هوش مصنوعی و بهرهگیری از میانبرهای بالقوه خطرناک
تاریخ انتشار: ۱۹ آبان ۱۴۰۱ | کد خبر: ۳۶۳۷۷۴۵۸
تحقیقات دانشگاه یورک نشان میدهد که حتی پیشرفتهترین هوش مصنوعی نیز نمیتواند با پردازش بصری انسان مطابقت داشته باشد.
به گزارش سرویس ترجمه ایمنا، انسانها برای تشخیص اشیا به روابط پیکربندیشده میان ویژگیهای مکانی شکل یک شی متکی هستند. در اصل یکی از مشخصههای ادراک جسم توسط انسان، حساسیت به پیکربندی کلنگر ویژگیهای مکانی شکل اشیا بهشمار میرود.
بیشتر بخوانید:
اخباری که در وبسایت منتشر نمیشوند!
شبکههای عصبی کانولوشن یا پیچشی عمیق (DCNN) یک الگوریتم یادگیری عمیق برای دریافت تصاویر و تمیز دادن آنها از یکدیگر همچنین نشاندهنده وضعیت هنر در سیستمهای هوش مصنوعی بینایی کامپیوتری برای تشخیص تصویر هستند. این شبکهها در حال حاضر مدلهای غالب برای پردازش تشخیص اشیا در قشر بینایی هوش مصنوعی محسوب میشوند و رایجترین نوع برای شناسایی الگوها در تصاویر و ویدئوها، تکاملیافته شبکههای عصبی مصنوعی سنتی هستند همچنین مقلد یک الگوی عصبی سهبعدی الهام گرفته از قشر بینایی حیوانات هستند.
شبکههای عصبی کانولوشن عمیق همچنین توانایی پیشبینی نسبی پاسخهای عصبی در نواحی بصری انتخابی شی در قشر انسانی و غیرانسانی را دارد که البته انحرافهایی میان این مدلها و پاسخهای مغز انسان مشاهده شده است. درک بهتر پتانسیلDCNN ها بهعنوان مدلهایی از ادراک اشیا انسانی نیازمند تجزیهوتحلیل ویژگیهای بصری زیربنایی تشخیص شی است که میتواند شامل رنگ، بافت و شکل باشد.
نشانههای شکل که بهعنوان پایهای برای تشخیص اشیا در ادراک انسان شناخته میشوند، نشان میدهد که در مقایسه با انسانها، DCNNها ممکن است کمتر به شکل و بیشتر به رنگ و بافت متکی باشند.
شبکههای عصبی کانولوشن عمیق بهطور مداوم در وظایف مختلف تجزیهوتحلیل بصری چالشبرانگیز برتری داشتهاند و مدلهای عمیق برنامهنویسیشده آنها با معماریهای سیستمی سنگین پارامتری در بسیاری از برنامهها بهکار گرفته شده و موفقیت خود را تا حد زیادی مدیون توسعه مداوم واحدهای پردازش گرافیکی قدرتمندتر هستند. با این حال مصرف انرژی و اندازه خالص چنین مدلهایی مانع از کاربرد آنها در رباتیک میشود. بنابراین تحقیقات اخیر به سمت بهینهسازی معماریهای یادگیری عمیق برای استقرار در دستگاههایی با منابع محدود هدایت شده است.
ضعف هوش مصنوعی در تشخیص پیکربندی اشکالبنابه گفته محققان دانشگاه یورک، شبکههای عصبی کانولوشن عمیق، اشیا را به همان شکلی که انسان توانایی دیدن آن را دارد (یعنی از طریق ادراک شکل پیکربندیشده آنها) نمیبیند که این امر ممکن است در برنامههای کاربردی هوش مصنوعی در دنیای واقعی خطرناک باشد.
محققان دانشگاه یورک طی مطالعهای دریافتند که مدلهای یادگیری عمیق نمیتواند ماهیت پیکربندی ادراک شکل انسان را بهتصویر بکشد. این محققان بهمنظور بررسی چگونگی پردازش مغز انسان وDCNN ها از ویژگیهای پیکربندیشده جسم کلنگر، در مطالعه خود از محرکهای بصری جدیدی به نام «فرانکشتاین» استفاده و نتایج بهدستآمده خود را در مجله iScience منتشر کردند. طبق توضیحات آنها، فرانکشتاینها اشیایی هستند که بهسادگی از هم جدا شده و به روشی اشتباه کنار هم قرار گرفتهاند در نتیجه همه آنها دارای ویژگیهای شکلی درست اما در مکانهای اشتباه هستند.
محققان دانشگاه یورک از مجموعه دادهای از شبحهای حیوانات استفاده و گونهای از آن را ایجاد کردند که پیکربندی هر شی را با حفظ ویژگیهای مکانی آن مختل میکند. برای مثال تصویری از یک حیوان را بهصورتی قرار میدهد که قسمت بالایی و پایینی بدن آن در دو جهت مخالف روی هم سوار شده است.
محققان دریافتند درحالیکه عملکرد مغز انسان تحتتأثیر این دستکاری قرار گرفت، DCNNها آن را تشخیص نداد که این امر به معنای فقدان حساسیت آنها به ویژگیهای پیکربندیشده جسم است. علاوه بر این اصلاحات در برنامهنویسی و معماری این شبکهها برای شبیهتر کردن آنها به مغز انسان همچنان تأثیری در بهبود توانایی آنها برای پردازش پیکربندی جسم نشد و هیچیک از این شبکهها توانایی پیشبینی دقیق قضاوتهای آزمایشی انسانی در مورد اشیا را بهدست نیاورد.
این نتایج توضیح میدهد که چرا مدلهای هوش مصنوعی عمیق تحت شرایطی خاص شکست میخورد و نیاز به در نظر گرفتن وظایفی فراتر از تشخیص اشیا بهمنظور درک پردازش بصری در مغز را نشان میدهد. لذا برای مطابقت با حساسیت قابلتنظیم انسان، شبکههای عصبی کانولوشن عمیق بهکار رفته در هوش مصنوعی باید فراتر از توانایی تشخیص دسته، برای تشخیص طیف وسیعتری از وظایف اشیا مناسبسازی و بازنویسی شوند.
مدلهای عمیق معمولاً هنگام حل وظایف تشخیص پیچیده از میانبر استفاده میکنند. این میانبرها ممکن است در بسیاری از موارد کار کند اما در بعضی از برنامههای کاربردی هوش مصنوعی دنیای واقعی میتواند خطرناک باشد. یکی از این کاربردها، سیستمهای ایمنی ویدئویی ترافیکی است. وسایلنقلیه موتوری، دوچرخهها و عابرانپیاده اشیای موجود در صحنههای ترافیکی شلوغ هستند که بهعنوان مجموعهای از قطعات جدا شده به چشم راننده میرسند. مغز برای دستهبندی صحیح و شناسایی مناسب مکان هر یک از این مجموعهها باید آنها را به درستی گروهبندی کند. حالآنکه یک سیستم هوش مصنوعی مختص نظارت بر ایمنی ترافیک که تنها توانایی پردازش جداگانه این قطعات را دارد، در این امر شکست خواهد خورد و امکان پردازش از خطرات موجود برای کاربران آسیبپذیر جاده نخواهد داشت.
کد خبر 618277منبع: ایمنا
کلیدواژه: علم و فناوری تازه های علمی فناوری های نوین فناوری تازه های تکنولوژی تکنولوژی تکنولوژی نوین هوش مصنوعی توسعه هوش مصنوعی کاربرد هوش مصنوعی در آینده کاربرد هوش مصنوعی برنامه نویسی هوش مصنوعی ارتقای هوش مصنوعی شهر شهروند کلانشهر مدیریت شهری کلانشهرهای جهان حقوق شهروندی نشاط اجتماعی فرهنگ شهروندی توسعه پایدار حکمرانی خوب اداره ارزان شهر شهرداری شهر خلاق دانشگاه یورک تشخیص اشیا هوش مصنوعی برای تشخیص مغز انسان شبکه ها مدل ها
درخواست حذف خبر:
«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را بهطور اتوماتیک از وبسایت www.imna.ir دریافت کردهاست، لذا منبع این خبر، وبسایت «ایمنا» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۳۶۳۷۷۴۵۸ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتیکه در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.
با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.
خبر بعدی:
ویدیو/ عمیقترین چاله آبی جهان در مکزیک پیدا شد
دانشمندان مکزیکی بزرگترین چاله آبی جهان را در خلیج «چتومال» در سواحل این کشور، شناسایی کردند. هر چند محققان هنوز نتوانستهاند به انتهای این گودال آبی که «Taam Ja» نام دارد، برسند، اما اندازهگیریهای جدید نشان میدهد که این چاله آبی میتواند به هزارتویی از غارها و تونلهای زیردریایی متصل باشد.
دریافت 37 MBمترجم: محیا ذوالفقاری / تدوینگر: حمیدرضا برزگر