طبق اخبار هوش مصنوعی منتشر شده در سایت هوشیو، هوش مصنوعی یا هوش مصنوعی باعث می شود که در عکس های سلفی بهتر به نظر برسیم ، مطیعانه وقتی از الکسا درخواست می کنیم هوا را به ما می گوید و اتومبیل های خودران را روانه بازار می کند. این فناوری است که ماشین ها را قادر می سازد تا از تجربه یاد بگیرند و کارهای شبیه به انسان را انجام دهند.
به طور کلی ، هوش مصنوعی شامل بسیاری از زمینه های فرعی است ، از جمله پردازش زبان طبیعی ، بینایی رایانه و یادگیری عمیق. بیشتر اوقات ، فناوری خاص در کار یادگیری ماشینی است ، که بر توسعه الگوریتم هایی متمرکز است که داده ها را تجزیه و تحلیل می کند و پیش بینی می کند و عمدتا به نظارت انسان وابسته است.
استادیار SMU سیستم های اطلاعاتی ، سان کیانرو ، آموزش یک مدل AI در مقیاس کوچک را به آموزش یک کودک جوان برای تشخیص اشیا in در محیط اطراف خود تشبیه می کند. “در ابتدا یک کودک چیزهای زیادی را در اطراف خود نمی فهمد. او ممکن است یک سیب را ببیند اما آن را به عنوان یک سیب تشخیص نمی دهد و ممکن است بپرسد ،” آیا این یک موز است؟ “والدینش او را اصلاح می کنند ،” نه ، این موز نیست این یک سیب است. “چنین بازخوردی در مغز او به این معنی است که دانش او را دقیق می کند.”
تحقیقات پروفسور سان بر شبکه های عصبی کانولوشن عمیق ، یادگیری متا ، یادگیری افزایشی ، یادگیری نیمه نظارت شده و کاربردهای آنها در شناسایی تصاویر و فیلم ها متمرکز است.
آموزش مدل هوش مصنوعی
به دلیل پیچیدگی هوش مصنوعی ، پروفسور سان قبل از غرق شدن در پروژه های تحقیقاتی خود ، وارد مفاهیم کلی و روند فعلی در این زمینه می شود.
او توضیح می دهد که یادگیری ماشین تحت نظارت شامل مدل هایی است که خود را روی یک مجموعه داده دارای برچسب آموزش می دهند. به این معنی که داده ها با اطلاعاتی که مدل برای تعیین ساخته شده است و حتی ممکن است به روشی طبقه بندی شود که قرار است مدل به عنوان داده طبقه بندی شود ، دارای برچسب هستند. به عنوان مثال ، یک مدل بینایی رایانه ای که برای شناسایی یک سیب طراحی شده است ، ممکن است در یک مجموعه داده از تصاویر مختلف سیب با برچسب آموزش داده شود.
وی توضیح می دهد: “به آن داده بدهید و داده دارای برچسب است.” “یک تصویر می تواند حاوی یک سیب باشد ، و تصویر از مدل AI عمیق عبور می کند و برخی پیش بینی ها را انجام می دهد. اگر پیش بینی درست باشد ، خوب است. در غیر این صورت ، مدل برای اصلاح پارامترهای خود از دست می دهد محاسبه محاسبه یا مجازات می شود. و بنابراین مدل به روز می شود. “
پروفسور سان مشاهده می کند ، در حال حاضر ، مدل های پیشرفته یا بهترین عملکرد AI تقریباً همه براساس مدل های یادگیری عمیق ساخته شده اند. در یادگیری عمیق ، مدل یاد می گیرد که بر اساس معماری شبکه عصبی عمیق حاوی لایه های بسیاری ، کارهای شناسایی را از روی تصاویر ، متن یا صدا انجام دهد. به عنوان مثال اگر ورودی یک تصویر باشد ، فرض این است که تصویر می تواند توسط مقیاس های مختلف فضایی یا لایه های ویژگی توصیف شود.
پروفسور سان توضیح می دهد: “به عنوان مثال چهره من را در نظر بگیرید. ویژگی هایی که من را از دیگران متمایز می کند ، چشم ، بینی ، دهانم به عنوان ویژگی های محلی و فرم صورت و رنگ پوست من به عنوان ویژگی های جهانی است. برای شناسایی ، می توانم استفاده کنم این ویژگی ها برای گفتن ، “این من هستم.” برای یک مدل ماشین ، چنین ویژگی های محلی و جهانی را در لایه های مختلف خود رمزگذاری می کند و بنابراین می تواند همان شناسایی را انجام دهد.
مدل های هوش مصنوعی آموزش برای شناسایی دقیق به داده های زیادی نیاز دارند. اگر یک مدل هوش مصنوعی فقط یک تصویر از چهره یک شخص داشته باشد ، در شناختن آن شخص اشتباه می کند زیرا سایر ویژگی های صورت را که آن شخص را از دیگری متمایز می کند ، نمی بیند. “ظاهر تفاوت دارد و هوش مصنوعی به یک مجموعه داده بسیار متنوع بستگی دارد تا تمام تفاوت های تصویر را بیاموزد.”
برنامه هیئت ارتقا Health سلامت
یکی از پروژه هایی که پروفسور سان روی آن کار می کند Food AI ++ است ، برنامه ای برای هیئت ارتقا Health سلامت سنگاپور (HPB). کاربران می توانند داده های ترکیب مواد غذایی را به سادگی و با گرفتن عکس از غذایی که با تلفن خود می خورند ، تعیین کنند. هدف این برنامه کمک به کاربران برای پیگیری تغذیه غذای مصرفی و استفاده از اطلاعات برای دستیابی به یک رژیم غذایی سالم و متعادل است.
پروفسور سان و تیمش داده های تصاویری را که کاربران از وعده های غذایی خود می گیرند جمع آوری می کنند و آنها را در برنامه بارگذاری می کنند. مشاهدات این است که تصاویر غذایی بسیار پر سر و صدا و متنوع هستند و فرهنگ های مختلف را منعکس می کنند.
وی تصریح می کند: به عنوان مثال چینی ها و مالایی ها در سنگاپور عادات غذایی ، سبک غذایی و دسته بندی های مختلف غذایی دارند. “هنگامی که ما یک مدل را آموزش می دهیم ، با یک لیست محدود از دسته ها شروع می کنیم ، اما برای برنامه غذایی متوجه شدیم که باید تمام مدت دسته ها را در رابط برنامه نویسی برنامه یا API گسترش دهیم. ما باید مرتباً اصلاح و به روز کنیم تنوع فرهنگی غنی در سنگاپور یکی از بزرگترین چالشهای این پروژه است. “
این تیم علاوه بر جمع آوری اطلاعات متنوع تر ، روی الگوریتم های یادگیری سازگاری دامنه نیز کار می کند. با فرهنگ های مختلف ، حوزه های مختلفی وجود دارد بنابراین آنها باید فکر کنند که چگونه با استفاده از الگوریتم های یادگیری موثر ، مدل های از قبل آموزش دیده خود را به سرعت با آنها تطبیق دهند. برای انجام این کار برای تصاویر غذایی ، آنها باید الگوریتم های سازگاری دامنه مخصوص غذا را توسعه دهند. آنها همچنین باید در مورد گنجاندن دانش غذایی برای بهبود کارایی کلی مولتی فکر کنند
