با این دستاورد، سامانه‌های هوش مصنوعی درک بهتری از محیط اطراف‌شان بدست آورند
شبکه عصبی با قابلیت استدلال رابطه‌ای
محققان DeepMind (بخش هوش مصنوعی شرکت آلفابت که گوگل زیرمجموعه آن است)، با ارائه یک شبکه عصبی مبتنی بر « استدلال رابطه‌ای»، در تلاش هستند به سامانه‌های هوش مصنوعی کمک کنند تا مشابه انسان فکر کنند. شبکه عصبی جدید، به هوش مصنوعی این قابلیت را می‌دهد که در محیطی سه بعدی، درکی از اشیاء موجود بدست آورد. بدست آوردن قابلیت درک سه بعدی، برای یک سامانه مبتنی بر هوش‌مصنوعی دستاوردی بزرگ به حساب می‌آید. ذهن ما با کمک استدلال رابطه‌ای (relational reasoning ) قادر است محیط اطراف را درک کند. به این ترتیب ما قادریم ویژگی‌های اجسام را بشناسیم، بدانیم در کجای محیط قرار گرفته‌اند و نسبت به هم در چه وضعیتی هستند. این قابلیت به ما کمک می‌کند تا حتی در محیط‌های پیچیده و شلوغ هم، درکی از آنچه می‌بینیم داشته باشیم. پیاده‌سازی این قابلیت در یک سامانه مبتنی بر هوش مصنوعی بسیار دشوار است.

1606683296_1_0.gif

از جمله توانایی­‌های ذهن که مایلیم مشابه آنرا در سامانه‌­هایی که می‌­سازیم پیاده­‌سازی کنیم، درک محیط از طریق یافتن رابطه‌ بین اشیاء موجود در آن محیط است. ذهن ما می‌تواند رابطه یک شیء با اجسام اطرافش را دریابد. این روش استنتاج از واقعیت، به «استدلال رابط‌ه‌ای» معروف است. حال محققان راهی یافته‌اند که به هوش مصنوعی اجازه می‌­دهد با کمک روشی مشابه، محیط اطرافش را درک کند. این دستاورد محققان DeepMind، نتیجه بخشی از تلاش برای توسعه سامانه­‌های هوشمندی است که با انعطاف‌­پذیری و کارآیی مشابه ذهن انسان، قادر به درک آنچه می­‌بینند هستند. این ماژول RN ( سرنام relation network) که قابلیت اتصال به سایر شبکه‌های عصبی را دارد، هوش مصنوعی را قادر می‌سازد اشیاء را با هم مقایسه کرده و به رابطه بین آن‌ها پی ­ببرد.

محققان این شبکه را با تصاویری از اشکال سه بعدی در رنگ­‌ها و اندازه‌­های مختلف آموزش دادند. پس از تجزیه و تحلیل اشیاء توسط شبکه، آن‌ها از شبکه خواستند به پرسش­‌هایی در مورد صحنه‌ای که می‌بیند، پاسخ دهد. پرسش‌هایی نظیر این: « استوانه‌­ای که سمت چپ جسم فلزی قهوه‌­ای رنگِ کنار کره بزرگ قرار گرفته چه اندازه‌ای دارد؟». این محققان پاسخ­‌ها را با استفاده از آزمونی بنام CLEVR سنجیدند* و نتیجه شگفت­‌انگیز بود. بنا بر گزارش این گروه: « نتایج معمول آزمون CLEVR صحتی درحدود 68.5 درصد ارائه می­‌کند در مقایسه با انسان که دقتی 92.5 درصدی دارد » اما شبکه RN در این آزمون، دقت حیرت‌انگیز 95.5 درصد را ارائه می‌کند که حتی فراتر از انسان است.

چنین سامانه­‌ای قادر است بهبود قابل­‌توجهی در عملکرد الگوریتم­‌های یادگیری بصری (visual learning algorithm) و هوش مصنوعی دستیارهای مجازی ایجاد کند. Adam Santoro یکی از محققان DeepMind در مصاحبه­‌ای از کاربردهای چنین دستاوردی می­‌گوید: « بعنوان مثال، نرم­‌افزاری که قادر است آنچه در یک عکس یا حتی ویدیو رخ می‌دهد را برای فردی که مشکل بینایی دارد بطور خودکار توصیف کند.»

علی‌رغم توانایی‌های این شبکه، محققان DeepMind معتقد هستند که هنوز تا استفاده عملی از چنین قابلیتی در زندگی روزمره، راه زیادی در پیش است.

 

پی نوشت

* وقتی سامانه‌­ای هوشمند طراحی می‌­کنیم که قرار است داده‌های بصری را درک کند و به پرسش‌­هایی در این زمینه پاسخ دهد، به روش­‌هایی برای آزمودن دقت پاسخ‌­ها نیاز داریم. به دلایلی، روش‌­های معمول برای آزمودن این پاسخ‌­ها دقت لازم را ندارند بطوریکه مثلاً ممکن است سامانه هوشمند بدون استدلال هم موفق شود پاسخ درستی به پرسش بدهد. روش CLEVR که حاصل تحقیقات گروهی از محققان از جمله محققانی از گوگل و فیس­بوک است، جنبه‌های مختلفی نظیر شناسایی خصوصیات اشیاء موجود در محیط، شمارش آنها، مقایسه آن‌ها باهم، رابطه آن‌ها با هم در فضای سه بعدی و استدلالات منطقی را می‌­آزماید.

 

ماهنامه شبکه را از کجا تهیه کنیم؟
ماهنامه شبکه را می‌توانید از کتابخانه‌های عمومی سراسر کشور و نیز از دکه‌های روزنامه‌فروشی تهیه نمائید.

ثبت اشتراک نسخه کاغذی ماهنامه شبکه     
ثبت اشتراک نسخه آنلاین

 

کتاب الکترونیک +Network راهنمای شبکه‌ها

  • برای دانلود تنها کتاب کامل ترجمه فارسی +Network  اینجا  کلیک کنید.

کتاب الکترونیک دوره مقدماتی آموزش پایتون

  • اگر قصد یادگیری برنامه‌نویسی را دارید ولی هیچ پیش‌زمینه‌ای ندارید اینجا کلیک کنید.

ایسوس

نظر شما چیست؟