القائمة الرئيسية

الصفحات

احدث الاخبار

جوجل تقوم بتدريب انظمة الذكاء الاصطناعى على القيام بحل المشكلات بطريقة الانسان




لقد قام بعض الباحثون في شركة " ديب مايند " DeepMind وهى الشركة التابعة لشركة جوجل بتدريب أنظمة التعلم الآلي على اجتياز اختبارات الذكاء IQ " " والتي صممت من اجل قياس عدد من مهارات التفكير، من أجل إثبات قدرتها على التفكير في المفاهيم المجردة لكى تصبح بذلك أنظمة الذكاء الاصطناعي قادرة على التفكير المجرد على غرار البشر وبناء عليه يمكن التفكير ووضع حلول للمشكلات المختلفه . وتستمر النماذج القائمة على الشبكات العصبية في تحقيقها لنتائج مذهلة في حل مشاكل التعلم الآلي ، أما بالنسبه لإثبات قدرتها على التفكير في المفاهيم المجردة فقد تم اثبات أنه صعب على مدار الأيام ، ولكن اليوم قد تجاوز الذكاء الاصطناعي هذه المشكلة من خلال التدريب على اختبارات الذكاء iQ .


وقد نشر الباحثون ورقة بحثية تحمل عنوان " قياس الاستدلال المجرد في الشبكات العصبية " وهى توضح بالتفصيل محاولتهم لقياس قدرات التفكير التجريدي المختلفة لأنظمة الذكاء الاصطناعي اعتمادًا على اختبارات الذكاء" IQ " والمستخدمة من اجل قياس قدرات التفكير التجريدي عند البشر ، والتي كشفت بعض الرؤى الهامة  .وتتضمن الألغاز الموجودة في الاختبار سلسلة من الأشكال العشوائية ، والتي يحتاج المشاركون إلى دراستها من اجل تحديد القواعد التي تكمل هذا النمط ، وبمجرد أن يتم وضع قواعد اللغز فيجب أن يكونوا قادرين على اختيار الشكل التالي بدقة عاليه في التسلسل  .ويأمل باحثين " ديب مايند " في أن تطوير الذكاء الاصطناعي القادر على التفكير خارج الصندوق يمكن أن يؤدي إلى أن تصبح الآلات قادرة على خلق حلول جديدة للمشاكل التي لم يسبق أن فكر فيها البشر .

وقد استخدم باحثين " ديب مايند " الألغاز المعروفة باسم اختبار مصفوفات ريفن المتتابعة Raven Progressive " Matrices " وطُورت هذه الاختبارات أساسًا بواسطة " جون سي ريفن John C. Raven " في العام 1936 بحيث يطلب من المشاركين في الاختبار أن يتعرفوا على العنصر المفقود والذي يكمل النمط ، وتظهر الكثير من الأنماط في أشكال مصفوفات ، وقد قامت المصفوفات  بقياس قدرة المشاركين على فهم المعنى من البيانات المعقدة أو المربكة.

وقد تمكن الباحثون من تطوير نظام برمجي مصمم خصيصا لهذه المهمة وقادرا على توليد مصفوفات فريدة من اجل تطبيق هذا الاختبار على أنظمة الذكاء الاصطناعي ، ثم دربوا أنظمة الذكاء الاصطناعي على حل هذا الاختبار، وكانت النتيجة أن أنظمة الذكاء الاصطناعي حققت نسبة دقة تصل إلى 63 % في المائة في حل ألغاز اختبار معدل الذكاء IQ-style puzzles . كما أنهم كانوا يختبرون ايضا قدرة الأنظمة على إدراك أنماط وعلاقات جديدة وتشكيل بنيات غير لفظية إلى حد كبير تجعل من السهل التعامل مع التعقيد .


وقال ديفيد باريت من ديب مايند : " الاستدلال المجرد مهم في مجالات مثل الاكتشافات العلمية بحيث نحتاج إلى فرض فرضيات جديدة ثم نستخدم هذه الفرضيات لحل المشكلات ، ومن المهم جدا ملاحظة أن الهدف من هذا العمل ليس تطوير شبكة عصبية يمكنها اجتياز اختبارات الذكاء فقط " . ويمكن للبشر الذين يجلسون في الاختبارات أن يقوموا باعطاء أنفسهم دفعة من خلال الإعداد المكثف للاختبارمسبقًا، ويتعلمون نوع القواعد المستخدمة في التحكم في الأنماط المستخدمة في المصفوفات ، وهذا يعني بدلاً من استخدام فكرة مجردة أنهم يستخدمون المعرفة التي تعلموها بدلاً من ذلك . وبينما أنظمة الذكاء الاصطناعي التي تستخدم الشبكات العصبية المُغذية بكميات هائلة من البيانات من اجل التعلم ، يمكن بسهولة أن تتعلم فقط لالتقاط هذه الأنماط دون الحاجة إلى استخدام التفكير المجرد.

ولذلك اختبر الباحثون مجموعة من الشبكات العصبية القياسية على خاصية واحدة داخل مصفوفة ولكن ليس كل الخصائص الممكنة ، ووجدوا أنهم يؤدون أداءً سيئًا للغاية بحيث وصلت نسبة الدقة إلى 22 % بالمائة فقط، ومع ذلك فإن الشبكة العصبية المصممة خصيصًا والتي يمكن أن تستنتج العلاقات بين أجزاء مختلفة من اللغز سجلت أعلى دقة بنسبة 63 % في المائة .

وبسبب تصميم الاختبارات ، لم يكن من الممكن مقارنة هذه الدرجات مباشرة مع الناس لأن أنظمة الذكاء الاصطناعي لديها تدريب مسبق على كيفية الحل ، ولكن وجد الباحثون أن المشاركين الذين لديهم الكثير من الخبرة في الاختبارات والذين يمكن مقارنتهم مع الآلات المدربة ، يمكن لهم أن يسجلوا نسبة دقة أكثر من  % 80 في المائة ، بينما غالبًا ما يفشل القادمون الجدد للاختبارات في الإجابة على جميع الأسئلة  .ويشير هذا الاختبار إلى أن أنظمة الذكاء الاصطناعي القائمة حاليًا لن تكون قادرة على حل مهمات لم تدرب على حلها ، وهذا بالطبع يعني أنها تحتاج إلى المزيد من الوقت والمراقبة للوصول لذلك .


وبينما في الأسابيع الأخيرة قد تم الكشف عن أن الذكاء الاصطناعي التابع لشركة جوجل يمكن أن يتعرف الآن على البيئة المحيطة به استنادًا إلى صورة واحدة فقط ، و1لك من خلال تدريب الأنظمة على المهام البصرية والمعرفية باستخدام مجموعات بيانات كبيرة من الصور المشروحة التي ينتجها البشر، بحيث قام النظام الذكي الذي تم تطويره كجزء من برنامج " ديب مايند " بتدريب نفسه على تصور أي مساحة في صورة ثابتة ، والذي يطلق عليها اسم شبكة الاستعلام التجريبية "  Generative Query Network"  وهي إطار يتم من خلاله تعليم الأنظمة إدراك محيطها من خلال التدريب فقط على البيانات التي يتم الحصول عليها من أنفسهم أثناء تنقلهم في المكان ، بحيث يتعلم نظام  " GQN " من خلال وضع ملاحظاته من اجل فهم العالم من حوله . وللقيام بذلك يتعلم نظام  " GQN " التعرف على المشاهد وخواصها الهندسية دون القيام بوضع أي علامات بشرية على محتويات هذه المشاهد . ويعطي نظام GQN الآلة " خيالًا شبيهاً بالإنسان " وهذا يسمح للخوارزمية بالقيام بتوليد انطباعات ثلاثية الأبعاد للمسافات التي لم ترها على الإطلاق في الصور المسطحة ثنائية البعد .

وقد أعلن " ديميس هاسابيس " وهوالرئيس التنفيذي لشركة " ديب مايند " عن الطفرة التي حققتها أنظمة الذكاء الاصطناعي، مع نظام GQN " " فقد حاول الدكتور هاسابيس وفريقه تكرار الطريقة التي يتعرف بها الدماغ البشري على بيئته المحيطة وذلك بمجرد النظر إليه ، وهذا نهج مختلف تمامًا لمعظم المشاريع حيث يقوم الباحثون بتسمية البيانات يدويًا وإدخالها ببطء إلى أنظمة الذكاء الاصطناعي ، ولتدريب الشبكات العصبية التابعة لشركة ديب مايند فقد قام الفريق بعرض صور ثابتة مأخوذة من وجهات نظر مختلفة على نفس المشهد على أنظمة الذكاء الاصطناعي ، وباستخدام هذه الصور تمكنت الخوارزمية من تعليم نفسها كيفية التنبؤ بظهور شيء ما في وجهة نظر جديدة غير مضمنة في الصور، وسرعان ما تعلمت الأنظمة تصور صور ثلاثية الأبعاد كاملة للمشهد . وبناء على كل ذلك أصبحت الآلات الذكية قادرة على التحرك في المجال الذي تتخيله ، ولكن أثناء تحركها يجب أن تقوم الخوارزمية بعمل تنبؤات باستمرار حول مكان الأشياء التي يتم مشاهدتها في البداية في الصور وما تبدو عليه من منظور دائم التغير .


وقد نشر الباحثون ورقة بحثية توضح النتائج التي توصلوا إليها وقال الباحث علي اسلامى : " لم يكن من الواضح على الإطلاق أن الشبكة العصبية يمكن أن تتعلم ابدًا ابتكار صور بطريقة دقيقة ومضبوطة هكذا ، ومع ذلك وجدنا أن الشبكات العميقة يمكن أن تتعلم عن المنظور العام والإغلاق والإضاءة ، دون أي هندسة بشرية ، وقد كانت هذه نتيجة مذهلة للغاية " .

- ولإنشاء هذه المشاهد الكاملة فقد استخدم النظام مكونين :

1- المكون الأول :
 يعالج التمثيل ويقوم بعمل أكواد للمشهد ثلاثي الأبعاد في الصورة الساكنة ومن ثم تحويله إلى شكل رياضي معقد، وهذا ما يُعرف باسم المتجه vector .

2- المكون الثاني  :
يُطلق عليه اسم generative ، والذي يستخدم المكون الأول المتجهات vectors من اجل تخيل ما هو الشيء المختلف في هذا المشهد – بمعنى التعرف على الأجزاء الغير مضمنة في الصور الأصلية – وبناء عليه تصبح أنظمة الذكاء الاصطناعي قادرة على التأكد من العلاقات المكانية داخل المشهد ، وباستخدام البيانات التي تم جمعها من الصور الأولية. ويمكن لأنظمة الذكاء الاصطناعي المتطورة من جوجل أيضًا التحكم في الأشياء داخل هذا الفضاء الافتراضي المتخيل من خلال تطبيق فهمها للعلاقات المكانية على السيناريو  . نتمنى لكم الفائده .
 ..............................................


ونتمنى لكم دوام الصحه والعافيه 
..............................................

- لاتنسى الاشتراك فى القائمه البريديه من اسفل الموقع ليصلك كل جديد وزيارة صفحاتنا على مواقع التواصل الاجتماعى والاشتراك فى قناتنا على يوتيوب وتفعيل جرس التنبيهات ليصلك المزيد ... 






تعليقات