وقتی دستیارهای هوشمند اشتباهات خنده دار انجام میدهند

ارزیابی های جدید نشان داده است سیستم های هوش مصنوعی موجود در باز در محدوده زبان بصورت بنیادی محدود هستند.

تجربه کاربران نشان داده است Siri و Alexa از تکامل مورد نظر کاربران فاصله دارند، اما امید وجود دارد که پیشرفت مداوم در یادگیری ماشین آنها را به دستیارانی تکامل یافته تر بدل کند. آزمایش جدید، البته نشان داده است که رویکردهای اساسی متفاوتی برای این دست از هوش های مصنوعی در حوزه زبان لازم است.

 

موسسه Allen که یک مجموعه غیر انتفاعی مستقر در سیاتل امریکا می باشد و در حوزه هوش مصنوعی فعال است، سیستمی به نام ARC برای پاسخگویی به سوالات علمی سطح ابتدایی طراحی کرده اند. اما پاسخگویی به چنین سوالاتی نیاز به دانش از جهان هستی دارد. (توضیحات کامل پروژه)

نمونه سوال : “کدامیک از موارد زیر از مواد طبیعی که در طبیعت رشد میکند ساخته نشده است؟

  1. پیراهن پنبه ای 2. صندلی چوبی 3. قاشق پلاستیکی 4. سبد حصیری

این سوال برای هر کسی که بداند پلاستیک در طبیعت رشد نمی کند سوال ساده ای است. اما داشتن یک تصویر کلی از جهان که حتی یک کودک کوچک نیز آن را دارد برای پاسخ به این سوال لازم است.

این یک اتفاق رایج است که هوش مصنوعی و روبات پاسخگر که صحبت های پرسشگررا ترجمه می کنند دچار اشتباه شوند. و این یکی از دلایل اصلی اختلال در اینگونه سیستم هاست.

سیستم های زبان شناخت که بر یادگیری ماشین متکی هستند اغلب می توانند پاسخ های متقاعد کننده ای را برای سوالات ارائه دهند، اگر قبلا نمونه های مشابهی را دیده باشند. برای مثال، برنامه ای که توسط هزاران نمونه چت پشتیبانی فناوری اطلاعات آموزش دیده است، ممکن است در شرایط محدود به عنوان یک پشتیبان فنی ارایه خدمات کند. اما چنین سیستمی اگر بخواهد چیزی را که نیاز به دانش گسترده تر داشته باشد، شکست خواهد خورد.

پیتر کلارک، پژوهشگر ارشد پروژه ARC می گوید: “ما باید از حس مشترک ما برای پر کردن شکاف ها در اطراف زبان که می بینیم برای ایجاد یک تصویر منسجم از آنچه بیان شده است، استفاده کنیم.” “ماشین ها این حس مشترک را ندارند، و بنابراین تنها چیزی که با صراحت به آن اشاره شده است را می بینند، و بسیاری از مفاهیم و مفروضاتی که بخشی از متن  را در بر می گیرند نادیده میگیرند”.

تست جدید بخشی از ابتکار عمل در هوش مصنوعی نسل جدید (AI2) است تا سیستم های هوش مصنوعی را با چنین درک درستی از جهان مواجه کند. و با توجه به اینکه به وجود اوردن چنین شناختی در سیستم های زبان شناختی کار دشواری است توجه به آن بسیار مهم است.

به عنوان نمونه، در ماه ژانویه محققان در مایکروسافت و گروه دیگری در Alibaba برنامه های پرسش و پاسخی را توسعه دادند که در آزمایش ساده ای به نام “پرسش و پاسخ استنفورد” به کار برده شد. این پیشرفت ها جای خود را در تیتررسانه ها با این عنوان که هوش مصنوعی می توانند بهتر از انسان مطالعه کنند، باز کردند. اما واقعیت این است که این برنامه ها نمی توانستند سوالات پیچیده تری را پاسخ دهندزو یا منابع دیگری از دانش را جلب کنند.

شرکت های تکنولوژی به این طریق به توسعه سیستم های  هوش مصنوعی ادامه می دهند. مایکروسافت امروز اعلام کرد که نرم افزاری را قادر می سازد که داستان های انگلیسی را به زبان چینی ترجمه کند و بالعکس، نتایجی که داوطلبان مستقل آن را در سطح  کار مترجمان حرفه ای دانسته اند. محققان شرکت از تکنیک های پیشرفته یادگیری عمیق استفاده کرده اند تا به سطح جدید از دقت دست یابند. در حالی که به صورت بلقوه این عملکرد بسیار کارامد است، اما این سیستم نیز در صورتی که از آن برای ترجمه موضوع های دیگر که تا به حال با آن مواجه نشده همانند حوزه دارویی استفاده شود ناکارمد خواهد شد.

گری مارکوس، استاد دانشگاه NYU که برای اهمیت حس مشترک در AI مطالعه کرده است،تحت تاثیر چالش های AI2 قرار گرفته است. او می گوید: “من فکر می کنم این روش یک  راه حل عالی برای معیارهای سطحی است که در زمینه یادگیری ماشین بسیار رایج شده است.و واقعا باید محققان AI را مجبور به بهبود عملکرد سیستم های خود کند.”

منبع : medium.com