وبلاگ

این روش جدید به شما امکان می دهد هوش مصنوعی را تقریباً بدون هیچ داده ای آموزش دهید


یادگیری ماشینی معمولاً به اطلاعات نمونه زیادی نیاز دارد. برای اینکه یک مدل هوش مصنوعی بتواند اسب را تشخیص دهد ، باید هزاران تصویر از یک اسب را به آن نشان دهید. این باعث می شود فناوری رایانه بسیار گران باشد و بسیار متفاوت از یادگیری انسان باشد. کودک معمولاً فقط به چند نمونه از یک شی یا حتی یک نمونه نیاز دارد و سپس می تواند آن را برای همیشه شناسایی کند.

در حقیقت ، کودکان گاهی اوقات برای شناسایی چیز خاصی به مثال نیاز ندارند. فقط تصویری از یک اسب و کرگدن را به او نشان دهید و فقط بگویید که اسب شاخدار ترکیبی از این دو است. دفعه بعدی که تصویر این موجود خیالی را در کتاب ببیند ، آن را به درستی شناسایی می کند.

اکنون مقاله ای از دانشگاه واترلو منتشر شده است که نشان می دهد با هوش مصنوعی می توان از همین روش آموزشی استفاده کرد. محققان نام “کمتر از یک مثال” را برای این روش آموزش انتخاب کرده اند. به عبارت دیگر ، هوش مصنوعی باید بتواند اشیا more بیشتری را نسبت به نمونه هایی که بر آنها بنا شده است ، شناسایی کند. چنین چیزی یک واقعه انقلابی در دنیای هوش مصنوعی تلقی می شود و باعث کاهش هزینه و زمان لازم برای آموزش هوش مصنوعی می شود.

نمونه تصویر از پایگاه داده MNIST

محققان دانشگاه واترلو برای اولین بار هنگامی که با پایگاه داده معروف MNIST برای بینایی کامپیوتر آزمایش کردند ، این ایده را پیدا کردند. MNIST از 60000 شماره دست نویس از 0 تا 9 تشکیل شده است و اغلب برای آزمایش ایده های جدید در زمینه هوش مصنوعی استفاده می شود.

در مقالات قبلی ، محققان MIT تکنیکی را برای “جمع بندی” داده های گروه کشف کرده اند و موفق شده اند کل پایگاه داده MNIST را به 10 تصویر کاهش دهند. تصاویر نهایی از میان تصاویر موجود در پایگاه داده انتخاب نشده اند ، بلکه به گونه ای طراحی و بهینه شده اند که حاوی همان اطلاعات باشند. در نتیجه ، پس از آموزش فقط با 10 تصویر ، MIT توانست دقیقاً همان سطح دقت را نشان دهد که هوش مصنوعی دیگری که روی همه تصاویر MNIST آموزش دیده است.

محققان واترلو می خواستند این روش را بهبود بخشند. اگر 60،000 تصویر را می توان فقط به 10 تصویر تبدیل کرد ، چرا آنها را به 5 تصویر تبدیل نمی کنیم؟ آنها دریافتند که ترفند درست ایجاد تصاویر با ترکیب اعداد مختلف است. (به عنوان مثال ، دوباره به اسب ها و کرگدن ها فکر کنید ، که هر یک از آنها دارای برخی از خصوصیات جسمی یک شاخدار است).

ن

نمونه تصویر از پایگاه داده MNIST ، فشرده شده توسط MIT به 10 تصویر

لیا سوشولوتسکی ، دانشجوی دکترای دانشگاه واترلو و نویسنده اصلی مقاله گفت: “اگر به عدد 3 فکر کنید ، چیزی شبیه به عدد 8 است ، اما هیچ شباهتی به عدد 7 ندارد.” در این روش سعی داریم خصوصیات مشابه را با برچسب های نرم توصیف کنیم. “بنابراین به جای اینکه به دستگاه بگوییم این تصویر متعلق به عدد 3 است ، به او می گوییم که این تصویر 60 درصد عدد 3 ، 30 درصد عدد 8 و 10 درصد عدد 0 است.”

پس از موفقیت در استفاده از برچسب های نرم برای دستیابی به کمتر از یک مورد آموزش با پایگاه داده MNIST ، محققان شروع به فکر کردن در مورد میزان پیشرفت آنها کردند. آیا می توان تعداد تصاویر را دوباره کاهش داد؟ معلوم شد بله با برچسب های نرم و ظریف طراحی شده ، دو مثال می تواند شامل هر نوع طبقه بندی باشد. کار محققان واترلو کشف جدیدی در دنیای ریاضیات محض است. آنها با یکی از ساده ترین الگوریتم های یادگیری ماشین ، k-Nearest Neighbours (kNN) که دسته بندی اشیا را به صورت گرافیکی دارد ، آزمایش و آزمایش شده اند.

برای درک عملکرد kNN ، می توانیم از طبقه بندی میوه به عنوان مثال استفاده کنیم. اگر می خواهید kNN بین سیب و پرتقال تمایز قائل شود ، ابتدا باید مشخصات عمومی هر میوه را انتخاب کنید. ممکن است بخواهید رنگ و وزن را انتخاب کنید. بنابراین برای سیب و پرتقال ، شما kNN را با دو نقطه داده مختلف ارائه می دهید که هر کدام دارای مقدار x به عنوان رنگ و مقدار y به عنوان وزن هستند. سپس الگوریتم kNN تمام نقاط داده را در یک نمودار دو بعدی وارد می کند و خطوط مستقیم را در وسط ترسیم می کند تا بین سیب و پرتقال تمایز قائل شود. از این به بعد شما دو دسته مختلف دارید و هوش مصنوعی تصمیم می گیرد که کدام اطلاعات از خط میانی باشد.

سوشولوتسکی تأکید کرد که این مطالعه هنوز در مراحل ابتدایی است ، اما در عین حال با نتایج اولیه بسیار هیجان زده است. هر بار که او مقاله را به محققان همکار خود نشان می داد ، به او گفته می شد که چنین چیزی غیرممکن است. اما همه این محققان ناگهان به پتانسیل کار سوشولوتسکی پی بردند و بدین ترتیب درهای جدیدی به روی او و پروژه او گشودند.


منبع: digikala affiliate

دیدگاهتان را بنویسید

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

دکمه بازگشت به بالا
بستن