اقترح باحث في التعلم الآلي من معهد فرجينيا للتكنولوجيا طريقة لمراجعة الأوراق العلمية باستخدام الذكاء الاصطناعي ، وتقييم ظهور النص والرسومات في وثيقة ما. هل ستكون طرقه لتقييم "اكتمال" العمل العلمي كافية لتسريع عملية المراجعة النظيرة المستقلة؟
في مجال التعلم الآلي ، هناك انهيار كبير في البحث. قارن المهندس في Google Cliff Young هذا الموقف
بقانون مور ، الذي تم تكييفه للمنشورات حول موضوع الذكاء الاصطناعى - يتضاعف عدد الأوراق الأكاديمية حول هذا الموضوع التي تظهر على موقع arXiv كل 18 شهرًا.
وهذا الموقف يخلق مشاكل عند مراجعة الأعمال - الباحثون المتمرسون في مجال الذكاء الاصطناعى ببساطة لا يكفيون لقراءة كل عمل جديد بعناية. هل يستطيع العلماء تكليف منظمة العفو الدولية بقبول أو رفض الوظائف؟
هذا السؤال المثير للاهتمام يثيره
تقرير نُشر مؤخرًا على موقع arXiv الإلكتروني ؛ مؤلف العمل ، أطلق عليه باحث التعلم الآلي جيا بن هوانغ اسم "العمل العميق الجشطالت".
استخدم Juan شبكة عصبية تلافيفية ، وهي أداة شائعة للتعلم الآلي تستخدم للتعرف على الصور ، لتصفح 5000 عمل تم نشرها منذ عام 2013. يكتب خوان أنه وفقًا لمظهر واحد فقط من العمل - مزيج من النصوص والصور - يمكن لشبكته العصبية أن تميز بين العمل "الجيد" الذي يستحق الإدماج في الأرشيفات العلمية بدقة 92٪.
بالنسبة للباحثين ، هذا يعني أنه في مظهر وثيقتهم يلعب شيئين مهمين: الصور الزاهية على الصفحة الأولى لورقة البحث وملء جميع الصفحات بنص ، بحيث لا توجد مساحة فارغة في نهاية الصفحة الأخيرة.
تستوعب الشبكة العصبية التلافيفية لخوان الآلاف من الأوراق العلمية المعتمدة وغير الموافق عليها ، مما يخلق "خريطة حرارة" لنقاط القوة والضعف. أكبر أخطاء الأعمال التي لم تنجح في التحديد: عدم وجود صور ملونة ومساحة فارغة في نهاية الصفحة الأخيرة.
أسس خوان عمله في عمل آخر من عام 2010 ، من تأليف كارفن فون بيرنيسكواش من جامعة فينيكس. لم يستخدم العمل تدريبات متعمقة ، التكنولوجيا التقليدية لرؤية الكمبيوتر ، لإيجاد طريقة "لتقييم نظرة عامة عامة" على العمل واستنتاج ما إذا كان الأمر يستحق الموافقة على العمل.
باستخدام هذه الفكرة ، أطعم خوان جهاز الكمبيوتر 5618 ، الذي تم عقده في مؤتمرين رئيسيين حول رؤية الكمبيوتر ، CVPR و ICCV على مدار السنوات الخمس الماضية. قام خوان أيضًا بجمع الأعمال المقدمة في ورش العمل للمؤتمرات ، والتي لعبت دور الأعمال المرفوضة - حيث لا يوجد وصول إلى الأعمال المرفوضة في المؤتمرات.
قام خوان بتدريب الشبكة على ربط العمل الماضي وليس الماضي بالنتائج الثنائية لكلمة "جيد" و "سيء" من أجل عزل علامات "الاكتمال" أو الجشطالت عنهم. Gestalt ككل يتجاوز حجم مجموع أجزائه. هذا ما أطلق عليه رائد التعلم الآلي تيري سينوفسكي "التصور المنظم العالمي" ، وهو شيء أكثر أهمية من التلال والوديان في المنطقة القريبة منك.
ثم تم اختبار الشبكة المدربة على مجموعة فرعية من الوظائف التي لم ترها من قبل. كان التدريب يوازن بين الإيجابيات الخاطئة - العمل المقبول الذي كان يستحق الرفض - مع الإنكار الخاطئ ، العمل الذي كان يستحق القبول.
من خلال الحد من عدد الوظائف "الجيدة" ، لكن الوظائف المرفوضة ، 0.4٪ - أي 4 وظائف فقط - تمكنت الشبكة من رفض نصف الوظائف "السيئة" بشكل صحيح ، والتي كانت بحاجة إلى الرفض.
فكر المؤلف في تغذية عمله الخاص بشبكته العصبية. ونتيجة لذلك ، رفضتها الشبكة العصبية: "لقد طبقنا مصنفًا مدربًا على هذا العمل. توقعت شبكتنا بلا رحمة أنه مع احتمال 97 ٪ يجب رفض هذا العمل دون مراجعة مستقلة. "
فيما يتعلق بهذه المتطلبات التجميلية - الصور الجميلة في المقالة - لا يصف خوان نتائج العمل فقط. يقدم أيضًا كودًا يسمح لك بإنشاء عمل جيد المظهر. إنه يغذي العمل "الجيد" في قاعدة بيانات التدريب لشبكة التنافسية التوليدية ، والتي يمكن أن تخلق خطة جديدة ، والتعلم من الأمثلة.
يقدم Juan أيضًا مكونًا ثالثًا ، "إعادة تشكيل" العمل المرفوض إلى عمل مقبول ، "تقديم المشورة تلقائيًا حول ما يجب تغييره في العمل القادم" ، على سبيل المثال ، "إضافة صورة لجذب الانتباه وصورة في الصفحة الأخيرة".
يقترح خوان أن عملية الموافقة على الوظائف هذه يمكن أن تكون "مرشحًا أوليًا" لتخفيف العبء عن المراجعين ، حيث يمكنه عرض آلاف الوظائف في بضع ثوانٍ. ومع ذلك ، "من غير المرجح أن يتم استخدام مثل هذا المصنف في مؤتمر حقيقي" ، يخلص المؤلف.
أحد قيود العمل التي قد تؤثر على استخدامه هو أنه حتى إذا كان مظهر العمل ، الجشطالت المرئية ، يتطابق مع النتائج التاريخية ، فإن هذا لا يضمن وجود قيمة حقيقية في العمل.
وفقًا لخوان ، "تجاهل محتوى العمل ، يمكننا رفض العمل بشكل غير عادل باستخدام مادة جيدة وتصميم مرئي ضعيف ، أو قبول عمل لا قيمة له يبدو جيدًا."