هوش مصنوعی تشنه ی علم آموزی

به گزارش کارگروه فناوری اطلاعات سایبربان؛ یادگیری ماشینی و هوش مصنوعی از فناوری های پیشرفته ی عصر فعلی به شمار می آیند؛ اما این دستاوردها تنها قابلیت انجام کارهای خاصی را دارند که برای آن طراحی و در مواجه با شرایطی که خارج از موقعیت تعریف شده است، با شکست مواجه می شوند.

سازمان دارپا سال گذشته برنامه ی یادگیری ماشینی پایدار (Lifelong Learning Machines)، را با الگو برداری از سامانه های بیولوژیکی راه اندازی کرد. هدف این برنامه ایجاد رویکرد جدیدی از یادگیری ماشینی است که به صورت مداوم و بدون از دست دادن داده های قبلی، خود را با شرایط تازه وفق داده، پیشرفت می کند.

پروژه ی یادگیری ماشینی پایدار اولین بار در سال 2017 معرفی و اعلام شد برای دستیابی به آن باید در دو حوزه ی فنی مختلف فعالیت صورت گیرد. اولین بخش ایجاد یک سامانه ی کامل به همراه همه ی اجزای آن اسست. دومین زمینه به بررسی مکانیزم های یادگیری بیولوژیکی و تبدیل آن به فرآیندهای محاسبانی مربوط می شود. 

تحقیقات موجود در دو عرصه بالا، متودولوژی های جدیدی را به وجود می آورد که به هوش مصنوعی اجازه می دهد در هنگام انجام وظایف خود، یاد گرفته پیشرفت کند، قابلیت ها و دانش قبلی خود را در مواجه با موقعیت های جدید به کار بگیرد، محدودیت های ذاتی سامانه را کاهش می دهد و ایمنی مسئولیت های محوله را افزایش می دهد.

گروه های تحقیقاتی پروژه بالا روی درک شیوه ی سازگاری سامانه های محاسباتی در موقعیت های جدید، بدون از دست دادن دانش قبلی تمرکز کرده اند. یکی از گروه ها از دانشگاه کالیفرنیا، ارواین هستند و روی معماری دوگانه حافظه های هیپوکامپ و قشر مغز مطالعه می کنند. هدف این اقدام ایجاد سامانه ی یادگیری ماشینی است بتواند با مقایسه ورودی ها به حافظه ی موجود ، نتایج بالقوه را پیش بینی کند. این ویژگی به سیستم اجازه می دهد بدون از دست دادن دانش قبلی، به یاد یادگیری خود ادامه بدهد.

پژوهشگران دانشگاه تافت نیز در حال بررسی ساختار موجوداتی مانند سمند هستند. هدف این اقدام نیز ایجاد روبات هایی انعطاف پذیر است که می توانند ساختار و عملکرد خود را در هنگام پرواز تغییر داده و با محیط سازگار شوند.

مححقان داشگاه وایومینگ با الگو برداری از یادگیری بیولوژیکی در حال توسعه سامانه ای محاسباتی هستند که برای شناسایی حافظه های ماژولار مناسب استفاده می شوند. این اقدام با بازسازی ورودی های حسی جدید به سرعت الگوهای رفتاری جدید را شکل داده ها با شرایط جدید مطابقت پیدا می کند.

هاوا سیگلمن (Hava Siegelmann)، مدیر برنامه یادگیری ماشینی پایدار گفت:

ما در این پروژه به دنبال پیشرفت هوش مصنوعی به عنوان یک فناوری پیشرو نیستیم؛ بلکه می خواهیم نوعی یادگیری ماشینی ایجاد کنیم که به سامانه ها اجازه می دهد بر پایه ی تجربه ی کسب شده به صورت مداوم پیشرفت کنند.

 با وجود این که توسعه ی طرح مورد بحث در مراحل اولیه ی خود قرار دارد؛ اما پژوهشگران دانشکده مهندسی دانشگاه کولمبا به نتایج قابل توجهی دست پیدا کرده اند. این گروه به تازگی موفق شده اند چالش های موجود برای ایجاد و آموزش یک شبکه ی عصبی خود تولید شونده را برطرف ساخته اند.

درحالی که شبکه های عصبی به منظور تولید هرگونه الگویی، قابلیت یادگیری دارند، آموزش دیدنشان برای بازتولید ساختار خود بسیار دشوار است. همان طور که برای این بستر، زمینه فراگیری مهیا است، کم کم  دگرگون می شود و هدفش به طور دائمی تغییر می یابد. پژوهشگران کلمبیا در تلاش هستند سامانه ای ایجاد کنند که با استفاده از دانش و معماری خودش پیشرفت و توسعه پیدا کند.