افزایش کارایی هوش مصنوعی توسط دارپا

به گزارش واحد فناوری اطلاعات سایبربان؛ استفاده از اطلاعات به کمک هوش مصنوعی کار ساده‌ای نیست. فناوری‌های امروزی یادگیری ماشینی، به حجم زیادی از داده‌ها، منابع محاسباتی گسترده، آزمون‌وخطا و زمان زیادی نیاز دارند تا یاد گرفته و پیشرفت کنند. حتی پس از آن، یادگیری مفاهیم و تعمیم آن به موضوعات مرتبط و قبلی، پیچیده‌تر و مشکل‌تر خواهد بود. سازمان دارپا به‌تازگی برنامه‌ی جدیدی را با نام «محدودیت بنیادین یادگیری»¹ (Fun LoL) راه‌اندازی کرد تا محدودیت یادگیری ماشینی را بررسی و روش‌هایی برای طراحی سامانه‌های یادگیری کارآمدتر ایجاد کند.
رضا قنادان، (Reza Ghanadan)، مدیر برنامه‌های دارپا گفت: «ما پیشرفت یادگیری ماشینی و هوش مصنوعی که موفق به شکست انسان در شطرنج و بازی گو شده‌اند را دیده‌ایم. اگرچه یک چارچوب نظری بنیادی، برای درک رابطه‌ی بین داده، وظایف، منابع و مقیاس عملکرد عناصر، به ما اجازه می‌دهد آموزش وظایف به ماشین‌ها بهتر انجام شده و آن‌ها بتوانند دانش خود را با موقعیت‌های جدید تعمیم دهند. با استفاده از برنامه‌ی محدودیت بنیادین یادگیری ما می‌توانیم روشی سیستماتیک و اصولی برای بهبود یادگیری ماشینی ایجاد کنیم.»
قنادان توضیح می‌دهد حتی یک تغییر کوچک در فعالیت فناوری موجود یادگیری ماشینی سبب می‌شود، برنامه‌نویس‌ها مجبور به ایجاد روش‌های پردازشی جدیدی شوند.
وی افزود: «به‌عنوان مثال اگر شما تنها اندکی قوانین بازی گو را تغییر دهید. سامانه نمی‌تواند خود را با شرایط جدید سازگار کند. برنامه‌نویس‌ها برای رفع این مشکل مجبور خواهند شد از اول برنامه را ایجاد کرده و ده‌ها میلیون حالات مختلف و قوانین را مجدداً بارگذاری کنند.»
مشکل یاد شده یکی از چالش‌های موجود در وزارت دفاع آمریکا است. معمولاً سامانه‌های تخصصی نمی‌توانند به آموزش بزرگ و آزمون و خطا، وابسته باشند؛ زیرا این امر بسیار هزینه‌بر است. دفاع در برابر تهدیدات پیچیده به ماشین‌هایی با قابلیت یادگیری سریع نیاز دارد؛ بنابراین توانایی سازگار کردن آموخته‌ها با شرایط جدید بسیار اهمیت دارد.
برنامه‌ی محدودیت بنیادین یادگیری به چارچوب‌های ریاضی، معماری‌ها و متدهایی مربوط می‌شود که بتواند پاسخ سؤال‌های مطرح شده را بدهد. این سؤال‌ها شامل:

•    چه تعداد نمونه برای یادگیری و دستیابی به عملکرد دقیق موردنیاز است؟ به عنوان مثال آیا در نظر گرفتن کمتر از 30 میلیون حالت ممکن توسط برنامه‌نویس‌ها برای شکست قهرمان‌بازی گو کافی الست؟ از کجا می‌دانید؟
•    بده‌بستان‌های² (Trade-off) مهم و پیامدهای آن چیست؟ (به عنوان مثال اندازه، دقت عملکرد و سنجش قدرت پردازش)
•    چگونه می‌توان عملکرد یک الگوریتم را چیزی که از آن انتظار می‌رود، مقایسه کرد؟
•    تأثیرات صدا و خطا در داده‌های آموزشی چیست؟
•    با توجه به ساختارهای آماری و مدل تولید داده‌ها، دستاوردهای بالقوه چه خواهد بود؟

قنادان برای توضیح اهداف برنامه‌ی محدودیت بنیادین یادگیری، به یک ساختار ریاضی قدیمی به نام قضیه‌ی شانون³ اشاره کرد که انقلابی را در تئوری ارتباطات به وجود آورد. این تئوری در مورد بده‌بستان‌ پهنای باند، توزیع داده منبع، روش انتقال ارتباطات، تصحیح خطای برنامه‌نویسی و چندین عمل دیگر است که می‌تواند بر کارایی ارتباطات تأثیر بگذارد.
قنادان ادعا می‌کند هدف از برنامه‌ی ایجاد شده توسط دارپا رسیدن به یک موفقیت ریاضی، برای یادگیری ماشینی و هوش مصنوعی، مشابه قضیه‌ی شنون است.
محققان معتقدند پروژه‌ی دارپا می‌تواند یک رویکرد جدید برای برطرف کردن مشکلات ایجاد شود. همچنین فناوری‌هایی که ممکن است به پروژه‌ی دارپا ارتباطات پیدا کنند شامل موضوعات نظریه‌ی اطلاعات، نظریه علوم رایانه، آمار، نظریه کنترل، یادگیری ماشینی، هوش مصنوعی و علوم شناختی هستند.

_________________________________

1- Fundamental Limits of Learning

2- بده‌بستان، از مفاهیم دانش اقتصاد است. زمانی که یک انتخاب مستلزم از دست دادن سود یا امتیازی باشد و فرد در ازای انتخاب خود، این از دست دادن را به‌حساب آورده و بپذیرد، یک بده‌بستان انجام شده‌است.

3- نظریه‌ی اطلاعات مدلی ریاضی از شرایط و عوامل مؤثر در انتقال و پردازش داده‌ها و اطلاعات فراهم می‌آورد. نظریه‌ی اطلاعات با ارائه‌ی روشی جهت «کمی سازی و اندازه‌گیری عددی اطلاعات» به موضوعاتی مانند ارسال، دریافت و ذخیره‌سازی بهینه‌ی داده‌ها و اطلاعات می‌پردازد. تمرکز اصلی این نظریه بر روی محدودیت‌های بنیادین که در ارسال و تحلیل داده‌ها وجود دارد است و کمتر به نحوه‌ی عملکرد دستگاه‌های خاص می‌پردازد.