اخبار ارز دیجیتال

۵ گرایش جدید در یادگیری عمیق و هوش مصنوعی


به گزارش پایگاه خبری ارز دیجیتال موبو ارز،

پنج گرایش در حال ظهور در یادگیری عمیق و هوش مصنوعی را بررسی کنید: یادگیری فدرال، GANs، XAI، یادگیری تقویتی و یادگیری انتقالی.

یادگیری عمیق و هوش مصنوعی (AI) به سرعت در حال پیشرفت هستند و فناوری‌های جدید همیشه در حال ظهور هستند. پنج روند نوظهور امیدوارکننده در این فضا عبارتند از یادگیری فدرال، GANs، XAI، یادگیری تقویتی و یادگیری انتقالی.

این تکنیک‌ها پتانسیل ایجاد انقلابی در کاربردهای مختلف یادگیری ماشین، از تشخیص تصویر گرفته تا بازی، دارند و فرصت‌های جدید هیجان‌انگیزی را هم برای محققان و هم برای توسعه‌دهندگان ارائه می‌دهند.

یادگیری فدرال

یادگیری فدرال یک رویکرد یادگیری ماشینی است که به چندین دستگاه اجازه می دهد تا بدون به اشتراک گذاشتن داده ها با یک سرور مرکزی روی یک مدل واحد کار کنند. این رویکرد به ویژه در شرایطی که حفظ حریم خصوصی داده ها یک نگرانی است مفید است.

برای مثال، گوگل از یادگیری فدرال برای بهبود دقت صفحه‌کلید متن پیش‌بینی‌کننده‌اش بدون به خطر انداختن حریم خصوصی کاربر استفاده کرد. مدل‌های یادگیری ماشینی معمولاً با استفاده از منابع داده متمرکز توسعه داده می‌شوند و نیاز به اشتراک‌گذاری داده‌های کاربر با یک سرور مرکزی دارند. در حالی که کاربران ممکن است در مورد جمع آوری و ذخیره داده هایشان در یک سرور احساس ناراحتی کنند، این استراتژی می تواند نگرانی هایی را در مورد حفظ حریم خصوصی ایجاد کند.

یادگیری فدرال این مشکل را با آموزش مدل هایی با داده هایی که روی دستگاه کاربر باقی می ماند، حل می کند و در نتیجه از ارسال داده ها به سرور مرکزی جلوگیری می کند. همچنین از آنجایی که داده های آموزشی روی دستگاه کاربر باقی می ماند، نیازی به ارسال حجم عظیمی از داده ها به سرور مرکزی نبود و این امر باعث کاهش نیازهای محاسباتی و ذخیره سازی سیستم می شد.

مرتبط: مایکروسافت در حال توسعه تراشه هوش مصنوعی خود برای تقویت ChatGPT: گزارش است

شبکه متخاصم مولد (GAN)

شبکه خصمانه تولید شده نوعی شبکه عصبی است که می تواند برای تولید داده های واقعی جدید بر اساس داده های موجود استفاده شود. به عنوان مثال، GAN ها برای تولید تصاویر واقعی از افراد، حیوانات و حتی مناظر استفاده شده اند. GAN ها با قرار دادن دو شبکه عصبی در مقابل یکدیگر کار می کنند. یک شبکه داده های جعلی تولید می کند و شبکه دیگر سعی می کند واقعی یا جعلی بودن داده ها را تشخیص دهد.

هوش مصنوعی قابل توضیح (XAI)

رویکردی به هوش مصنوعی که به هوش مصنوعی قابل توضیح معروف است، با هدف افزایش شفافیت و درک مدل‌های یادگیری ماشینی است. XAI بسیار مهم است زیرا می تواند اطمینان حاصل کند که سیستم های هوش مصنوعی تصمیمات منصفانه و عادلانه می گیرند. در زیر نمونه ای از استفاده از XAI آورده شده است.

سناریویی را در نظر بگیرید که در آن یک موسسه مالی از الگوریتم یادگیری ماشینی برای پیش‌بینی احتمال عدم پرداخت وام توسط متقاضی وام استفاده می‌کند. با الگوریتم‌های جعبه سیاه سنتی، بانک‌ها ممکن است از فرآیند تصمیم‌گیری الگوریتم آگاهی نداشته باشند و نتوانند آن را برای متقاضیان وام توضیح دهند.

اما با استفاده از XAI، الگوریتم‌ها می‌توانند انتخاب‌های خود را توضیح دهند و به بانک‌ها این امکان را می‌دهند تا اطمینان حاصل کنند که بر اساس ملاحظات منطقی و نه اطلاعات نادرست یا تبعیض آمیز هستند. به عنوان مثال، یک الگوریتم ممکن است برای محاسبه امتیاز ریسک بر اساس امتیاز اعتباری، درآمد و سابقه کاری متقاضی مشخص کند. این سطح از شفافیت و توضیح‌پذیری می‌تواند منجر به اعتماد بیشتر به سیستم‌های هوش مصنوعی، بهبود پاسخگویی و در نهایت تصمیم‌گیری بهتر شود.

یادگیری تقویتی

نوعی از یادگیری ماشینی به نام یادگیری تقویتی شامل آموزش عوامل برای یادگیری از طریق انتقاد و تشویق است. بسیاری از اپلیکیشن ها از این استراتژی استفاده می کنند، مانند رباتیک، بازی و حتی بانک. به عنوان مثال، DeepMind’s AlphaGo از این رویکرد برای بهبود مستمر گیم پلی و در نهایت شکست دادن برترین بازیکنان انسانی Go استفاده کرد و اثربخشی یادگیری تقویتی را در وظایف تصمیم گیری پیچیده نشان داد.

مرتبط: ۷ ربات انسان نما پیشرفته در جهان

انتقال یادگیری

یک استراتژی یادگیری ماشینی به نام یادگیری انتقالی شامل استفاده از مدل های آموزش دیده قبلی برای رسیدگی به مشکلات کاملاً جدید است. این روش به ویژه زمانی مفید است که داده های کمی برای یک مشکل جدید در دسترس باشد.

برای مثال، محققان از یادگیری انتقالی برای تطبیق مدل‌های تشخیص تصویر که برای یک نوع عکس (مانند چهره‌ها) ایجاد شده‌اند، با نوع دیگری از تصویر، مانند حیوانات، استفاده کرده‌اند.

این رویکرد امکان استفاده مجدد از ویژگی های آموخته شده، وزن ها و سوگیری های مدل های از پیش آموزش دیده را در کارهای جدید فراهم می کند. این به طور قابل توجهی عملکرد مدل را بهبود می بخشد و مقدار داده های مورد نیاز برای آموزش را کاهش می دهد.



نویسنده: Alice Ivey

به این مطلب چه امتیازی می‌دهید؟

میانگین امتیارها ۰ / ۵. مجموع آرا: ۰

دیدگاهتان را بنویسید

دکمه بازگشت به بالا