توسط مغز، از جمله اطلاعات بصری را مورد بررسی قرار داده و این موضوع را به خوبی تحلیل می کند. این متغیرها شامل انواع موارد مختلف می باشند. برای مثال می توان به قدرت تکلم انسان اشاره کرد. علاوه بر این که انسان با استفاده از تکلم قادر به بر قرار کردن ارتباط می باشد، همچنین می تواند منجر به نسل کاملاً جدیدی از مدلهای یادگیری عمیق شود.

Bengio بیان داشت: “جایی که ما انسان ها بصورت مشترک سعی می کنیم تا الگویی از جهان و چگونگی ارتباط بین مفاهیم سطح بالا را درک کنیم، پیشرفت های زیادی وجود دارد که می توان با گرد هم آوردن مواردی مانند یادگیری مبتنی بر زبان، به آن ها دست یافت که این موضوع یک نوع توزیع مشترک است. ” او ادامه داد: ” من معتقدم که پردازش آگاهانه بشر، از مفروضات مربوط به چگونگی تغییر جهان سوء استفاده خواهد کرد، که این مورد می تواند به راحتی به عنوان دستاورد های سطح بالا اجرا شود. “

یکی دیگر از قطعه های گم شده در پازل اطلاعاتی سطح بشر، دانش پیش زمینه است.

با توجه به توضیحات LeCun، اکثر انسانها می توانند در حدود 30 ساعت، نحوه رانندگی اتومبیل را یاد بگیرند. زیرا آنها یک الگوی فیزیکی را در رابطه با نحوه رفتار اتومبیل درک کرده اند. در مقابل این موضوع، مدل های یادگیری تقویتی که در اتومبیل های خودکار امروزی مستقر شده اند، الگوی یادگیری خود را از صفر شروع کرده اند. آن ها قبل از این که متوجه شوند کدام تصمیم درست است، مجبور بودند تا هزاران اشتباه را مرتکب شوند.

LeCun گفت:” بدیهی است، ما باید بتوانیم مدل های دنیا را بیاموزیم، و این دلیل اصلی یادگیری خود نظارتی است. می توان به مدل های پیش بینی کننده در حال اجرای موجود در جهان نیز اشاره کرد که به سیستم ها این امکان را می دهد تا با استفاده از این مدل، سرعت یادگیری خود را افزایش دهند. “

LeCun استدلال می کند که حتی یادگیری معمولی و یادگیری خود نظارتی بر پایه نوروبیولوژی، برای دستیابی به هوش عمومی مصنوعی (AGI) و یا هوش فرضی یک ماشین با توانایی درک یا آموختن از هر کاری، کافی نخواهد بود. زیرا هوش، حتی هوش انسانی، بسیار تخصصی است. او نیز ادعا داشت که AGI و هیچ چیز به عنوان هوش عمومی وجود ندارد. وی ادامه داد: ” ما قادریم تا در مورد سطح هوش موش، سطح هوش گربه، سطح هوش سگ و یا سطح هوش انسان صحبت کنیم، اما امکان بحث در رابطه با هوش مصنوعی عمومی وجود ندارد. “

اما در مقابل،Bengio  معتقد است که سرانجام، ماشین ها بدون نیاز به تجربه، این امکان را به دست می آورند که انواع و اقسام دانش را در مورد جهان بدست آورند، به احتمال زیاد عملکرد آن ها نسبت به کسب علم و دانش، به صورت دانش کلامی باشد.

او گفت: ” من فکر می کنم این یک مزیت بزرگ برای انسان با توجه به دیگر حیوانات می باشد .”او ادامه داد:  “یادگیری عمیق به شکلی زیبا مقیاس گذاری می کند، و این یکی از بزرگترین نقاط قوت آن است. اما من فکر می کنم که فرهنگ، دلیل مهمی است که ما آنقدر هوشمند و قادر به حل مشکلات در جهان هستیم. برای اینکه هوش مصنوعی در دنیای واقعی ما مفید باشد، باید دستگاه هایی داشته باشیم که فقط قادر به ترجمه کردن نباشند، بلکه در واقع توانایی درک زبان طبیعی را دارا باشند. “

مبنع


آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی شما را به دنیای یادگیری ماشین و داده کاوی دعوت می‌کند 👌

💯پکیج آموزشی برنامه نویسی متلب 

💯پکیج آموزشی پیاده سازی شبکه های عصبی در متلب

💯شناسایی الگو و یادگیری ماشین فصل یک تا4 (classification & regression)

💯شناسایی الگو و یادگیری ماشین ( Ensemble learning)

💯شناسایی الگو و یادگیری ماشین (dimension reduction)

💯پکیج آموزشی پردازش سیگنال EEG مبتنی بر تسک تصور حر

0 پاسخ به "یادگیری خود نظارتی، کلیدی برای رسیدن به سطح هوش انسانی"

ارسال یک پیام

نشانی ایمیل شما منتشر نخواهد شد.

*

code

تمام حقوق مادی و معنوی این سایت مربوط به آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی می باشد
X