استفاده از شبیهسازیهای مغزی به مقیاس بزرگ برای یادگیری ماشین و هوش مصنوعی
مقدمه
در دنیای امروزی، احتمالاً در طول روز چندین بار از فناوری یادگیری ماشین استفاده میکنید بدون اینکه این موضوع را بدانید. این فناوری یک روش است برای آموزش رایانهها با استفاده از دادههای واقعی جهان و این امکان را فراهم میآورد که تشخیص صدای با کیفیت بالا، از پشتیبانی از تصویری کامپیوتری کاربردی، جلوگیری از ایمیلهای ناخواسته و حتی خودروهای خودران فراهم شود. اما این فناوری از کمال برخوردار نیست. احتمالاً شما به شکلی طنزآمیز به دیدن متنهای نادرست ترجمه شده، یا تصاویر اشتباه شناسایی شده، لبخند میزنید. ما باور داریم که یادگیری ماشین میتواند بسیار دقیقتر باشد و کامپیوترهای هوشمند میتوانند وظایف روزانهی شما را آسانتر کنند. بنابراین تیم تحقیقاتی ما به بررسی روشهای جدیدی برای یادگیری ماشین به مقیاس بزرگ پرداخته است.
استفاده از دادههای بدون برچسب
فرضیه جدید از یادگیری خودآموز (PDF) و یادگیری عمیق نشان میدهد که ممکن است بتوانیم به جای استفاده از دادههای دارای برچسب، از دادههای بدون برچسب – مانند تصاویر تصادفی از وب یا ویدیوهای YouTube – استفاده کنیم. این الگوریتمها با ایجاد شبکههای عصبی مصنوعی کار میکنند که به طور مشابهی، عملکرد یادگیری نورونالی (یعنی مغز) را شبیهسازی میکنند.
تشخیص گربهها
یکی از نورونها در شبکه عصبی مصنوعی که از فریمهای ثابت از ویدیوهای بدون برچسب YouTube آموزش دیده است، یادگیری کرده است که گربهها را تشخیص دهد. این نشان میدهد که شبکه ماشینی به طور خودآموز میتواند اشیا رایج را در ویدیوها تشخیص دهد بدون اینکه حتی به آن اطلاعی داشته باشد. این مفهوم یادگیری خودآموز نامیده میشود.
پیشرفتها و اهداف آینده
با استفاده از این شبکه عصبی به مقیاس بزرگ، ما نیز بهبود قابل توجهی را در عملکرد تست طبقهبندی تصویر استاندارد دیدیم، به طوری که دقت 70 درصدی نسبی را مشاهده کردیم. ما این تکنولوژی را به مراتب پررنگتر میکنیم و به دنبال توسعه سیستمهای یادگیری ماشین هستیم که به خوبی مقیاس پذیر باشد، تا بتوانیم از مجموعههای گستردهای از دادههای آموزش بدون برچسب بهره ببریم.
نتیجه و دیدگاه کارشناس
در نهایت، استفاده از شبکههای عصبی به مقیاس بزرگ برای یادگیری ماشین و هوش مصنوعی امکانات جدیدی را برای ما فراهم میآورد. این امر نه تنها به پردازش تصاویر محدود نمیشود، بلکه ما رویکردهای مشابه را برای شناسایی سخنرانی و مدلسازی زبانهای طبیعی نیز در دستور کار قرار دادهایم. این تکنولوژی در آینده میتواند باعث بهبود عملکرد و سرعت ابزارهایی که روزانه استفاده میکنید شود.
Highlights:
1. استفاده از یادگیری خودآموز و یادگیری عمیق در ماشینهای بزرگ بهبود قابل توجهی در عملکرد دستگاههای یادگیری ماشین ایجاد کرده است.
2. شبکه های عصبی مصنوعی به مقیاس بالا میتوانند اشیا رایج را بدون وجود دادههای برچسبخورده تشخیص دهند.
3. پتانسیل وسیع این تکنولوژی برای توسعه و بهینهسازی ابزارهای روزمره کاربران.
منبع:
این مقاله در اصل در https://blog.google/technology/ai/using-large-scale-brain-simulations-for/ منتشر شده است.
