تتيح لك طريقة الابتكار تدريب الذكاء الاصطناعي باستخدام القليل من البيانات أو بدونها

وحيد القرن وحيد القرن الأسطوري. MS TECH / PIXABAY يساعد



التعلم في أقل من محاولة النموذج على تحديد كائنات أكثر من عدد الأمثلة التي تدرب عليها.



عادة ، يتطلب التعلم الآلي العديد من الأمثلة. لكي يتعرف نموذج الذكاء الاصطناعي على الحصان ، عليك أن تعرض عليه آلاف الصور للخيول. هذا هو السبب في أن التكنولوجيا باهظة الثمن من الناحية الحسابية ومختلفة تمامًا عن التعلم البشري. غالبًا ما يحتاج الطفل إلى رؤية أمثلة قليلة فقط لشيء ما ، أو حتى واحد ، لتعلم كيفية التعرف عليه مدى الحياة.



في الواقع ، لا يحتاج الأطفال في بعض الأحيان إلى أي أمثلة لتحديد أي شيء. اعرض صورًا لحصان ووحيد القرن ، وأخبرهما أن وحيد القرن بينهما وسيتعرفان على المخلوق الأسطوري في كتاب الصور بمجرد رؤيته لأول مرة.





ط ط ط ... ليس حقا! MS TECH / PIXABAY تشير



الأبحاث التي أجرتها جامعة واترلو في أونتاريو إلى أن نماذج الذكاء الاصطناعي يمكنها القيام بذلك أيضًا - وهي عملية يسميها الباحثون التعلم "في أقل من محاولة واحدة". بعبارة أخرى ، يمكن لنموذج الذكاء الاصطناعي أن يتعرف بوضوح على أشياء أكثر من عدد الأمثلة التي تدرب عليها. يمكن أن يكون هذا أمرًا بالغ الأهمية في منطقة تصبح أكثر تكلفة وأكثر صعوبة ولا يمكن الوصول إليها مع نمو مجموعات البيانات المستخدمة.

« »

أظهر الباحثون هذه الفكرة لأول مرة من خلال تجربة مجموعة بيانات تدريب على رؤية الكمبيوتر معروفة باسم MNIST. تحتوي MNIST على 60.000 صورة لأرقام مكتوبة بخط اليد من 0 إلى 9 ، وغالبًا ما تستخدم المجموعة لاختبار أفكار جديدة في هذا المجال.



في مقال سابق ، قدم باحثون في معهد ماساتشوستس للتكنولوجيا طريقة "لتقطير" مجموعات البيانات العملاقة إلى مجموعات صغيرة. كدليل على المفهوم ، قاموا بضغط MNIST إلى 10 صور. لم يتم أخذ عينات من الصور من مجموعة البيانات الأصلية. لقد تم تصميمها وتحسينها بعناية لاحتواء ما يعادل مجموعة كاملة من المعلومات. نتيجة لذلك ، عند التدريب على هذه الصور العشر ، يحقق نموذج AI نفس الدقة تقريبًا التي تم تدريبها على مجموعة MNIST بأكملها.





عينة من الصور من مجموعة MNIST. يمكن لـ WIKIMEDIA





10 المصور ، "المقطر" من MNIST ، تدريب نموذج ذكاء اصطناعي لتحقيق دقة التعرف على الأرقام المكتوبة بخط اليد بنسبة 94 بالمائة. تونغتشو وانج



وآخرون.أراد الباحثون في جامعة ووترلو مواصلة عملية التقطير. إذا كان من الممكن تقليل 60.000 صورة إلى 10 ، فلماذا لا نضغطها على خمس؟ لقد أدركوا أن الحيلة كانت مزج عدة أرقام في صورة واحدة ثم إدخالها في نموذج ذكاء اصطناعي مع تسميات هجينة أو "ناعمة". (تخيل حصانًا ووحيد القرن تم إعطاؤهما ميزات وحيد القرن).



يقول إيليا سوكولوتسكي ، طالب دراسات عليا في واترلو والمؤلف الرئيسي للمقال: "فكر في الرقم 3 ، يبدو أنه الرقم 8 ، ولكن ليس الرقم 7". - تحاول العلامات الناعمة التقاط أوجه التشابه هذه. فبدلاً من إخبار السيارة: "هذه الصورة رقم 3" ، نقول: "هذه الصورة 60٪ رقم 3 ، 30٪ رقم 8 و 10٪ رقم 0" ".

حدود طريقة التدريس الجديدة

بعد أن نجح الباحثون في استخدام الملصقات اللينة لتحقيق تكيفات MNIST للتعلم في أقل من محاولة ، بدأوا في التساؤل عن المدى الذي يمكن أن تصل إليه الفكرة. هل هناك حد لعدد الفئات التي يمكن لنموذج الذكاء الاصطناعي أن يتعلم التعرف عليها من خلال عدد قليل من الأمثلة؟



والمثير للدهشة أنه لا يوجد حدود على ما يبدو. باستخدام الملصقات الناعمة المصممة بعناية ، يمكن حتى لمثالين من الناحية النظرية ترميز أي عدد من الفئات. يقول سوكولوتسكي: "بنقطتين فقط ، يمكنك تقسيم ألف فصل ، أو 10000 فصل ، أو مليون فصل".





تفصيل التفاح (النقاط الخضراء والحمراء) والبرتقال (النقاط البرتقالية) بالوزن واللون. مقتبس من العرض التقديمي لـ Jason Mace's Machine Learning 101



هذا ما أظهره العلماء في مقالتهم الأخيرة من خلال بحث رياضي بحت. قاموا بتطبيق هذا المفهوم باستخدام واحدة من أبسط خوارزميات التعلم الآلي المعروفة باسم k-الأقرب جيران (kNN) ، والتي تصنف الكائنات باستخدام نهج رسومي.



لفهم كيفية عمل طريقة kNN ، دعنا نأخذ مشكلة تصنيف الفاكهة كمثال. لتدريب نموذج kNN على فهم الفرق بين التفاح والبرتقال ، عليك أولاً تحديد الوظائف التي تريد استخدامها لتمثيل كل فاكهة. إذا اخترت اللون والوزن ، فلكل تفاحة وبرتقالة تقوم بإدخال نقطة بيانات واحدة بلون الفاكهة كقيمة x والوزن كقيمة y... ثم تقوم خوارزمية kNN برسم جميع نقاط البيانات في مخطط ثنائي الأبعاد وترسم خطًا في منتصف المسافة بين التفاح والبرتقال. ينقسم الرسم البياني الآن بدقة إلى فئتين ، ويمكن للخوارزمية أن تقرر ما إذا كانت نقاط البيانات الجديدة تمثل التفاح أو البرتقال - اعتمادًا على جانب الخط الذي توجد عليه النقطة.



لدراسة التعلم في أقل من محاولة باستخدام خوارزمية kNN ، أنشأ الباحثون سلسلة من مجموعات البيانات الاصطناعية الصغيرة وفكروا بعناية في تسمياتها الناعمة. ثم سمحوا لخوارزمية kNN برسم الحدود التي رأوها ووجدوا أنها نجحت في تقسيم الرسم البياني إلى فئات أكثر مما كانت هناك نقاط بيانات. كما سيطر الباحثون إلى حد كبير على المكان الذي تسير فيه الحدود. باستخدام تعديلات مختلفة على الملصقات اللينة ، جعلوا خوارزمية kNN ترسم أنماطًا دقيقة في شكل أزهار.





استخدم الباحثون أمثلة على الملصقات اللينة لتدريب خوارزمية kNN على ترميز الحدود المعقدة بشكل متزايد وتقسيم الرسم التخطيطي إلى فئات أكثر مما يحتوي على نقاط بيانات. تمثل كل منطقة ملونة فئة منفصلة ، وتعرض المخططات الدائرية على طول جانب كل رسم بياني توزيع التسميات الناعمة لكل نقطة بيانات.

إيليا سوكولوتسكي وآخرون:



تُظهر الرسوم البيانية المختلفة الحدود التي تم إنشاؤها باستخدام خوارزمية kNN. يحتوي كل مخطط على المزيد والمزيد من خطوط الحدود المشفرة في مجموعات بيانات صغيرة.



بالطبع ، هذه الدراسات النظرية لها بعض القيود. في حين أن فكرة التعلم من "أقل من محاولة واحدة" يمكن أن تنتقل إلى خوارزميات أكثر تعقيدًا ، فإن مهمة تطوير الأمثلة ذات التسمية "الناعمة" تصبح أكثر تعقيدًا. خوارزمية kNN قابلة للتفسير ومرئية ، مما يسمح للأشخاص بإنشاء ملصقات. الشبكات العصبية معقدة وغير قابلة للاختراق ، مما يعني أن الأمر نفسه قد لا يكون صحيحًا بالنسبة لهم. إن تقطير البيانات ، وهو أمر مفيد لتطوير أمثلة العلامات اللينة للشبكات العصبية ، له أيضًا عيب كبير: تتطلب الطريقة أن تبدأ بمجموعة بيانات عملاقة ، وتقليصها إلى شيء أكثر كفاءة.



يقول Sukholutsky إنه يحاول إيجاد طرق أخرى لإنشاء مجموعات البيانات الاصطناعية الصغيرة هذه - إما يدويًا أو باستخدام خوارزمية أخرى. على الرغم من هذه التعقيدات البحثية الإضافية ، تقدم المقالة الأسس النظرية للتعلم. قال "بغض النظر عن مجموعات البيانات التي لديك ، يمكنك تحقيق مكاسب كبيرة في الكفاءة".



هذا ما يثير اهتمام تونغتشو وانغ ، طالب دراسات عليا في معهد ماساتشوستس للتكنولوجيا. أدار البحث السابق على بيانات التقطير. يقول سوكولوتسكي عن مساهمة سوكولوتسكي: "تبني هذه المقالة على هدف جديد ومهم حقًا: تدريب نماذج قوية من مجموعات بيانات صغيرة".



يشارك رايان هورانا ، الباحث في معهد مونتريال لأخلاقيات الذكاء الاصطناعي ، هذا الرأي: "الأهم من ذلك ، أن التعلم في أقل من محاولة واحدة سيقلل بشكل كبير من متطلبات البيانات لبناء نموذج فعال." يمكن أن يجعل هذا الذكاء الاصطناعي أكثر سهولة بالنسبة للشركات والصناعات التي أعاقتها متطلبات البيانات في هذا المجال حتى الآن. يمكنه أيضًا تحسين خصوصية البيانات ، حيث ستتطلب نماذج الأداة المساعدة التدريبية معلومات أقل من الأشخاص.



يؤكد Sukholutsky أن البحث في مرحلة مبكرة. ومع ذلك ، فإنه بالفعل يثير الخيال. عندما يبدأ المؤلف في تقديم ورقته البحثية إلى زملائه الباحثين ، يكون رد فعلهم الأول هو المجادلة بأن الفكرة خارج نطاق الاحتمال. عندما يدركون فجأة أنهم مخطئون ، ينفتح عالم جديد بالكامل.