رفتارهای غیرمنطقی انسان الگوی جدید هوش مصنوعی شد
خبرگزاری علم و فناوری آنا؛ محققان دانشگاه ام آی تی و دانشگاه واشنگتن راهی برای مدلسازی رفتار یک سوژه، خواه انسانی یا ماشینی، ابداع کردند که محدودیتهای محاسباتی ناشناخته را توضیح میدهد. این روش جدید به درک تفکر انسان و ماشین و چگونگی حل مشکلات کمک میکند و هر گونه محدودیتی را که ممکن است مانع حل مسئله شود شناسایی میکند.
برای ساختن سیستمهای هوش مصنوعی که میتوانند همکاری مؤثری با انسان داشته باشند، الگوبرداری مناسب از رفتار انسان برای شروع مفید است. اما بیشتر انسانها تمایل دارند هنگام تصمیمگیری رفتاری نشان دهند که با هنجارها و استانداردها چندان سازگار نیست. این غیرمنطقی بودن، که مدلسازی آن بهویژه دشوار است، اغلب به محدودیتهای محاسباتی ختم میشود. دلیلش این است که یک انسان فرصت ندارد مدتهای طولانی وقت صرف کند تا به راه حل مناسب برای حل یک مشکل برسد.
پیشبینی و پیشگیری از رفتارهای اشتباه
مدل جدید محققان میتواند به طور خودکار محدودیتهای محاسباتی یک سوژه را با دیدن تنها چند نمونه از اقدامات قبلی آنها استنتاج کند. این «پایه استنتاج» میتواند برای پیشبینی رفتارهای آتی آن سوژه استفاده شود. برای مثال، میتواند پیشبینی کند که بر اساس الگوهای سفر قبلی یک فرد به کجا میرود و یا مثلاً حرکت بعدی یک بازیکن را در بازی شطرنج پیشبینی کند. این کار میتواند به دانشمندان کمک کند نحوه رفتار انسانها را به سیستمهای هوش مصنوعی بیاموزند تا به همکاران انسانی خود بهتر پاسخ دهند. به گفته پائول جیکوب (Paul Jacob)، نویسنده ارشد این تحقیق، توانایی درک رفتار انسان و سپس استنتاج اهداف او بر اساس رفتار، میتواند کارایی یک دستیار هوش مصنوعی را تا حد زیادی ارتقا دهد.
جیکوب میگوید: «هوش مصنوعی میتواند با مشاهده رفتارهای قبلی انسان، او را از انجام اشتباه احتمالی بازدارد و وارد عمل شود و راه بهتری را پیشنهاد دهد. حتی میتواند با نقاط ضعفی که همکاران انسانیاش دارند سازگار شود. توانایی مدلسازی رفتار انسان گام مهمی به سوی ساخت یک عامل هوش مصنوعی است که در واقع میتواند به آن انسان کمک کند.»
چگونگی آموزش الگوریتم
اولین مرحله در روش آنها شامل اجرای یک الگوریتم حل مسئله در مدت زمان محدود است. برای مثال، اگر مدل هوش مصنوعی در حال انجام مسابقه شطرنج است به الگوریتم آن اجازه میدهند که فقط در تعداد معینی از مراحل اجرا شود. در پایان، محققان میتوانند تصمیماتی را که الگوریتم در هر مرحله اتخاذ کرده است، مشاهده و بررسی کنند.
سپس این مدل، تصمیمات خود را با تصمیمات سوژهای که از آن الگو گرفته مقایسه میکند تا با هم هماهنگ شوند و مرحلهای که عامل برنامهریزی را متوقف کرده است شناسایی میکند. از این رو، مدل میتواند پایه استنتاج یا مدت زمانی که آن سوژه برای این مشکل برنامهریزی میکند را برآورد کند. از پایه استنتاج همچنین میتوان برای پیشبینی نحوه واکنش آن سوژه هنگام حل یک مشکل مشابه استفاده کرد.
این روش میتواند بسیار کارآمد باشد، زیرا محققان میتوانند بدون تلاش مضاعف، به مجموعه کاملی از تصمیمات الگوریتم حل مسئله دسترسی داشته باشند. این چارچوب همچنین میتواند به حل هر مشکلی که در آن کلاس خاص از الگوریتم قرار دارد کمک کند.
محققان رویکرد خود را در سه مدلسازی مختلف آزمایش کردند: استنباط اهداف ناوبری بر اساس مسیرهای قبلی، حدس زدن قصد ارتباطی افراد از روی نشانههای کلامی آنها و پیشبینی حرکات بعدی در مسابقات شطرنج انسان با انسان. روش آنها در هر آزمایش یا با یک انتخاب رایج مطابقت داشت یا عملکرد بهتری را نشان داد.
با این روش جدید، سیستمهای هوش مصنوعی از اشتباهات خود درس میگیرند و مهارتهای تصمیمگیری خود را بهبود میبخشند. از این رویکرد همچنین میتوان برای مدلسازی فرآیند برنامهریزی در رباتها استفاده کرد. هدف نهایی این روش، ایجاد مدلهایی از هوش مصنوعی است که بتوانند همکاری مؤثرتری با انسان داشته باشند.
این گزارش از ام آی تی نیوز به فارسی برگردان شده است.
انتهای پیام/