چگونه هوش مصنوعی را دموکراتیک تر کنیم؟ - مجله فروشگاهی

تبدیل گر از پیش آموزش دیده مولد (Generative Pre-trained Transformer) یا به طور خلاصه جی پی تی-3 (GPT-3) یک مدل زبانی بزرگ که قادر به درک متن، پاسخ به پرسش ها و ایجاد نمونه های نوشتاری تازه است، توجه رسانه های بین المللی را به خود جلب نموده است.

این مدل گسترده و بزرگ که به وسیله اوپن ای آی (OpenAI) یک سازمان غیرانتفاعی مستقر در کالیفرنیا و سازنده سیستم های هوش مصنوعی همه منظوره، عرضه شده است، توانایی چشمگیری در تقلید از نوشته های انسان ها را دارد و حتی سال گذشته بدون یاری انسان مقاله ای درباره صلح ربات ها با انسان ها نوشت. اما چیزی که قابل توجه است دقیقا همین اندازه بزرگ آن است.

برای ساخت چنین مدل هوشمندی و نوآوری، پژوهشگران 175 میلیارد پارامتر (نوعی واحد محاسباتی) و بیش از 45 ترابایت متن را از ویکی پدیا (Wikipedia)، ردیت (Reddit)، کامان کراول (Common Crawl) و منابع دیگر جمع آوری کردند و سپس آن ها را در فرآیندی که صدها واحد پردازشی را برای هزاران ساعت اشغال کرد، آموزش دادند.

اما GPT-3 تنها خودش قابل آنالیز نیست، بلکه یک تمایل گسترده تر در حوزه هوش مصنوعی را نشان می دهد. یادگیری عمیق (Deep Learning) که در سال های اخیر به تکنیک غالب برای ایجاد هوش مصنوعی تبدیل شده است، از حجم بزرگی از داده ها و قدرت محاسباتی برای تأمین مدل های پیچیده و دقیق استفاده می نماید. اما این منابع بیشتر برای پژوهشگران در شرکت های بزرگ و دانشگاه های برتر قابل دسترسی است.

در نتیجه مطالعه ای از دانشگاه وسترن نشان می دهد که دموکراسی زدایی (De-Democratization) در هوش مصنوعی اتفاق افتاده است؛ تعداد پژوهشگرانی که می توانند به پیشرفت های لبه فناوری یاری نمایند در حال کاهش است. این امر مجموعه افرادی که قادر به تعریف زمینه های تحقیقاتی برای این فناوری محوری هستند را محدود می نماید و پیامدهای اجتماعی هم در پی خواهد داشت. حتی ممکن است باعث تشدید بعضی از چالش های اخلاقی پیش روی توسعه هوش مصنوعی، ازجمله تجاوز به حریم خصوصی، جانبداری و اثرات زیست محیطی در مدل های بزرگ گردد.

برای مبارزه با این مسائل، پژوهشگران در تلاشند تا دریابند که چگونه می توانند کارهای بیشتری را با ابزارهای دردسترس کمتر انجام دهند. در این زمینه یکی از پیشرفت های اخیر، یادگیری کمتر از یک مرحله ای (Less-than-One) یا لو-شات (LO-Shot) نام دارد که به وسیله ایلیا سوچولوتسکی (Ilia Sucholutsky) و ماتیاس شونلانو (Matthias Schonlau) از دانشگاه واترلو پیشرفته است.

اصل پشت یادگیری لو-شات این است که یک هوش مصنوعی باید درباره اشیا موجود در دنیا بیاموزد، بدون اینکه نمونه ای از هر یک به او داده گردد. تا به امروز این یک مانع بزرگ برای سیستم های هوش مصنوعی معاصر بوده است که اغلب به هزاران مثال برای یادگیری تشخیص اشیا احتیاج دارند.

این در حالی است که انسان ها اغلب می توانند از نمونه های موجود، تجسمی ذهنی و تصویری انتزاعی داشته باشند تا چیزهای تازهی را که قبلا دیده نشده اند، تشخیص دهند. برای نمونه هنگامی که اشکال مختلف نشان داده می گردد، کودک می تواند به آسانی میان مثال ها تمایز قائل گردد و روابط میان آنچه نشان داده شده و شکل های تازه را تشخیص دهد.

برای پیش بردن این نوع یادگیری، تیم دانشگاه واترلو ابتدا آن را به وسیله فرآیندی به نام تقطیر نرم (Soft Distillation) معرفی کرد. یک پایگاه داده تصویری با نام MNIST که به وسیله مؤسسه ملی فناوری و استانداردها در آمریکا نگهداری می گردد و شامل 6000 نمونه از ارقام نوشته شده از 0 تا 9 است، به پنج تصویر که ویژگی های اعداد را با هم ترکیب می کردند، کاهش یافت. پس از نمایش تنها همان پنج نمونه، سیستم دانشگاه واترلو توانست 92 درصد از تصاویر به جای مانده در پایگاه داده را با دقت طبقه بندی کند.

این تیم در یکی از تازه ترین مقالات خود این اصل را توسعه داد تا نشان دهد که از نظر تئوری، تکنیک های لو-شات (LO-Shot) به هوش مصنوعی اجازه می دهد تا به طور بالقوه بیاموزد که هزاران شیء تازه را با مجموعه داده های کوچک، برای نمونه حتی دو مثال تشخیص دهد. این یک پیشرفت بزرگ در سیستم های یادگیری عمیق کلاسیک سنتی است که در آن تقاضا برای داده ها با احتیاج به تمایز اشیا بیشتر به طور تصاعدی افزایش می یابد.

هم اکنون مجموعه داده های اندک لو-شات باید به دقت مهندسی گردد تا ویژگی های کلاس های گوناگون اشیا را دربر بگیرد، اما سوچولوتسکی با نگاه به روابط میان اشیایی که قبلا در مجموعه داده های کوچک موجود ثبت شده اند، در پی توسعه بیشتر این کار است.

اجازه دادن به هوش مصنوعی برای یادگیری با داده های کمتر به چند علت مهم است. نخست اینکه با وادار کردن سیستم به تعمیم آگاهی خود به طبقه بندی هایی که ندیده است، فرآیند واقعی یادگیری را بهتر شامل می گردد. بعلاوه این تکنیک با ایجاد تجسم های ذهنی و انتزاعی که روابط بین اشیا را به تصویر می کشد، پتانسیل جانبداری را هم کاهش می دهد.

هم اکنون سیستم های یادگیری عمیق قربانی جانبداری ناشی از ویژگی های نامربوط در داده هایی می شوند که برای آموزش استفاده می نمایند. یک نمونه شناخته شده از این مشکل این است که هوش مصنوعی، سگ ها را هنگامی که تصاویری از آن ها در یک محیط برفی نشان داده گردد، به عنوان گرگ طبقه بندی می نماید، زیرا بیشتر تصاویر گرگ ها، آن ها را در میان برف نشان می دهد. توانایی صفر کردن جنبه های مرتبط تصویر به جلوگیری از این اشتباهات یاری می نماید. بنابراین کاهش احتیاج به داده های متنوع، این سیستم ها را کمتر در معرض چنین سوگیری هایی قرار می دهد.

در گام بعدی، هر چه داده های لازم برای استفاده کمتر باشد، انگیزه کمتری برای نظارت بر افراد برای ساخت الگوریتم های بهتر وجود دارد. برای نمونه تکنیک های تقطیر نرم، هم اکنون بر تحقیقات هوش مصنوعی پزشکی که مدل های خود را با استفاده از اطلاعات حساس سلامت آموزش می دهند، تأثیر گذاشته است. در یک مقاله اخیر، پژوهشگران از تقطیر نرم در تصاویر تشخیصی پرتو ایکس بر اساس یک مجموعه داده کوچک و اصل حفظ حریم خصوصی استفاده کردند.

در نهایت اجازه دادن به هوش مصنوعی برای یادگیری با استفاده از داده های کمتر به دموکراتیک کردن این حوزه یاری می نماید. با هوش مصنوعی کوچک تر، دانشگاه ها می توانند در ارتباط با این حوزه باقی بمانند و از خطر استفاده بسیار از بعضی اساتید برتر، به وسیله صنعت جلوگیری گردد.

نه تنها یادگیری لو-شات موانع ورود را با کاهش هزینه های آموزشی و کاهش احتیاجهای داده ای، کم می نماید، بلکه انعطاف پذیری بیشتری را برای کاربران در ایجاد مجموعه های تازه و آزمایش هایی با روینمودهای تازه فراهم می نماید.

بعلاوه با کاهش زمان صرف شده برای مهندسی داده ها و معماری، پژوهشگرانی که در پی استفاده از هوش مصنوعی هستند، می توانند زمان بیشتری را صرف تمرکز بر مسائل عملی نمایند که قصد حل آن ها را دارند.

عکس کاور: طرحی گرافیکی درباره هوش مصنوعی

Credit: Getty Images

منبع: Scientific America