یادگیری ماشین در زندگی روزمره

یادگیری ماشین در زندگی روزمره

 به لطف پیشرفت های انجام شده در قدرت محاسباتی و برنامه های یادگیری ماشین ، انسانها واقعاً در یک انقلاب جهانی فناوری زندگی می کنند. دو دهه اول قرن 21 شاهد پیشرفتهای چشمگیری در تحقیقات هوش مصنوعی (AI) بوده ایم. ثابت شده است که یادگیری ماشینی یکی از موفق ترین و گسترده ترین کاربردهای فناوری است که دامنه وسیعی از صنایع را تحت تأثیر قرار داده و میلیاردها کاربر را هر روز تحت تأثیر قرار می دهد. یادگیری ماشین زیرمجموعه ای از هوش مصنوعی است که شامل مطالعه و استفاده از الگوریتم ها و مدل های آماری برای سیستم های رایانه ای برای انجام کارهای خاص بدون تعامل انسان است. استفاده از یادگیری ماشینی دریچه ای را برای فناوری های آینده گرایانه باز می کند که مردم در زندگی روزمره خود از آن استفاده می کنند.

مواردی که در زندگی روزمره از یادگیری ماشین استفاده می کنیم

دستیار صوتی

دستیارهای صوتی در حال حاضر در همه جا حضور دارند. دستیارهای صوتی مشهوری مانند Apple’s Siri ، Google Assistant ، Amazon’s Alexa و … راه را برای بخشی از مکالمه عمومی افراد هموار می کنند. الگوریتم یادگیری ماشین در پشت همه این دستیارهای صوتی کار می کند تا گفتار را با استفاده از پردازش زبان طبیعی (NLP) تشخیص دهد. سپس ، گفتار را با استفاده از یادگیری ماشین به اعداد تبدیل کرده و بر این اساس پاسخی را تنظیم می کند. همچنین از NLP برای ترجمه اطلاعات غیر قانونی لغات در قراردادها به زبان ساده برای تهیه اطلاعات استفاده می شود. محققان انتظار دارند با پیشرفت تکنیک های یادگیری ماشین ، این فناوری در آینده هوشمندانه تر شود.

بازاریابی شخصی سازی شده

فناوری در سیستم بازاریابی در حال بدست آوردن جایگاه خود است. با استفاده از ویژگی های یادگیری ماشینی ، صنعت بازاریابی مشتریان را بر اساس داده های رفتاری و مشخص تقسیم می کند. سیستم عامل های تبلیغات دیجیتال به بازاریابان اجازه می دهد تا بر روی مجموعه مخاطبان با تأثیر محصول مرتبط تمرکز کنند. آنها نیازهای مشتری را درک می کنند و بر این اساس با تبلیغات بهتر اقدام به فروش کالا و خدمت می کنند.

تشخیص کلاهبرداری

شرکت های بزرگی که درگیر تعاملات مالی و بانکی هستند از یادگیری ماشینی برای کشف تقلب و کلاهبرداری استفاده می کنند. این امر به شرکت ها کمک می کند تا مصرف کنندگان را در امان نگه دارند. یادگیری ماشینی همچنین می تواند برای شرکتهایی که معاملات کارت اعتباری را انجام می دهند ارزشمند باشد. این فناوری برای پرچم گذاری معاملات که براساس قوانین خاص  و بر طبق قوانین شرکت جعلی است ، آموزش دیده است. با شناسایی چنین امور بعد می توان جلوی گرفتار شدن شرکت ها در برابر ضرر بزرگ را گرفت. علاوه بر این ، یک شرکت همچنین می تواند با چشم انداز رقابتی و وفاداری مصرف کننده خود ، اطلاعات کسب کند و فروش یا تقاضا را در زمان واقعی با یادگیری ماشین پیش بینی کند.

اتومبیل های خودران

اتومبیل های خودران یکی از فن آوری های جذاب در زندگی روزمره امروزه است که در آن یادگیری ماشین در سطح بالایی استفاده می شود. زیبایی اتومبیل های خودران این است که از هر سه جنبه اصلی یادگیری ماشین یعنی یادگیری نظارت شده ، بدون نظارت و تقویتی در کل طراحی ماشین استفاده می شود. اتومبیل های هوشمند از ویژگی های یادگیری ماشین مانند تشخیص اشیا اطراف ماشین ، یافتن فاصله با ماشین جلویی ، محل روسازی و سیگنال ترافیک ، ارزیابی وضعیت راننده و طبقه بندی صحنه استفاده می کنند. یادگیری ماشینی همچنین می تواند در مورد شرایط جاده و ترافیک در زمان واقعی به راننده مشاوره دهد.

بهینه سازی حمل و نقل

شرکت هایی که برای ایجاد اعتماد بیشتر به صنعت حمل و نقل کار می کنند یادگیری ماشینی را به عنوان منبع اصلی برای کار خود انتخاب می کنند. برنامه های پر مصرفی مانند Uber ، Lyft ، Ola و غیره در بسیاری از محصولات خود از برنامه ریزی مسیرهای بهینه تا تعیین قیمت ها از یادگیری ماشین استفاده می کنند. قیمت پویا در سفر ، هزینه مسافر را با تغییر شرایط بازار تنظیم می کند. قیمت ها بسته به عواملی مانند زمان ، مکان ، آب و هوا ، تقاضای مشتری و غیره متفاوت است. یادگیری ماشین همچنین به رانندگان کمک می کند تا بهترین مسیر را برای رسیدن مسافران از نقطه A به B پیدا کنند.

پیش بینی رفتار

سازمان ها می توانند از مدل های یادگیری ماشینی برای پیش بینی رفتار مشتری بر اساس داده های گذشته وی استفاده کنند. شرکت ها به دنبال صحبت با مردم در شبکه های اجتماعی می باشند  و سپس افرادی را که در جستجوی محصول یا خدمات داده شده هستند ، شناسایی می کنند. به عنوان مثال ، Zappos از تجزیه و تحلیل و یادگیری ماشین برای کمک به ارائه اندازه گیری شخصی و نتیجه جستجو برای مشتریان و همچنین مدل های رفتار پیش بینی کننده استفاده می کند.

مراقبت های بهداشتی

ارزش یادگیری ماشینی در مراقبت های بهداشتی در توانایی آن در پردازش مجموعه داده های عظیم فراتر از توانمندی انسان است و همچنین  تجزیه و تحلیل این داده ها را به بینش بالینی قابل اعتماد تبدیل می کند که به پزشکان در درمان کمک می کند. یادگیری ماشینی در برنامه ریزی و ارائه مراقبت کمک می کند ، در نهایت منجر به نتایج بهتر ، هزینه های کمتر مراقبت و افزایش رضایت بیمار می شود. با کمک رایانه (CAD) ، یک برنامه یادگیری ماشینی نیز می تواند برای بررسی اسکن ماموگرافی زنان در پیش بینی سرطان مورد استفاده قرار بگیرد.

خودکارسازی فرایندها

اتوماسیون فرآیند هوشمند (IPA) محصول همگرایی هوش مصنوعی و فناوری های مرتبط از جمله دید رایانه ، اتوماسیون شناختی و یادگیری ماشینی است. با گردآوری این فناوری ها در یک فرآیند واحد ، شرکت ها امکان اتوماسیون غنی تری را پیدا می کنند و قفل هر ارزش تجاری را برای شرکت باز می کنند. از الگوریتم یادگیری ماشین می توان در اتوماسیون ارزیابی ریسک بیمه بدون خطا از کار دستی ورود اطلاعات استفاده کرد.

چت بات ها

یادگیری ماشینی با استفاده از چت بات های گفتگویی که به درخواست های مشتری پاسخ مربوطه را می دهند ، به پشتیبانی مشتری کمک می کند. با استفاده از مفاهیم پردازش زبان طبیعی (NLP) و تجزیه و تحلیل احساسات ، الگوریتم های یادگیری ماشین قادر به درک نیاز مشتری و لحن گفتن آنها هستند. سپس سیستم درخواست را به شخص پشتیبانی کننده مناسب مشتری هدایت می کند.

حفاظت فیزیکی

یادگیری ماشینی نقشی محوری در تأمین امنیت در اجتماعات بزرگ دارد. این فناوری یک دارایی برای کمک به جلوگیری از هشدارهای جعلی و مشکل هایی را فراهم می کند که ممکن است در محافل انسانی در رویدادهای بزرگ عمومی از امنیت بی بهره باشند. به عنوان مثال ، Evolv Technology ادعا می کند که یک سیستم امنیتی فیزیکی ارائه می دهد که 600 تا 900 نفر را در هر ساعت برای راهپیمایی ها  نمایش می دهد.

سئو بهینه سازی کد نیاز دارد

سئو بهینه سازی کد نیاز دارد

در بسیاری از مقالات در مورد بهینه سازی موتور جستجو (SEO) طوری صحبت می شود که انگار یک موضوع ساده است. در حقیقت ، کد گذاری برای سئو بسیار حیاتی است ، اما به زمان و مهارت نیاز دارد. با این حال ، ما عمداً از کلمه “مهارت” برای توصیف این فرآیند استفاده می کنیم ، زیرا کاملاً قابل آموزش است و اجرای آن کار خارق العاده ای نیست. بیشتر مطالبی که با موضوع سئو مطالعه می کنید مربوط به تکنیک های داخل صفحه است. این شامل تغییر گزینه های وب سایت با استفاده از یک افزونه backend مانند Yoast SEO یا The SEO Framework است. به این ترتیب ، شما اغلب توصیه هایی مانند این را در اینترنت می بینید که برای تصاویر خود از “متن alt” مناسب استفاده کنید. پست های خود را حول یک کلمه کلیدی با تمرکز قوی بسازید و پاراگراف های خود را به صورت انبوه ننویسید و از عناوین زیادی استفاده کنید.

بهینه سازی کد چه تاثیری بر روی سئو دارد ؟

تمامی این دستور العمل ها بسیار کاربردی هستند اما فقط هنگامی قابل استفاده هستند که بتوانید کد نویسی سایت را به درستی انجام دهید در واقع اولین کاری که برای سئو کردن انجام می دهید کد نویسی متناسب است. اگر همه کارهایی که هنگام تولید محتوا انجام می دهید درست باشد اما سایت از نظر کد نویسی ضعیف باشد، در واقع هیچ پیشرفتی در سایت شما حاصل نمی شود و تولید محتوای خوب شما بیهوده بوده است. رایانه ها برای تجزیه کد شما به فضای سفید نیاز ندارند اما باید بتوانند منطق شما را دنبال کنند. همانطور که کوچک سازی یک راه عالی برای بهبود SEO بدون تأثیر بر خوانایی کامپیوتر است ، نوشتن کدهای قابل فهم و قابل خواندن توسط انسان نیز این خاصیت را دارد.

کدام سایت ها برای ربات های متور جستجو مناسب است ؟

قبل از اینکه از کد بهینه استفاده کنید باید بدانید که این دسته از کد ها چگونه هستند ؟ برای اینکه یک نمونه خوب ببینید می توانید در صفحه سرچ گوگل بر روی فلش کنار URL کلیک کنید و از گزینه cached استفاده کنید تا ببینید این گونه کد ها چگونه هستند. در این گزینه دو حالت سایت را به شما نسان می دهد یا به صورت متنی و یا به صورت سورس کد.

اگر به سورس کد در هر صفحه وب نگاه کنید ، چیزی شبیه به عکس زیر را خواهید دید.سورس کد ترسناک نیست. این فقط کدی است که مرورگرهای وب “می خوانند” تا بدانند چگونه محتوای یک صفحه وب را نشان می دهند. گوگل و سایر موتورهای جستجو کد منبع شما را می خوانند تا بفهمند سایت شما چیست.

مورد بعدی برچسب عنوان یا Title Tag می باشد در سورس کد این قسمت را با titlr نشان می دهد. به یاد داشته باشید که برای هر صفحع باید یم برچسب عنوان داشته باشید تا گوگل متوجه شود که این مطلب در مورد چه چیزی است. گوگل کمی تغییر را در این مورد آزمایش کرده است ، اما بیشتر اوقات آنها دقیقاً آنچه را که در برچسب عنوان شما است ، در صفحه موتور جستجو، جستجو می کنند ، ینا بر این این بخش بسیار مهم است شما همچنین باید کلمه کلیدی خود را در آن بگنجانید تا افرادی که آن کلمه را جستجو می کنند بر روی آن کلیک کنند. اما در این مورد مراقب باشید. نباید بر روی کلمات کلیدی وسواس داشته باشید. هر چه این کلمات طبیعی تر باشند باز خورد بهتری بر روی سایت شما ایجاد خواهند کرد. سعی کنید به صورت بسیار مختصر تمامیت مطلب موجود را بیان کنید. هرچه این مطالب به طور طبیعی تر نوشته شده باشد ، احتمال بیشتری وجود دارد که مردم روی آن کلیک کنند.

کد بهینه سازی شده چه تاثیری بر روی سئو دارد ؟

هر چه کدی که می نویسید سبک تر باشد و صفحه وب شما را راحت تر نمایش دهد برای شما بهتر است. وقتی از دید یک کاربر به یک وبسایت نگاه می کنید انتظار دارید که کمترین زمان را برای نمایش صرف کنید. از عکس هایی که حجم بالا دارند استفاده نکنید و در حد امکان از ویژگی هایی استفاده نکنید که کد نویسی شما را سنگین کند. تمامی این اقدامات در مرحله اول قرار دارد سپس باید از تکنیک های تولید محتوا استفاده کنید تا بتوانید در رنک های بالای موتور جستوجو مانند گوگل قرار بگیرید.

با ویرا سگال کارو همراه باشید

پردازش و یادگیری زبان طبیعی توسط ماشین ها چگونه است ؟

پردازش و یادگیری زبان طبیعی توسط ماشین ها چگونه است ؟

پردازش و یادگیری زبان طبیعی (NLP) زمینه مطالعه ای است که از سه رشته علوم کامپیوتر ، هوش مصنوعی و زبان شناسی محاسباتی تشکیل شده است. این رایانه را قادر می سازد تا به روشی هوشمندانه و مفید ، معیار را از زبان انسان ارزیابی ، درک و استخراج کند. با استفاده از NLP ، برنامه نویسان راه را برای سازماندهی و انجام وظایفی مانند خلاصه سازی خودکار،  ترجمه ، شناسایی شخص ، تجزیه و تحلیل احساسات ، تشخیص گفتار و تقسیم بندی موضوع ،هموار کرده اند. با استفادهاز پیشرفت های اخیر در دسترسی به داده ها و قدرت محاسباتی ، NLP بسیار بیشتر پیشرفت کرده است و به متخصصین امکان می دهد نتایج قابل توجهی در زمینه هایی مانند مراقبت های بهداشتی ، مالی ، منابع انسانی و سایر موارد بدست آورند.

پردازش زبان و یادگیری طبیعی برای چه چیز هایی استفاده می شود؟

NLP تقریباً در هر صنعت کاربردهای متنوعی دارد. این فناوری توانایی مدیریت خودکار زبانهای طبیعی انسان مانند گفتار یا متن را دارد. همچنین می تواند به یک کارمند ادارات یا شرکت ها در انجام کارهای متعدد کمک کند و در نهایت باعث تقویت عملکرد کار می شود. بسیاری از توسعه دهندگان معمولاً از الگوریتم های NLP برای جمع آوری بلوک های متن برای برداشتن ایده های    ضروری و اصلی استفاده می کنند. ایجاد ربات های چت برای پرس و جو و پاسخ مناسب. تجزیه و تحلیل احساسات و کمک شناختی و موارد دیگر صورت می پذیرد. به عنوان مثال ، شرکت هایی مانند یاهو و گوگل از پردازش زبان طبیعی برای فیلتر کردن و طبقه بندی ایمیل ها و ارزیابی متن ایمیل هایی که از طریق سرورهای کاربران عبور می کند استفاده می کند و از ارسال هرزنامه ، حتی قبل از ورود به صندوق ورودی ایمیل جلوگیری می کند. اکثر اطلاعاتی که سازمان های اطلاعاتی اعم از خصوصی یا عمومی جمع آوری می کنند، متنی بدون ساختار ، از جمله مکالمات شبکه های اجتماعی ، نظرات در وب سایت ها ، گزارش های داستانی و سایر موارد است. دریافت بینش عملی از این داده ها می تواند چالش برانگیز باشد. 

آژانس پروژه های تحقیقاتی پیشرفته دفاعی (DARPA) در تلاش برای کاهش این نوع چالش ها ، برنامه کاوش و فیلتراسیون متن (DEFT) عمیق را ساخت. این برنامه با استفاده از NLP به طور خودکار اطلاعات مربوط به وابسطه را استخراج می کند و به تحلیلگران کمک می کند تا بینش های عملی را از آنها بدست آورند. هدف DEFT پرداختن به شکاف های باقی مانده توانایی مربوط به استنباط ، روابط علی و تشخیص ناهنجاری است.

پیشرفت ها در NPL

NPL توانایی ماشین ها را در تفسیر موثر متن ، گفتار و کلمات تقویت می کند. این امر باعث پیشرفت تجزیه و تحلیل داده ها ، کشف بدافزار و جلوگیری از انتشار اخبار جعلی می شود. با تکامل چت بات های مجهز به هوش مصنوعی مانند الکسا ، سیری ، کورتانا و دستیار Google و غیره ، استفاده از پردازش زبان طبیعی بسیار زیاد شده است. پیشرفت های اخیر در کاربردهای این فناوری به طور قابل توجهی نحوه درک و یادگیری هوش مصنوعی از چیزهای پیرامون آن را تغییر داده است. یکی از مهمترین پیشرفتها در زمینه NLP استفاده از یادگیری انتقالی بود. Fast.ai’s ULMFiT Universal Language Model Fine Tuning مفهوم یادگیری انتقالی را به جامعه NLP معرفی کرد. طبق گفته این شرکت ، ULMFiT یک روش یادگیری انتقالی موثر است که می تواند برای هر کاری در NLP اعمال شود. در سال 2018 ، Google AI مدل جدیدی را برای NLP به نام BERT (نمایندگی های رمزگذار دو طرفه از ترانسفورماتورها) معرفی کرد. این مدل از مفهوم ترانسفورماتور و یادگیری انتقالی استفاده می کند و آموزش کامل دو طرفه ترانسفورماتور را انجام می دهد. 

بعلاوه ، در سال 2018 ، محققان دانشگاه کالج اطلاعات و علوم رایانه ای دانشگاه ماساچوست و Google AI Language ، (LISA) ، یک مدل شبکه عصبی خود-توجه به زبانشناسی را معرفی کردند. این امر یادگیری عمیق و فرم گرایی زبانی را با هم ادغام می کند ، بنابراین از تجزیه نحوی برای دستیابی به معنای دقیق ، به طور موثرتری استفاده می کند.به طور گسترده تر ، قدرت NLP در سال های آینده به تکامل ، درک و زمینه سازی داده هایی ادامه خواهد داد که می تواند منجر به سود بهتر یک تجارت شود.

ردیاب مکان سامسونگ

ردیاب مکان سامسونگ

سامسونگ ویژگی ردیاب مکان را برای رقیب یافتن مزایای Find My iPhone در اپل راه اندازی می کند. سامسونگ الکترونیک، نسخه مخصوص خود از ویژگی Find My Apple را برای یافتن دستگاه ها معرفی کرده است – اگرچه طبیعتاً این ویژگی فقط با دستگاه های Galaxy کار خواهد کرد ، از تلفن های هوشمند گرفته تا تبلت ها، ساعت های هوشمند و هدفون های مختلف گوش. این ویژگی که SmartThings Find نام دارد ، مکان دستگاه ها را با استفاده از بلوتوث کم انرژی (BLE) و Ultra Wideband (UWB) پیدا میکند – یک روش ردیابی بدون WiFi ، مشابه آنچه اپل در حال توسعه دارد. این شرکت در بیانیه مطبوعاتی اعلام کرد SmartThings Find اکنون پس از آزمایش این سرویس توسط 6 میلیون کاربر در کره جنوبی ، ایالات متحده و انگلیس ، در حال حاضر در دستگاه های Galaxy سامسونگ در دسترس است.

فناوری پشت ردیاب مکان سامسونگ

پس از انجام مراحل ثبت نام سریع ، کاربران SmartThings به راحتی می توانند دستگاه های Galaxy خود را از طریق تلفن های هوشمند ، تبلت ها و ساعت های هوشمند ، تا هر گوشی هدفون را جداگانه پیدا کنند. در حالی که این برنامه از فناوری BLE و UWB برای ردیابی دستگاه ها استفاده می کند ، اما مکان آنها را در یک رابط AR نشان می دهد تا به کاربران کمک کند ببینند محصولات گلکسی آنها واقعاً کجاست.جائئئون یونگ ، معاون رئیس جمهور و رئیس تیم SmartThings ، تجارت ارتباطات سیار در سامسونگ الکترونیک. گفت: “SmartThings Find با استفاده از مزیت اضافی استفاده از AR6 همراه با نقشه ها و اصوات برای هدایت شما به دستگاه هایتان ، یک راه حل ساده و بصری است که به شما کمک می کند تا دستگاه های مورد علاقه خود را به راحتی پیدا کنید. این فقط یک نمونه تجاربی است که در تلفن همراه خود دارید که فناوری UWB برای مردم سراسر جهان به ارمغان می آورد” به گفته سامسونگ: هرگاه دستگاهی به مدت 30 دقیقه آفلاین باشد ، سیگنال BLE تولید می کند که می تواند توسط دستگاه های دیگر دریافت شود. اگر دستگاه خود را از دست داده اید از طریق SmartThings Find گزارش کنید ، هر تلفن هوشمند یا تبلت Galaxy که در نزدیکی آن قرار دارد برای یافتن دستگاه های مفقود شده می توانند سرور سامسونگ را در مورد مکان آن مطلع سازد که به نوبه خود به شما اطلاع می دهد. ” این سرویس همچنین قرار است جهت ها و صداهای یکپارچه نقشه خوان را به کاربران ارائه دهد تا بتوانند به سرعت دستگاه گمشده خود را پیدا کنند. هنگامی که به دستگاه خود نزدیک شدید ، می توانید با استفاده از عملکرد جستجوی مبتنی بر واقعیت افزوده در نزدیکی دستگاه خود ، “زنگ” بخورید یا آن را مکان یابی کنید ، که گرافیک های رنگی را نشان می دهد که هنگام نزدیک شدن به دستگاه ، شدت آنها افزایش می یابد. نکته برجسته این سرویس این است که به کاربران امکان می دهد دستگاه های گمشده خود را حتی در صورت آفلاین بودن پیدا کنند.

با ویرا سگال کارو همراه باشید

انقلاب مدرن هوش مصنوعی چگونه آغاز شد؟

انقلاب مدرن هوش مصنوعی چگونه آغاز شد؟

انقلاب مدرن هوش مصنوعی در طی یک مسابقه تحقیقات مبهم آغاز شد. سال 2012، سومین سال مسابقه سالانه ImageNet ، بود، تیم ها را برای ساخت سیستم های بینایی رایانه ای به چالش کشیدند که می بایست  1000 شی از حیوانات گرفته تا مناظر و مردم را تشخیص بدهد. در دو سال اول ، بهترین تیم ها نتوانسته اند حتی به 75٪ دقت برسند. اما در سال سوم ، گروهی متشکل از سه محقق ( یک استاد و دانشجویانش ) ناگهان از این حدعبور کردند. آنها با درصد خیره کننده 10.8 در مسابقه برنده شدند. آن استاد جفری هینتون بود و روشی که آنها به کار برده بودند، یادگیری عمیق نامیده شد.

یادگیری عمیق انقلاب مدرن هوش مصنوعی

هینتون از دهه 1980 در واقع با یادگیری عمیق کار می کرد ، اما اثربخشی آن به دلیل کمبود داده و قدرت محاسباتی محدود شده بود. اعتقاد راسخ وی به این تکنیک در نهایت سودهای کلانی را پی داشت. چهارمین سال مسابقات ImageNet ، تقریباً همه تیم ها از یادگیری عمیق استفاده می کردند و به موفقیت های معجزه آسایی دست یافتند. به زودی یادگیری عمیق در مورد وظایفی فراتر از شناسایی تصویر و همچنین در طیف وسیعی از صنایع نیز اعمال شد. سال گذشته ، به دلیل کمک های بنیادی خود در این زمینه ، هینتون در کنار سایر پیشگامان هوش مصنوعی یان لکون و یوشوا بنگیو جایزه تورینگ را دریافت کرد.

متن زیر مصاحبه کارن هاو با هینتون در تاریخ بیست اکتبر و در کنفرانس سالانه EmTech MIT MIT Technology Review می باشد که البته تدوین شده است.

شما فکر می کنید یادگیری عمیق برای باز سازی تمام جنبه های هوش انسان کافی خواهد بود. چه چیزی باعث می شود که انقدر مطمئن باشید ؟

من معتقدم یادگیری عمیق قادر به انجام همه کارها خواهد بود ، اما فکر می کنم که باید چندین پیشرفت مفهومی داشته باشد. به عنوان مثال ، در سال 2017 Ashish Vaswani و همکاران. ترانسفورماتورهایی را معرفی کرد که بردارهای بسیار خوبی را برای معنی کلمات نشان می دهند. این یک موفقیت مفهومی بود. اکنون تقریباً  این ترانسفورماتور در بهترین پردازش های زبان طبیعی مورد استفاده قرار می گیرد. ما به تعداد  بیشتری از این موقفیت ها نیاز داریم.

و اگر این پیشرفت ها را داشته باشیم ، آیا می توانیم با یادگیری عمیق ،هوشی نزدیک به هوش انسان بسازیم؟

آره. به ویژه پیشرفت هایی که در زمینه دستیابی به ناقلین بزرگ فعالیت عصبی برای پیاده سازی مواردی مانند منطق ایجاد می شود. اما ما همچنین به افزایش گسترده مقیاس نیز نیاز داریم. مغز انسان حدود 100 تریلیون پارامتر یا همان سیناپس دارد. آنچه اکنون ما آن را یک مدل واقعاً بزرگ می نامیم ، مانند GPT-3 ، 175 میلیارد پارامتردارد. هزار برابر کوچکتر از مغز . GPT-3 اکنون می تواند متنی کاملاً قابل قبول تولید کند ولی همچنان در مقایسه با مغز هنوز کوچک است.

وقتی می گویید مقیاس ، منظور شما شبکه های عصبی بزرگتر است یا داده های بیشتر یا هر دو؟

هر دو. نوعی اختلاف بین آنچه در علوم کامپیوتر اتفاق می افتد و آنچه در مورد انسان اتفاق می افتد وجود دارد. انسان در مقایسه با مقدار داده ای که دریافت می کنند ، مقدار زیادی پارامتر دارد. شبکه های عصبی به طرز حیرت انگیزی در پردازش به مقدار کمی داده با تعداد زیادی پارامتر مهارت دارند ، اما انسان ها در این مورد حتی بهتر  ماشین ها هستند.

بسیاری از افراد در این زمینه معتقدند که عقل سلیم توانایی بزرگ بعدی برای ورود به آن است. قبول دارید؟

موافقم که این یکی از موارد بسیار مهم است. من همچنین فکر می کنم کنترل موتور بسیار مهم است و شبکه های عصبی عمیق اکنون در این زمینه مهارت پیدا می کنند. به ویژه ، برخی از کارهای اخیر در Google نشان داده است که شما می توانید کنترل حرکتی خوبی داشته باشید و آن را با زبان ترکیب کنید ، بنابراین می توانید یک کشو را باز کنید و یک بلوک را بیرون بیاورید ، و سیستم می تواند به زبان طبیعی به شما بگوید که چه کاری انجام می دهد. برای مواردی مانند GPT-3 ، که این متن شگفت انگیز را ایجاد می کند ، واضح است که برای تولید آن متن باید چیزهای زیادی درک کند ، اما کاملاً مشخص نیست که چقدر آن را درک می کند. اما اگر چیزی کشو را باز کند و یک بلوک را بیرون بیاورد و بگوید ، “من فقط یک کشو را باز کردم و یک بلوک را بیرون آوردم” ، سخت است بگویم که نمی فهمد چه کاری انجام می دهد.