جهشی بزرگ به سوی هوش واقعی؛ این هوش مصنوعی بدون برچسب‌های انسانی یاد می‌گیرد!

محققان یک الگوریتم هوش مصنوعی جدید به نام خوشه بندی گشتاور (Torque Clustering) را توسعه داده‌اند که نسبت به روش‌های موجود، بیشتر از هوش طبیعی تقلید می‌کند. این رویکرد پیشرفته، توانایی هوش مصنوعی را برای یادگیری و شناسایی الگوها در داده‌ها به طور مستقل، بدون دخالت انسان، افزایش می‌دهد.

خوشه‌بندی گشتاور به گونه‌ای طراحی شده است که مجموعه‌های داده بزرگ را در زمینه‌های مختلف، از جمله زیست‌شناسی، شیمی، نجوم، روان‌شناسی، مالی و پزشکی، به طور کارآمد تجزیه و تحلیل کند و با کشف الگوهای پنهان، می‌تواند بینش‌های ارزشمندی مانند تشخیص روندهای بیماری، شناسایی فعالیت‌های جعلی و درک رفتار انسان ارائه دهد.

پروفسور برجسته سی‌تی لین از دانشگاه فناوری سیدنی (UTS) گفت:

در طبیعت، حیوانات با مشاهده، کاوش و تعامل با محیط خود، بدون دستورالعمل‌های صریح، یاد می‌گیرند. موج بعدی هوش مصنوعی، “یادگیری بدون نظارت”، قصد دارد این رویکرد را تقلید کند.

تقریباً همه فناوری‌های هوش مصنوعی فعلی به “یادگیری نظارت‌شده” متکی هستند، روشی برای آموزش هوش مصنوعی که به مقدار زیادی داده نیاز دارد که توسط انسان با استفاده از دسته‌ها یا مقادیر از پیش تعریف‌شده برچسب‌گذاری شود، تا هوش مصنوعی بتواند پیش‌بینی کند و روابط را ببیند.

یادگیری نظارت‌شده محدودیت‌های زیادی دارد. برچسب‌گذاری داده‌ها، پرهزینه، وقت‌گیر و اغلب برای وظایف پیچیده یا بزرگ‌مقیاس غیرعملی است. در مقابل، یادگیری بدون نظارت، بدون داده‌های برچسب‌گذاری‌شده کار می‌کند و ساختارها و الگوهای ذاتی درون مجموعه‌های داده را کشف می‌کند.

تغییر پارادایم در یادگیری هوش مصنوعی

الگوریتم خوشه‌بندی گشتاور از روش‌های یادگیری بدون نظارت سنتی بهتر عمل می‌کند و یک تغییر پارادایم بالقوه ارائه می‌دهد. این الگوریتم کاملاً خودکار، بدون پارامتر است و می‌تواند مجموعه‌های داده بزرگ را با کارایی محاسباتی استثنایی پردازش کند.

این الگوریتم به طور دقیق روی ۱۰۰۰ مجموعه داده متنوع آزمایش شده و به طور متوسط امتیاز اطلاعات متقابل تعدیل‌شده (AMI) – معیاری برای نتایج خوشه‌بندی – ۹۷.۷٪ را کسب کرده است. در مقایسه، سایر روش‌های پیشرفته فقط به امتیازهایی در محدوده ۸۰٪ دست می‌یابند.

نوآوری هوش مصنوعی الهام گرفته از فیزیک

دکتر جی یانگ، نویسنده اول مقاله، گفت:

آنچه خوشه‌بندی گشتاور را متمایز می‌کند، پایه آن در مفهوم فیزیکی گشتاور است که آن را قادر می‌سازد خوشه‌ها را به طور خودکار شناسایی کند و به طور یکپارچه با انواع داده‌های مختلف، با اشکال، تراکم‌ها و درجه‌های نویز متفاوت، سازگار شود.

این روش از تعادل گشتاور در فعل و انفعالات گرانشی هنگام ادغام کهکشان‌ها الهام گرفته شده است. این روش بر دو خاصیت طبیعی جهان استوار است: جرم و فاصله. این ارتباط با فیزیک، لایه بنیادی از اهمیت علمی را به این روش اضافه می‌کند.

دکتر یانگ ادامه داد:

جایزه نوبل فیزیک سال گذشته به دلیل اکتشافات بنیادینی که یادگیری ماشین نظارت‌شده را با شبکه‌های عصبی مصنوعی امکان‌پذیر می‌کند، اهدا شد. یادگیری ماشین بدون نظارت – که از اصل گشتاور الهام گرفته شده است – این پتانسیل را دارد که تأثیر مشابهی داشته باشد.

خوشه‌بندی گشتاور می‌تواند از توسعه هوش مصنوعی عمومی، به ویژه در رباتیک و سیستم‌های خودمختار، با کمک به بهینه‌سازی حرکت، کنترل و تصمیم‌گیری پشتیبانی کند. این روش قرار است چشم‌انداز یادگیری بدون نظارت را دوباره تعریف کند و راه را برای هوش مصنوعی واقعاً خودمختار هموار کند. کد منبع باز این هوش مصنوعی برای محققان در دسترس قرار گرفته است.

مقاله‌ای که جزئیات روش خوشه‌بندی گشتاور را شرح می‌دهد، اخیراً در مجله IEEE Transactions on Pattern Analysis and Machine Intelligence، یک مجله پیشرو در زمینه هوش مصنوعی، منتشر شده است.

منبع: Scitechdaily