شناخت تصاویر، تشخیص بعضی از بیماری‌ها و پیروزی در بازی‌ها از جمله عرصه‌هایی هستند که در آن کارایی شبکه‌های سلسله اعصاب مصنوعی بر مغز انسان می‌چربد. آلگوریتم‌ها، نرم‌افزارهای هوشمند و روبات‌ها بیش از پیش قادر به انجام کارهایی هستند که تا چندی پیش فقط انسان‌ها توانایی انجام آن‌ها را داشتند.
تاریخ انتشار: ۱۱:۱۴ - ۰۳ آذر ۱۳۹۷ - 2018 November 24

 

این امر کاملا بدیهی شده که ماشین‌آلات صنعتی بهتر از انسان قادر به بلند کردن بارهای سنگین و مته‌کاری دقیق باشند. دیگر تعجب کسی برانگیخته نمی‌شود که روبات‌هایی وجود دارند که سریع‌تر از «اوسین بولت» (دونده جامائیکایی و سریع‌ترین انسان جهان) می‌دوند.

پدیده جدید اما غلبه بیش از پیش ماشین‌ها در عرصه‌هایی است که تاکنون در انحصار هوش انسانی بودند. این همه به واسطه شبکه‌های توانمند مشابه سلسله اعصاب مغز امکان‌پذیر شده که به «یادگیری ژرف ماشینی» معروفند.

1- تشخیص علائم رانندگی
شبکه‌های یادگیری ژرف در ثبت محتویات تصاویر از تبحری بالا برخوردار هستند. پنج سال پیش نرم‌افزار انستیتوی پژوهشی هوش مصنوعی در لوگانوی سوئیس، برنده جایزه تشخیص علائم رانندگی در آلمان شد. سلسله اعصاب مصنوعی از پنجاه هزار عکس حاوی علائم رانندگی، ۹۹،۴۶ درصد را به درستی تشخیص داد، این امر حتی شامل علائم در عکس‌های وارونه، نیمه‌پوشیده، تاریک و ضد نور هم می‌شد. میزان خطای ۰،۵۴ درصدی کامپیوتر حدود نصف خطای ۱،۱۶ درصدی انسان‌ها بود.

چنین پیشرفت‌هایی نقشی تعیین‌کننده در موفقیت طرح وسایل نقلیه بدون راننده دارند. خودروهای آینده باید علاوه بر تشخیص علائم رانندگی، درخت‌ها، عابران یا دوچرخه‌سوارها را از هم تشخیص بدهند. خودروسازان در حال آموزش تجزیه و تحلیل صحنه خیابان به خودروها هستند که مثلا بر اساس موقعیت و حالت سر و بدن یک عابر پیاده در حاشیه خیابان پیش‌بینی کنند که آیا او قصد عبور از خیابان را دارد یا نه.

2- خواندن پلاک خانه‌ها
پژوهش‌گران گوگل نوعی «شبکه آموزش ژرف» را به کار برده‌اند تا در تصاویر (Street View) مرتبط به نقشه‌های این شرکت، پلاک خانه‌ها را حتی در صورت وارونه، برعکس، خط‌خطی و یا بدخط بودن شناسایی کند. نفع این کار برای گوگل، تعیین دقیق محل جغرافیایی خانه‌هاست. تیمی متشکل از آدم‌ها، برای انجام این کار به سال‌ها وقت نیاز دارد اما کامپیوتر در مدتی کمتر از یک ساعت قادر به انجام این کار است.

از چنین آلگوریتم‌هایی می‌توان برای جستجوی خودکار افراد مظنون در ایستگاه‌های قطار یا فرودگاه‌ها و یا به قصد خرید کالا استفاده کرد. به عنوان مثال اگر توجه شما به کیف دستی شیک خانمی در اطراف‌تان جلب شده، عکسی از آن کافی‌ست تا جستجو‌گر اینترنتی، لینک‌های مرتبط برای خرید را برای شما ارسال کند.

3- خواندن حالت‌های چهره
نرم‌افزار «Affdex» شرکت آمریکایی «Affectiva» سال‌ها در ۷۵ کشور جهان، افراد مختلف را حین تماشای ویدئو نظاره کرد تا بتواند حالت‌های روحی مختلف را درست تشخیص بدهد. احساسات بنیادی مانند شادی، غافلگیر شدن، انزجار یا اندوه همیشه به شکلی یکسان و مستقل از خاستگاه، جنیسیت یا سن افراد، در صورت بازتاب می‌یابند، اکنون سیستم آموزش ژرف در تشخیص احساسات، سریع‌تر از غالب انسان‌هاست. و فراتر از این: این سیستم قادر به تشخیص خنده واقعی از مصنوعی‌ست.

برای پژوهشگران بازار و موسسات تبلیغاتی، چنین نرم‌افزارهایی اهمیتی هم‌تراز روبات‌های خدماتی دارند که قرار است در آینده حرکات و حالات چهره یا آهنگ صدا را تشخیص دهند و متناسب با آن عکس‌العمل نشان دهند.

4- برنده‌شدن در بازی‌ها
مدت‌هاست که کامپیوترها بسیاری از بازی‌ها را بهتر از انسان‌ها انجام می‌دهند. مثلا در مارس ۲۰۱۶، بهترین بازیکن «گو» (بازی تخته‌ای) به نرم‌افزار «AlphaGo» چهار به یک باخت و دلیل موفقیت نرم‌افزار، ترکیبی از شبکه آموزش ژرف، محاسبات تحلیلی و تصادفی بود. چند ماه پیش از این، برنامه‌نویسان «آلفاگو» نرم‌افزاری ارائه کردند که مستقلا بازی‌های کلاسیک «آتاری» را بدون اطلاع از قواعد آن‌ها یاد گرفت، نرم‌افزار یادشده به واسطه تکرار فراوان بازی و تغییر استراتژی، به بالاترین میزان امتیاز دست یافت. بازی چکرز یا دام (بازی تخته‌ای) از سال ۱۹۵۶ و بازی شطرنج نیز از ۱۹۹۷در سیطره کامپیوترهاست.

در این میان پژوهش‌گران تلاش می‌کنند به کامپیوترها بازی پوکر بیاموزند که کار بسیار سختی‌ست، زیرا پوکر جزء «بازی‌های اطلاعات ناکافی‌» است (در مقابل بازی اطلاعات کامل، اشاره به نظریه بازی‌ها که بر اساس آن در شطرنج و بازی‌ تخته‌ای حرکت‌های ممکن و اتفاقی قابل پیش‌بینی هستند). هنوز کامپیوترها قادر نیستند در بازی دونفره پوکر برنده شوند؛ چه برسد به پوکر با بیشتر از دو شرکت کننده.

5- تشخیص بیماری‌ها، یافتن مواد موثر
پژوهش‌گران در آمریکا با استفاده از «یادگیری ژرف» تلاش می‌کنند با توجه به تصاویر بافت‌ها، بخت زندگی بیماران سرطانی را پیش‌بینی کنند. آلگوریتم‌ها یاد گرفتند که علائم مظنونی را بیابند تا به کمک آن‌ها سلول‌های سرطانی را از سلول‌های سالم تشخیص دهند. امری که حین تحقیق موجب حیرت دانشمندان شد این بود که در مقایسه با موارد شناخته‌شده در مستندات پزشکی، کامپیوتر نشانه‌های بیشتری را کشف کرد.

موضوع دیگری که به همین اندازه موجب شگفتی شد، مربوط به رقابت بر سر یافتن مولکول‌های مناسب برای دارویی جدید بود. جفری هینتن، از پیشگامان هوش مصنوعی و یادگیری ژرف توانست به کمک یک نرم‌افزار، طی دو هفته مولکول‌های مناسب را در بین هزاران مولکول بیابد. اکنون پزشکان و تولیدکنندگان دارو امیدوارند به کمک «شبکه یادگیری ژرف» یا دیگر روش‌های هوش مصنوعی مانند کامپیوتر «واتسون» شرکت آی‌بی‌ام، با تشخیص دقیق، روش‌های درمانی بهتری ابداع و داروهای موثرتری تولید کنند.

6- تعمیر و نگهداری ماشین‌آلات و دستگاه‌ها
توربین‌های بادی بزرگ، تعداد زیادی سنسور (حس‌گر) دارند که روزانه صدها گیگابایت اطلاعات (داده) تولید می‌کنند، شبکه‌های سلسله اعصاب مصنوعی یاد می‌گیرند که این سیل داده‌ها را بسیار بهتر و فراتر از توانایی انسان تجزیه و تحلیل کنند. آن‌ها ارتعاشات غیرعادی را تشخیص می‌دهند و قادرند چرخش غیر دوار را شناسایی و ارسال یک گروه تعمیراتی را یک روز یا یک هفته پیش از آن که آسیبی رخ دهد و منجر به از کار افتادن توربین شود سازمان‌دهی کنند.

با چنین مراقبت فنی، برنامه‌های حرکت قطار سریع‌السیر ولارو در اسپانیا از نظر زمانی به حد بالایی از دقت دست یافته و فقط یکی از ۲۳۰۰ برنامه حرکت قطار دستخوش تاخیر جدی می‌شود. نتیجه کار رضایت مسافران و شرکت «رنفه» است که با تاخیری بیش از ۱۵ دقیقه بهای بلیت قطار را بازمی‌گرداند.

«نرومورفیک» عامل جهش کارایی رایانه‌ها
شبکه‌های یادگیری ژرف تا کنون در کامپیوترهای معمول شبیه‌سازی شده‌اند. یک گروه پژوهشی در دانشگاه هایدلبرگ آلمان در حال توسعه روشی جدید است: تراشه با ساختارهای نرومورفیک که در آن شبکه سلسله اعصاب را مستقیما در مدارهای الکترونیکی شبیه‌سازی می‌کنند. مزیت این روش سرعت چندمیلیون برابری در مقایسه با سوپرکامپیوترهای امروزی و سرعت یادگیری چند ده‌هزار برابری در مقایسه با مغز انسان خواهد بود. این روش می‌تواند به انفجار هوشمندی ماشین‌های آینده منجر شود.

با همه این احوال، شبکه‌های عصبی مصنوعی همه‌فن‌ حریف نیستند. قابلیت آن‌ها تشخیص الگوهای مختلف در تصویر، فیلم، متن یا صداست، اما از دانستنی‌های روزمره آگاه نیستند. انسان‌ها باید ابتدا به ماشین‌ها آموزش دهند که الگوی تشخیص داده شده در یک عکس، درخت یا گربه یا مربوط به یک قطعه موسیقی موتسارت یا شعری از گوته است. مثلا هیچ راننده‌ای به خاطر کاغذی در خیابان که باد آن را این سو و ان سو می‌برد، ترمز نمی‌کند اما یک خودروی بدون راننده به بی‌خطر بودن چنین وضعیتی واقف نیست.

برای ساختن ماشین‌های هوشمندی که از دانستنی‌های روزمره برخوردار باشند، روش یادگیری ژرف کافی نیست. آن‌ها باید از روش‌های دیگری استفاده کنند که ترکیب یادگیری و پردازش دانستنی‌هاست: چالشی بزرگ برای پژوهش‌گران. علیرغم همه خبرها که کامپیوتر می‌تواند به شیوه رامبراند، کاندینسکی یا ون‌گوگ نقاشی کند، باید تاکید کرد که ماشین‌ها هنوز فاصله زیادی تا خلاقیت دارند.

نظر شما
نام:
ایمیل:
* نظر:
* :