VentureBeat ارائه می دهد: AI Unleashed – یک رویداد اجرایی انحصاری برای رهبران داده های سازمانی. شبکه و یادگیری با همتایان صنعت. بیشتر بدانید
دانشمندان MIT یک سیستم یادگیری عمیق توسعه داده اند، هوا نگهبانطراحی شده برای همکاری با خلبانان هواپیما برای افزایش ایمنی پرواز. این خلبان هوش مصنوعی می تواند تشخیص دهد که خلبان انسانی از یک موقعیت بحرانی چشم پوشی می کند و برای جلوگیری از حوادث احتمالی مداخله می کند.
ستون فقرات Air-Guardian یک سیستم یادگیری عمیق جدید است که به عنوان شبکه های عصبی مایع (LNN) شناخته می شود که توسط آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) توسعه یافته است. LNN ها قبلاً کارایی خود را در زمینه های مختلف نشان داده اند. تاثیر بالقوه آنها قابل توجه است، به ویژه در مناطقی که نیاز به سیستم های هوش مصنوعی قابل محاسبه و قابل توضیح دارند، جایی که ممکن است جایگزین مناسبی برای مدل های رایج یادگیری عمیق رایج باشند.
پیگیری توجه
Air-Guardian از یک روش منحصر به فرد برای افزایش ایمنی پرواز استفاده می کند. هم بر توجه خلبان انسانی و هم تمرکز هوش مصنوعی نظارت می کند و مواردی را شناسایی می کند که این دو با هم هماهنگ نیستند. اگر خلبان انسانی یک جنبه مهم را نادیده بگیرد، سیستم هوش مصنوعی وارد عمل شده و کنترل آن عنصر پروازی خاص را به دست می‌گیرد.
این سیستم انسان در حلقه برای حفظ کنترل خلبان طراحی شده است و در عین حال به هوش مصنوعی اجازه می دهد شکاف ها را پر کند. ایده این است که سیستم‌هایی طراحی شود که بتواند با انسان‌ها همکاری کند. در مواردی که انسان‌ها برای کنترل چیزی با چالش‌هایی مواجه می‌شوند، هوش مصنوعی می‌تواند کمک کند. رامین حسنی، دانشمند هوش مصنوعی در MIT CSAIL و یکی از نویسندگان این مقاله گفت مقاله Air-Guardian.
به عنوان مثال، هنگامی که یک هواپیما نزدیک به زمین پرواز می کند، نیروی گرانش می تواند غیرقابل پیش بینی باشد و به طور بالقوه باعث از دست دادن هوشیاری خلبان شود. در چنین سناریوهایی، Air-Guardian می تواند مسئولیت جلوگیری از حوادث را بر عهده بگیرد. در شرایط دیگر، خلبان انسانی ممکن است با اطلاعات بیش از حد نمایش داده شده بر روی صفحه نمایش غرق شود. در اینجا، هوش مصنوعی می‌تواند داده‌ها را غربال کند و اطلاعات مهمی را که خلبان ممکن است از دست داده است، برجسته کند.
Air-Guardian از فناوری ردیابی چشم برای نظارت بر توجه انسان استفاده می کند، در حالی که نقشه های حرارتی برای نشان دادن اینکه توجه سیستم هوش مصنوعی به کجا معطوف می شود استفاده می شود. هنگامی که یک واگرایی بین این دو تشخیص داده شد، Air-Guardian ارزیابی می کند که آیا هوش مصنوعی مشکلی را شناسایی کرده است که نیاز به توجه فوری دارد یا خیر.
هوش مصنوعی برای سیستم های ایمنی حیاتی
Air-Guardian، مانند بسیاری از سیستم های کنترل دیگر، بر اساس یک مدل یادگیری تقویتی عمیق ساخته شده است. این مدل شامل یک عامل هوش مصنوعی است که توسط یک شبکه عصبی نیرو می گیرد و اقداماتی را بر اساس مشاهدات محیطی انجام می دهد. عامل برای هر اقدام صحیح پاداش می گیرد و شبکه عصبی را قادر می سازد تا به تدریج سیاستی را بیاموزد که آن را برای تصمیم گیری صحیح در موقعیت های خاص راهنمایی می کند.
با این حال، آنچه Air-Guardian را متمایز می کند، این است شبکه عصبی مایع در هسته آن. LNN ها به دلیل توضیح پذیری خود شناخته می شوند، ویژگی که به مهندسان اجازه می دهد تا در فرآیند تصمیم گیری مدل تحقیق کنند. این در تضاد کامل با سیستم‌های یادگیری عمیق سنتی است که اغلب به دلیل ماهیت غیرقابل درک آنها به عنوان «جعبه‌های سیاه» شناخته می‌شوند.
حسنی گفت: “برای کاربردهای حیاتی ایمنی، نمی‌توانید از جعبه‌های سیاه معمولی استفاده کنید، زیرا قبل از استفاده از سیستم باید آن را درک کنید. شما می‌خواهید درجه‌ای از قابلیت توضیح برای سیستم خود داشته باشید.”
حسنی بخشی از تیمی بود که در سال ۲۰۲۰ تحقیق بر روی LNN ها را آغاز کرد. در سال ۲۰۲۲، کار آنها بر روی یک سیستم کنترل پهپاد کارآمد، مبتنی بر LNN، بر روی جلد منتشر شد. علم رباتیک. اکنون، آنها در حال برداشتن گام‌هایی برای وارد کردن این فناوری به کاربردهای عملی هستند.
یکی دیگر از ویژگی های مهم LNN ها توانایی آنها در یادگیری روابط علی در داده هایشان است. شبکه‌های عصبی سنتی اغلب همبستگی‌های نادرست یا سطحی را در داده‌های خود یاد می‌گیرند، که منجر به خطاهای غیرمنتظره در هنگام استقرار در تنظیمات دنیای واقعی می‌شود. از سوی دیگر، LNN ها می توانند با داده های خود تعامل داشته باشند تا سناریوهای خلاف واقع را آزمایش کنند و روابط علت و معلولی را بیاموزند و آنها را در تنظیمات دنیای واقعی قوی تر کنند.
حسنی گفت: «اگر می‌خواهید هدف واقعی کار را بیاموزید، نمی‌توانید فقط ویژگی‌های آماری را از ورودی چشم‌اندازی که دریافت می‌کنید یاد بگیرید. شما باید علت و معلول را یاد بگیرید.
هوش مصنوعی برای لبه
شبکه های عصبی مایع یک مزیت قابل توجه دیگر را ارائه می دهند: فشرده بودن آنها. برخلاف شبکه‌های یادگیری عمیق سنتی، LNNها می‌توانند وظایف پیچیده‌ای را با استفاده از واحدهای محاسباتی یا «نرون‌های» بسیار کمتر بیاموزند. این فشردگی به آنها اجازه می دهد تا روی رایانه هایی با قدرت پردازش و حافظه محدود کار کنند.
حسنی گفت: «امروز در سیستم‌های هوش مصنوعی، می‌بینیم که هرچه آنها را بزرگ‌تر می‌کنیم، قدرتمندتر می‌شوند و می‌توانند کارهای بیشتری را انجام دهند. اما یکی از مشکلات این است که نمی‌توان آنها را روی یک دستگاه لبه مستقر کرد.»
در مطالعه قبلی، تیم MIT CSAIL نشان داد که یک LNN با تنها ۱۹ نورون می‌تواند کاری را بیاموزد که معمولاً به ۱۰۰۰۰۰ نورون در یک شبکه عصبی عمیق کلاسیک نیاز دارد. این فشردگی به ویژه برای برنامه های محاسباتی لبه مانند اتومبیل های خودران، هواپیماهای بدون سرنشین، روبات ها و هوانوردی بسیار مهم است. در این سناریوها، سیستم هوش مصنوعی باید در زمان واقعی تصمیم گیری کند و نمی تواند به مدل های مبتنی بر ابر تکیه کند.
حسنی می‌گوید: «فشرده بودن شبکه‌های عصبی مایع قطعا مفید است، زیرا شما حجم محاسباتی بی‌نهایتی روی این خودروها یا هواپیماها و دستگاه‌های لبه ندارید.»
کاربردهای گسترده تر Air-Guardian و LNN
حسنی معتقد است که بینش های به دست آمده از توسعه Air-Guardian را می توان در بسیاری از سناریوها که در آن دستیاران هوش مصنوعی باید با انسان ها همکاری کنند، اعمال کرد. این می تواند سناریوهای ساده ای باشد، مانند انجام وظایف در چندین برنامه یا کارهای پیچیده مانند جراحی خودکار و رانندگی خودکار که در آن تعامل انسان و هوش مصنوعی ثابت است.
حسنی می گوید: «شما می توانید این کاربردها را در بسیاری از رشته ها تعمیم دهید.
LNN ها همچنین می توانند به روند رو به رشد عوامل مستقل کمک کنند، زمینه ای که با ظهور مدل های زبان بزرگ شاهد رشد قابل توجهی بوده است. LNN ها می توانند عوامل هوش مصنوعی مانند مدیران عامل مجازی را تقویت کنند که قادر به تصمیم گیری و توضیح دادن تصمیمات به همتایان انسانی خود هستند و ارزش ها و برنامه های خود را با انسان ها هماهنگ می کنند.
حسنی گفت: شبکه‌های عصبی مایع سیستم‌های پردازش سیگنال جهانی هستند. مهم نیست که چه نوع داده ورودی را ارائه می‌دهید، چه ویدیو، صوتی، متن، سری زمانی مالی، سری زمانی پزشکی، رفتار کاربر. هر چیزی که مفهومی از توالی داشته باشد می‌تواند به داخل شبکه عصبی مایع برود و سیستم پردازش سیگنال جهانی می‌تواند مدل‌های مختلفی ایجاد کند. کاربردها می‌توانند از مدل‌سازی پیش‌بینی‌کننده تا سری‌های زمانی تا استقلال و کاربردهای هوش مصنوعی مولد را شامل شوند.»
حسنی وضعیت فعلی LNN ها را به سال ۲۰۱۶ تشبیه می کند، درست قبل از انتشار مقاله تأثیرگذار «ترانسفورماتور». ترانسفورماتورها که بر اساس سال ها تحقیق قبلی ساخته شده بودند، در نهایت به ستون فقرات مدل های زبان بزرگی مانند ChatGPT تبدیل شدند. امروز، ما در طلوع آنچه می‌توان با LNN به دست آورد، هستیم که می‌تواند به طور بالقوه سیستم‌های هوش مصنوعی قدرتمند را به دستگاه‌هایی مانند گوشی‌های هوشمند و رایانه‌های شخصی بیاورد.
حسنی می گوید: «این یک مدل پایه جدید است. موج جدیدی از سیستم های هوش مصنوعی می تواند بر روی آن ساخته شود.
ماموریت VentureBeat این است که یک میدان شهر دیجیتال برای تصمیم گیرندگان فنی باشد تا دانشی در مورد فناوری سازمانی متحول کننده کسب کنند و معامله کنند. جلسات توجیهی ما را کشف کنید.
منبع: https://venturebeat.com/ai/mit-copilot-system-can-set-the-stage-for-a-new-wave-of-ai-innovation/