هوش مصنوعی دانشمند میشود/ برقراری تعادل میان دادهها و دانش انسانی
به گزارش خبرگزاری علم و فناوری آنا به نقل از اینترستینگ اینجینرینگ، وقتی شما به کسی شطرنج بازی کردن را یاد میدهید، قوانین حرکات سربازها، شاه و... این تخته سیاه و سفید را نیز به آنها میگویید. یا میتوانید آنها را رها کنید و انتظار داشته باشید که آنها به طور مستقل یاد بگیرند. این کار زمان بیشتری میبرد و برای فرد کمی خسته کنندهتر خواهد بود.
به شیوهای مشابه، ما میتوانیم هوش مصنوعی (AI) را نیز با ترکیب قوانین بنیادی، مانند قوانین فیزیک، آموزش آنها را بهبود بخشیم.
با انجام این کار، هوش مصنوعی میتواند در درک دنیای واقعی کارآمدتر و بهتر شود. با این حال، تعیین اینکه کدام قوانین برای هوش مصنوعی ارزشمندتر هستند، میتواند دشوار باشد.
چگونه دادهها و قوانین بر پیش بینیها تاثیر میگذارند؟
یادگیری عمیق با یافتن ارتباطات دادههای زیاد، نحوه تحقیق دانشمندان را تغییر داده است. با این حال، هنوز مشکلاتی در استفاده از دادهها وجود دارد.
مدلهای هوش مصنوعی عمومی مانند چت جیپیتی و سورا تنها از دادهها یاد میگیرند، درک درستی از قوانین فیزیکی ندارند و با شرایط جدید دست و پنجه نرم میکنند.
از سوی دیگر، یادگیری ماشین غیررسمی یک جایگزین ارائه میدهد و قوانینی را برای هدایت آموزش در نظر میگیرد، اما اهمیت قوانین در مقابل دادهها هنوز مشخص نیست.
بنابراین، محققان چارچوبی برای ارزیابی سهم قانون در دقت مدل، بهینه سازی با تنظیم تاثیر قانون و فیلتر کردن موارد اضافی ایجاد کردند.
این رویکرد که در مهندسی، فیزیک و شیمی نشان داده شده است، عملکرد مدل را بهبود میبخشد و میتواند شرایط تجربی را بهینه کند.
هائو ژو (Hao Xu) از دانشگاه پکین و نویسنده اول این مطالعه گفت: تعبیه دانش انسانی در مدلهای هوش مصنوعی این پتانسیل را دارد که کارایی و توانایی آنها در استنتاج را بهبود بخشد، اما سوال این است که چگونه میتوان تأثیر دادهها و دانش را متعادل کرد.
ژو افزود: چارچوب ما میتواند برای ارزیابی دانش و قوانین مختلف برای افزایش قابلیت پیش بینی مدلهای یادگیری عمیق به کار گرفته شود.
تبدیل مدلهای هوش مصنوعی به دانشمند واقعی
مدلهای مبتنی بر داده در وظایفی که آموزش دیدهاند خوب هستند، اما وقتی همه چیز تغییر میکند چندان خوب نیستند. از سوی دیگر، مدلهای قانون محور زمانی که همه چیز تغییر میکند، بهتر عمل میکنند.
یونتین چن (Yuntian Chen) از موسسه فناوری شرقی، نینگبو و نویسنده ارشد این مطالعه میگوید: ما در تلاش هستیم تا قوانین فیزیک را به مدلهای هوش مصنوعی آموزش دهیم تا آنها بتوانند بازتاب دهنده دنیای واقعی باشند و این موضوع آنها را در علم و مهندسی مفیدتر میکند.
ترکیب دادهها و قوانین، پیش بینیهای متوسطی در هر دو سناریو به ما میدهد و ارتباط بین دادهها و قوانین را نشان میدهد.
محققان در مطالعه خود روی سه سوال اصلی تمرکز کردند: از کجا بدانیم قوانینی که اضافه میکنیم مفید هستند یا خیر؟ رابطه بین دادهها و قوانین چیست؟ چگونه میتوانیم کاری کنیم که قوانین در یادگیری ماشین بهتر عمل کنند؟
چن گفت: ما دریافتیم که قوانین انواع مختلفی از روابط را دارند و ما از این روابط برای سریعتر کردن آموزش مدل و کسب دقت بالاتر استفاده میکنیم. ما میخواهیم با تبدیل این مدل به یک دانشمند هوش مصنوعی واقعی، آن را به یک حلقه بسته تبدیل کنیم. ما در حال کار برای توسعه مدلی هستیم که بتواند به طور مستقیم دانش را از دادهها استخراج کند و سپس از این دانش برای ایجاد قوانین و بهبود خود استفاده کند.
این مطالعه در مجله «نکسوس» (Nexus) منتشر شده است.
انتهای پیام/