سرمایه گذاری هوش مصنوعی ؛ کدام فناوری ‌ها بیشترین سهم و کمترین سهم را دارند؟

هوش مصنوعی با اشتیاق زیادی در حال تغییر دادن بسیاری از حوزه‌ها است ، اما مساله اینجاست که  آن حوزه‌ها به همان اندازه  روی خوش  نشان نمی‌دهند. گسترش هوش مصنوعی بیش از همه به این موضوع ارتباط دارد که جامعه در حال حاضر چه چیزی را جذاب می‌داند. شاخص هوش مصنوعی اخیراً گزارشی را منتشر کرده است که نشان می‌دهد سرمایه گذاری هوش مصنوعی به سمت کدام بخش‌ها سرازیر شده است . نتایج شگفت‌انگیز است.

اهمیت معنادار اتومبیل‌های خودران

ما هنوز در جستجوی یک اتومبیل اسطوره‌ای هستیم، حتی با وجود شکست‌های قابل توجه و خطرناکی که در این مسیر با آنها مواجه شده‌ایم. اتومبیل‌ها این پتانسیل را دارند تا در شهرهای کوچک از بار سنگین ترافیک بکاهند حتی اگر جمعیت بیشتر شود. آنها همچنین می‌توانند هزینه های ارسال و تحویل بار را کاهش دهند.اما مسئله بیش از چند الگوریتم ساده است. درواقع رایانه‌ها هنوز هم تا حد زیادی در انتقال یادگیری در شرایط مختلف ناکارآمد هستند. توسعه اتومبیل‌های خودران مانند توسعه کامپیوتری است که قرار است همانند یک انسان رفتار کند. با اینکه این الگوریتم‌ها روز به روز در حال بهترشدن هستند اما در حال حاضر کماکان می‌توان پردازنده‌های رایانه‌ای را به راحتی  فریب داد و این چیزی است که باید تغییر کند.

همزمان که ما در تلاش برای خلق یک نمونه کامل از اتومبیل های خودران هستیم  به طور کلی به دنبال استفاده از منحنی یادگیری برای ماشین‌ها نیز هستیم. یادگیری ماشین مفهومی است که برای صنایع و سازمان‌ها آشنا و با ارزش است. رانندگی خودران قسمت عمده سرمایه گذاری هوش مصنوعی را به خود اختصاص می‌دهند زیرا در این حوزه ریسک زیادی وجود دارد.این گزارش اضافه می‌کند که ربات‌های خودران که به همین موضوع مرتبط هستند نیز رشد خوبی را نشان داده‌اند.

تحول بیوتکنولوژی و داروسازی

داروها و مطالعه سرطان در رده‌ی بعدی بیشترین سرمایه گذاری هوش مصنوعی است. اگرچه از نظر حجم و تعداد در حد اتومیبل های خودران  نیست اما به دلایل مختلفی حوزه‌ بسیار مهمی است. تلاش هایی که در این زمینه معطوف به کاهش هزینه آزمایش‌ها است در صورت صحیح بودن الگوریتم‌ها یک سرمایه گذاری با ارزش به شمار می‌رود. شرکت‌های داروسازی سال‌ها بابت افزایش قیمت داروها و عدم عرضه‎ی مداوم داروهای بی عارضه مورد انتقاد قرار گرفته‌اند. اکنون فرصت خوبی است تا  تلاش‌هایشان به سرانجام برسد و انتقادات را خنثی کنند.

همکاری هوش مصنوعی و متخصصان داروسازی بهترین فرصت را برای ساختن روش‌های جدید کشف دارو و پیشرفت در تحقیقات سرطان فراهم می‌کند. از آنجا که سرطان کماکان برای ما ناشناخته است، هوش مصنوعی می‌تواند با پردازش داده‌های بزرگ -کاری که انسان نمی‌تواند انجام دهد– تمامی الگوهایی را که ناشناخته مانده‌اند برای ما آشکار کنند. شرکت‌هایی همچون مراقبت‌های پزشکی Fresenius ، Flatiron Health  و داروسازی Alexion   اهمیت و نحوه عملکرد هوش مصنوعی را در آینده مراقبت‌های بهداشتی، بیوتکنولوژی و داروسازی درک می‌کنند. آنها امسال در کنفرانس علم داده یا ODSC  حضور خواهند داشت تا با تبادل نظر و حضور در کارگاه‌هایی که برگزار می‌شوند دانش خود را افزایش دهند.

موضوع مناقشه برانگیز فناوری تشخیص چهره

فناوری تشخیص چهره به طور مداوم در صدر اخبار است و سرمایه‌گذارها همچنان به حمایت از نرم‌افزارهای این حوزه ادامه می‌دهند. جالب اینکه علی‌رغم اختلاف‌نظرها این سرمایه‌گذاری‌ها از جاهای مختلفی از دولت‌ها گرفته تا نیروی انتظامی و آژانس‌های تبلیغاتی انجام می‌شود.

نمی‌توان به فناوری تشخیص چهره به چشم یک موضوع خطرناک و ویران کننده نگاه کرد. این بستگی به منشا سرمایه‌گذاری‌ها و استفاده‌ای که از این فناوری برای نسل‌های بعدی می‌شود دارد. درواقع هنوز کاملا شبیه داستان فیلم گزارش اقلیت نشده است اما با ادامه این سرمایه‌گذاری‌ها و پیشرفت‌ها باید به فکر متعادل‌کردن نگرانی‌های مربوط به حریم خصوصی خود از سویی و امنیت عمومی و قراردادهای اجتماعی از سوی دیگر باشیم.

همزمان که که این فناوری به پیشرفت خود ادامه می‌دهد دولت‌ها در تلاشند تا در مورد نگرانی‌های مربوط به حریم خصوصی موضع بگیرند و قوانینی را برای کنترل نرم‌افزارهایی که می‌توانند کاربرد نظامی داشته باشند تصویب کنند.

سرمایه‌گذاری‌های شگفت‌آور

محتوای دیجیتالی یکی از جذاب‌ترین حوزه‌ها در سرمایه گذاری هوش مصنوعی است. برای مدت‌های زیادی تصور می‌شد که نوشتن یک تلاش انسانی است، اما ماشین‌ها به طور مداوم ما را با کیفیتی که دارند غافلگیر می‌کنند. در حال حاضر تعداد اندکی از سازمان‌های بزرگ از هوش مصنوعی برای نوشتن محتوایی که نیروی انسانی به اندازه کافی در آن سریع نیست استفاده می‌کنند.

در انتهای این طیف، زنجیره تامین وجود دارد که علی‌رغم وعده‌های زیادی که در جهت افزایش کارایی و کاهش خطا داده‌اند همچنان پایین‌ترین سطح سرمایه‌گذاری هوش مصنوعی را به خود اختصاص داده‌اند. برخلاف انتظار، بازاریابی از طریق چت‌بات‌ها که نسل بعدی بازاریابی در جهان به شمار می‌رود، شاهد کمترین رشد سرمایه‌گذاری در این حوزه بوده است.

این‌ها به چه معنا است؟

رسانه‌های دیجیتالی تلاش کرده‌اند تا در دوران فروش آنلاین سودآوری داشته باشند و یکی از راه‌حل‌های موجود، تولید محتوایی باب میل خریداران است بدون اینکه مجبور شوند بودجه بیشتری برای استخدام نویسنده‌ها اختصاص دهند.

اما در مورد زنجیره تأمین، این بخش همچنان بر اساس اصول انقلاب صنعتی استوار است که دیگر جواب نمی‌دهد. هنوز هم مدیران باید زمان زیادی را صرف سروکله زدن با ارقام و اعداد مربوط به ضایعات محصولات، خرابی و موانع پیش‌بینی نشده صرف کنند. تا زمانی که در بر این پاشنه بچرخد احتمالا با سرمایه‌گذاری زیادی مواجه نمی‌شوند.

به لطف پردازش زبان طبیعی، چت‌بات‌ها میتوانند با مشتریان ارتباط برقرار کنند اما چون نوآوری بیشتر از این صورت نگرفته طبعا سرمایه‌گذاری‌های این حوزه هم با رکود مواجه شده است.

رو به جلو با هوش مصنوعی

سرمایه‌گذاری معمولا از یک روند قابل انتظار تبعیت نمی‌کند، به عنوان مثال در برخی زمان‌ها مشکل بزرگ‌تر از آن می‌شود که با راه‌حل‌های موجود بتوان به آن پاسخ داد، اما همه سرمایه‌گذاری‌ها به این سمت هدایت نمی‌شوند و این تعجب برانگیز است.

آنچه ما می بینیم تعهد مداوم به توسعه هوش مصنوعی برای خودکارسازی، ایجاد کارآیی و کاهش اتلاف منابع است؛ مواردی که انسانها همیشه در آن خوب ظاهر نمی‌شوند. حتی در زمینه‌های خلاقانه مانند محتوای دیجیتال، هوش مصنوعی می‌تواند بار سنگین مطالب چاپی را کاهش دهد و مسیری را برای ارائه‌دهندگان اطلاعات فراهم کند تا در دنیای در حال تغییر دیجیتال سود آور باشند.

شما فکر می‌کنید در کدام بخش‌های هوش مصنوعی باید سرمایه‌گذاری ببیشتری شود؟

منبع: hooshio.com

گام بعدی هوش مصنوعی: استدلال عمیق

گام بعدی هوش مصنوعی برای همه به موضوعی چالش برانگیز تبدیل شده است. هوش مصنوعی در انجام بسیاری از کارها بهتر از انسان عمل می‌کند. پیش‌بینی وضع هوا، تشخیص بیماری و بازی شطرنج از جمله کارهایی است که هوش مصنوعی در انجام آنها عملکردی بهتر از انسان دارد. بی‌تردید هوش مصنوعی در بسیاری از امور به کار گرفته خواهد شد، اما شاید در پاسخ‌گویی به بعضی از پرسش‌ها که مستلزم استدلال عمیق است به گرد پای انسان هم نرسد.
اندازۀ استوانه‌ای که در سمت چپ جسم فلزی قهوه‌ای قرار دارد، چقدر است؟حتی یک کودک شش ساله هم می‌تواند به سادگی به این پرسش پاسخ دهد، اما این قبیل از پرسش‌ها خارج از محدودۀ مدل‌های یادگیری عمیق سنتی هستند.

چرا یادگیری عمیق کافی نیست؟

مدل‌های یادگیری عمیق عملکرد خوبی در درک روابط میان خروجی‌ها و ورودی‌ها دارند، اما انتظار نمی‌رود از این سطح برود. چه یادگیری تقویتی باشد چه یادگیری نظارت‌شده، ورودی‌ها و خروجی‌ها به روشنی تعریف می‌شوند و درک آنها برای مدل آسان است. اگر محققان در نظر دارند تا مدل‌های هوش مصنوعی قابلیت تصمیم‌گیری داشته و از عقل سلیم استفاده کنند، باید زمینه را برای گسترش قوه استدلال در آنها فراهم کنند. گام بعدی هوش مصنوعی باید قابلیت تفکر انتزاعی داشته باشد.

استدلال عمیق

استدلال عمیق به حوزه‌ای اطلاق می‌شود که در آن، ماشین‌ها قابلیت درک روابط تلویحی میان مفاهیم مختلف را به دست می‌‍‌آورند. این مثال را در نظر بگیرید: «همه حیوانات آب می‌نوشند. گربه‌ها حیوان هستند.» در این مثال، رابطه تلویحی این است که همه گربه‌ها آب می‌نوشند، اما این برداشت به‌طور صریح ذکر نشده است. انسان‌ها این نوع استدلال منطقی و ارتباط چیزهای مختلف با یکدیگر را به خوبی درک می‌کنند، اما رایانه‌ها که بر اساس قوانین سخت و صریح عمل می‌کنند، به این سادگی این نوع روابط را درک نمی‌کنند.

پس چطور می‌توان رایانه‌ها را به قوه استدلال مجهز کرد؟

در این مقاله، محققان شرکت DeepMind توضیح می‌دهند که چطور توانستند یک مدل یادگیری عمیق را مجاب به پاسخ‌گویی به برخی پرسش‌های دشوار کنند. این مدل توانست با میزان دقت ۹۶ درصد به پرسش‌ها جواب دهد. اقدامات زیر با استفاده از سه شبکه به انجام رسید:

• ۱. یک شبکه حافظه طولانی_کوتاه مدت برای پردازش پرسش
• ۲. شبکه عصبی پیچشیبرای پردازش تصاویر
• ۳. شبکه رابطه برای درک ارتباط میان اشیای مختلف

اکنون می‌خواهیم نقش هر کدام از اجزای فوق را در حل مسئله بررسی کنیم.

پردازش زبان
شبکه‌های LSTM به دلیل قابلیت‌شان در بخاطر سپردن بخش‌های قبلیِ توالی، عملکرد خوبی در درک توالی‌ها دارند. این قابلیت می‌تواند در پاسخ‌گویی به پرسش‌ها و در کل زبان مفید باشد زیرا ابتدایِ جمله می‌تواند معنا یا اهمیت پایان جمله را تحت تاثیر قرار دهد. شبکه‌های حافظه طولانی کوتاه‌مدت مجموعه‌ای از پرسش‌ها را گردآوری کرده و کار را برای RN آسان‌تر می‌کند.

پردازش تصویر
CNN عملکرد درخشانی در شناسایی ویژگی تصاویر دارند. به همین منظور، محققان از CNN برای استخراج انواع مختلف ویژگی تصاویر در قالب بردارهای نقشه ویژگی استفاده کردند. بردارهای نقشه ویژگی اجسام را بهتر و کارآمدتر از پیکسل‌ها به نمایش می‌گذارند و کار را برای RN آسان‌تر می‌کنند.

درک منطقی
به محض اینکه مدل پرسش و تصویر را پردازش کرد، می‌تواند روابط میان اشیاء را در تصویر درک کند. این مدل می‌تواند از آن روابط برای جواب دادن به پرسش مورد نظر استفاده کند. شبکه RN با در نظر گرفتن روابط بالقوه میان جفت اشیاء (مثل استوانه قرمز و مکعب آبی)، یاد بگیرد که در خصوص روابط استنتاج کند. سپس این خروجی‌ها در اختیار شبکه ادراک چندلایه قرار داده می‌شوند. این خروجی‌ها خلاصه شده و به شبکۀ ادراک چندلایه نهایی ارسال می‌شوند تا از پاسخ خروجی گرفته شود.
شاید این فرایند قدری گیج‌کننده باشد. نمودار زیر مراحل مختلف این مدل را نشان می‌دهد.

اگرچه این مدل ساختار نسبتاً ساده‌ای دارد، اما گامی موثر در راستای هوش مصنوعی عمومی است و زمینه را برای ماشین‌ها فراهم می‌کند تا مثل انسان‌ها فکر کنند.

کاربردها

اکنون به برخی از کاربردهای بالقوه مدل‌های یادگیری عمیق در صورت انجامِ استدلال توجه کنید:

۱. اگر عامل‌ها بتوانند نحوه ارتباط بخش‌های مختلف محیط را درک کنند، آنها قادر خواهند بود به شکل هوشمندانه‌تری رفتار کنند.

۲. مدل‌سازی شبکه‌های اجتماعی

۳. حل مسائل انتزاعی

کلام آخر

• استدلال عمیق این فرصت را به هوش مصنوعی می‌دهد تا روابط انتزاعی میان چیزهای مختلف را درک کند.
• امکان تعبیۀ یک ماژول شبکه RN در مدل یادگیری عمیق نیز وجود دارد. با این کار، مدل می‌تواند قابلیت استدلال رابطه‌ای داشته باشد.
• استدلال عمیق ما را یک گام به هوش مصنوعی عمومی نزدیک‌تر می‌کند.

منبع: hooshio.com

چرا فروش راهکارهای مبتنی بر هوش مصنوعی مشکل است؟

از چالش های بزرگ پیش روی شرکت‌های هوش مصنوعی فروش راهکارهای مبتنی بر هوش مصنوعی و محصولاتی است که توسعه داده‌اند. در این میان شرکت‌هایی که می‌خواهند از راه حل‌های مبتنی بر هوش مصنوعی بهره‌مند شوند، نسبت به ادعای فروشندگان محتاط هستند و بازاریابان، در تلاشند تا مخاطبان بی‌علاقه یا بی‌اعتماد را قانع کنند.

 چگونه می‌توان بر اولویت‌‎های مشتریان تمرکز کرد؟

برای برخی از ما لحظاتی وجود داشته است که در یک موقعیت کاری احساس ناکارآمدی می‌کنیم و حس می‌کنیم در حال تلف کردن زمان هستیم. بعد به این فکر می‌کنیم که حتما باید راهی بهتری انجام این کار وجود داشته باشد. احتمالا همه ما از دیدن تعداد بسیار زیاد اطلاعاتی که در حال تولید شدن هستند و پتانسیل بالایی دارند شگفت‌زده هستیم و به این فکر می‌کنیم حتما ارزشی در این داده‌ها وجود دارد که هر طرف را که نگاه کنی عده‌ای در حال کدنویسی هستند تا این داده‌ها قابل استفاده شوند. هوش مصنوعی همه جا وجود دارد. استخدام‌کنندگان برای یافتن و جذب بهترین نیروها از آن استفاده می‌کنند. بانک‌ها آن را به عنوان ابزاری برای شناسایی الگوهای رفتاری که ممکن است حاکی از کلاهبرداری باشد، به کار می‌برند. شرکت‌های نیروگاهی برای هدایت انرژی از آن استفاده می‌کنند و بازاریابان آن را راهی برای بهینه‌سازی پویش‌های خود می‌دانند.

فرض کنید شما یک راهکار مبتنی بر هوش مصنوعی ایجاد کرده‌اید و قصد دارید این به کسب و کارهایی که راهکار شما متناسب با مجموعه داده‌های آن‌ها است پیشنهاد دهید. به آنها قول میدهید در تمام آن داده‌ها الگوهای ارزشمندی پیدا کنید. الگوی‌هایی که می‌تواند منجر به تصمیم‌گیری بهتر، کاهش اتلاف وقت و به تبع آن هزینه‌های شرکت شود. این باعث می‌شود رئیس شرکت مکث کند و از خود بپرسد. “آیا واقعاً ارزشش را دارد؟ یک راه حل مبتنی بر هوش مصنوعی چه مقدار ارزش می‌تواند با خود به همراه بیاورد؟

فیلو دنیل می‌گوید:
کسی که گفته است داده‌ها، نفت دوران ما هستند، حرف درستی زده است

مهم‌ترین نکته برای فروش راه‌حل‌های هوش مصنوعی، یافتن مشکلاتی است که به اندازه کافی مهم نیستند و شما باید برای رفع آنان پیشنهاد ارائه دهید. درواقع شما باید بتوانید آن‌چیزی را که دیگران نمی‌بینند و یا به‌آسانی از کنار آن گذشتنه‌اند ببینید. این هنر شما است. نکته دیگر این است مشکلاتی که قبلاً به شکل دیگر حل شده‌اند را بیابید و ببینید آیا می‌توان این مشکلات را به روش بهتری حل کرد؟

گفتن داستان‌های طولانی در مورد هوش مصنوعی ممنوع

شکاف عمیقی بین کسانی که فناوری‌های هوش مصنوعی را می‌سازند و کسانی که آن را خریداری می‌کنند وجود دارد. برقراری ارتباط با اصطلاحات فنی و بازاریابی نه تنها باعث سردرگمی مشتریان می شود بلکه آنها را نیز می‌ترساند. در هر یک از این موارد موفق بازاریابی هوش مصنوعی، موفقیت زمانی به وجود آمده است که گفتگوها با سطح دانش مشتری تطبیق داده شده اند. این کار با ارجاع به مفاهیمی که مشتری پیش از این آنها را شنیده بود امکان‌پذیر می‌شود. به‌طور مثال در حوزه نظارت اجتماعی یا مأموریت‌های فضایی و موفقیت آمیز هوش‌مصنوعی که به وضوح موارد مهم استفاده را نشان می‌دهد.

کسی برای شکست چیزی نمی‌سازد

یک نکته بارز که به طور مداوم توسط تحلیلگران تکرار می‌شود، این است که پروژه‌های مبتنی بر هوش مصنوعی میزان شکست بسیار بالایی دارند. این موضوع دلایل زیادی دارد. از نبود اهداف و عدم وجود تخصص گرفته تا فرهنگ‌های غیر داده‌محور و یا حتی اشتباه در تشخیص مساله و مشکل. به طور خلاصه، موارد مربوط به تجارت به سادگی نمی‌توانند موفق شوند. اما حتی در این شرایط که احتمال ناکامی وجود دارد ما باید به نوعی ارزش خود را نشان دهیم؛ ارزش عینی و قابل لمس برای هر سطحی که در آن مشتری با راه‌حل ما درگیر باشد. و قاعدتا ما باید بپذیریم که یک مشتری یا یک تجارت به فناوری و مدل‌های دستگاه ما واقعاً اهمیتی نمی‌دهند.

بهانه بی‌بهانه

فرض کنیم مرحله سخت قانع‌کردن کسب‌و‌کارها را پشت سرگذاشته اید و اکنون وقت آن رسیده تا کار خود را شروع کنید. پس بهتر است راهی برای یک تغییر و بهبود سریع در داده‌ها (مهم نیست که چقدر بد باشد) پیدا کنید، یک مدل کار را انجام داده و خروجی تقریباً قابل استفاده را تولید کنید. این چیزی است که از شما انتظار می‌رود. اگر داده ها به درد نمی‌خورند، راهی برای پر کردن شکاف‌ها و حل این مشکل پیدا کنید. اشتباه این است که در پایان به مشتری بگوییم ” تا زمانی که شما به ما نگویید که داده‌های ورودی به چه معنی است ما نمی‌توانیم به شما خروجی دهیم.” با توجه به اینکه مشتری احتمالاً ایده‌ای هم ندارد.بهانه‌ها مهم نیستند زیرا غالباً هیچ پاسخ خوبی برای مشتری‌ای که می‌گوید “اما ما فکر کردیم هوش مصنوعی شما می‌تواند بفهمد چه مشکلی وجود دارد و چگونه برطرف می‌شود” وجود ندارد.

شما فکر می‌کنید فروش راهکارهای مبتنی بر هوش مصنوعی چگونه آسان‌‌تر می‌شود؟

منبع: hooshio.com

پردازنده گرافیکی مبتنی بر معماری امپر انویدیا آماده شد

انویدیا در روز ۱۴ مه ۲۰۲۰ (۲۵ خرداد)، نخستین پردازنده گرافیکی خود که مبتنی بر معماری امپر است را معرفی کرد. فرآیند تولید پردازنده گرافیکی A100انویدیا تکمیل شده است و به زودی به دست
مشتریان خواهد رسید.

پردازنده گرافیکی A100 که در طراحی آن از معماری امپر انویدیا استفاده شده، یک موفقیت بزرگ در طراحی GPUها به‌شمار می‌آید. معماری امپر به‌عنوان هشتمین نسل GPUهای انویدیا، بزرگترین پیشرفت این شرکت در این حوزه می‌باشد.

هدف از طراحی پردازنده گرافیکی A100، یکپارچه‌سازی فرآیندهای آموزش و استنتاجهوش مصنوعی و افزایش ۲۰ برابری عملکرد پردازنده‌ها نسبت به نسل‌های پیشین بوده است.

پردازنده A100 روند کارها را سرعت می‌بخشد و می‌توان از آن در تحلیل داده‌ها،  رایانش علمیو گرافیک ابری نیز استفاده کرد. فن‌آوری‌های رایانه‌ای منعطفی که در پردازنده گرافیکی A100 به‌کار برده شده، آن را برای هر نوع استفاده‌ای مناسب می‌سازد.

قابلیت پردازش هم‌زمان چند نمونه ایدر این پردازنده گرافیکی، آن را قادر ساخته تا توان استنتاجی خود را به طور هم‌زمان به حداکثر ۷ هدف مختلف تخصیص دهد. به علاوه، با استفاده از نسل سوم فن‌آوری اتصالی انویدیا به نام NVLink می‌توان چند پردازنده A100 را به یک‌دیگر متصل کرد و از پردازنده گرافیکی قدرتمند حاصل از این اتصالات، برای اهداف آموزشی بزرگ‌تر استفاده کرد.

پردازنده گرافیکی A100 انویدیا، یک پیشرفت فنی بزرگ در طراحی پردازنده‌های گرافیکی است. ۵ نوآوری کلیدی که زمینه‌ساز این موفقیت بوده‌اند، عبارتند از:

• معماری امپر انویدیا: جدیدترین معماری پردازنده‌های گرافیکی انویدیا یعنی امپر، قلب تپنده پردازنده A100 به‌شمار می‌آید. این پردازنده با به‌کارگیری معماری امپر توانسته میزبان بیش از ۵۴ میلیارد ترانزیستور باشد. بهره‌مندی از این تعداد ترانزیستور، پردازنده‌ی گرافیکی A100 را به بزرگ‌ترین پردازنده‌ی ۷ نانومتری دنیا تبدیل کرده است.

• نسل سوم هسته‌های تنسور TF32: درحال‌حاضر استفاده از هسته‌های تنسور پرطرفدار انویدیا راحت‌تر بوده و سرعت و انعطاف آن‌ها بیشتر شده است. قابلیت‌های این هسته‌ها نیز توسعه یافته است که از جمله آن‌ها می‌توان به استفاده از TF32 در حوزه هوش مصنوعی اشاره کرد. به‌کارگیری TF32 به جای نسل قبلی یعنی FP32، عملکرد الگوریتم‌های هوش مصنوعی را تا ۲۰ برابر افزایش می‌دهد. به‌علاوه نسل جدید هسته‌های تنسور از FP64 نیز پشتیبانی می‌کنند که باعث شده قدرت پردازشی این هسته‌ها در زمینه محاسبات عملکرد-بالا تا ۵/۲ برابر افزایش یابد.

• پردازش چند نمونه: یک پردازنده A100 با داشتن قابلیت MIG یا پردازش هم‌زمان چند نمونه می‌تواند به حداکثر ۷ بخش تقسیم شود و قدرت پردازشی خود را به نسبت‌های مختلف بین این بخش‌ها تقسیم کند. این ویژگی باعث استفاده بهینه از منابع و افزایش بازدهی سرمایه خواهد شد.

• نسل سوم فن‌آوری NVLink انویدیا: این فن‌آوری سرعت اتصال پردازنده‌های گرافیکی را به ۲ برابر افزایش داده است.

• پراکندگی ساختاری: این تکنیک جدید افزایش بهره‌وری، با مهار کردن ذات پراکنده ریاضیات در حوزه هوش مصنوعی، بهره‌وری را تا دو برابر افزایش می‌دهد.

درمجموع، این ویژگی‌های جدید، پردازنده A100 انویدیا را به پردازنده گرافیکی ایده‌آلی برای حوزه‌های آموزش و استنتاج هوش مصنوعی، شبیه‌سازی علمی، هوش مصنوعی سخن‌گو، سیستم ‌های توصیه ‌گر، ژنومیک، تحلیل داده‌های عملکرد-بالا، مدل‌سازی در حوزه لرزه‌نگاری و پیش‌بینی بازارهای مالی بدل کرده است.

منبع: hooshio.com

فرایادگیری با هوش مصنوعی عمومی

فرایادگیریواژه ای است که برای توصیف فرایند کنترل یادگیری و آگاهی از نحوه یادگیری افراد، مورد استفاده واقع شده و هم‌اکنون نیز توسط متخصصان حوزه یادگیری ماشین استفاده می‌شود.

هوش مصنوعی موفقیت‌های بزرگی در حوزه‌های گوناگون کسب کرده و کاربردهای آن روز به روز در حال گسترش است. اما مسئله‌ای که باید مورد توجه قرار داد این است که آموزشِ مدل‌های شبکه عصبی سنتی به حجم بالایی از داده نیاز دارد. استفاده از این داده‌ها برای به‌روزرسانی‌های تکراری در نمونه‌های برچسب‌دار نیز مسئله مهمی به شمار می‌آید.

می‌خواهیم مثال کلاسیکِ «طبقه‌بندی سگ و گربه» را با هم بررسی کنیم. اگرچه در دو دهه گذشته شاهد ارتقای چشمگیر مدل‌ها و به تبعِ آن افزایش دقت مدل‌ها بوده‌ایم، اما مسائلی که در بالا اشاره شد، کماکان به قوت خود باقی هستند. به همین منظور، هنوز به تعداد بالایی از سگ‌ها و گربه‌های برچسب‌دار نیاز داریم تا دقت مدل را به میزان قابل توجهی افزایش دهیم.

فرض کنید ناگهان دو حیوان جدید به شما نشان می‌دهند. به راحتی تشخیص می‌دهید که کدام‌یک سگ و کدام‌یک گربه است. یقین داریم که انسان‌های عادی با دقتِ ۱۰۰ درصدی این تفکیک را انجام می‌دهند. چگونه؟ ما در طی سالیان متمادی به شناخت کامل و دقیقی از ساختار بنیادی حیوانات رسیده‌ایم و از چگونگی استخراج ویژگی‌هایی نظیر شکل صورت، مو، دم، ساختار بدن و غیره به خوبی آگاه هستیم.

به طور خلاصه می‌توان گفت که انسان موفق شده تواناییِ «یادگیری برای یادگیری» را در خود تقویت کند. فرایادگیری اساساً بر آن است تا یادگیری برای یادگیری را به واقعیت تبدیل و هوش مصنوعی را با کمترین میزان داده به سناریوهای گوناگون تعمیم دهد.

شاید بگویید که یادگیری انتقال هم دقیقاً همین کار را انجام می‌دهد. این فناوری در جهت درستی گام برداشته است، اما در حال حاضر نمی‌تواند ما را به مقاصد تهایی‌مان هدایت کند. پیشتر نیز در مواردی مشاهده شده که اگر اموری که شبکه بر مبنای آن آموزش دیده از هدف اصلی دور شود، مزایا و منافع شبکه از پیش آموزش‌دیده تا حد زیادی کاهش می‌یابد.

فرایادگیری این پیشنهاد را داده که مسئله یادگیری در دو سطح بررسی شود. سطح اول به اکتساب سریعِ دانش در هر یک از امور جداگانه مربوط می‌شود. سطح اول با سطح دوم رابطه تنگاتنگی داشته و به کمک آن به مسیر درست هدایت می‌شود. استخراج آهسته اطلاعات در سطح دوم انجام می‌شود.

الگوریتم‌های فرایادگیری را می‌توان به سه دسته تقسیم کرد:

#۱ روش‌های مبتنی بر گرادیان کاهشی کلاسیک

هدفی که این دسته از روش‌ها دنبال می‌کنند، استفاده از بروزرسانی‌های گرادیان کاهشی استاندارد برای ساخت شبکه عصبی و تعمیمِ آن برای انواع گوناگونی از دیتاست‌ است. در این روش از چندین دیتاست‌ که هر کدام مثال خودشان را دارند، استفاده می‌شود. فرض کنید مجموعۀ مجموعه‌داده‌ها با p(T) نشان داده می‌شود. مدلِ بکارگرفته شده در این مقاله را نیز تابع fₜₕₑₜₐ در نظر بگیرید. اگر کارمان را با پارامترهای θ آغاز کنیم، می‌دانیم که مدل در تک‌تکِ دیتاست‌ها با به‌روزرسانیِ گرادیان کاهش استاندارد همراه هستند.

می‌خواهیم مدل‌مان در طیف وسیعی از دیتاست‌ها قابلیت کاربرد داشته باشد. بنابراین، باید مجموع همه خطاهای دیتاست‌های ثبت شده در p(T) با پارامترهای بر‌وزرسانی شده به دست آید. این فرایند به این شکل به زبان ریاضی بیان می‌شود:

برای هر بسته از پایگاه داده p(T)، ما θ را با توجه به تابع فرا-هدف فوق بوسیله SGD استاندارد بروز رسانی میکنیم

همان‌طور که ملاحظه می‌کنید،
پس‌انتشارِ meta-loss از طریق گرادیانِ مدل به محاسبۀ مشتقاتِ مشتق نیاز دارد. این کار می‌تواند با
ضرب بردار Hessianو پشتیبانیِ تنسورفلو انجام شود.

#۲ روش‌های نزدیک‌ترین همسایه

در این مجموعه‌ از روش‌ها، واضح است که الگوریتم نزدیک‌ترین همسایه به هیچ آموزشی نیاز ندارد، اما عملکرد آن به متریک انتخاب شده بستگی دارد. این مراحل متشکل از یک مدل تعبیه و یک یادگیرنده پایه است که به ترتیب دامنۀ ورودی را به فضای ویژگی و فضای ویژگی را به متغیرها هدایت می‌کند. هدفِ فرایادگیری این است که مدل تعبیه به گونه‌ای یاد گرفته شود که یادگیرنده به خوبی در همه کارها تعمیم داده شود. در این جا، پیش‌بینیِ فاصله‌محور در تعبیه‌ها نقش اصلی را دارد.
شبکه‌های تطابق برای درک بهتر این سازوکار مثال زده شده است.

شبکه تطابق از یک مجموعه k عنصری از عکس های برچسب زده شده S={(xᵢ ,yᵢ)} که جهت آموزش طبقه بند cₛ(x’) استفاده می‌شوند پشتیبانی می‌کنند. این طبقه بند برای داده آزمایش x’ یک تابع توزیع احتمال بر روی مجموعه خروجی y’ تعریف می‌کند.

طبقه S → cₛ(x’) به صورت P(y’|x’, S′) تعریف می‌شود که در آن P بوسیله یک شبکه عصبی تعیین می‌گردد.
بنابراین، با توجه به مجموعه پشتیبانیِ جدید مثال‌های S′، که جهت
یادگیری یک باره ایاستفاده می‌شود، می‌توان به سادگی از شبکه عصبیِ پارامتریک P برای پیش‌بینیِ برچسب مناسب y’ در هر مثال آزمایشی x’ : P(y’|x’, S′) استفاده کرد. پس این طور بیان می‌شود:

مکانیزم توجه

روش فوق یادآورِ الگوریتم‌های KDE و Knn است. f و g شبکه‌های عصبی مناسبی برای x و xᵢ هستند.

#۳ روش‌های مدل‌محور با استفاده از فضای کمکی

ما انسان‌ها علاوه بر کارهای پردازشی، نمودارها و سایر ابزارهای نمایشی را برای کاربردهای آتی نگه‌داری می‌کنیم. پس این الگوریتم‌ها سعی کردند با استفاده از چند بلوک حافظه کمکی از این کار تقلید کنند. راهبرد اساسی این است که انواع نمایش‌ها برای قرارگیری در حافظه و چگونگی استفاده بعدی از آنها برای پیش‌بینی یاد گرفته شود. در این روش‌ها، توالی ورودی و برچسب‌های خروجی به صورت متوالی ارائه می‌شوند. در مجموعه‌دادۀ D ={dₜ}={(xₜ, yₜ)}، t نشان‌دهندۀ گام زمانی است.

برچسب خروجی yₜ بلافاصله پس از xₜ به دست نمی‌آید. این انتظار از مدل می‌رود که از برچسب مناسبی برای xₜ(i.e., yₜ) در گام زمانی مشخص خروجی بگیرد. بنابراین، مدل مجبور است نمونه داده‌ها را تا زمانی که برچسب‌های مناسب یافت شوند، در حافظه ذخیره کند. پس از این اقدام، اطلاعات دسته و نمونه برای کاربردهای آتی ذخیره می‌شوند.

با توجه به ماژول حافظه در این اجرای خاص، می‌خواهیم مختصری هم درباره ماشین تورینگ عصبی (NTM) صحبت کنیم. NTM اساساً نوعی ماشین تورینگ مجهز به LSTM است. بازیابی و رمزگذاری حافظه در ماژول حافظه اکسترنال NTM به سرعت انجام می‌شود؛ نمایش‌های برداری در هر گام زمانی در حافظه قرار داده شده یا از آن برداشته می‌شوند. این قابلیت باعث تبدیل شدنِ NTM به گزینه‌ای عالی برای فرایادگیری و پیش‌بینی low-shot شده است چرا که ذخیره‌سازی بلندمدت و کوتاه‌مدت را امکان‌پذیر می‌کند.

در گام زمانی t، کنترل‌کنندۀ LSTM کلید kₜ را برای دسترسی به ماتریس حافظه Mₜ فراهم می‌کند.

Softmax برای ایجاد بردارهای خواندن-نوشتن مورد استفاده قرار می‌گیرد.

فرمول زیر برای بدست آوردن حافظه rₜ استفاده می‌شود.

این فرمول به عنوان ورودی برای حالت کنترل‌کننده و همچنین دسته‌کننده‌های softmax استفاده می‌شود.

منبع: hooshio.com