با پیشرفت فناوری و ظهور فناوری‌های جدید، حوزه هوش مصنوعی (AI) و یادگیری عمیق نیز به سرعت در حال رشد و قوی‌تر شدن است. یادگیری فدرال، شبکه های GAN، XAI، یادگیری تقویتی و یادگیری انتقالی 5 از روندهای جدید در هوش مصنوعی و زمینه یادگیری عمیق که در این مقاله از کشور بلاک چین به آن خواهیم پرداخت. این فناوری‌ها می‌توانند کاربردهای فعلی یادگیری ماشینی مانند تشخیص تصویر و انجام بازی‌ها را متحول کنند و فرصت‌های جدیدی را برای محققان و توسعه‌دهندگان در این زمینه ایجاد کنند.
آخرین روند در هوش مصنوعی و یادگیری عمیق
در ابتدای مقاله به طور خلاصه به پنج گرایش در زمینه هوش مصنوعی و یادگیری عمیق اشاره کردیم. حال در این قسمت می خواهیم این پنج مورد را کمی بیشتر بررسی کنیم.
1. یادگیری فدرال
یادگیری فدرال (یا مشارکتی) یکی از انواع یادگیری ماشینی است. این روش به دستگاه های مختلف اجازه می دهد تا به عنوان یک مدل واحد بدون اشتراک گذاری داده های خود در سرور مرکزی همکاری کنند. این رویکرد بیشتر در شرایطی استفاده می شود که حفظ حریم خصوصی داده ها مهم است.
واریز و برداشت نامحدود در صرافی Etrax
مثلا گوگل از یادگیری فدرال برای افزایش دقت پیش بینی متن در صفحه کلید خود (بدون آسیب رساندن به حریم خصوصی کاربر) استفاده می شود. مدل‌های یادگیری ماشین معمولاً با استفاده از منابع داده متمرکز ساخته می‌شوند. در نتیجه، ارسال اطلاعات کاربر به یک سرور مرکزی ضروری است. جمع آوری و ذخیره داده های کاربر در یک سرور واحد باعث نگرانی کاربران و ایجاد مشکلات حریم خصوصی می شود.
یادگیری فدرال این مشکل را با اجتناب از ارسال داده ها به سرور مرکزی و نگهداری داده ها در دستگاه های کاربران حل می کند. از آنجایی که مدل‌های داده ساخته شده با یادگیری فدرال روی دستگاه‌های کاربران باقی می‌مانند، دیگر نیازی به ارسال حجم زیادی از داده به سرور مرکزی نیست و نیازهای محاسباتی و ذخیره‌سازی سیستم را کاهش می‌دهد.
2. شبکه های متخاصم مولد (GAN)
شبکه های متخاصم تولید شده نوعی شبکه عصبی است که می تواند برای تولید داده های واقعی و جدید (بر اساس داده های موجود) استفاده شود. برای مثال می توان از این شبکه ها برای تولید تصاویر واقعی از انسان، حیوانات و حتی مناظر طبیعی استفاده کرد. چگونگی کار شبکه های GAN به این ترتیب دو شبکه عصبی را در مقابل هم قرار دادند. یک شبکه داده های جعلی تولید می کند و شبکه دیگر سعی می کند جعلی یا واقعی بودن داده ها را تشخیص دهد. به این توییت توجه کنید:
شبکه‌های متخاصم یا GAN به سرعت به یکی از فناوری‌های پیشرو در صنعت تولید داده‌های واقعی مصنوعی تبدیل شده‌اند. شبکه های GAN نوعی شبکه عصبی هستند و از دو شبکه مولد و متمایز تشکیل شده اند.
3. هوش مصنوعی قابل توضیح (XAI)
هدف فناوری هوش مصنوعی قابل توضیح افزایش وضوح و درک مدل‌های یادگیری ماشین است. وجود XAI بسیار مهم است. زیرا هوش مصنوعی را وادار به تصمیم گیری بی طرفانه و منصفانه می کند. مثال زیر نمونه ای از استفاده از XAI است.
فرض کنید یک شرکت مالی از الگوریتم های یادگیری ماشینی برای محاسبه احتمال نکول وام گیرندگان استفاده می کند. اگر از الگوریتم های سنتی جعبه سیاه استفاده شود، شرکت یا بانک هیچ اطلاعاتی در مورد فرآیند تصمیم گیری الگوریتم نخواهد داشت و نمی تواند این موضوع را به وام گیرنده توضیح دهد. اما با XAI، الگوریتم می تواند تصمیمات خود را توضیح دهد و بانک می تواند بر اساس دلایل منطقی تصمیم بگیرد. بر اساس اطلاعات نادرست و تبعیض آمیز نیست.
این الگوریتم می تواند بر اساس معیارهایی مانند امتیاز اعتباری مشتری، درآمد و سابقه پرداخت، ریسک وام گیرنده را تعیین کند. این درجه از شفافیت و توضیح پذیری هوش مصنوعی را قابل اعتمادتر می کند و توانایی آن را در پاسخگویی بهتر و در نهایت منجر به تصمیم گیری بهتر می کند.
4. یادگیری تقویتی
یادگیری تقویتی نوعی از یادگیری ماشینی است که در آن ربات ها از طریق بازخورد و تشویق یاد می گیرند. بسیاری از اپلیکیشن ها در زمینه های رباتیک، بازی و حتی بانکداری از این روش استفاده کرده اند. به عنوان مثال، DeepMind در برنامه AlphaGo خود از این روش برای بهبود گیم پلی خود و شکست دادن بازیکنان حرفه ای Go استفاده کرده است. این نشان می دهد که یادگیری تقویتی در تصمیم گیری های پیچیده بسیار موثر است. توییت مایلز گریمشاو همچنین به همین پروژه اشاره دارد:
هوش مصنوعی می تواند عاملی برای پیشرفت ما باشد. جالب ترین مقاله ای که در این مورد دیدم مقاله ای است که عملکرد بازیکنان حرفه ای GO را قبل و بعد از معرفی Leela (نسخه متن باز AlphaGo) مقایسه می کند. با لیلا، عملکرد بازیکن بهبود یافته است.
5. انتقال یادگیری
یادگیری انتقالی یکی دیگر از استراتژی های یادگیری ماشینی است که در آن از مدل های آموزش دیده قدیمی برای حل مسائل کاملا جدید استفاده می شود. اهمیت این روش زمانی بیشتر می شود که اطلاعات زیادی در مورد یک مشکل جدید وجود نداشته باشد. برای مثال، محققان از یادگیری انتقالی برای تطبیق انواع مختلف مدل‌های تشخیص، مانند مقایسه تصاویر چهره‌ها با تصاویر حیوانات استفاده می‌کنند.
با کمک یادگیری انتقالی، ویژگی ها، ارتباطات و سوگیری های آموخته شده در مدل های قبلی می توانند در کارهای جدید مجددا استفاده شوند. این باعث می شود عملکرد مدل بهتر شود و به داده های کمتری برای آموزش مدل نیاز دارد.
نتیجه
فناوری هوش مصنوعی و فراگیری ماشین روز به روز در حال رشد است و به زودی تمام جنبه های زندگی بشر را در بر می گیرد. با پیشرفت سریع علم و فناوری، برنامه ها و الگوریتم های جدیدی به طور مداوم به این حوزه اضافه می شود. یادگیری فدرال، شبکه های GAN، XAI، یادگیری تقویتی و یادگیری انتقالی روش های جدیدی در یادگیری ماشین هستند که می توانند تغییرات بزرگی در عملکرد این سیستم ها ایجاد کنند. در این مقاله سعی کردیم در این زمینه به شما کمک کنیم روندهای جدید در هوش مصنوعی و یادگیری عمیق بیایید با هم آشنا شویم نظر شما در مورد این فناوری های جدید چیست؟ آیا این الگوریتم ها می توانند اپلیکیشن های هوش مصنوعی را به بهترین نحو تغییر دهند؟ لطفا افکار خود را با ما به اشتراک بگذارید.
خبر فوق به نقل از رسانه اسمارتک نیوز در وبسایت اسمارتک نوشته شده است در تاریخ 2023-05-16 19:03:00
