دروازه اخبار دیجیتال و فن آوری

هوش مصنوعی خودآموز گوگل

با هوش مصنوعی خودآموز گوگل برنامه نویسی را برای خود راحت کنید

eonline724.ir

هوش مصنوعی خودآموز گوگل

در این مقاله از دروازه با ما همراه باشید تا شما را با قابلیت های هوش مصنوعی خودآموز گوگل آشنا کنیم.

گفته می شود که خودکارسازی آموزش سیستم‌های یادگیری ماشینی، موجب افزایش دسترسی عمومی به هوش مصنوعی می شود.

این در حالی است که سرویس جدیدی به نام «کلاود اتوام‌ال»، با استفاده از روش های یادگیری ماشین،
به‌ طور خودکار اقدام به ساخت و آموزش یک الگوریتم یادگیری عمیق می‌کند که توانایی تشخیص اشیاء درون یک تصویر را دارد.

گفته می شود که همچنین در حال حاضر این فناوری به طور محدود گسترش پیدا کرده است؛
ولی می‌تواند یک نمونه‌ی بسیار بزرگ‌تر را شروع به ساختن کند.
لازم به ذکر است که ساخت و بهینه‌سازی یک الگوریتم شبکه‌ی عصبی عمیق ، با وجود آشنایی کامل با دانش ریاضیات و برنامه‌نویسی ،
به تمرین گسترده در جهت بهبود پارامترهای الگوریتم نیازمند می باشد تا به نتیجه‌ای صحیح و بی‌نقص برسد.
این در حالی است که سختی توسعه‌ی سیستم‌های هوش مصنوعی، مسابقه‌ای جهت به‌کارگیری استعدادها را آغاز کرده است.
بنابراین  به طور معمول فقط کمپانی های بزرگ با پشتوانه‌ی مالی زیادی از پس هزینه‌های ساخت الگوریتم‌های اختصاصی هوش مصنوعی برمی‌آیند.

هوش مصنوعی خودآموز گوگل

گفتنی است که رایانش ابری یکی از کلید‌های افزایش دسترسی به هوش مصنوعی هم می باشد.
گوگل ، آمازون ، مایکروسافت و دیگر شرکت‌ها به‌سرعت مشغول افزودن ظرفیت‌های یادگیری ماشین به پلتفرم‌های ابری خود هستند.
در حال حاضر گوگل کلاود ابزارهای فراوانی راعرضه می کنند ولی  آن‌ها از الگوهای پیش‌آموخته بهره مند می شوند.
این الگوها دایره‌ی توانایی‌ آن‌ها را محدود می‌کند.
به عنوان نمونه ، برنامه‌نویسان قادر هستند از این ابزارها فقط جهت تشخیص یک طیف محدود از اشیاء یا صحنه‌هایی که پیش از این به سیستم شناسانده شده‌اند، بهره ببرند.
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.

زمان زیادی است که پژوهشگران گوگل محدودیت‌های خودکارسازی هوش مصنوعی را مورد بررسی هایی قرار دادند.
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.
همینطور پارسال، گروه دیگری از انتخاب طبیعی شبیه‌سازی‌شده استفاده کرد تا یک ساختار شبکه‌ی مطلوب را تکامل دهد
و به تازگی 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.

همچنین گفته می شود که تلاش‌ها در این حوزه می‌تواند در نهایت در شکل‌گیری تلاشی بزرگ‌تر برای ساخت اشکال کلی‌تر و مناسب‌تر از هوش مصنوعی مؤثر واقع شود.
در نهایت، برنامه‌نویسان می توانند، قبل از آنکه تمام امور به‌دست ماشین‌ها انجام شود ، هوش مصنوعی اختصاصی را گسترش دهید.