 |
توصيه روز |
 |
 |
| :: بازار کامپيوتر :: |
 |
|
| :: نکته آموزشی :: |
|
|
|
 |
 |
|
 |
|
|
|
|
|
 تصاویر تار به یادگیری بهتر هوش مصنوعی کمک می‌کند
|
| | | |
 | دانشمندان هلندی و اسپانیایی در حوزه رایانه، راهی برای آموزش بهتر و سریع‌تر سیستم‌هایی که با هوش مصنوعی کار می‌کنند، یافتند. |  در بسیاری از سیستم‌های مبتنی بر "یادگیری عمیق" نحوه‌ی رخ دادن روند یادگیری مشخص نیست. اکنون محققان دریافتند که چگونه یک سیستم تشخیص تصاویر می‌تواند در مورد محیط خود بیاموزد. محققان با متمرکز کردن سیستم بر روی اطلاعات کم اهمیت‌تر این سیستم یادگیری را ساده‌سازی کردند.
به گفته‌ی دانشگاه گرونیگن(Groningen)، سیستم مورد نظر نوعی شبکه‌ی عصبی پیچشی(CCNs) است.
شبکه عصبی پیچشی گونه‌ای از یادگیری عمیق در هوش مصنوعی است که از زیست‌شناسی نشات گرفته است. این سیستم‌ها تشخیص تصاویر را به لطف ارتباط میان هزاران "نورون" می‌آموزند. این سیستم به گونه‌ای عملکرد مغز را شبیه‌سازی می‌کند. به گفته‌ی استفانیا تالاورا مارتینز(Estefania Talavera Martinez)، محقق دانشگاه گرونینگن، نحوه‌ی کار این شبکه‌ی عصبی تاکنون نامشخص بود.
او از این سیستم برای بررسی رفتار انسان و تحلیل تصاویری که توسط دوربین دستی گرفته شده بود استفاده کرده و به این وسیله تحقیقات خود در مورد نحوه‌ی واکنش افراد به غذا را انجام داده است. او همچنین می‌خواست این سیستم هوش مصنوعی موقعیت‌های مختلفی که افراد در آن در تماس با غذا قرار می‌گیرند را تشخیص دهد. مارتینز می‌گوید: در این فرایند من متوجه بروز اشکالاتی در تشخیص محیط تصاویر توسط این سیستم شدم و می‌خواستم علت بروز این خطاها را بدانم.
او به بررسی بخش‌هایی از تصویر که توسط شبکه عصبی پیچشی برای تشخیص موقعیت استفاده می‌شد پرداخت و به این نظریه رسید که این سیستم‌ها از جزئیات کافی در تصویر استفاده نمی‌کنند. او توضیح می‌دهد: برای مثال اگر سیستم هوش مصنوعی یک لیوان را با محیط آشپزخانه مرتبط بداند بنابراین در دسته‌بندی اتاق نشیمن و دفتر کار که در آنها نیز از لیوان استفاده می‌شود، دچار مشکل خواهد شد.
برای حل این مشکل مارتینز و همکارش دیوید مورالز(David Morales) و بیتریز رمسیرو(Beatriz Remeseiro) تصمیم گرفتند توجه هوش مصنوعی را از اهداف اصلی خود منحرف کنند.
آنها شبکه‌ی مصنوعی پیچشی را با استفاده از تصاویر استانداردی از هواپیماها و ماشین‌ها آموزش دادند. سپس بخش‌هایی که هوش مصنوعی برای طبقه‌بندی تصاویر و تشخیص محیط استفاده می‌کرد را تار کردند. آنها این سیستم را به استفاده از سایر بخش‌های تصویر برای تشخیص مجبور کردند و با اضافه شدن این داده‌ها، هوش مصنوعی قادر به طبقه‌بندی بهتر تصاویر شد. به گفته‌ی محققان این روش آموزش هوش مصنوعی ساده‌تر است و زمان کمتری می‌برد. | | | | | | | | |
|
|
تحليل |
|
|
| :: اقتصادی :: |
|
|
| :: فناوری اطلاعات :: |
|
|
| :: روی خط جوانی :: |
|
|
| :: ورزش :: |
|
|
| :: فرهنگ و هنر :: |
|
|
| :: حوادث :: |
|
|
|
|
|
|
|
|
|
