در گفتوگو با آنا بررسی شد؛
مغز مصنوعی به کمک مغز انسان می‌آید
مطالعه مغز انسان دشوار است. می‌توانید از مردم بپرسید چگونه فکر می‌کنند اما آنها اغلب جوابی برایش ندارند. می‌توانید مغز آنها را اسکن کنید اما استفاده از این ابزارها بی‌خطر نیست و ممکن است به مغز دیگران آسیب برسانید.
هانا حیدری، گروه علم و فناوری آنا- مطالعه چگونگی انجام یک کار بسیار ساده و پیش پا افتاده توسط مغز، مانند تشخیص حروف الفبا روی یک صفحه، برای دانشمندان پیچیده و دشوار است. حالا روان‌شناسان از هوش مصنوعی استفاده کرده‌اند تا نحوه کارکرد مغز ما را مطالعه کنند. مارکو زورزی، روان‌شناس دانشگاه پادوا در ایتالیا، با استفاده از شبکه‌های عصبی مصنوعی نشان داده است که چگونه مغز انسان ارتباطات موجود در قشر بصری را می‌رباید تا حروف الفبای نوشته شده روی یک تکه کاغذ را شناسایی کند.
در ادامه مصاحبه زورزی را با sciencemag می‌خوانید:
در حین مطالعه روی «درک حروف الفبا» چه چیزی یاد گرفتید؟
ابتدا، مدل را با تصاویری از طبیعت مانند درخت‌ها و کوهستان، آموزش دادیم. سپس این دانش به یک دیکشنری از تصاویر بصری ابتدایی تبدیل شد که مدل کامپیوتری از این شبکه برای یادگیری درباره شکل حروف استفاده می‌کرد.
مدتی است که ایده «بازیافت عصبی» مطرح شده است اما تا آنجایی که می‌دانیم این اولین باری است که می‌توانید عملکرد مدل‌ها را بسنجید. در مواردی که مدل‌ها با عکس آموزش دیده بودند، عملکرد بهتری در تشخیص حروف دیده شد. بازیافت باعث می‌شود یادگیری حروف به نسبت شبکه‌هایی که از بازیافت استفاده نمی‌کنند، سریع‌تر صورت بگیرد.
روند آموزش چگونه است؟
هوش مصنوعی از روش آموزش «غیرنظارتی» استفاده می‌کند. بعد از سپری کردن مراحل پیش آموزشی (تصاویر طبیعی)، شبکه عصبی را با تصاویری از حروف آموزش دادیم. هدف از این کار ساخت یک مدل داخلی از اطلاعات برای پیدا کردن ساختار پنهان حروف است. این پدیده «تولیدی» نام دارد که الگوها را از جز به کل تولید می‌کند. این شبکه مصنوعی از دانش خود برای تفسیر اطلاعات حسی جدید استفاده می‌کند.
بعدها، یک الگوریتم بسیار ساده‌تر به آن آموزش داده می‌شود که حروف را در خروجی شبکه در کنار هم قرار می‌دهد. در اینجا از روش آموزشی «نظارتی» استفاده می‌شود، انسان درست یا غلط بودن مطلبی را به شبکه مصنوعی می‌گوید، با این حال بیشتر حجم کار توسط الگوریتم غیرنظارتی انجام می‌شود.
استفاده از یادگیری غیرنظارتی در هوش مصنوعی زیاد رایج نیست، چرا روی این روش تمرکز کرده‌اید؟
در یادگیری نظارتی، فرض بر این است که شما یک معلم دارید که جواب درست را در هر رویداد آموزشی دارد. حالا به این فکر کنید که روش آموزش به انسان‌ها چگونه است؛ یادگیری نظارتی روش رایجی در سیستم آموزشی انسان نیست.
یادگیری نظارتی، رویکردی جزء به کل است در حالی که در روش غیرنظارتی یادگیری از کل به جزء است. اطلاعات بازخوردی زیادی در مغز انسان وجود دارد. علاوه براین، فعالیت ذاتی در مغز وجود دارد که یکی از جالب‌ترین اکتشافات انسان در زمینه تصویربرداری نورونی طی 20 سال گذشته بوده است.
این فعالیت توسط محرک حسی ایجاد نمی‌شود. فعالیت ذاتی تنها با فعال‌سازی نورون‌ها در لایه‌های بالایی صورت می‌گیرد؛ سپس این فعالیت در اطراف شبکه گسترش می‌یابد. این فعالیت شکلی از «رویا دیدن» یا «شبیه‌سازی» است. وقتی که یادگیری کل به جز با فعالیت حسی ترکیب می‌شود منجر به تقسیر اطلاعات ورودی می‌شود. برای مثال، اگر بخشی از یک لغت نوشته شده دیده نشود یا ناخوانا باشد، خواننده می‌تواند براساس محتویات متن، جای خالی را پر کند.
یکی دیگر از مزیت‌های یادگیری غیرنظارتی این است که چون وظیفه خاصی برای دانش‌آموز وجود ندارد، دانش محدود به یک کاربرد ویژه نیست. یادگیری یک کار جدید با استفاده از دانشی در سطح بالا، آسان‌تر است؛ برای مثال، یادگرفتن معنای اعداد بعدها برای یادگیری ریاضی به کار می‌رود.
بخشی از شبکه شما که براساس تصاویر طبیعی آموزش دیده است، پاسخ بهتری به حروف واقعی می‌دهد تا به حروف ساخته شده، این امر بدین معناست که حروف واقعی به طبیعت شباهت دارند؟
بله این یکی از توضیحات احتمالی است. تئوری‌ای وجود دارد مبنی بر این که شکل نشانه‌ها در تمامی سیستم‌های نوشتاری به دلایل فرهنگی انتخاب شده‌اند تا هماهنگی بهتری با محیط بصری ما داشته باشند.
چه چیز دیگری درباره رفتار شناختی انسان یاد گرفته‌اید؟
می‌دانیم که کودکان و حیوانات می‌توانند تعداد اشیا را مقایسه کنند. طی تحقیقات دریافتیم که یادگیری غیرنظارتی با تصاویری که شامل تعداد متفاوتی از اشیا می‌شوند منجر به ایجاد حس بصری عددی در یک شبکه عصبی می‌شوند. این اولین بار بود که از یادگیری عمیق برای مدل‌سازی رفتار شناختی استفاده شده است.
در شبکه عصبی، یک الگوریتم یادگیری وجود دارد. می‌توان تلاش کرد و خط سیر این شبکه را روی اطلاعات توسعه یافته انسان پیاده کرد؛ برای مثال آموزش خواندن را در نظر بگیرید. اگر یک مدل کامپیوتری داشته باشید که قصد دارد خواندن را یاد بگیرد، روش‌های آموزشی غیرمعمول، مورد استفاده در خوانش پریشی، را نیز درک می‌کنید.
چه چیزهایی درباره خوانش پریشی یافتید؟
دراین باره یک بحث بزرگ وجود دارد. کمبود اصلی چیست؟ دانشمندان کمبودهای شناختی، بصری و دقتی را مطالعه کرده‌اند. این نظریه‌ها را در یک مدل کامپیوتری خوانشی آزمایش کردیم. نتایج یک مطالعه نشان می‌دهد که اگر فرض براین نباشد که خوانش پریشی در اثر بیش از یک کمبود ایجاد شده است؛ هیچ راهی وجود ندارد که انواع مختلف خوانش پریشی را در کودکان توضیح داد. در رویکرد ما، مدل‌های شخصی‌سازی شده از هر فرد ساخته می‌شود و با استفاده از این شبیه‌سازی‌ها نتایج تعاملات پیش‌بینی می‌شود.
آیا شبیه‌سازی مغز می‌تواند هوش مصنوعی را بهبود بخشد؟
به احتمال زیاد، بله. وقتی که محدودیت‌های پایگاه‌های اطلاعاتی درباره مغز و نحوه یادگیری افراد را کاهش می‌دهیم، ایده‌های نوینی برای کشف راه‌های جدید به سراغمان خواهد آمد.
انتهای پیام/
در دانشگاه آزاد شهرکرد انجام شد؛
