چشم انداز های یادگیری ماشین

چشم انداز یادگیری ماشین در ۱۰ سال آینده

در حال حاضر بحث یادگیری ماشین کاملا  داغ و مورد توجه است.

نوآوری های جدید در زمینه ی فناوری یکی از اساسی ترین عوامل در رشد اقتصادی است. در میان این نوآوری ها،  “تکنولوژی عمومی”  مهم ترین عاملی است که اقتصاددانان از آن یاد می کنند؛ که می توانیم به موتور بخار ، موتور احتراق داخلی و نیروی الکتریکی اشاره کنیم. هوش مصنوعی مهمترین تکنولوژی عمومی در این دوره است؛ و در کنار آن یادگیری ماشین که بیشترین تمرکز هوش مصنوعی بر آن است.

تمرکز یادگیری ماشین روی تقلید از روند یادگیری انسان ها است. مانند یادگیری الگوها یا دانش از تجربیات و سپس تعمیم در حالات جدید مشابه. این یک تحقیق میان رشته ای مقطعی است که شامل علوم رایانه ، آمار ، تقریب عملکرد ، بهینه سازی ، نظریه کنترل ، نظریه تصمیم گیری ، پیچیدگی محاسباتی و آزمایش خواهد بود.

این مقاله سؤالات زیر را مورد بررسی قرار می دهد: مفاهیم و دستاوردهای مهم یادگیری ماشین چیست؟ مهارت های اصلی که شاغلان یادگیری ماشین باید داشته باشند چیست؟ در آخر ، چه پیشرفت هایی را برای فناوری های یادگیری ماشینی در آینده می توان پیش بینی کرد؟

خط مقدم فناوری یادگیری ماشین

در سال های اخیر ، محققان فناوری های جدیدی از یادگیری ماشین را توسعه داده و به کار گرفته اند.  این فناوری های جدید دامنه ای از کاربردهای تازه ای را هدایت کرده اند. قبل از اینکه در مورد آن بحث کنیم ، ابتدا توضیحات مختصری از چند فناوری مهم یادگیری ماشین ، مانند یادگیری عمیق ، یادگیری تقویتی ، یادگیری تخاصمی ، یادگیری دوگانه ، یادگیری انتقال ، یادگیری توزیع شده و یادگیری متا ارائه خواهیم داد.

یادگیری عمیق

بر اساس شبکه های عصبی در مقیاس چند لایه و به صورت غیرخطی ، یادگیری عمیق می تواند مستقیماً از داده های خام یاد بگیرد ، به طور خودکار ویژگی های انتزاعی را لایه به لایه استخراج کرده و سپس به هدف رگرسیون ، کلاسه بندی یا رتبه بندی دست یابد. یادگیری عمیق پیشرفت هایی در بینایی ماشین ، پردازش گفتار و زبان طبیعی داشته و حتی از سطح انسانی نیز فراتر رفته است. موفقیت یادگیری عمیق عمدتاً به سه عامل منجر می شود: داده های بزرگ ( کلان داده ها ) ، مدل های بزرگ و محاسبات بزرگ.
در چند دهه گذشته ، معماری های مختلفی برای شبکه های عصبی عمیق ارائه شده است ، مانند (۱) شبکه عصبی کانولوشنی، که بیشتر در پردازش داده های تصویری و فیلم استفاده می شود ، و همچنین برای داده های متوالی مانند پردازش متن کاربرد دارد. (۲) شبکه های عصبی مکرر ، که می تواند داده های متوالی در طول های متغیر را پردازش کند و به طور گسترده در فهم زبان طبیعی و پردازش گفتار مورد استفاده قرار می گیرد. (۳) چارچوب رمزگذاری-رمزگشایی ، که بیشتر برای تولید تصویر یا دنباله استفاده می شود ، مانند ترجمه ماشین ، جمع بندی متن و نوشتن تصویر.

یادگیری تقویتی

یادگیری تقویتی یکی از زیر مجموعه های یادگیری ماشین است؛ که مطالعه چگونگی انجام اقدامات براساس آزمایش و خطا را انجام می دهد ، تا بتواند مفهوم پاداش تجمعی را در یک سیستم یا محیط پویا به حداکثر برساند. با توجه به کلی بودن ، این مساله در بسیاری از رشته های دیگر مانند نظریه بازی ، نظریه کنترل ، تحقیقات عملیات ، تئوری اطلاعات ، سیستم های چند عامل ، هوش ازدحام، آمار و الگوریتم های ژنتیکی نیز مورد بررسی قرار گرفته است.

در مارس ۲۰۱۶ ، AlphaGo ، یک برنامه کامپیوتری که بازی تخته ای Go (شطرنج سنتی چین) را انجام می داد، لی سدول را در یک مسابقه ۵ مرحله ای شکست داد. این اولین باری بود که یک برنامه کامپیوتری توانسته بود یک بازیکن حرفه ای دان ۹ (بالا ترین سطح) این رشته را بدون نقص شکست دهد. AlphaGo بر اساس شبکه های عصبی عمیق کانولوشنی و یادگیری تقویتی ساخته شده است. پیروزی AlphaGo نقطه عطفی در هوش مصنوعی بود و همچنین یادگیری تقویتی را به یک حوزه تحقیقاتی داغ در زمینه یادگیری ماشین تبدیل کرد.

یادگیری انتقالی

هدف از یادگیری انتقالی ، انتقال مدل یا دانش به دست آمده از یک وظیفه مرجع به وظیفه هدف، برای حل مشکل داده های آموزش ناکافی در وظیفه هدف است. عقلانیت انجام چنین کاری در این که معمولاً وظایف مرجع و هدف با یکدیگر همبستگی دارند ، نهفته است  و بنابراین ویژگی ها ، نمونه ها یا مدل های موجود در وظیفه مرجع ممکن است اطلاعات مفیدی را در اختیار ما قرار دهند تا بتوانیم وظیفه هدف را بهتر حل کنیم. یادگیری انتقالی موضوعی داغ تحقیقاتی در سال های اخیر بوده که بسیاری از مسائل در این حوزه هنوز در انتظار حل شدن هستند.

چگونه مشکل داده های نا کافی را با استفاده از یادگیری انتقالی برطرف کنیم؟

یادگیری تخاصمی

مدل مولد عمیق معمولی، دارای یک مشکل بالقوه است : تمایل به ایجاد نمونه های بسیار برای حداکثر کردن تشابهات احتمالی دارد، که به عملکرد آن صدمه می زند. یادگیری تخاصمی با استفاده از رفتارهای خصمانه (به عنوان مثال ، تولید نمونه های مخالف یا آموزش یک مدل مخالف) سعی در تقویت استحکام مدل و بهبود کیفیت داده های تولید شده دارد. در سال های اخیر ، یکی از امیدوار کننده ترین فناوری های یادگیری بدون نظارت ، شبکه های مولد تخاصمی ( GAN ) است که  تا کنون با موفقیت بر روی تصویر ، گفتار و متن اعمال شده است.

یادگیری دوگانه

یادگیری دوگانه یک الگوی جدید یادگیری است که ایده اصلی آن، استفاده از ساختار اولیه دوگانه بین وظایف یادگیری ماشین برای بدست آوردن بازخورد / نظم دهی مؤثر و راهنمایی و تقویت فرآیند یادگیری است ، در نتیجه نیاز به داده های دارای برچسب در مقیاس کلان را کاهش می دهد. یادگیری دوگانه در بسیاری از مشکلات در یادگیری ماشین از جمله ترجمه ماشین ، تبدیل سبک تصویر ، پاسخ به سؤال و تولید آن ها، کلاسه بندی تصویر و تولید آن ، طبقه بندی متن و تولید آن ، تصویر به متن و متن به تصویر استفاده شده است.

یادگیری ماشین توزیع شده

محاسبات توزیع شده الگوریتم های یادگیری ماشین را سرعت می بخشد و به طور قابل توجهی کارایی آن ها را بهبود می بخشد که نتیجه کاربرد های آن ها را بزرگ تر می کند. برای استفاده یادگیری ماشین از حالت توزیع شده، به چیزی بیشتر از پیاده سازی الگوریتم های یادگیری ماشین به صورت موازی مورد نیاز است.

یادگیری متا

یادگیری متا یک تحقیق نوظهور در یادگیری ماشین است. تقریباً می توان گفت، یادگیری متا مربوط به یادگیریِ نحوه یادگیری است و به جای اینکه فقط یک کار یادگیری خاص را انجام دهد ، بر درک و سازگاری یادگیری متمرکز است. یعنی یک یادگیرنده متا باید بتواند روش های یادگیری خود را ارزیابی کند و آن ها را مطابق با وظایف یادگیری خاص تنظیم کند.

چالش های پیش روی یادگیری ماشین

در حالی که پیشرفت زیادی در یادگیری ماشین به انجام رسیده ، چالش هایی نیز وجود دارد.

به عنوان مثال ، فناوری های اصلی یادگیری ماشین مانند رویکردهای جعبه سیاه هستند و ما را از خطرات احتمالی آن ها نگران می کند. برای مقابله با این چالش ، ممکن است بخواهیم یادگیری ماشین را بیشتر قابل توضیح و کنترل کنیم. به عنوان نمونه دیگر ، پیچیدگی محاسباتی الگوریتم های یادگیری ماشین معمولاً بسیار زیاد است و ممکن است بخواهیم الگوریتم ها یا پیاده سازی های سبک وزن را اختراع کنیم. علاوه بر این ، در بسیاری از حوزه ها مانند فیزیک ، شیمی ، زیست شناسی و علوم اجتماعی ، مردم معمولاً به دنبال معادلات ظریف و ساده (مانند معادله شرودینگر) برای کشف قوانین اساسی در پدیده های مختلف هستند. آیا در زمینه یادگیری ماشینی ، می توانیم به جای طراحی مدل های پیچیده تر برای مناسب سازی داده ها ، قوانین ساده را آشکار کنیم؟ اگرچه چالش های بسیار زیادی وجود دارد ، ما هنوز نسبت به آینده یادگیری ماشین بسیار خوش بین هستیم. همانطور که ما مشتاقانه منتظر آینده هستیم ، آن چه در ادامه می خوانید، همان مواردیست که فکر می کنیم کانون های تحقیقاتی در ده سال آینده خواهند بود.

یادگیری ماشین قابل توضیح

یادگیری ماشین ، به ویژه یادگیری عمیق ، به سرعت تکامل می یابد. شکاف توانایی بین ماشین و انسان در بسیاری از کارهای پیچیده باریک تر و باریک تر می شود. با این حال ، ما هنوز در مرحله اولیه قرار داریم تا در مورد چرایی و چگونگی کارکرد آن ها توضیح دهیم.

کمبود چه چیزی احساس می شود: شکاف بین همبستگی و علیت

اکثر تکنیک های یادگیری ماشین ، به ویژه روش های آماری ، به همبستگی داده ها بستگی دارد تا پیش بینی ها و تحلیل ها انجام شود. در مقابل ، انسان ها تمایل دارند که به روابط علت و معلولی روشن و قابل اعتماد پاسخ دهند که از طریق استدلال منطقی به حقایق  بدست می آیند. این یکی از اهداف اصلی یادگیری ماشین قابل توضیح است که از همبستگی داده ها به حل مشکلات بر اساس استدلال منطقی برسد.

توضیحات به ما نشان می دهد که دستگاه موارد شناخته شده را می فهمد و از ناشناخته ها آگاه است.

مدل های یادگیری ماشینی بر اساس داده های تاریخی تجزیه و تحلیل و تصمیم گیری می کنند. به دلیل عدم وجود عقل سلیم ، ماشین آلات ممکن است اشتباهاتی اساسی را مرتکب شوند که برای انسان هنگام مواجهه با حوادث نادر اتفاق نمی افتد. در چنین مواردی ، میزان دقت آماری نمی تواند خطر تصمیم را بطور مؤثر اندازه گیری کند. بعضی اوقات ، استدلال در مورد تصمیم به ظاهر صحیح ممکن است کاملاً اشتباه باشد. برای زمینه هایی مانند درمان پزشکی ، هسته ای و هوا فضا ، درک حقایق برای استفاده از تکنیک های یادگیری ماشینی پیش نیاز است ، به همین دلیل ارائه توضیح دلالت بر اعتماد و اطمینان دارد.

یادگیری ماشین قابل توضیح یک پله مهم برای ادغام عمیق تکنیک های یادگیری ماشین و جامعه انسانی است. خواسته های یادگیری ماشین قابل توضیح نه تنها از تلاش برای پیشرفت در فناوری ناشی می شود ، بلکه از بسیاری از ملاحظات غیر فنی از جمله قوانین و مقررات نظیر GDPR  (قانون عمومی حمایت از داده ها) که در سال ۲۰۱۸ به اجرا درآمد ، ناشی می شود.

علاوه بر خواسته های صنعت و جامعه ، این توانایی و تمایل داخلی مغز انسان است که  به دنبال توضیح دلیل منطقی اقدامات می باشد. مایکل اس. گازانیگا، یکی از محققان پیشرو در زمینه ی علوم عصبی شناختی، این اظهار نظر را در تحقیق تاثیر گذار خود در زمینه فکر نامتمرکز عنوان کرده “{مغز انسان} به سوی اکتشاف و یا درک علت اتفاقات سوق پیدا می کند.”

چه کسی توضیح می دهد و برای چه کسی: تکامل مردم-محور یادگیری ماشین

ماشین آلات باید بتوانند خود را هم برای متخصصان و هم برای افراد تازه کار توضیح دهند. در حالت ایده آل ، یک ماشین به یک سؤال پاسخ می دهد و خود فرآیند استدلال را توضیح می دهد. با این حال ، بسیاری از ماشین ها نمی توانند پاسخ های خود را توضیح دهند زیرا بسیاری از الگوریتم ها از الگوی ورود داده خروج مدل (Data-In, Model-Out) استفاده می کنند؛ که در آن علیت بین خروجی مدل و داده های ورودی آن غیرقابل ردیابی می شود ، به گونه ای که مدل به یک جعبه سیاه به اصطلاح جادویی تبدیل شود.

پیش از اینکه ماشین ها بتوانند پاسخ های خود را توضیح دهند ، می توانند از طریق بررسی های انسانی و دنبال کردن مراحل حل مسئله ، سطح مشخصی از توضیح را ارائه دهند. در این حالت ، توضیح در مورد هر ماژول بسیار مهم می شود. برای یک سیستم یادگیری ماشین بزرگ ، قابل توضیح بودن کل مجموعه به قابلیت توضیح بخش های آن بستگی دارد. برای انتقال از یادگیری ماشین جعبه سیاه به یادگیری ماشین قابل توضیح ، به یک تکامل و ارتقاء سیستماتیک برای اجرا نیاز داریم.

توضیح دادن: از نیازهای عملی ناشی می شود و به طور مداوم تکامل می یابد

پیش نیاز های توضیح پذیری می تواند برای کاربردهای مختلف بسیار متفاوت باشد. بعضی اوقات ، توضیحات برای متخصصان به اندازه کافی خوب هستند ، به ویژه هنگامی که آن ها فقط برای بررسی امنیتی یک تکنیک استفاده می شوند. در مورد سایر کاربردها ، همه به توضیحات نیاز دارند ، به خصوص هنگامی که بخشی از رابط انسان و ماشین باشند. هر تکنیکی فقط در یک محدوده برنامه خاص تا حدی خاص کاربرد دارد و همین امر برای یادگیری ماشین قابل توضیح نیز صادق است. یادگیری ماشین قابل توضیح از خواسته های عملی ناشی می شود و با ظهور نیازهای بیشتر ، تکامل خود را ادامه می دهد.

یادگیری ماشین سبک و محاسبات مرزی

در یک محیط ایده آل ، محاسبات لبه به تجزیه و تحلیل و پردازش داده ها در نزدیکی منبع تولید داده ، برای کاهش جریان داده و در نتیجه کاهش ترافیک شبکه و زمان پاسخ دادن اشاره دارد. با ظهور اینترنت اشیاء و استفاده گسترده از هوش مصنوعی در حوزه های مربوط به موبایل ، ترکیب یادگیری ماشین و محاسبات لبه از اهمیت ویژه ای برخوردار شده است.

چرا محاسبات مرزی نقش مهمی در این الگوی محاسباتی تعبیه شده در یادگیری ماشین بازی خواهند کرد؟

  1. پهنای باند انتقال داده و تأخیر در پاسخگویی به کار: در یک سناریوی مربوط به تلفن های همراه ، در حالی که آموزش تعداد زیادی از داده ها را انجام می دهید ، وظایف یادگیری ماشین در واقع به تأخیر پاسخ کوتاه تری نیاز دارند.
  2. امنیت: دستگاه هایمرزیمی توانند امنیت داده های حساس جمع آوری شده را تضمین کنند. در عین حال ، محاسبات مرزی می توانند دستگاه های مرزی هوشمند را متمرکز کنند و خطر حملاتDDoS را که بر کل شبکه تأثیر می گذارد ، کاهش دهند.
  3. یادگیری سفارشی وظایف: محاسباتمرزیدستگاه های مختلف مرزی را قادر می سازد وظایف یادگیری و مدل هایی را که برای آن ها به بهترین شکل طراحی شده اند ، انجام دهند.
  4. همکاری چند عامل: دستگاه هایمرزیهمچنین می توانند سناریوهای چند عامل را الگوبرداری کنند و به آموزش مدل های یادگیری تقویت مشارکتی چند هوشمند کمک کنند.

یادگیری ماشین کوانتومی

یادگیری ماشین کوانتومی یک حوزه تحقیقاتی بین رشته ای در حال ظهور در تلفیق محاسبات کوانتومی و یادگیری ماشین است.

کامپیوترهای کوانتومی از افکت هایی مانند انسجام کوانتومی و درهم آمیختگی کوانتومی برای پردازش اطلاعات استفاده می کنند ، که اساساً با رایانه های کلاسیک متفاوت است. الگوریتم های کوانتومی در حل چندین مساله از بهترین الگوریتم های کلاسیک پیشی گرفته اند (به عنوان مثال ، جستجوی یک بانک اطلاعاتی مرتب نشده ، معکوس یک ماتریس پراکنده) ، که ما آن را شتاب کوانتومی می نامیم.

هنگامی که محاسبات کوانتومی با یادگیری ماشین تلفیق می شود ، می تواند یک روند مفید و تقویت کننده باشد ، زیرا به ما این امکان را می دهد تا از محاسبات کوانتومی برای بهبود عملکرد الگوریتم های یادگیری ماشین کلاسیک استفاده کنیم. علاوه بر این ، ما همچنین می توانیم از الگوریتم های یادگیری ماشین (در رایانه های کلاسیک) برای تحلیل و بهبود سیستم های محاسبات کوانتومی استفاده کنیم.

الگوریتم های یادگیری کوانتومی مبتنی بر جبر خطی

بسیاری از الگوریتم های یادگیری ماشین کوانتومی مبتنی بر انواع مختلف الگوریتم های کوانتومی برای حل معادلات خطی هستند که می توانند معادلات خطی N متغیره با پیچیدگی (O (log2N را در شرایط خاص حل کنند. الگوریتم وارونگی ماتریس کوانتومی می تواند بسیاری از روش های یادگیری ماشین مانند حداقل مربعات رگرسیون خطی ، حداقل حالت مربعات دستگاه بردار پشتیبانی ، فرایند گاوسی و موارد دیگر را تسریع کند. برای حل معادلات خطی می توان آموزش این الگوریتم ها را ساده کرد. تنگنای اصلی این نوع الگوریتم های یادگیری ماشین کوانتومی ، ورودی داده ها است؛ یعنی نحوه راه اندازی اولیه سیستم کوانتومی با کل مجموعه داده ها. اگرچه الگوریتم های ورودی دادهای مفیدی برای برخی شرایط خاص وجود دارند ، اما چگونگی وارد کردن کارآمد داده ها به یک سیستم کوانتومی برای بیشتر موارد هنوز ناشناخته است.

یادگیری تقویتی کوانتومی

در یادگیری تقویتی کوانتومی ، یک عامل کوانتومی برای بدست آوردن پاداش از محیط ، با محیط کلاسیک در تعامل است ، بنابراین می تواند راهبرد های رفتاری خود را تنظیم و بهبود بخشد. در برخی موارد ، با قابلیت پردازش کوانتومی عامل یا امکان کاوش در محیط از طریق ترکیب کوانتومی ، به شتاب کوانتومی می رسد. چنین الگوریتم هایی در مدارهای ابررسانا و سیستم های یون های به دام افتاده ارائه شده اند.

یادگیری عمیق کوانتومی

پردازنده های اطلاعات کوانتومی اختصاصی ، مانند آنیلرهای کوانتومی و مدارهای فوتونی قابل برنامه ریزی ، برای ساخت شبکه های کوانتومی عمیق مناسب هستند. ساده ترین شبکه کوانتومی عمیق دستگاه بولتزمن است. دستگاه کلاسیک بولتزمن متشکل از بیت هایی با تعامل قابل تنظیم است و با تنظیم تعامل، این بیت ها آموزش داده می شوند تا توزیع بیان آن با آمار داده ها مطابقت داشته باشد. برای تعیین کمیت دستگاه بولتزمن ، شبکه عصبی را می توان به سادگی به عنوان مجموعه ای از چرخش کوانتومی در حال تعامل که مطابق با یک مدل Ising قابل تنظیم است ، نمایش داده شد. سپس با مقدار دهی اولیه نورون های ورودی در دستگاه بولتزمن به حالت ثابت و اجازه گرم شدن سیستم ، می توانیم برای نتیجه گرفتن، قطب های خروجی را بخوانیم.

دستگاه آنیل کننده کوانتومی یک پردازنده اطلاعات کوانتومی اختصاصی است که ساخت و گسترش آن آسان تر از یک کامپیوتر کوانتومی با هدف عمومی است. و نمونه هایی از این کامپیوتر مانند رایانه D- Wave در حال استفاده هستند.

قوانین طبیعی ساده و زیبا

پدیده ها و سیستم های پیچیده در همه جا وجود دارند. با بررسی دقیق آن ها ، به یک نتیجه غافلگیرکننده می رسیم: بسیاری از پدیده های به ظاهر پیچیده طبیعی توسط قوانین ریاضی ساده و ظریف مانند معادلات دیفرانسیل جزئی اداره می شوند. استفان ولفرام ، خالق Mathematica ، دانشمند رایانه و فیزیکدان ، این اظهار نظر را چنین می کند: “معلوم می شود که تقریباً تمام مدل های سنتی ریاضی که در فیزیک و سایر حوزه های علوم استفاده شده اند ، در نهایت مبتنی بر معادلات دیفرانسیل جزئی هستند.”

حال که قوانین ساده و ظریف طبیعی رواج دارد ، آیا می توانیم یک روش محاسباتی ابداع کنیم که بتواند قوانین ریاضی حاکم بر پدیده های طبیعی را به طور خودکار کشف کند؟ به وضوح دشوار است ، اما غیرممکن نیست. نوع خاصی از برابری باید در هر معادله وجود داشته باشد. یک سوال جالب اینجاست: آیا قوانین جهانی برابری ذاتی در طبیعت وجود دارد؟ قضیه بصیرت نوتر ، کشف شده توسط ریاضی دان آلمانی امی نوتر ، اظهار می دارد که یک ویژگی تقارن مداوم حاکی از قانون حفاظت است. این قضیه عمیق راهنمایی نظری مهمی در مورد کشف قوانین حفاظت ، به ویژه برای سیستم های فیزیکی ارائه می دهد. در حقیقت ، بسیاری از معادلات بدنی مبتنی بر قوانین حفاظت مانند معادله شرودینگر است که یک سیستم کوانتومی را براساس قانون حفظ انرژی توصیف می کند.

یادگیری بداهه

رویکرد یادگیری بداهه ای که در اینجا مورد بحث قرار گرفته است ، اهداف مشابهی را با یادگیری پیش بینی کننده یان لکان ( Yann LeCun ) ارائه می دهد. با این حال ، آن ها فرضیات بسیار متفاوتی از جهان دارند و رویکرد های مختلفی را اتخاذ می کنند. یادگیری پیش بینی کننده ناشی از یادگیری بدون نظارت و تمرکز بر توانایی پیش بینی آینده است. که سعی در استفاده کامل از اطلاعات موجود ، برای استنباط آینده از گذشته دارد.

یادگیری پیش بینی کننده شامل دو بخش اصلی است: ساختن مدل جهانی و پیش بینی ناشناخته ها. اما ، آیا جهان قابل پیش بینی است؟ ما نمی دانیم.

در مقابل ، یادگیری بداهه ای فرض می کند که جهان پر از استثناست. باهوش بودن به معنای بداهه نوازی در هنگام اتفاقات غیرمنتظره است. برای بداهه نوازی ، نباید یک سیستم یادگیری برای اهداف از پیش تعیین شده ایستا بهینه شود. یادگیری بداهه دانش و توانایی های حل مسئله را از طریق مشاهدات فعال و تعامل به دست می آورد.

یادگیری بداهه ای با مشاهده محیط و تعامل با آن ، از بازخورد مثبت و منفی می آموزد. این روند ظاهراً شبیه به یادگیری تقویتی است. تفاوت از این واقعیت ناشی می شود که یادگیری بداهه ای هدف بهینه سازی ثابت را ندارد ، در حالی که یادگیری تقویتی به یک مورد نیاز دارد. از آنجا که یادگیری بداهه توسط شیب ناشی از یک هدف بهینه سازی ثابت هدایت نمی شود ، یادگیری با چه هدفی انجام می شود؟ چه زمانی این روند یادگیری خاتمه می یابد؟ در اینجا ، ما از آنتروپی شرطی برای توصیف تقریبی و توضیحات پروسه استفاده می کنیم.

در این فرمول ، K  دانشی است که سیستم در حال حاضر دارد و E اطلاعات (آنتروپی منفی) محیط است. فرمول میزان عدم اطمینان محیط نسبت به سیستم را اندازه گیری می کند. با یادگیری سیستم در مورد محیط زیست ، آنتروپی منفی از محیط به سیستم منتقل می شود و عدم اطمینان در مورد محیط کاهش می یابد. سرانجام ، آنتروپی شرطی به صفر می رسد و جریان آنتروپی منفی متوقف می شود. تا آن زمان ، سیستم محیط را کاملاً درک می کند.

یادگیری ماشین اجتماعی

هدف یادگیری ماشین، تقلید از یادگیری انسان است. در حالی که ما الگوریتم های یادگیری ماشین موفق را توسعه داده ایم ، تاکنون یک واقعیت مهم را نادیده گرفته ایم: انسان ها اجتماعی هستند. هر یک از ما بخشی از کل جامعه هستیم و زندگی ، یادگیری و بهبود خودمان به تنهایی و به صورت منزوی برای ما دشوار است. بنابراین باید ماشین هایی با خصوصیات اجتماعی طراحی کنیم. آیا می توانیم ماشین آلات را با تقلید از جامعه بشری تکامل دهیم تا به «یادگیری ماشین اجتماعی» مؤثرتر ، باهوش تر و قابل تفسیر برسیم؟

ایده اجتماعی بودن از میلیاردها انسان تشکیل شده است ، بنابراین یادگیری ماشین اجتماعی نیز باید یک سیستم چند عاملی با دستگاه های جداگانه باشد. فراتر از جمع آوری و پردازش داده ها با استفاده از الگوریتم های یادگیری ماشین موجود ، ماشین ها در تعامل اجتماعی شرکت می کنند. به عنوان مثال ، طبق سازوکارهای اجتماعی ، ماشین آلات به طور فعال با سایر دستگاه ها برای جمع آوری اطلاعات ، سبقت در انجام کارهای فرعی و دریافت پاداش همکاری می کنند. در همین زمان ، ماشین آلات خلاصه ای از تجربیات ، دانش خود را افزایش داده و از دیگران برای بهبود رفتار خود یاد می گیرند.

در واقع ، برخی از روش های موجود در یادگیری ماشین با الهام از یادگیری ماشین اجتماعی است. به عنوان مثال ، تقطیر دانش ، که به عنوان ساده ترین تأثیر در بین ماشین ها توصیف می شود ، می تواند روش دریافت دانش را به طور بالقوه مدل کند. میانگین مدل ، گروه مدل و رای گیری در یادگیری ماشین توزیع مکانیسم های ساده تصمیم گیری اجتماعی است. یادگیری تقویتی چگونگی تنظیم رفتار خود را برای دریافت جوایز بیشتر بررسی می کند.

از آنجا که انسان ها اجتماعی هستند ، یادگیری ماشین های اجتماعی جهت پیشرفت هوش مصنوعی جهت امیدوار کننده ای خواهد بود.

در نتیجه

دانشمند رایانه Alan Kay  گفت ، “بهترین راه برای پیش بینی آینده ، ایجاد آن است.” بنابراین ، همه متخصصان یادگیری ماشین ، اعم از محقق یا مهندس ، استاد و دانشجو ، برای پیشبرد این مباحث مهم تحقیقاتی نیاز به همکاری دارند. با هم ، ما نه تنها آینده را پیش بینی کرده، بلکه آن را ایجاد خواهیم کرد.

بیشتر بخوانید:

منبع Microsoft

همچنین ببینید

هوش مصنوعی برای ایمن تر شدن و همگانی شدن به فن آوری بلاک چین نیاز دارد

هوش مصنوعی برای ایمن تر شدن و همگانی شدن به فن آوری بلاک چین نیاز دارد

در رویداد این هفته تمرکز آینده مالی یاهو، میزبان ما، برایان مک گلینون، با جاسپر …

3 نظر

  1. باسلام ضمن تشکرا ز مقاله خوبتون
    میخواستم بدونم ترجمه “یادگیری بداهه” به انگلیسی چیست؟

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *