به گزارش «نبض‌فناوری»؛ امروزه همه جا صحبت از پیشرفت های وحشتناک در زمینه هوش مصنوعی است. شاید دنیای پیش رو جنگ بین ماشین ها باشد تا انسان. حال اگر اختیار ماشین از دست بشر خارج شود باید انتظار چه دنیایی را داشته باشیم؟! شاید حکمرانی ماشین ها بر انسان! برای جلوگیری از نوعی انقلاب رباتیک مقابل انسان باید دموکراتیک سازی را برای هوش مصنوعی در نظر گرفت. حال چگونه می توان آن را پیاده کرد؟
در سال میلادی که گذشت، مدل زبانی بزرگ «GPT-3» که قادر به درک متن، پاسخ به سوالات و تولید نمونه های جدید نوشتاری است؛ توجه رسانه های بین المللی را به خود جلب کرد. این مدل که توسط«OpenAI» (سازمان مستقر در کالیفرنیا با هدف ساخت سیستم های هوش مصنوعی) با اهداف عمومی منتشر شده توانایی چشمگیری در تقلید از نوشتن انسان دارد؛ اما اندازه و بزرگیَش نیز به همان اندازه قابل توجه است. محققان برای ساخت آن 175 میلیارد پارامتر (نوعی واحد محاسباتی) و بیش از 45 ترابایت متن را از «Common Crawl» ،«Reddit »، «Wikipedia» و منابع دیگر جمع آوری کردند، سپس آن را در روندی آموزش دادند که صدها واحد پردازش را در هزاران ساعت اشغال کرد.

GPT-3 روند گسترده تری را در هوش مصنوعی نشان می دهد. یادگیری عمیق، که در سال های اخیر به تکنیک غالب برای ایجاد هوش مصنوعی جدید تبدیل شده، از حجم عظیم داده و قدرت محاسباتی برای تأمین مدلهای پیچیده و دقیق استفاده می کند که این منابع برای محققان شرکت های بزرگ و دانشگاه های نخبه بیشتر در دسترس است.

نتایج مطالعه ای از دانشگاه وسترن نشان می دهد که نوعی از دموکراتیک سازی در هوش مصنوعی رخ داده است. با پیشرفت روز افزون این علم تعداد محققان کمک کننده به پیشرفت های علمی در حال کاهش است. این اتفاق باعث محدودیت در افرادی می شود که قادر به تعیین رهنمودهای تحقیقاتی برای این فناوری محوری هستند که همین امر پیامدهای اجتماعی به همراه خواهد داشت. حتی ممکن است در برخی از چالش های اخلاقی پیش روی توسعه هوش مصنوعی، از جمله حمله به حریم خصوصی، بایاس(سوگیری) و تأثیرات زیست محیطی مدل های بزرگ، نقش داشته باشد.

راه مقابله با سلطه بی چون و چرای هوش مصنوعی

یکی از این پیشرفتهای اخیر در این زمینه « LO-shot learning» نام دارد که توسط «ایلیا سوچولوتسکی» و «ماتیاس شونلاو» از دانشگاه واترلو توسعه یافته است.

اصل یادگیری LO-shot این است که باید بتوان هوش مصنوعی را در مورد اشیا جهان آموزش داد(یادگیری N کلاس از M نمونه به طوریکه M<N). این مانعی بزرگ برای سیستم های هوش مصنوعی معاصر بوده که برای یادگیری تشخیص اشیا معمولاً به هزاران مثال نیاز دارند. از طرف دیگر، انسانها معمولاً می توانند از نمونه های موجود چشم بپوشند تا بتوانند موارد جدیدی را که قبلاً دیده نشده، تشخیص دهند. به عنوان مثال، هنگامی که اشکال مختلف به کودک نشان داده می شود، کودک می تواند به راحتی بین نمونه ها تفاوت قائل شود و روابط بین آنچه که نشان داده شده و اشکال جدید را تشخیص دهد.

تیم ابتدا این نوع یادگیری را از طریق فرایندی به نام « soft distillation» معرفی کردند. در قدم اول پایگاه داده تصویری که توسط مؤسسه ملی فناوری و استانداردها نگهداری می شود و شامل 60 هزار مثال نوشته شده با ارقام 0 تا 9 است؛ به 5 تصویر تقسیم شد که ویژگی های اعداد مختلف را با هم مخلوط می کرد. سپس سیستم دانشگاه واترلو با استفاده از همین 5 تصویر، توانست 92 درصد از تصاویر باقیمانده را به طور دقیق در پایگاه داده طبقه بندی کند.

داده های کمتر ولی یادگیری بهتر

این تیم دانشگاهی در آخرین مقاله خود نشان داد که از نظر تئوری، روش های LO-shot به هوش مصنوعی اجازه می دهد تا به طور بالقوه یادگیری تشخیص هزاران اشیا را با توجه به یک مجموعه داده کوچک (حتی شامل دو مثال) بیاموزد. این پیشرفتی عالی در سیستم های یادگیری عمیق قدیمی است، که در آن تقاضا برای داده ها با نیاز به تمیز بیشتر اشیا افزایش می یابد. در حال حاضر، مجموعه های کوچک داده LO-shot باید به دقت مهندسی شوند تا ویژگی های طبقات مختلف اشیا استخراج شود.

چرا یادگیری با داده های کمتر مفید است؟

به چندین دلیل یادگیری هوش مصنوعی با داده های بسیار کمتر مهم است. اول اینکه، با مجبور کردن سیستم برای تعمیم دادن به کلاسهایی که ندیده، فرآیند یادگیری را بهتر انجام می دهد. این روش همچنین با ایجاد انتزاعاتی که روابط بین اشیا را به دست می آورد، احتمال بایاس را کاهش می دهد. در حال حاضر، سیستم های یادگیری عمیق طعمه بایاس ناشی از ویژگی های نامرتبط در داده هایی می شوند که برای آموزش استفاده می کنند.

برای مثال هوش مصنوعی سگها را در هنگام نمایش تصاویر آن ها در یک محیط برفی، به عنوان گرگ طبقه بندی می کند؛ زیرا بیشتر تصاویر گرگها، آنها را در نزدیک برف نشان می دهند. کاهش نیاز به داده باعث می شود که این سیستم ها کمتر در معرض این نوع بایاس ها باشند.

در مرحله بعدی، هرچه داده های گسترده تری برای استفاده فرد مورد نیاز باشد، انگیزه کمتری برای نظارت بر افراد جهت ساخت الگوریتم های بهتر وجود دارد. به عنوان مثال، روش های soft distillation در حال حاضر روی تحقیقات هوش مصنوعی پزشکی تأثیر گذاشته که با استفاده از اطلاعات حساس سلامت مدل های آن را آموزش می دهد. در یکی از تحقیقات اخیر، محققان از این روش در تصاویر اشعه ایکس تشخیصی بر اساس یک مجموعه داده کوچک و با حفظ حریم خصوصی استفاده کردند.

نتیجه

با اتفاقاتی که امروزه در دنیای اطراف ما به وقوع پیوسته از ترورهایی که با استفاده از هوش مصنوعی رخ می دهند تا جاسوسی ها، اهمیت در اختیار داشتن هوش مصنوعی و کنترل آن بیش از پیش نمایان می شود. باید به خاطر داشته باشیم که اگر عنان هوش مصنوعی را از کف بدهیم ممکن است خسارات جبران ناپذیری را متوجه خود سازیم. از طرفی دیگر باید به گونه ای از این علم استفاده کنیم که در جهت خدمت بیشتر به بشر بکارگیری شود. سرانجام، اجازه دادن به هوش مصنوعی برای یادگیری با داده های کمتر، به دموکراتیک سازی حوزه هوش مصنوعی کمک می کند. یادگیری LO-shot نه تنها با کاهش هزینه های آموزش و کاهش نیاز به داده ها، موانع ورود را کاهش می دهد، بلکه انعطاف پذیری بیشتری را جهت ایجاد مجموعه داده ها و آزمایش رویکردهای جدید برای کاربران فراهم می کند. با کاهش زمان صرف شده برای مهندسی داده ها و معماری آن ها، محققانی که به دنبال استفاده از هوش مصنوعی هستند زمان بیشتری را برای حل مشکلات عملی صرف می کنند.