فناوری ‌های تاثیر گذار بر هوش مصنوعی: از AI توضیح ‌پذیر تا محاسبات کوانتومی

هرچه کاربرد هوش مصنوعی در تصمیم‌گیری‌های زندگی انسان‌ها فراگیرتر می‌شود، نیاز به شفافیت درباره این فناوری بیشتر حس می‌شود. شرکت‌های بزرگ فناوری از جمله آمازون، گوگل، فیسبوک، اپل و مایکروسافت برای حل مشکل حریم خصوصی و مسائل جانبدارانه که پیشرفت فناوری ایجاد کرده، از هوش مصنوعی کمک می‌گیرند. در این مقاله به معرفی هوش مصنوعی توضیح‌ پذیر و یادگیری فدراسیون و یادگیری ماشین خودکار و دیگر مفاهیم مربوط به هوش مصنوعی می‌پردازیم. با مجله‌ی فناوری‌های توان‌افزا و پوشیدنی همراه باشید.

فناوری‌های تاثیرگذار بر هوش مصنوعی: از AI توضیح‌پذیر تا محاسبات کوانتومی

فهرست زیر روند اصلی فناوری‌های تاثیرگذار بر هوش مصنوعی را معرفی می‌کند:

هوش مصنوعی توضیح‌ پذیر (Explainable AI)

هوش مصنوعی قابل توصیف یا Explainable AI، به هوش مصنوعی گفته می شود که تصمیم ها و اقدامات آن به راحتی توسط انسان قابل درک باشد. هوش مصنوعی توضیح‌ پذیر با مفهوم «جعبه سیاه» در یادگیری ماشین در تضاد است که حتی طراحان آنها نمی‌توانند توضیح دهند که چرا هوش مصنوعی به یک تصمیم خاص رسیده ‌است.

AI در تصمیم‌گیری‌های تاثیرگذاری همچون تشخیص بیماری‌ها، پرداخت حقوق بیکاری و تایید وام مسکن نقش داشته است. درنتیجه شفافیت و توضیح پذیر بودن تصمیم‌های AI  اهمیت بسیاری پیدا کرده است. جنجال‌های پیرامون تعصب و تصمیم جانبدارانه این فناوری بسیار مورد توجه قرار گرفته است. شرکت‌هایی که از AI در تصمیم‌های تاثیرگذار بهره می‌برند وادار شده‌اند که دستورالعمل‌های توسعه‌ی هوش مصنوعی خود را به روز کنند تا اعتماد بیشتری کسب کنند.

هوش مصنوعی توضیح ‌پذیر به تنهایی نمی‌تواند از تصمیم جانبدارانه جلوگیری کند. شرکت‌ها با کمک این مفهوم می‌توانند تبعیض بالقوه را شناسایی و مدل‌های خود را اصلاح کنند. XAI به عنوان اولویت اصلی بیشتر شرکت‌های درگیر با هوش مصنوعی مانند گوگل و شرکت دفاعی لاکهید مارتین مطرح شده است.

یادگیری فدراسیون (Federated learning)

برخلاف شیوه‌های سنتی یادگیری ماشین که نیاز دارد اطلاعات و داده‌ها را در یک جا جمع آوری و متمرکز کند، یادگیری فدراسیون می‌تواند از منابع توزیع شده داده برای یادگیری بهره ببرد یعنی به جای آوردن حجم زیادی از داده‌ها از منابع مختلف، چندین دستگاه محاسباتی را باهم به یک سیستم غیرمتمرکز پیوند می‌دهد. این روش در سال ۲۰۱۷ توسط گوگل ارائه شد. این شرکت تصمیم داشت از داده‌های غنی گوشی‌های هوشمند با حفظ حریم خصوصی کاربران بهره ببرد. فرض کنید گوشی هوشمند مدل یادگیری را از شبکه‌ی ابری دانلود می‌کند. سپس این مدل بر اساس داده‌های محلی گوشی آموزش می‌بیند و مدل را به روز می‌کند. به عنوان نمونه، در صنعت پزشکی، یادگیری فدراسیون به سازمان‌های مختلف اجازه می‌دهد برای آموزش یک مدل با یکدیگر همکاری ‌کنند بدون اشتراک گذاری اطلاعات حساس.

تشخیص چهره (Facial recognition)

در ماه ژوئن ۲۰۲۰، شرکت‌های آمازون و مایکروسافت و IBM اعلام کردند ابزارهای تشخیص چهره را چه به نیروهای امنیتی و پلیس و چه به صورت کلی نمی‌فروشند. تا زمانی‌که مقررات تنظیم مشخصی ارائه نشود، این شرکت‌ها تصمیم گرفتند دیگر ابزارهای FR را در اختیار عموم و نیروهای انتظامی قرار ندهند.

یادگیری ماشین خودکار (AutoML)

هدف یادگیری ماشین خودکار، کاهش نیروی انسانی و انرژی موردنیاز برای اعمال الگوریتم‌های یادگیری ماشین به مسائل زندگی واقعی است. AutoML تلاش می‌کند ابعاد تکراری و زمان‌بر توسعه مدل ML را به صورت خودکار انجام دهد. همچنین می‌تواند خطاهای انسانی و بایاس در مدل‌های ML را کاهش دهد. قیمت‌گذاری و مدیریت فروش، کشف تقلب از کاربردهای رایج AutoML است.

اجرای الگوریتم‌های یادگیری ماشین با داده کمتر

در سال ۲۰۱۹، Jeff Dean مسئول بخش هوش مصنوعی شرکت گوگل در مصاحبه‌ای توضیح داد ما تصمیم داریم سامانه‌هایی بسازیم که با داده کمتر و حجم محاسبات کمتر، توانایی اجرای اقدامات موردنظر ما را داشته باشد. استارتاپ تشخیص احساسات Affecta بیان می‌کند که با روش‌های سنتز داده می‌توان از داده‌های جمع‌آوری شده، داده‌های جدیدی را ساخت.

ترکیب هوش مصنوعی و اینترنت اشیا (AIoT)

ترکیب داده‌های جمع‌آوری شده از حسگرها و محرک‌ها با هوش مصنوعی، به هوش بلادرنگ و افزایش حریم خصوصی کمک می‌کند. اپل با Xnor.ai، ابزارهای تشخیص تصویر مبتنی بر هوش مصنوعی را ارائه کرد که بر دستگاه‌های کم توان پیاده‌سازی می‌شود.

محاسبات کوانتومی

کاربردهای AI با رایانه‌های کوانتومی به سرعت بالایی دست خواهند یافت. وظایف محاسباتی که جزیی از الگوریتم‌های یادگیری ماشین هستند با کمک رایانه‌های کوانتومی با سرعت بیشتری انجام می‌شود. IBM در سال ۲۰۱۶، خدمات شبکه ابری محاسبات کوانتومی خود را به کاربران ارائه کرد. مایکروسافت Azure Quantum و آمازون Quantum Solutions Lab به کاربران اجازه دادند الگوریتم‌های تجربی خود را بر رایانه‌های کوانتومی آزمایش کنند.


بیشتر بخوانیم:

>>هوش مصنوعی و تشخیص منظر صوتی محیط در گوشی های هوشمند
>>Physical AI : تلاش برای دستیابی به ربات های هوشمند با همکاری میان رشته ای
>>Data Mining یا داده کاوی، علم مطالعه حجم عظیم اطلاعات


منبع: army-technology

«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوری‌های توان‌افزا و پوشیدنی) مجاز است»

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *