قام Google DeepMind بتدريس الذكاء الاصطناعي للتعرف على الأشياء في لمحة

من المعروف أن الذكاء الاصطناعي يحتاج إلى آلاف الأمثلة لتعلم كيفية التعرف على الأشياء الجديدة. في هذا ، هو أقل بكثير من شخص لديه قدرته على التعرف على فئة من الأشياء من قبل ممثل واحد. علاوة على ذلك ، فإن عملية تدريب الشبكة العصبية تستغرق وقتًا طويلاً. شركة DeepMind ، وحدة جوجل التعامل مع التطورات في مجال الذكاء الاصطناعي، وقد وجدت طريقة للالتفاف حول هذا.

أجرى الباحثون في DeepMind العديد من التصحيحات على خوارزمية التعلم العميق ، والتي تسمح لها بالتعرف على الأشياء في الصور أو أشياء أخرى من أحد الأمثلة باستخدام الاتصالات بين الشبكة العصبية والذاكرة الخارجية. تُعرف هذه التكنولوجيا بالتدريب لمرة واحدة. عرض فريق التطوير عمل هذه الطريقة على قاعدة بيانات كبيرة من الصور مع العلامات ، وكذلك في الكتابة والكلام.

يمكن لأفضل الخوارزميات التعرف على الأشياء بشكل موثوق ، ولكن لهذا تحتاج إلى الكثير من البيانات والوقت. يجب أن تدرس الخوارزمية ، المدربة على التعرف على السيارات على الطريق ، عدة آلاف من الأمثلة من أجل العمل بثقة في سيارة مع طيار آلي. غالبًا ما يكون جمع الكثير من البيانات أمرًا غير عملي: فالروبوت الذي يجب أن يساعدك في التنقل في منطقة غير مألوفة يجب ألا يقضي الكثير من الوقت في التعلم.

لإصلاح ذلك ، أضاف الباحث في DeepMind Oriol Vinyals مكون ذاكرة إلى نظام التعلم العميق - وهو نوع من الشبكات العصبية تم تدريبه على التعرف على الأشياء عن طريق تعديل العديد من الطبقات المترابطة. عمله مشابه للخلايا العصبية في دماغ الإنسان. لكي تعمل مثل هذه الشبكة بكفاءة ، تحتاج إلى رؤية الكثير من الصور لتحسين الاتصال بين الخلايا العصبية الافتراضية.

أظهر فريق DeepMind إمكانات النظام المحدث بناءً على قاعدة بيانات ImageNet ، التي تم تطويرها من قبل العلماء في جامعة ستانفورد وجامعة برينستون. يتم تنظيمه وفقًا لتسلسل قاعدة البيانات المعجمية للغة الإنجليزية WordNetصحيح ، حتى الآن يعمل فقط مع الأسماء. مع البرنامج الجديد ، لا يزال الذكاء الاصطناعي بحاجة إلى تحليل عدة مئات من فئات الصور ، ولكن بعد ذلك يمكن أن يتعلم التعرف على الأشياء الجديدة من صورة واحدة. تحدد الخوارزمية بشكل فعال خصائص الكائن التي تجعله فريدًا. تحسنت دقة التعرف على ImageNet من 87.6٪ إلى 93.2٪ مقارنة بالمناهج المتنافسة.


تقول


بنية الشبكة العصبية لـ Vinyals أن تطورها سيكون مفيدًا بشكل خاص في التعرف على معاني الكلمات الجديدة. وهو يعتقد أن هذا سيكون مهمًا لـ Google ، حيث تسمح الخوارزمية للنظام بفحص معنى معايير البحث الجديدة بسرعة.

قال سانج وانج لي ، رئيس مختبر الذكاء والآلة في معهد كوريا للتكنولوجيا المتقدمة ( KAIST): "أعتقد أن هذا نهج مثير للاهتمام للغاية يتيح لك تدريب الشبكات في وقت واحد مع مثل هذه الكمية الكبيرة من البيانات".) ومع ذلك ، لا يسارع العلماء الآخرون إلى الثناء على إنجاز فريق DeepMind. إنهم متشككون في فائدتها ، لأن الطريقة المقدمة لا تزال بعيدة عن سرعة التعلم البشري. كما أشار بحق ، سام غيرشمان ، الأستاذ المساعد في قسم الدماغ بجامعة هارفارد ، عندما يتعلم الناس "تجميع" صورة من الأجزاء المكونة لها ، فإنهم يفعلون ذلك بناءً على معرفة العالم أو الفطرة السليمة. أي أن Segway يمكن أن تبدو مختلفة تمامًا عن الدراجة أو الدراجة النارية ، ولكن يمكن تجميعها من نفس الأجزاء. يتفق العلماء على أن الذكاء الآلي سيستغرق وقتًا طويلاً قبل أن يتمكن من تحقيق القدرات البشرية.

لا يزال العلم بعيدًا تمامًا عن الكشف عن أسرار تدريب الدماغ البشري "لمرة واحدة". ومع ذلك ، فإن تحقيق باحثين من Google يحدد أهدافًا جديدة للعلماء تستحق المزيد من الدراسة.

كانت تقنية التدريب "لمرة واحدة" معروفة سابقًا ، ومع ذلك ، لم يتم تكييفها للعمل مع خوارزميات التعلم العميق. في أحد مشاريع التدريب العام الماضي ، تم استخدام تقنيات البرمجة الاحتمالية التي تضمنت هذه التكنولوجيا. في الواقع ، أنتج البرنامج خوارزمية فريدة لكل حرف باستخدام ضربات قلم وهمي. لم يقلد البرنامج تعلم الطفل للكتابة والقراءة ، ولكنه كان مشابهًا للطريقة التي يذهب بها البالغون عندما يتعلمون لغة جديدة.

تصبح أنظمة الدراسة المتعمقة أكثر قدرة ، إذا أضفنا آليات الحفظ. مجموعة أخرى في جوجل DeepMind مؤخرا وضعتالشبكة ذات الذاكرة العاملة هي كمبيوتر عصبي مختلف. لا يمكنه فقط أداء مهام معقدة ، ولكن أيضًا يقرر المعلومات التي يحتفظ بها في ذاكرته. لذلك تعلمت منظمة العفو الدولية الإبحار في نظام مترو أنفاق لندن بعد دراسة بعض الرسوم البيانية البسيطة للشبكة. مثل الكمبيوتر العادي ، تستخدم هذه الشبكة ذاكرتها لإدارة هياكل البيانات المعقدة. في الوقت نفسه ، يمكن تدريب النظام على أساس البيانات ، مثل الشبكة العصبية. يعلق العلماء آمالا كبيرة على جهاز كمبيوتر عصبي مختلف. ستتمكن نسخة محسنة من مثل هذا الكمبيوتر من مسح ويكيبيديا وتذكر جميع الأسماء والأماكن والتواريخ المهمة ، واستخدام هذه المعرفة بطريقة جديدة تمامًا.

Source: https://habr.com/ru/post/ar399015/