پژوهشگران اخیرا الگوریتمی را توسعه داده‌اند که سیستم‌های هوش مصنوعی را قادر می‌سازد تا در زمینه‌ی یادگیری مفاهیم جدید، عملکردی مشابه انسان داشته باشند. با ما همراه باشید.
“فراگیری ماشین” عبارتی نامفهوم برای توصیف روشی است که سیستم‌های مبتنی بر هوش مصنوعی به کمک آن شروع به درک دنیای پیرامون خود از طریق دریافت حجم بسیار زیادی از اطلاعات می‌کنند. اما پژوهشگران آمریکایی به تازگی موفق به توسعه‌ی الگوریتمی شده‌اند که مدت‌زمان موردنیاز AI برای فراگیری موضوعات جدید را به میزان قابل توجهی کاهش می‌دهد. پژوهشگران به کمک این الگوریتم موفق به ساخت ماشینی با قابلیت ترسیم نمادهای بصری شده‌اند. نمادهای ترسیم شده توسط این ماشین عمدتا از نمونه‌های ترسیم شده توسط انسان قابل تشخیص نیستند.
در این تحقیق آمده است که انسان‌ها با وجود تمام نقص‌های خود در یادگیری موضوعات جدید عملکرد بسیار خوبی دارند. چه در حین یادگیری رفتار یک شخصیت داستانی و چه در حال گذراندن دوره‌ی آموزش نحوه‌ی راه‌اندازی و استفاده از یک ابزار، انسان‌ها برای آنکه قادر به تکرار یک عمل خاص شوند، تنها نیاز به مشاهده‌ی چند نمونه از نحوه‌ی انجام آن دارند.
در مقایسه با انسان برای آنکه فرآیند الگوشناسی اکثر ماشین‌ها (مانند یک کامپیوتر که در حال یادگیری شناسایی چهره‌ها یا شناسایی کاراکترهای تایپ شده روی یک چک)، عملکرد دقیقی داشته باشد، باید این ماشین‌ها به صورت گام به گام با هزاران مثال آشنا شوند.
اما به نظر می‌رسد که این روند در حال تغییر باشد. پژوهشگران اخیرا موفق به توسعه‌ی الگوریتمی خاص بر مبنای چارچوب برنامه نویسی بیز شده‌اند. این الگوریتم از طریق اصلاح کدهای خود قادر به ترسیم نمادهای گرافیکی خاصی است.
این الگوریتم به جای ترسیم مکرر کاراکتر آموخته شده‌ی یکسان قبلی، براساس یک “مدل تولید” از نحوه‌ی ترسیم کاراکتر، در هر بار نماد یاد شده را به صورت متفاوت ترسیم می‌کند. به این ترتیب هوش مصنوعی نیز مانند انسان عمل خواهد کرد. انسان هیچ‌گاه نامه‌ای را دقیقا به یک شکل نمی‌نویسد، چرا که ما به جای نحوه‌ی بازنویسی مکرر یک نامه‌ی اولیه، صرفا شکل کلی نوشتن آن را می‌آموزیم.
پژوهشگران از الگوریتم خود در بازنویسی ۱۶۰۰ نوع از کاراکترهای دست‌نویسی شده از ۵۰ سیستم نگارشی جهان شامل سانسکریت، تیبتان و حتی نمادهای ابداعی بکار رفته در سریال تلویزیونی Futurama استفاده کرده‌اند. پس از آنکه این ماشین کاراکترهای آموخته‌ی خود را به صورت مستقل ترسیم کرد، پژوهشگران آزمایشی را موسوم به “تست بصری تورینگ” اجرا کردند. هدف از این آزمایش پی بردن به این موضوع بود که آیا افراد مختلف قادر به تشخیص نمادهای ترسیم شده توسط این ماشین از نمونه‌های دست‌نویس هستند یا خیر. در نهایت کمتر از ۲۵ درصد از این افراد قادر به تشخیص نمونه‌ی دست‌نویس از نمادهای ترسیم شده توسط ماشین شدند. بنابراین می‌توان گفت که عملکرد این ماشین تا حدود زیادی نزدیک به انسان بوده است.
به نظر شما در تصویر بالا در مورد هر یک از نمادها، کدام یک از جداول توسطماشین ترسیم شده و کدام یک به دست انسان رسم شده است؟ در هر ردیف از چپ به راست به ترتیب جداول B و A در ردیف اول، جداول A و B در ردیف دوم و جداول A و B در ردیف سوم توسط ماشین ترسیم شده‌اند.
جاشوا تنبام، پژوهشگر علوم شناختی دانشگاه MIT می‌گوید:
کودکان قبل از ورود به مقطع کودکستان نحوه‌ی شناسایی مفاهیم جدید را از طریق مشاهده‌ی تنها یک نمونه می‌آموزند. آنها حتی قادر به تجسم نمونه‌هایی هستند که از قبل با آن آشنایی ندارند. ما هنوز تا ساخت ماشینی با هوشمندی یک کودک راه زیادی را در پیش داریم، اما این نخستین باری است که موفق به توسعه‌ی ماشینی شدیم که قادر به یادگیری و بکارگیری حجم زیادی از مفاهیم دنیای واقعی (حتی مفاهیم بصری ساده‌ای مانند کاراکترهای دست‌نویس) است؛ به نحوی که امکان تشخیص نمادهای ترسیم شده توسط آن از نمونه‌های دست‌نویس بسیار دشوار است.
ممکن است ایده‌ی ساخت ماشینی که می‌تواند با دست‌خط خود شما را فریب دهد چندان مفید به نظر نرسد اما در عمل یقینا الگوریتم “یادگیری سریع” آن کاربردهای بسیار مهمی خواهد داشت.
تنبام می‌گوید:
تصور کنید که تلفن هوشمند شما از این قابلیت بهره می‌برد؛ شما از واژه‌ای استفاده می‌کنید و تلفن‌تان معنای آن واژه را از شما می‌پرسد و در دفعات بعدی که شما این واژه را می‌گویید، قادر به تشخیص آن است. بهبود قابلیت یادگیری سریع مفاهیم جدید در ماشین‌ها، آثار شگرفی بر بسیاری از بخش‌های مرتبط با هوش مصنوعی مانند پردازش تصویر، تشخیص صدا، تشخیص چهره، فهم زبان‌های طبیعی و بازیابی اطلاعات خواهد داشت.
