یاد گیری ماشین در آینده به کجا خواهد رسید؟

یاد گیری ماشین در آینده به کجا خواهد رسید؟

تحقیقات پتانسیل جدیدی را برای «تعمیم ترکیبی» نشان می دهد.

انسان ها به طور طبیعی می دانند که چگونه ایده ها را به هم متصل کنند. هنگامی که مفهوم «پرش» را درک می کنند، بلافاصله می فهمند «دوبار در اتاق پرش کن» یا «پرش با دستان بالا» به چه معناست.

اما آیا ماشین ها می توانند به این شکل فکر کنند؟ در اواخر دهه ۱۹۸۰، جری فودور و زنون پیلیشین، فیلسوفان و دانشمندان علوم شناختی، پیشنهاد کردند که شبکه‌های عصبی مصنوعی – نیروی محرکه هوش مصنوعی و یادگیری ماشین – نمی‌توانند این ارتباطات را به عنوان «تعمیم‌های ترکیبی» بشناسند. با این حال، طی دهه‌ها، دانشمندان بر روی راه‌هایی کار کرده‌اند تا این قابلیت را در شبکه‌های عصبی و فناوری‌های مرتبط القا کنند، اما با درجات مختلف موفقیت، این بحث دیرینه را زنده نگه دارند.

تکنیک پیشرفت: فرا یادگیری برای ترکیب بندی

محققان دانشگاه نیویورک و دانشگاه پومپئو فابرا اسپانیا اکنون تکنیکی را معرفی کرده اند که در مجله Nature منتشر شده است که توانایی ابزارهایی مانند ChatGPT را برای تعمیم ترکیبی افزایش می دهد. این تکنیک که فرا یادگیری برای ترکیب بندی (MLC) نامیده می شود، از رویکردهای موجود پیشی می گیرد و در برخی موارد، با عملکرد انسانی مطابقت دارد یا از آن فراتر می رود. MLC بر آموزش شبکه های عصبی – موتورهای پشت ChatGPT و فناوری های مشابه برای تشخیص گفتار و پردازش زبان طبیعی – تمرکز دارد تا مهارت های تعمیم ترکیبی خود را از طریق تمرین بهبود بخشد.

توسعه دهندگان سیستم های فعلی، از جمله مدل های زبان بزرگ، امیدوار بوده اند که تعمیم ترکیبی از روش های آموزشی استاندارد پدید آید یا معماری های تخصصی را برای دستیابی به این توانایی ها طراحی کرده اند. در مقابل، MLC نشان می‌دهد که چگونه تمرین صریح این مهارت‌ها این سیستم‌ها را قادر می‌سازد تا قابلیت‌های جدید را باز کنند.

برندن لیک، استادیار مرکز علوم داده و دپارتمان روان‌شناسی دانشگاه نیویورک می‌گوید: «به مدت ۳۵ سال، محققان علوم شناختی، هوش مصنوعی، زبان‌شناسی و فلسفه در مورد اینکه آیا شبکه‌های عصبی می‌توانند به تعمیم سیستماتیک شبیه انسان دست یابند بحث کرده‌اند. از نویسندگان مقاله ما برای اولین بار نشان داده‌ایم که یک شبکه عصبی عمومی می‌تواند از تعمیم سیستماتیک انسان در مقایسه سر به سر تقلید کند یا از آن فراتر رود.

  لایه بندی در نقاشی آکریلیک چگونه انجام می شود؟

MLC چگونه کار می کند

در بررسی پتانسیل افزایش یادگیری ترکیبی در شبکه های عصبی، محققان MLC را توسعه دادند، یک روش یادگیری جدید که در آن یک شبکه عصبی به طور مداوم به روز می شود تا مهارت های خود را در یک سری قسمت افزایش دهد. در هر قسمت، MLC یک کلمه جدید دریافت می کند و وظیفه دارد از آن به صورت ترکیبی استفاده کند – برای مثال، کلمه “پرش” را گرفته و ترکیب های جدیدی مانند “دوبار پرش” یا “دوبار به سمت راست بپرید” ایجاد کند. با هر قسمت، مهارت های آهنگسازی MLC بهبود می یابد.

تست تکنیک

برای ارزیابی اثربخشی MLC، لیک و مارکو بارونی، محقق مؤسسه تحقیقات و مطالعات پیشرفته کاتالان و استاد دانشگاه پومپئو فابرا، آزمایش‌هایی را با شرکت‌کنندگان انسانی انجام دادند که مشابه وظایف انجام شده توسط MLC بود. علاوه بر این، شرکت کنندگان باید معنای اصطلاحات غیرمعنی تعریف شده توسط محققان (مانند “zup” و “dax”) را یاد می گرفتند و آنها را به روش های مختلف به کار می بردند. MLC به خوبی و در برخی موارد بهتر از شرکت کنندگان انسانی عمل کرد. MLC و انسان‌ها نیز علیرغم توانایی‌های کلی چشمگیرشان که با این وظیفه یادگیری دست و پنجه نرم می‌کردند، بهتر از ChatGPT و GPT-4 عمل کردند.

بارونی، یکی از اعضای گروه تحقیقاتی زبان‌شناسی محاسباتی و نظریه زبان‌شناسی دانشگاه پومپئو فابرا، خاطرنشان می‌کند: «مدل‌های زبان بزرگ مانند ChatGPT هنوز با تعمیم ترکیبی با چالش‌هایی مواجه هستند، اگرچه در سال‌های اخیر بهبود یافته‌اند». اما ما معتقدیم که MLC می‌تواند مهارت‌های ترکیبی مدل‌های زبان بزرگ را بیشتر تقویت کند.

  لایه بندی در نقاشی آکریلیک چگونه انجام می شود؟

سوالات

چه چیزی پیش روی هوش مصنوعی است؟

پیش بینی می شود که هوش مصنوعی نقش مهمی در حمل و نقل داشته باشد. خودروهای خودران مانند تسلا در حال افزایش محبوبیت هستند و ما می توانیم خودروهای با فناوری بسیار پیشرفته تری را در آینده پیش بینی کنیم. هوش مصنوعی همچنین می‌تواند زنجیره‌های تدارکات و تامین را تقویت کند و آنها را کارآمدتر و مقرون به صرفه‌تر کند.

آیا یادگیری ماشینی آینده فناوری است؟

در حالی که یادگیری ماشین تنها آینده هوش مصنوعی نیست، اما نقش کلیدی در پیشرفت این حوزه ایفا می کند. همانطور که تکنیک های یادگیری ماشین پیشرفت می کنند، به چشم انداز گسترده تر نوآوری و برنامه های کاربردی هوش مصنوعی کمک می کنند.

چه چیزی برای یادگیری ماشین در سال ۲۰۲۳ در انتظار است؟

  رشد قابل توجه اتوماسیون در بخش های مختلف کسب و کار، اجرای محاسبات لبه برای بهبود کارایی، و پیشرفت در بینایی کامپیوتر از جمله روندهای برتر در هوش مصنوعی و یادگیری ماشین در سال ۲۰۲۳ است که بازار به آنها توجه خواهد کرد.

آینده یادگیری ماشین چه خواهد بود؟

یادگیری ماشینی در آینده بر زمینه های مختلف از جمله اتوماسیون، مراقبت های بهداشتی، پردازش زبان طبیعی، حمل و نقل، تجربیات شخصی، امنیت سایبری و علم تأثیر زیادی خواهد گذاشت. ML اتوماسیون و بهبود مراقبت های بهداشتی را از طریق درمان ها و تشخیص های شخصی امکان پذیر می کند.

 هوش مصنوعی در سال ۲۰۵۰ چه خواهد کرد؟

در سال ۲۰۵۰، هوش مصنوعی روش کار ما را با خودکار کردن وظایف روتین تغییر خواهد داد و به کارکنان اجازه می دهد تا بر روی تلاش های خلاقانه و استراتژیک تر تمرکز کنند. ابزارهای مبتنی بر هوش مصنوعی به متخصصان در تجزیه و تحلیل حجم زیادی از داده ها، شناسایی روندها و تصمیم گیری بهتر کمک می کنند.

 فناوری بزرگ  بعد از هوش مصنوعی چیست؟

محاسبات کوانتومی

گوگل قصد دارد تا سال ۲۰۲۹ یک “کامپیوتر کوانتومی مفید با تصحیح خطا” بسازد. انتظار می‌رود که محاسبات کوانتومی پیشرفت مهم بعدی پس از هوش مصنوعی باشد. McKinsey تخمین می زند که تأثیر اقتصادی بالقوه این فناوری تنها در چهار صنعت می تواند تا سال ۲۰۳۵ به ۱.۲۷ تریلیون دلار برسد.

  لایه بندی در نقاشی آکریلیک چگونه انجام می شود؟

تعاریف

  1. تعمیم ترکیبی:

    توانایی درک و به کارگیری مفاهیم به صورت ترکیبی، ایجاد ارتباط بین عناصر یا ایده های مختلف.

  1. شبکه های عصبی مصنوعی:

    مدل های محاسباتی با الهام از ساختار و عملکرد مغز انسان. در متن متن، آنها موتورهایی هستند که هوش مصنوعی و یادگیری ماشین را هدایت می کنند.

  1. فرا یادگیری برای ترکیب بندی (MLC):

    یک تکنیک یادگیری جدید با هدف بهبود مهارت های تعمیم ترکیبی شبکه های عصبی. شامل به روز رسانی مداوم توانایی های شبکه در یک سری قسمت های آموزشی است.

  1. جری فودور و زنون پیلیشین:

    فیلسوفان و دانشمندان علوم شناختی که در اواخر دهه ۱۹۸۰ این ایده را مطرح کردند که شبکه های عصبی مصنوعی ممکن است قادر به تعمیم ترکیبی نباشند.

  1. مجله طبیعت:

    یک مجله علمی که در آن تکنیک تحقیق فرا یادگیری برای ترکیب (MLC) گزارش شده است.

  1. دانشگاه نیویورک و دانشگاه پمپئو فابرا:

    مؤسسات آکادمیک که در آن محققان مطالعاتی را انجام داده و تکنیک فرا یادگیری برای ترکیب (MLC) را توسعه دادند.

  1. ChatGPT و GPT-4:

    مدل های زبان بزرگ که برای کارهایی مانند تشخیص گفتار و پردازش زبان طبیعی استفاده می شود، با ChatGPT که به طور خاص در زمینه ذکر شده است.

  1. ابتکار ذهن، مغز و ماشین ها:

    ابتکاری در NYU به کارگردانی مشترک Brenden Lake، با تمرکز بر تحقیقات بین رشته ای مرتبط با علوم شناختی و هوش مصنوعی.

  1. مارکو بارونی:

     محقق مؤسسه تحقیقات و مطالعات پیشرفته کاتالان و استاد گروه ترجمه و علوم زبان دانشگاه پومپئو فابرا و یکی از نویسندگان مقاله تحقیقاتی.

منابع

https://www.fool.com

https://ai.plainenglish.io

https://www.forbes.com

https://www.analyticsvidhya.com

https://www.analyticsvidhya.com

https://365datascience.com

https://scitechdaily.com

https://www.hoover.org

۰ ۰ رای ها
امتیازدهی به مقاله
اشتراک در
اطلاع از
guest
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
www.novin.com
Generic selectors
Exact matches only
Search in title
Search in content
Post Type Selectors

یاد گیری ماشین در آینده به کجا خواهد رسید؟

فهرست