قصد داریم به زودی چکیده ای از آموزش مفاهیم اصلی محاسبات کوانتومی رو به زبان فارسی در کانال قرار بدیم.این مجموعه انشاالله بعدا به صورت یک کتاب مجزا منتشر خواهند شد.
#پردازش_هوشمند_آراد #یادگیری_ماشین_کوانتومی #هوش_مصنوعی_کوانتومی #محاسبات_کوانتومی
#پردازش_هوشمند_آراد #یادگیری_ماشین_کوانتومی #هوش_مصنوعی_کوانتومی #محاسبات_کوانتومی
روش نوین مایکروسافت برای یادگیری ماشین خودکار
----------------------------------------------
یک تیم تحقیقاتی در شرکت مایکروسفات روش نوینی برای یادگیری ماشین خودکار ابداع کرده اند که می تواند تحول چشمگیری در دنیای یادگیری ماشین ایجاد کند.این روش به ماشین یاد میدهد که چگونه یاد بگیرد !
---------------------------------------------
اختصاصی از کانال پردازش هوشمند آراد :اگر به خاطر داشته باشید چندی قبل پروفسور مایکل جردن یکی از بزرگان زنده دنیای هوش مصنوعی در مقاله ای اشاره کرده بود که آنچه امروزه به نام یادگیری ماشین ارائه می شود تفاوت بسیار زیادی با یک هوش مصنوعی حقیقی دارد و دنیای هوش مصنوعی هنوز نیازمند یک انقلاب واقعی است. در این ارتباط یکی از زمینه های جدید یادگیری ماشین که به تازگی سر و صدای زیادی در صنعت و رسانه ها ایجاد کرده است موضوع یادگیری ماشین خودکار است.رویکردهای مختلفی برای یادگیری ماشین خودکار پیشنهاد شده است که از بین آنها به "متا لرنینگ" و رویکرد "یادگیری برای یادگیری" می توان اشاره کرد.اگر چه این رویکرد ها به موفقیت های مهمی دست یافته اند اما همچنان وقتی از منظر فرایند های شناختی انسان (که هدف اصلی هوش مصنوعی نیز مدل سازی همین فرایند هاست !) آنها را بررسی کنیم متوجه می شویم که دچار یک نقطه ضعف اساسی هستند : توانایی آموزش!
یکی از شرکت هایی که برای حل این مشکل پیش قدم شده است مایکروسافت است .یکی از تیم های تحقیقاتی مایکروسافت به سرپرستی دکتر تائو کین (دکتری هوش مصنوعی از دانشگاه "تسین گوا" کشور چین) رویکرد جدیدی به نام یادگیری برای تدریس(L2T) در دانش یادگیری ماشین به وجود آورده اند که هدف آن ایجاد فرایند های آموزش خودکار ،جامع و واقع بینانه برای سیستم های یادگیری ماشین است.
روش پیشنهادی جدید مایکروسافت طیف وسیعی از مشکلات فعلی دنیای یادگیری ماشین را پوشش می دهد.از جمله آموزش یافتن بهترین مجموعه داده مناسب ، آموزش یافتن بهترین نوع بهینه سازی تابع ضرر و آموزش یافتن بهترین فضای رویکرد برای سیستم یاد گیرنده.
برای اطلاعات بیشتر درباره این روش به مقاله اصلی منتشر شده از سوی این تیم تحقیقاتی مراجعه کنید :
https://arxiv.org/abs/1810.12081
------------------------------------
#پردازش_هوشمند_آراد #یادگیری_ماشین #هوش_مصنوعی
#یادگیری_ماشین_خودکار
----------------------------------------------
یک تیم تحقیقاتی در شرکت مایکروسفات روش نوینی برای یادگیری ماشین خودکار ابداع کرده اند که می تواند تحول چشمگیری در دنیای یادگیری ماشین ایجاد کند.این روش به ماشین یاد میدهد که چگونه یاد بگیرد !
---------------------------------------------
اختصاصی از کانال پردازش هوشمند آراد :اگر به خاطر داشته باشید چندی قبل پروفسور مایکل جردن یکی از بزرگان زنده دنیای هوش مصنوعی در مقاله ای اشاره کرده بود که آنچه امروزه به نام یادگیری ماشین ارائه می شود تفاوت بسیار زیادی با یک هوش مصنوعی حقیقی دارد و دنیای هوش مصنوعی هنوز نیازمند یک انقلاب واقعی است. در این ارتباط یکی از زمینه های جدید یادگیری ماشین که به تازگی سر و صدای زیادی در صنعت و رسانه ها ایجاد کرده است موضوع یادگیری ماشین خودکار است.رویکردهای مختلفی برای یادگیری ماشین خودکار پیشنهاد شده است که از بین آنها به "متا لرنینگ" و رویکرد "یادگیری برای یادگیری" می توان اشاره کرد.اگر چه این رویکرد ها به موفقیت های مهمی دست یافته اند اما همچنان وقتی از منظر فرایند های شناختی انسان (که هدف اصلی هوش مصنوعی نیز مدل سازی همین فرایند هاست !) آنها را بررسی کنیم متوجه می شویم که دچار یک نقطه ضعف اساسی هستند : توانایی آموزش!
یکی از شرکت هایی که برای حل این مشکل پیش قدم شده است مایکروسافت است .یکی از تیم های تحقیقاتی مایکروسافت به سرپرستی دکتر تائو کین (دکتری هوش مصنوعی از دانشگاه "تسین گوا" کشور چین) رویکرد جدیدی به نام یادگیری برای تدریس(L2T) در دانش یادگیری ماشین به وجود آورده اند که هدف آن ایجاد فرایند های آموزش خودکار ،جامع و واقع بینانه برای سیستم های یادگیری ماشین است.
روش پیشنهادی جدید مایکروسافت طیف وسیعی از مشکلات فعلی دنیای یادگیری ماشین را پوشش می دهد.از جمله آموزش یافتن بهترین مجموعه داده مناسب ، آموزش یافتن بهترین نوع بهینه سازی تابع ضرر و آموزش یافتن بهترین فضای رویکرد برای سیستم یاد گیرنده.
برای اطلاعات بیشتر درباره این روش به مقاله اصلی منتشر شده از سوی این تیم تحقیقاتی مراجعه کنید :
https://arxiv.org/abs/1810.12081
------------------------------------
#پردازش_هوشمند_آراد #یادگیری_ماشین #هوش_مصنوعی
#یادگیری_ماشین_خودکار
Learning to Teach with Dynamic Loss Functions.pdf
886.4 KB
اصل مقاله ارائه شده توسط دکتر تائو کین درباره این روش جدید
از یادگیری ماشین کوانتومی چه انتظاری می توان داشت؟
ویدیو از دکتر پیتر ویتک
----------------------------------------------
دکتر پیتر ویتک یکی از محققین بنام محاسبات کوانتومی دنیا و نویسنده یکی از معدود کتاب های یادگیری ماشین کوانتومی می باشد. در این ویدیو ایشان توضیح می دهد که چه انتظاراتی از این شاخه نوین دانش می توان داشت.گروه پردازش هوشمند آراد اولین تیم ایرانی است که در این حوزه مشغول فعالیت تحقیقاتی می باشد.هدف اولیه ما ارائه محتوای آموزشی برای این حوزه نوظهور است.
https://www.aparat.com/v/qzJdc
--------------------------------------------
#پردازش_هوشمند_آراد #یادگیری_ماشین_کوانتومی #هوش_مصنوعی_کوانتومی #محاسبات_کوانتومی
ویدیو از دکتر پیتر ویتک
----------------------------------------------
دکتر پیتر ویتک یکی از محققین بنام محاسبات کوانتومی دنیا و نویسنده یکی از معدود کتاب های یادگیری ماشین کوانتومی می باشد. در این ویدیو ایشان توضیح می دهد که چه انتظاراتی از این شاخه نوین دانش می توان داشت.گروه پردازش هوشمند آراد اولین تیم ایرانی است که در این حوزه مشغول فعالیت تحقیقاتی می باشد.هدف اولیه ما ارائه محتوای آموزشی برای این حوزه نوظهور است.
https://www.aparat.com/v/qzJdc
--------------------------------------------
#پردازش_هوشمند_آراد #یادگیری_ماشین_کوانتومی #هوش_مصنوعی_کوانتومی #محاسبات_کوانتومی
ویدیوی کوتاهی ازمعرفی هوش مصنوعی کوانتومی و یادگیری ماشین
--------------------------------------------
https://www.aparat.com/v/A73M4
--------------------------------------------
#پردازش_هوشمند_آراد #یادگیری_ماشین_کوانتومی #هوش_مصنوعی_کوانتومی #محاسبات_کوانتومی
--------------------------------------------
https://www.aparat.com/v/A73M4
--------------------------------------------
#پردازش_هوشمند_آراد #یادگیری_ماشین_کوانتومی #هوش_مصنوعی_کوانتومی #محاسبات_کوانتومی
آموزش مفاهیم یادگیری ماشین کوانتومی توسط پروفسور ست لوید
-------------------------------------------
در این ویدیو ارزشمند پروفسور ست لوید از پیشگامان محاسبات کوانتومی دنیا به آموزش مفاهیم یادگیری ماشین کوانتومی خواهد پرداخت.ست لوید استاد فیزیک دانشگاه ام آی تی است و زمینه کاری او سیستم پیچیده اطلاعاتی ،محاسباتی کوانتومی و یادگیری ماشین کوانتومی است.
https://www.aparat.com/v/9hPrZ
--------------------------------------------
#پردازش_هوشمند_آراد #یادگیری_ماشین_کوانتومی #هوش_مصنوعی_کوانتومی #محاسبات_کوانتومی
-------------------------------------------
در این ویدیو ارزشمند پروفسور ست لوید از پیشگامان محاسبات کوانتومی دنیا به آموزش مفاهیم یادگیری ماشین کوانتومی خواهد پرداخت.ست لوید استاد فیزیک دانشگاه ام آی تی است و زمینه کاری او سیستم پیچیده اطلاعاتی ،محاسباتی کوانتومی و یادگیری ماشین کوانتومی است.
https://www.aparat.com/v/9hPrZ
--------------------------------------------
#پردازش_هوشمند_آراد #یادگیری_ماشین_کوانتومی #هوش_مصنوعی_کوانتومی #محاسبات_کوانتومی
Quantum Foundations Probability and Information.pdf
3.8 MB
دانلود کتاب :مبانی کوانتومی، احتمال و اطلاعات (Quantum Foundations Probability and Information)
تالیف : آندری خرنیکوف و تونی بوراما
تعداد صفحات :295
ناشر: اشپرینگر
----------------------------------
#پردازش_هوشمند_آراد #یادگیری_ماشین_کوانتومی #هوش_مصنوعی_کوانتومی #محاسبات_کوانتومی
تالیف : آندری خرنیکوف و تونی بوراما
تعداد صفحات :295
ناشر: اشپرینگر
----------------------------------
#پردازش_هوشمند_آراد #یادگیری_ماشین_کوانتومی #هوش_مصنوعی_کوانتومی #محاسبات_کوانتومی
خبر ساخت کامپیوتر کوانتومی توسط دانشمندان شرکت گوگل، جهان فناوری را در شگفتی فرو برده است.
--------------------------------------------------
روز جمعه نشریه فایننشال تایمز گزارش کرد که بر طبق مقالهای از محققان گوگل، پس از سالها رویای ساخت کامپیوتر کوانتومی تحقق یافته است. امری که شماری از دانشمندان آن را «کشف هزاره» لقب دادهاند.
گزیدهای از مقاله منتشره توسط محققان گوگل که به رویت نشریه فایننشال تایمز رسیده است، در اوایل هفته جاری روی سایت ناسا منتشر شد اما مدتی بعد از روی سایت برداشته شد. پژوهشگران گوگل ادعا کردهاند پردازشگر کامپیوتر کوانتومی ساخته آنها میتواند محاسبهای را که با پیشرفتهترین کامپیوتر حال حاضر جهان، موسوم به «سامیت»، ۱۰ هزار سال طول میکشد در ۳ دقیقه و ۲۰ ثانیه انجام دهد.قویترین ابررایانه فعلی جهان موسوم به «Summit» محصول شرکت آیبیام آمریکا است و حدود ۲۷ هزار پردازنده گرافیکی به همراه ۲۰۰ هزار هسته پردازنده در آن به کار رفته است. پیشتر گمان میرفت کامپیوتر کوانتومی در صورت ابداع باید از ماشین پردازشگر قدرتمندی به اندازه «یک زمین فوتبال» برخوردار باشد.
محققان گوگل در مقاله خود اعلام کردهاند که با فناوری جدید، به مرز «برتری کوانتومی» رسیدهاند. آنچه محققان گوگل به آن «برتری کوانتومی» نام دادهاند، نوعی از محاسبات است که میتواند نمونه کامپیوترهای کلاسیک را با فاصله پشت سر بگذارد. در واقع در کامپیوترهای کلاسیک، هر واحد اطلاعات که یک بیت نامیده میشود دارای ارزش صفر یا ۱ است. اما در کامپیوتر کوانتومی هر بیت میتواند صفر و همزمان ۱ باشد و چنین چیزی اجازه میدهد تا امکان محاسبه چندجانبه و همزمان فراهم شود. اگر کامپیوترهای کوانتومی در مقیاس بالا ساخته شوند، آنگاه میتوان گفت دستاوردهای غول آسا توسط بشر دست یافتنی خواهد شد و انتظار میرود مرزهای دانش و پیشرفت انسانی یکی پس از دیگری فرو بریزد. این امر به دلیل قابلیت پیشرفته این کامپیوترهاست.
در واقع کامپیوترهای کوانتومی میتوانند میلیونها حالت یک مسئله را در کسری از ثانیه بررسی و محاسبه کنند. امری که در علوم ریاضی، شیمی، فیزیک و زیست شناسی تا کنون امکان پذیر نبوده است.
شرکت گوگل از زمان درز خبر، از ارائه هرگونه توضیح بیشتری در خصوص کامپیوترهای کوانتومی خودداری کرده است.
منبع خبر:
https://farsi.euronews.com/2019/09/24/google-researchers-have-reportedly-achieved-quantum-supremacy-for-the-first-time
----------------------------------------------
#پردازش_هوشمند_آراد #یادگیری_ماشین_کوانتومی #هوش_مصنوعی_کوانتومی #محاسبات_کوانتومی
--------------------------------------------------
روز جمعه نشریه فایننشال تایمز گزارش کرد که بر طبق مقالهای از محققان گوگل، پس از سالها رویای ساخت کامپیوتر کوانتومی تحقق یافته است. امری که شماری از دانشمندان آن را «کشف هزاره» لقب دادهاند.
گزیدهای از مقاله منتشره توسط محققان گوگل که به رویت نشریه فایننشال تایمز رسیده است، در اوایل هفته جاری روی سایت ناسا منتشر شد اما مدتی بعد از روی سایت برداشته شد. پژوهشگران گوگل ادعا کردهاند پردازشگر کامپیوتر کوانتومی ساخته آنها میتواند محاسبهای را که با پیشرفتهترین کامپیوتر حال حاضر جهان، موسوم به «سامیت»، ۱۰ هزار سال طول میکشد در ۳ دقیقه و ۲۰ ثانیه انجام دهد.قویترین ابررایانه فعلی جهان موسوم به «Summit» محصول شرکت آیبیام آمریکا است و حدود ۲۷ هزار پردازنده گرافیکی به همراه ۲۰۰ هزار هسته پردازنده در آن به کار رفته است. پیشتر گمان میرفت کامپیوتر کوانتومی در صورت ابداع باید از ماشین پردازشگر قدرتمندی به اندازه «یک زمین فوتبال» برخوردار باشد.
محققان گوگل در مقاله خود اعلام کردهاند که با فناوری جدید، به مرز «برتری کوانتومی» رسیدهاند. آنچه محققان گوگل به آن «برتری کوانتومی» نام دادهاند، نوعی از محاسبات است که میتواند نمونه کامپیوترهای کلاسیک را با فاصله پشت سر بگذارد. در واقع در کامپیوترهای کلاسیک، هر واحد اطلاعات که یک بیت نامیده میشود دارای ارزش صفر یا ۱ است. اما در کامپیوتر کوانتومی هر بیت میتواند صفر و همزمان ۱ باشد و چنین چیزی اجازه میدهد تا امکان محاسبه چندجانبه و همزمان فراهم شود. اگر کامپیوترهای کوانتومی در مقیاس بالا ساخته شوند، آنگاه میتوان گفت دستاوردهای غول آسا توسط بشر دست یافتنی خواهد شد و انتظار میرود مرزهای دانش و پیشرفت انسانی یکی پس از دیگری فرو بریزد. این امر به دلیل قابلیت پیشرفته این کامپیوترهاست.
در واقع کامپیوترهای کوانتومی میتوانند میلیونها حالت یک مسئله را در کسری از ثانیه بررسی و محاسبه کنند. امری که در علوم ریاضی، شیمی، فیزیک و زیست شناسی تا کنون امکان پذیر نبوده است.
شرکت گوگل از زمان درز خبر، از ارائه هرگونه توضیح بیشتری در خصوص کامپیوترهای کوانتومی خودداری کرده است.
منبع خبر:
https://farsi.euronews.com/2019/09/24/google-researchers-have-reportedly-achieved-quantum-supremacy-for-the-first-time
----------------------------------------------
#پردازش_هوشمند_آراد #یادگیری_ماشین_کوانتومی #هوش_مصنوعی_کوانتومی #محاسبات_کوانتومی
euronews
دانشمندان گوگل رویای ساخت کامپیوتر کوانتومی را به واقعیت تبدیل کردند
خبر ساخت کامپیوتر کوانتومی توسط دانشمندان شرکت گوگل، جهان فناوری را در شگفتی فرو برده است. پژوهشگران گوگل ادعا کردهاند کامپیوتر کوانتومی ساختۀ آنها میتواند محاسبهای را که با پیشرفتهترین کامپیوتر حال حاضر جهان، موسوم به «سامیت»، ۱۰ هزار سال طول میکشد…
کتاب جدید پروفسور گری مارکوس و همکارش ارنست دیویس عملا با بولدوزر از روی یادگیری عمیق رد می شود: یادگیری عمیق هرگز به یک هوش مصنوعی عمومی منجر نخواهد شد چرا که یادگیری عمیق فاقد درک عمیق است!!
----------------------------------------------------------
چکیده ای از کل مطلب:
یادگیری عمیق ممکن است از دیدگاه فنی در تقلید از عملکرد های ادارکی مغز مانند پردازش تصویر یا گفتار خوب عمل کند اما در سایر وظایف ادراکی مانند توانایی فهم مکالمات یا روابط علی و معلولی بسیار ضعیف است.
یادگیری عمیق با تغییر کوچکی در شرایط مسئله کارایی خود را از دست می دهد.
یادگیری عمیق در واقع هیچ درکی از دنیای پیرامون خود یا وظایف خودش ندارد.
تشخیص یک شیء با فهمیدن یک جمله اساسا متفاوت است اما مردم به اشتباه سعی دارند تا از یادگیری عمیق برای هر دو مورد استفاده کنند.
یادگیری عمیق نمی تواند توضیح دهد که چرا فلان چیز روی می دهد بلکه تنها ممکن است بتواند احتمال روی دادن در شرایطی خاص را بررسی کند.
----------------------------------------------------------
اختصاصی از کانال پردازش هوشمند آراد :
گری مارکوس( از اساتید به نام هوش مصنوعی واستاد علوم اعصاب دانشگاه NYU و از جمله افرادی که در لبه دانش هوش مصنوعی فعالیت کرده است)در مصاحبه جدیدی که با سایت دانشگاه ام آی تی(MIT) انجام داده است درباره کتاب جدید خود توضیح میدهد.او اعتقاد دارد یادگیری عمیق اگر چه کمک زیادی به دنیای هوش مصنوعی کرده است اما ما نمیتوانیم به سیستم های هوش مصنوعی که صرفا بر مبنای یادگیری عمیق عمل میکنند اعتماد کنیم و تمرکز بیش از حد بر روی آن می تواند منجر به از بین رفتن آن شود !یادگیری عمیق ممکن است از دیدگاه فنی در تقلید از عملکرد های ادارکی مغز مانند پردازش تصویر یا گفتار خوب عمل کند اما در سایر وظایف ادراکی مانند توانایی فهم مکالمات یا روابط علی و معلولی بسیار ضعیف است.بنابراین برای ایجاد یک هوش مصنوعی قوی تر و عمومی تر، یادگیری عمیق باید با روش های دیگر ترکیب شود.وقتی یک سیستم هوش مصنوعی نمی تواند وظایف خود یا دنیای اطراف خود را درک کند ممکن است پیامد های خطرناکی را به دنبال داشته باشد.نمونه های این موارد نیز کم نیستند.به طور مثال سیستم های ماشین های خودران که منجر به تصادف می شوند ،سیستم های تشخیص حرف های نژاد پرستانه یا دروغ(مانند سیستم هایی که فیس بوک به آنها نیاز دارد) که همچنان به راحتی فریب می خورند یا سیستم های هوشمند برای استخدام افراد که فرایند های تبعیض آمیز اعمال می کنند.
پروفسور مارکوس و همکارش ارنست دیویس در کتاب جدید خود ( به نام Rebooting AI) به این موضوع می پردازند و اعتقاد دارند ما در حال حاضر حتی نزدیک این هوش مصنوعی عمومی (General AI)هم نیستیم ! هر چند می توانیم به آن دست بیابیم. منظور از هوش مصنوعی عمومی نوعی از هوش مصنوعی است که بتواند روابط علی و معلولی را درک کند.این نوع از هوش مصنوعی می تواند مانند یک محقق به کشف دانش جدید در حوزه هایی مانند پزشکی کمک کند.همچنین می تواند فکر کند و مشکلات جدید را حل کند نه این که تنها برای حل یک مسئله محدود آموزش دیده باشد و با تغییر کوچکی در شرایط مسئله کارایی خود را از دست بدهد. یا مثلا این نوع از هوش مصنوعی باید بتواند مانند یک انسان در مسائلی مانند سیاست یا موارد مشابه استدلال کند.اما یادگیری عمیق نمی تواند هوش مصنوعی را به چنین جایگاهی برساند.حتی قوی ترین موارد یادگیری عمیق مانند سیستم آلفا گو از شرکت گوگل که توانست در بازی گو انسان را مغلوب کند تنها قادر است برای موارد مشخصی کارایی داشته باشد و با کوچکترین تغییری در شرایط مسئله باید از نو بازنویسی شود.چرا که این سیستم در واقع هیچ درکی از دنیای پیرامون خود یا وظایف خودش ندارد.سیستم های پردازش تصویر مبتنی بر یادگیری عمیق نیز همین مشکل را دارند.پروفسور مارکوس و همکارش در کتاب خود به این نکته اشاره میکنند که یادگیری عمیق هرگز نمی تواند به یک هوش مصنوعی عمومی دست پیدا کند چرا که یادگیری عمیق فاقد درک عمیق است!! به عقیده پروفسور مارکوس شرایط به گونه ای شده است که مردم می خواهند همه مشکلات را با شبکه های عصبی حل کنند بدون آنکه به سراغ روش های کلاسیک هوش مصنوعی و برنامه نویسی بروند در حالی که این ممکن نیست.تشخیص یک شیء با فهمیدن یک جمله اساسا متفاوت است اما مردم به اشتباه سعی دارند تا از یادگیری عمیق برای هر دو مورد استفاده کنند.یادگیری عمیق نمی تواند توضیح دهد که چرا فلان چیز روی می دهد بلکه تنها ممکن است بتواند احتمال روی دادن در شرایطی خاص را بررسی کند.
------------------------------------------
#پردازش_هوشمند_آراد #یادگیری_ماشین #هوش_مصنوعی
#هوش_مصنوعی_عمومی #یادگیری_عمیق
----------------------------------------------------------
چکیده ای از کل مطلب:
یادگیری عمیق ممکن است از دیدگاه فنی در تقلید از عملکرد های ادارکی مغز مانند پردازش تصویر یا گفتار خوب عمل کند اما در سایر وظایف ادراکی مانند توانایی فهم مکالمات یا روابط علی و معلولی بسیار ضعیف است.
یادگیری عمیق با تغییر کوچکی در شرایط مسئله کارایی خود را از دست می دهد.
یادگیری عمیق در واقع هیچ درکی از دنیای پیرامون خود یا وظایف خودش ندارد.
تشخیص یک شیء با فهمیدن یک جمله اساسا متفاوت است اما مردم به اشتباه سعی دارند تا از یادگیری عمیق برای هر دو مورد استفاده کنند.
یادگیری عمیق نمی تواند توضیح دهد که چرا فلان چیز روی می دهد بلکه تنها ممکن است بتواند احتمال روی دادن در شرایطی خاص را بررسی کند.
----------------------------------------------------------
اختصاصی از کانال پردازش هوشمند آراد :
گری مارکوس( از اساتید به نام هوش مصنوعی واستاد علوم اعصاب دانشگاه NYU و از جمله افرادی که در لبه دانش هوش مصنوعی فعالیت کرده است)در مصاحبه جدیدی که با سایت دانشگاه ام آی تی(MIT) انجام داده است درباره کتاب جدید خود توضیح میدهد.او اعتقاد دارد یادگیری عمیق اگر چه کمک زیادی به دنیای هوش مصنوعی کرده است اما ما نمیتوانیم به سیستم های هوش مصنوعی که صرفا بر مبنای یادگیری عمیق عمل میکنند اعتماد کنیم و تمرکز بیش از حد بر روی آن می تواند منجر به از بین رفتن آن شود !یادگیری عمیق ممکن است از دیدگاه فنی در تقلید از عملکرد های ادارکی مغز مانند پردازش تصویر یا گفتار خوب عمل کند اما در سایر وظایف ادراکی مانند توانایی فهم مکالمات یا روابط علی و معلولی بسیار ضعیف است.بنابراین برای ایجاد یک هوش مصنوعی قوی تر و عمومی تر، یادگیری عمیق باید با روش های دیگر ترکیب شود.وقتی یک سیستم هوش مصنوعی نمی تواند وظایف خود یا دنیای اطراف خود را درک کند ممکن است پیامد های خطرناکی را به دنبال داشته باشد.نمونه های این موارد نیز کم نیستند.به طور مثال سیستم های ماشین های خودران که منجر به تصادف می شوند ،سیستم های تشخیص حرف های نژاد پرستانه یا دروغ(مانند سیستم هایی که فیس بوک به آنها نیاز دارد) که همچنان به راحتی فریب می خورند یا سیستم های هوشمند برای استخدام افراد که فرایند های تبعیض آمیز اعمال می کنند.
پروفسور مارکوس و همکارش ارنست دیویس در کتاب جدید خود ( به نام Rebooting AI) به این موضوع می پردازند و اعتقاد دارند ما در حال حاضر حتی نزدیک این هوش مصنوعی عمومی (General AI)هم نیستیم ! هر چند می توانیم به آن دست بیابیم. منظور از هوش مصنوعی عمومی نوعی از هوش مصنوعی است که بتواند روابط علی و معلولی را درک کند.این نوع از هوش مصنوعی می تواند مانند یک محقق به کشف دانش جدید در حوزه هایی مانند پزشکی کمک کند.همچنین می تواند فکر کند و مشکلات جدید را حل کند نه این که تنها برای حل یک مسئله محدود آموزش دیده باشد و با تغییر کوچکی در شرایط مسئله کارایی خود را از دست بدهد. یا مثلا این نوع از هوش مصنوعی باید بتواند مانند یک انسان در مسائلی مانند سیاست یا موارد مشابه استدلال کند.اما یادگیری عمیق نمی تواند هوش مصنوعی را به چنین جایگاهی برساند.حتی قوی ترین موارد یادگیری عمیق مانند سیستم آلفا گو از شرکت گوگل که توانست در بازی گو انسان را مغلوب کند تنها قادر است برای موارد مشخصی کارایی داشته باشد و با کوچکترین تغییری در شرایط مسئله باید از نو بازنویسی شود.چرا که این سیستم در واقع هیچ درکی از دنیای پیرامون خود یا وظایف خودش ندارد.سیستم های پردازش تصویر مبتنی بر یادگیری عمیق نیز همین مشکل را دارند.پروفسور مارکوس و همکارش در کتاب خود به این نکته اشاره میکنند که یادگیری عمیق هرگز نمی تواند به یک هوش مصنوعی عمومی دست پیدا کند چرا که یادگیری عمیق فاقد درک عمیق است!! به عقیده پروفسور مارکوس شرایط به گونه ای شده است که مردم می خواهند همه مشکلات را با شبکه های عصبی حل کنند بدون آنکه به سراغ روش های کلاسیک هوش مصنوعی و برنامه نویسی بروند در حالی که این ممکن نیست.تشخیص یک شیء با فهمیدن یک جمله اساسا متفاوت است اما مردم به اشتباه سعی دارند تا از یادگیری عمیق برای هر دو مورد استفاده کنند.یادگیری عمیق نمی تواند توضیح دهد که چرا فلان چیز روی می دهد بلکه تنها ممکن است بتواند احتمال روی دادن در شرایطی خاص را بررسی کند.
------------------------------------------
#پردازش_هوشمند_آراد #یادگیری_ماشین #هوش_مصنوعی
#هوش_مصنوعی_عمومی #یادگیری_عمیق
پردازش هوشمند
کتاب جدید پروفسور گری مارکوس و همکارش ارنست دیویس عملا با بولدوزر از روی یادگیری عمیق رد می شود: یادگیری عمیق هرگز به یک هوش مصنوعی عمومی منجر نخواهد شد چرا که یادگیری عمیق فاقد درک عمیق است!! ---------------------------------------------------------- چکیده…
اما راه حل چیست؟
به عقیده پروفسور مارکوس راه حل ترکیبی از روش های کلاسیک هوش مصنوعی با روش های نوین یادگیری ماشین است.هوش مصنوعی کلاسیک در فرایند های انتزاعی بسیار خوب عمل میکند اما نیاز به فرایند های دستی دارد و چون دانش بسیار زیادی در دنیای واقعی وجود دارد در عمل پاسخگو نیست.از سوی دیگر روش هاینوین یادگیری عمیق در پردازش داده های زیاد توانایی بالای دارند اما دارای درک انتزاعی و علی ومعلولی از داده ها نیستند.بنابراین ترکیب این دو روش ممکن است به ساخت یک هوش مصنوعی عمومی منجر شود.
------------------------------------------
#پردازش_هوشمند_آراد #یادگیری_ماشین #هوش_مصنوعی
#هوش_مصنوعی_عمومی #یادگیری_عمیق
به عقیده پروفسور مارکوس راه حل ترکیبی از روش های کلاسیک هوش مصنوعی با روش های نوین یادگیری ماشین است.هوش مصنوعی کلاسیک در فرایند های انتزاعی بسیار خوب عمل میکند اما نیاز به فرایند های دستی دارد و چون دانش بسیار زیادی در دنیای واقعی وجود دارد در عمل پاسخگو نیست.از سوی دیگر روش هاینوین یادگیری عمیق در پردازش داده های زیاد توانایی بالای دارند اما دارای درک انتزاعی و علی ومعلولی از داده ها نیستند.بنابراین ترکیب این دو روش ممکن است به ساخت یک هوش مصنوعی عمومی منجر شود.
------------------------------------------
#پردازش_هوشمند_آراد #یادگیری_ماشین #هوش_مصنوعی
#هوش_مصنوعی_عمومی #یادگیری_عمیق