خودکارسازی آموزش سیستم‌های یادگیری ماشینی، می‌تواند دسترسی عمومی به هوش مصنوعی را افزایش دهد.

سرویس جدیدی به نام «کلاود اتوام‌ال»، با بهره‌گیری از چندین ترفند یادگیری ماشین، به‌صورت خودکار اقدام به ساخت و آموزش یک الگوریتم یادگیری عمیق می‌کند که قادر به تشخیص اشیاء درون یک تصویر است.

این فناوری فعلا به‌صورت محدود توسعه یافته است؛ اما می‌تواند آغازی بر ساخت یک نمونه‌ی بسیار بزرگ‌تر باشد. ساخت و بهینه‌سازی یک الگوریتم شبکه‌ی عصبی عمیق، علاوه بر آشنایی کامل با دانش ریاضیات و برنامه‌نویسی، نیازمند تمرین گسترده به‌منظور بهبود پارامترهای الگوریتم است تا نتیجه‌ای صحیح و بی‌نقص به‌ دست آید. دشواری توسعه‌ی سیستم‌های هوش مصنوعی، مسابقه‌ای برای به‌کارگیری استعدادها به راه انداخته است. در نتیجه، تنها شرکت‌های بزرگ با پشتوانه‌ی مالی عظیم معمولا از پس هزینه‌های ساخت الگوریتم‌های اختصاصی هوش مصنوعی برمی‌آیند.

فِی‌فِی لی، پژوهشگر ارشد گوگل کلاود، روز دوشنبه در آستانه‌ی انتشار سرویس جدید تیمش گفت: «ما باید هوش مصنوعی را در دسترس افراد بیشتری قرار دهیم.» لی تخمین می‌زند که حداکثر چند هزار نفر در سراسر دنیا از تخصص لازم برای ساخت بهترین الگوهای یادگیری عمیق برخوردار هستند. وی در ادامه افزود: «اما برآورد می‌شود که امروزه ۲۱ میلیون توسعه‌دهنده در سراسر جهان وجود دارد. ما می‌خواهیم از تمام آن‌ها حمایت کنیم و هوش مصنوعی را در دسترس این توسعه‌دهندگان قرار دهیم.»

رایانش ابری یکی از کلید‌های افزایش دسترسی به هوش مصنوعی است. گوگل، آمازون، مایکروسافت و دیگر شرکت‌ها به‌سرعت مشغول افزودن ظرفیت‌های یادگیری ماشین به پلتفرم‌های ابری خود هستند. گوگل کلاود اکنون ابزارهای فراوانی از این دست ارائه می‌دهد؛ اما آن‌ها از الگوهای پیش‌آموخته استفاده می‌کنند. این الگوها دایره‌ی توانایی‌ آن‌ها را محدود می‌کند. برای مثال، برنامه‌نویسان می‌توانند از این ابزارها تنها برای تشخیص یک طیف محدود از اشیاء یا صحنه‌هایی که پیش از این به سیستم شناسانده شده‌اند، استفاده کنند. نسل جدیدی از ابزارهای یادگیری ماشین مبتنی بر فضای ابری که قادر به آموزش خود هستند، این فناوری را در ابعاد بسیار وسیع‌تری توسعه می‌دهند و استفاده از آن را آسان‌تر می‌کنند.

چندین شرکت در چند ماه گذشته، مشغول آزمایش گوگل کلاود اتوام‌ال بوده‌اند. دیزنی با بهره‌گیری از این سرویس روشی جدید برای جستجوی کالاهایش و یافتن شخصیت‌های کارتونی به‌خصوص، حتی اگر آن محصولات برچسب نام آن شخصیت را به همراه نداشته باشند، توسعه داده است.

وواکین ونشورن، استاد بنیاد فناوری آیندهوون در هلند که متخصص یادگیری ماشین خودکار است، می‌گوید هرچند این حوزه اخیرا توجهات زیادی را به خود جلب کرده؛ اما هنوز یک مبحث تحقیقاتی نسبتا جدید است. اینکه به‌سرعت امکان عرضه‌‌ی این نوع هوش مصنوعی به‌عنوان یک سرویس تولیدی فراهم شود، اقدامی خیره‌کننده به‌حساب می‌آید.

ونشورن می‌گوید خودکارسازی (اتوماسیون) می‌تواند هزینه‌های محاسباتی را به‌شدت افزایش دهد.؛ در نتیجه، گوگل باید منابع فراوانی به این سرویس اختصاص دهد. با تلاش برنامه‌نویسان در طراحی سیستم‌های هوش مصنوعی با کاربردهایی بسیار گسترده‌تر و فراتر از طبقه‌بندی ساده‌ی تصاویر، این هزینه‌ها احتمالا بیشتر خواهد شد.

پژوهشگران گوگل مدتی است که محدودیت‌های خودکارسازی هوش مصنوعی را آزمایش کرده‌اند. در سال ۲۰۱۶، یک تیم تحقیقاتی نشان داد که یادگیری عمیق به خودی خود می‌تواند برای شناسایی بهترین تغییرات در یک سیستم یادگیری عمیق استفاده شود. سال گذشته، گروه دیگری از انتخاب طبیعی شبیه‌سازی‌شده استفاده کرد تا یک ساختار شبکه‌ی مطلوب را تکامل دهد و اخیرا دو دانشمند گوگل با بهره‌گیری از یادگیری تقویتی (تکنیکی که از نحوه‌ی یادگیری حیوانات از طریق بازخورد مثبت الهام گرفته شده است)، یک سیستم یادگیری عمیق را به‌صورت خودکار بهبود دادند.

تلاش‌ها در این حوزه می‌تواند در نهایت در شکل‌گیری تلاشی بزرگ‌تر برای ساخت اشکال کلی‌تر و مناسب‌تر از هوش مصنوعی مؤثر واقع شود. با این حال، اگر برنامه‌نویس هستید، می‌توانید پیش از آنکه تمام امور به‌دست ماشین‌ها انجام شود، اقدام به توسعه‌ی هوش مصنوعی اختصاصی خود کنید.

منبع : زومیت