گروه پژوهشی وابسته به پژوهشکده ام آی تی ، 16625 مقاله را مورد تجزیه و تحلیل قرار داد تا مشخص شود جایگاه هوش مصنوعی در جهان کجاست.
به گزارش سرویس آی تی و فناوری انتخاب به نقل از ام آی تی، مطالعه گسترده ام آی تی حاصل 25 سال تحقیقات در حوزه هوش مصنوعی است که نشان می دهد دوره یادگیری عمیق ممکن است به پایان رسیده باشد.
تقریباً هر آنچه امروز درباره هوش مصنوعی می شنوید ، به لطف یادگیری عمیق است. این دسته از الگوریتم ها با استفاده از آمار برای یافتن الگوریتم در داده ها کار می کنند و در تقلید از مهارت های انسانی مانند توانایی دیدن و شنیدن بسیار قدرتمند بوده است. این الگوریتم تا حدی دقیق است که حتی می تواند توانایی استدلال ما را تقلید کند. این قابلیت ها به جستجوی گوگل، خبرخوان فیس بوک ، و اطلاعات پیشنهادی در نتفلیکس نیز قدرت می بخشد و صنایعی مانند مراقبت های بهداشتی و آموزش را تغییر می دهد.
اما گرچه یادگیری عمیق ، هوش مصنوعی را به عموم مردم شناسانده است ، اما این نشان دهنده یک نکته کوچک در تاریخ تلاش بشریت برای تکثیر هوش است. یادگیری عمیق برای کمتر از 10 سال در خط مقدم تلاش ها بوده است. وقتی کل تاریخچه این زمینه را بررسی می کنید متوجه تغییرات می شوید.
پدرو دومینگوس استاد علوم کامپیوتر در دانشگاه واشنگتن و نویسنده استاد الگوریتم.می گوید: " تحقیقات گسترده در حوزه هوش مصنوعی، مسیر را برای مدتی طولانی مشخص کرده است. ما در هر دهه شاهد رقابت داغ بین ایده های مختلف هستیم و به نظر می رسد اکنون نیز شرایط در حال تغییر است."
در بررسی فناوری ام آی تی، به یکی از بزرگترین پایگاه داده های منبع باز مقالات علمی ، معروف به arXiv رجوع شد. پژوهشگران ام آی تی خلاصه ای از تمام 16،625 مقاله موجود در بخش "هوش مصنوعی" را تا 18 نوامبر 2018 بارگیری کردند و کلمات ذکر شده را طی سالها پیگیری کردند تا ببینند که چگونه این زمینه پیشرفت کرده است.
در بخشی از این پژوهش می خوانیم؛ "از طریق تجزیه و تحلیل ما ، ما سه روند عمده را پیدا کردیم: تغییر به سمت یادگیری ماشین در اواخر دهه 1990 و اوایل دهه 2000 ، افزایش محبوبیت شبکه های عصبی که از اوایل سال 2010 شروع می شوند و رشد در یادگیری تقویتی در چند سال گذشته."
اما ذکر برخی نکات مهم است: نکته اول این که بخش هوش مصنوعی arXiv به سال 1993 باز می گردد ، در حالی که اصطلاح هوش مصنوعی به دهه 50 میلادی می رسد ، بنابراین پایگاه داده فقط آخرین فصل های تاریخ این زمینه را نشان می دهد. نکته دوم ، مقالاتی که هر سال به بانک اطلاعاتی اضافه می شوند ، بخشی از کارهایی را که در آن لحظه انجام می شود ، نشان می دهند. با این وجود ، arXiv یک منبع عالی برای گردآوری برخی از تحقیقات بزرگتر و برای دیدن فشار و کشش ایده های مختلف ارائه می دهد.
یک الگوی یادگیری ماشین
پژوهش ام آی تی در بخشی دیگر می نویسد؛ "بزرگترین جابجایی که پیدا کردیم گذر از سیستم های دانش بنیان تا اوایل دهه 2000 بود. این برنامه های کامپیوتری مبتنی بر این ایده هستند که می توانید از قوانین برای رمزگذاری تمام دانش های انسانی استفاده کنید. در عوض ، محققان به یادگیری ماشینی روی آوردند. الگوریتم های قدیمی تر شامل یادگیری عمیق است.
در بین 100 کلمه برتر ذکر شده در این نوع پژوهشها، آنهایی هستند که مربوط به سیستمهای دانش بنیانند؛ مانند "منطق" ، "محدودیت" و "قانون" که بزرگترین کاهش را دارند. در مقابل؛ کلماتی که مربوط به یادگیری ماشینی هستند مانند "داده" ، "شبکه" و "عملکرد" بالاترین رشد را نشان می دهند.
دلیل این تغییر بسیار ساده است. در دهه 80 ، سیستم های دانش بنیان به لطف هیجان پیرامون پروژه های بلندپروازانه که سعی در ایجاد دوباره عقل سلیم در دستگاه ها داشتند ، محبوبیت بسیاری پیدا کردند. اما با آشکار ساختن این پروژه ها ، محققان با یک مشکل اساسی روبرو شدند: قوانین بسیار ساده ای وجود داشت که برای رمزگذاری یک سیستم لازم بود. این موضوع هزینه ها را بالا برد و تلاش های مداوم را به میزان چشمگیری کاهش داد.
یادگیری ماشینی به سرعت تبدیل به پاسخی برای این مشکل شد. این رویکرد به جای این که مردم را ملزم به رمزگذاری صدها هزار کد کند ، برنامه ریزی می کند تا کدها را به صورت خودکار از انبوهی از داده ها استخراج کند. اما درست مثل همین مرحله در مرحله بعدی سیستم های دانش بنیان رها شده و به سمت یادگیری ماشینی پالایش می شوند.
رونق شبکه های عصبی
طبق الگوی جدید یادگیری ماشینی، تغییر به یادگیری عمیق بلافاصله اتفاق نیفتاد. در عوض ، همانطور که تحلیل ما از اصطلاحات کلیدی نشان می دهد ، محققان علاوه بر شبکه های عصبی ، ماشین آلات اصلی یادگیری عمیق ، روشهای مختلفی را نیز آزمایش کردند. برخی دیگر از تکنیک های محبوب شامل شبکه های هوشمند، ماشین های بردار پشتیبان و الگوریتم های تکاملی است که همگی روشهای متفاوتی برای یافتن الگوهای موجود در داده ها دارند.
در طول دهه 1990 و 2000 ، بین همه این روشها رقابتی مداوم وجود داشت. سپس ، در سال 2012 ، دستیابی به موفقیت اساسی منجر به تغییر دیگری در این حوزه شد. در طول مسابقه سالانه ImageNet محققی به نام جفری هینتون به همراه همکارانش در دانشگاه تورنتو با رکوردی حیرت انگیز بیش از 10 درصد امتیاز به بهترین دقت در تشخیص تصویر دست یافتند.تکنیکی که تیم او استفاده کرد ، موجی از تحقیقات جدید را برانگیخت ابتدا در جامعه هوش بصری و سپس فراتر از آن.
ظهور یادگیری تقویتی
طی چند سال پس از ظهور یادگیری عمیق ، تجزیه و تحلیل های ام آی تی نشان می دهد ، یک تغییر سوم و نهایی در تحقیقات هوش مصنوعی اتفاق افتاده است. سه نوع مختلف یادگیری ماشینی وجود دارد: یادگیری نظارت شده ، بدون نظارت و تقویت. یادگیری نظارت شده شامل تغذیه داده های دارای برچسب ماشین است.اما در دهه بعد تجزیه و تحلیل پیشرفته تر شد و این نشان از سخت بودن تلاش برای کپی کردن اطلاعات دارد. دومینگوس می گوید: "نکته اصلی برای تحقق این است که هیچ کس نمی داند چگونه این مشکل را حل کند."
بسیاری از تکنیکهای به کار رفته در 25 سال گذشته از نیم قرن پیش آغاز شده بودند و با چالش ها و موفقیت هایی در هر دهه همراه بوده اند. به عنوان مثال در دهه 60 و به طور مختصر در دهه 80 این تغییرات به اوج خود رسید. به عبارت دیگر ، هر دهه شاهد سلطنت تکنیک متفاوتی بود: شبکه های عصبی در اواخر دهه 50 و 60 ، رویکردهای مختلف نمادین در دهه 70 ، سیستم های دانش بنیان در دهه 80 ، شبکه های بیزی در دهه 80 دهه 90 ، ماشین های بردار پشتیبان در دهه های سال 2000 به بعد فعالیت داشتند.
دومینگوس می گوید ، دوره های 2020 نباید متفاوت باشد ، به این معنی که دوران یادگیری عمیق ممکن است به زودی پایان یابد. اما از نظر ماهیتی، جامعه تحقیقاتی می تواند یک تکنیک قدیمی را اتخاذ کند یا الگویی جدید را ایجاد کند.
