عصر گویش | هوش مصنوعی

2021-01-27 12:09:10 هوش مصنوعی به سگ رباتیک Koda برای درک احساسات انسانی کمک می‌کند.

@AsrGooyeshPardaz باز کردن / نظر دهید

2021-01-27 09:23:33 سرطان پروستات یکی از رایج‌ترین سرطان‌ها در میان مردان است که در درجه اول با اندازه‌گیری یک عامل سرطانی در خون یعنی «آنتی‌ژن اختصاصی پروستات» (PSA) تشخیص داده می‌شود. از آنجایی که دقت این روش تشخیص نزدیک به ۳۰ درصد است، از شمار بالایی از افراد نمونه‌برداری می‌شود که حالا پژوهشگران با آزمایش ادرار و هوش مصنوعی به دنبال جلوگیری از چنین موضوعی هستند.

موسسه علم و فناوری کره جنوبی (KIST) به تازگی اعلام کرده در یک کار تحقیقاتی مشترک با «مرکز تحقیقات مواد زیستی» و «مرکز پزشکی آسان» موفق به توسعه روشی برای تشخیص سرطان پروستات به وسیله ادرار شده. این روش تنها در ۲۰ دقیقه سرطان را تشخیص می‌دهد و دقتی نزدیک به ۱۰۰ درصد دارد.

این تیم برای توسعه روش تشخیص جدید، یک سنسور زیستی فوق حساس مبتنی بر سیگنال الکتریکی را با متد تحلیل مبتنی بر هوش مصنوعی ترکیب کرده است. با این روش می‌توان تنها با تست ادرار به ابتلا به سرطان پروستات پی برد و دیگر نیازی به روش‌های تهاجمی‌تری مانند نمونه‌برداری یا بیوپسی نخواهد بود.
از آنجایی که شاید عوامل سرطان تراکم کمی در نمونه ادرار داشته باشند، سنسورهای زیستی تنها برای دسته‌بندی گروه‌های در معرض خطر استفاده می‌شود. رویکرد استفاده از یک عامل سرطانی دقت تشخیص آن را به بیش از ۹۰ درصد می‌رساند، اما در شناسایی آن محدودیت ایجاد می‌کند.

پژوهشگران برای مقابله با چنین محدودیتی، از عوامل سرطانی مختلف بطور همزمان استفاده کردند تا دقت تشخیص این روش را افزایش دهند. این تیم توانسته یک سنسور نیمه‌رسانا فوق حساس با قابلیت اندازه‌گیری همزمان مقادیر مربوط به ۴ عامل سرطانی در تست ادرار را توسعه دهد.

این تیم با استفاده از ارتباط میان این چهار عامل که توسط سنسور جمع‌آوری شده بود، هوش مصنوعی موردنظرشان را آموزش داده است. در ادامه الگوریتم هوش مصنوعی با تحلیل الگوهای پیچیده سیگنال‌ها برای تشخیص سرطان پروستات در نمونه‌های ادرار مورد استفاده قرار گرفت. این روش توانست با موفقیت سرطان پروستات را در ۷۶ نمونه ادرار و با دقت نزدیک به ۱۰۰ درصد تشخیص دهد.

Telegram : @AsrGooyeshPardaz
Instagram : AsrGooyesh
WebSite : www.Asr-Gooyesh.com باز کردن / نظر دهید

2021-01-27 09:22:58 توسعه روشی برای تشخیص دقیق سرطان توسط هوش مصنوعی.

@AsrGooyeshPardaz باز کردن / نظر دهید

2021-01-26 09:11:49 تحقیقی جدید نشان می‌دهد استراتژی مغز برای ذخیره خاطرات بسیار کارآمدتر از استراتژی هوش مصنوعی است.

هوش مصنوعی در سال‌های اخیر در بسیاری از زمینه‌ها پیشرفت کرده است که بازی شطرنج تنها یکی از آنهاست. سال ۱۹۹۶ کامپیوتر Deep Blue برای اولین بار استا شطرنج دنیا «گری کاسپارف» را شکست داد. شبکه‌های عصبی (واقعی یا مصنوعی) یادگیری را با تغییر دادن اتصالات بین عصب‌ها انجام می‌دهند.

با قوی یا ضعیف کردن اتصالات، فعالیت برخی نورون‌ها افزایش و فعالیت برخی دیگر کاهش می‌یابد تا یک الگوی خاص فعالیت شکل گیرد. به این الگو «خاطره» گفته می‌شود. هوش مصنوعی با استفاده از الگوریتم‌های پیچیده و طولانی و با تکرار و سعی و خطا اتصالات بین نورون‌ها را تنظیم و بهینه می‌کند. مغز اما این فرآیند را بسیار ساده‌تر انجام داده و هر اتصال بین نورونی را فقط بسته به میزان فعال بودن دو نورون در آن واحد تغییر می‌دهد. تا مدت‌ها تصور می‌شد مغز به کمک این فرآیند ساده قادر به ذخیره‌سازی خاطرات کمتری است.
اما تحقیق جدید خلاف این باور را ثابت می‌کند. به گفته محققان زمانی که مغز استراتژی ساده تغییر اتصالات نورونی را با مدل‌های اعتبارسنجی بیولوژیکی (biologically plausible) واکنش هر نورون ترکیب می‌کند، استراتژی مذکور از لحاظ عملکرد همانند هوش مصنوعی و حتی بهتر از آن عمل خواهد کرد. دلیل این پارادوکس به مکانیزم ایجاد خطاها در مغز باز می‌گردد: زمانی که یک خاطره به شکل کارآمد بازخوانی می‌شود، می‌تواند همسان (identical) یا همبسته (correlated) به ورودی اصلی یادآوری شونده باشد.

مغز خاطراتی را استخراج می‌کند که همسان با ورودی اصلی نبوده و فعالیت نورون‌هایی که فعالیت کمی در هر الگو دارند را سرکوب می‌کند. این نورون‌های سرکوب شده نقش مهمی در تمایز قائل شدن بین خاطرات مختلف ذخیره شده در شبکه یکسان بازی نمی‌کنند. در واقع مغز با نادید گرفتن آنها روی نورون‌هایی که برای ورودی یادآوری شونده اهمیت بیشتری دارند تمرکز کرده و بازدهی را بالا می‌برد.

Telegram : @AsrGooyeshPardaz
Instagram : AsrGooyesh
WebSite : www.Asr-Gooyesh.com باز کردن / نظر دهید

2021-01-26 09:11:24 نتیجه تحقیق جدید: هوش مصنوعی ما را در شطرنج شکست می‌دهد، ولی در حافظه نه.
@AsrGooyeshPardaz باز کردن / نظر دهید

2021-01-25 10:36:55 مرکز تحقیقات و مهندسی شرکت تویوتا با نام TRI در همکاری مشترک با آزمایشگاه دینامیک دانشگاه استنفورد یک دستگاه تویوتا سوپرا را به صورت خودران در آورده‌اند که قابلیت بالایی در زمینه انجام حرکات دریفت دارد.دو طرف به دنبال رسیدن به نتایج جدید در زمینه ساخت الگوریتم های مورد نیاز با قابلیت های مشابه با انسان و استفاده از این قابلیت ها برای ارتقا سیستم های خودران هستند.
پرفسور دانشگاه استنفورد کریس جردس درباره این همکاری جدید می‌گوید:

«از سال 2008 تیم او مشغول به کار در این زمینه و ارتقا است تا بتواند از پس سخت ترین شرایط در حین وقوع سانحه بر بیاید و به خاطر همین به سراغ موتوراسپرت و دریفت رفته‌اند.»

دانشگاه استنفورد مقاله‌ای را در این زمینه منتشر کرده که با استفاده از کنترل خودکار ترمز، پدال گاز و...به کنترل وسیله نقلیه در حالت دریفت می‌پردازد.
مرکز تحقیقاتی تویوتا و استنفورد ویدیویی از این ماجراجویی جدید خود منتشر کرده‌اند که با وجود این که یک راننده درون خودرو قرار دارد اما سوپرا مجهز به کیت بدنه و بال عقب اختصاصی به سرعت شروع به انجام حرکت نمایشی دریفت می‌کند و صحنه های بسیار جذابی را رقم می‌زند.

پیش از این محققین دانشگاه استنفورد از مدل تاریخی دلئرون برای کنترل چرخ های عقب در حین حرکت دریفت به وسیله ترمزها استفاده کرده بودند.
Telegram : @AsrGooyeshPardaz
Instagram : AsrGooyesh
WebSite : www.Asr-Gooyesh.com باز کردن / نظر دهید

2021-01-25 10:35:47 قابلیت دریفت برای تویوتا سوپرا خودران؛ نتیجه مشارکت تویوتا و دانشگاه استنفورد.
@AsrGooyeshPardaz باز کردن / نظر دهید

2021-01-24 09:37:54 از فضا می‌توان چندین سازه روی زمین را مشاهده کرد، اما حالا دانشمندان دست به اقدام بزرگتری زده‌اند و به کمک ماهواره‌ها و یادگیری عمیق فیل‌ها را شمارش کرده‌اند.

تیمی از محققان دانشگاه «آکسفورد» و «باث» به تازگی موفق به توسعه روشی برای شمارش فیل‌های آفریقایی با استفاده از تصاویر ماهواره‌ «Maxar» شده‌اند. این روش راهی جدید برای نظارت روی این حیوانات آسیب‌پذیر و در معرض خطر در اختیار بشر قرار می‌دهد.

دانشگاه باث در بیانیه‌ای گفته:

«برای اولین بار دانشمندان با موفقیت توانستند از دوربین‌های ماهواره به همراه یادگیری عمیق برای شمارش حیوانات در مناطق جغرافیایی پیچیده استفاده کنند.»

تصاویر ماهواره‌ای می‌توانند یک راه جایگزین و البته موثر برای روش کنونی نظارت روی فیل‌ها باشند. در حال حاضر انسان‌ها از هواپیماها برای نظارت روی این حیوانات آسیب‌پذیر استفاده می‌کنند که علاوه بر هزینه بالا، شمارش آن‌ها را هم تبدیل به کاری چالش‌برانگیز می‌کند.
شرکت Maxar در بیانیه‌ای به این موضوع اشاره کرده که این روش فضایی دقت مشابه با تشخیص انسانی دارد. علاوه بر این، ماهواره‌ها می‌توانند مناطق وسیعی را پوشش دهند و همین موضوع سرعت شمارش را هم افزایش می‌دهد. مقاله پژوهشگران در ژورنال «Remote Sensing in Ecology and Conservation» منتشر شده است.

این اولین باری نیست که شاهد استفاده از ماهواره‌ها برای پروژه‌های نظارت روی حیوانات هستیم، برای مثال ناسا از آن‌ها برای شناسایی موقعیت یک کلنی پنگوئن استفاده کرد. علاوه بر این، ماهواره‌ها برای جمع‌آوری داده‌ها از وال‌ها هم مورد استفاده قرار می‌گیرند. با این وجود یکی از تفاوت‌های روش جدید، امکان شناسایی فیل‌ها در مناطق مختلف جنگلی و بیشه‌زار است.

طبق تخمین‌ها، ۴۰ تا ۵۰ هزار فیل آفریقایی در طبیعت وجود دارند که البته در معرض خطر هستند. در همین راستا برای محافظت از آن‌ها و جلوگیری از انقراض، به نظارت دقیق نیاز است، بنابراین روش و الگوریتم جدید اهمیت بالایی دارد. این تیم امیدوار است از روش خود برای شمارش حیوانات کوچکتر هم استفاده کند.

Telegram : @AsrGooyeshPardaz
Instagram : AsrGooyesh
WebSite : www.Asr-Gooyesh.com باز کردن / نظر دهید

2021-01-24 09:37:21 پژوهشگران موفق به شمارش فیل‌ها به کمک ماهواره و هوش مصنوعی شدند.
@AsrGooyeshPardaz باز کردن / نظر دهید

2021-01-20 13:24:54 محققان «Google Brain» به تازگی از اتفاق مهم بعدی در مدل‌های زبان هوش مصنوعی یعنی ایجاد یک سیستم ترانسفورمر عظیم با یک تریلیون پارامتر رونمایی کردند.

پارامترها کلید الگوریتم‌های یادگیری ماشین هستند؛ آن‌‌ها بخشی از مدلی هستند که از داده‌های آموزشی گذشته فرا گرفته می‌شوند. به طور کلی در حوزه زبان، ارتباط بین تعداد پارامترها و پیچیدگی به طرز چشمگیری حفظ شده است. برای مثال GPT-3 که متعلق به OpenAI است یکی از بزرگترین مدل‌های زبانی است که تاکنون به مرحله‌ی آموزش رسیده و با 175 میلیارد پارامتر می‌تواند قیاس‌های اولیه را ایجاد کند، دستور‌العمل‌ها را تولید کند و حتی یک کد اولیه را کامل کند.

محققان گوگل به تازگی تکنیک‌های استانداردی را توسعه داده‌اند که طبق ادعای آن‌ها قادر خواهد بود یک مدل زبانی با بیش از یک تریلیون پارامتر را آموزش دهد. به عقیده‌ی آن‌ها سرعت مدل 1.6 تریلیون پارامتری که تا به امروز از بزرگترین مدل‌ها محسوب می‌شود با استفاده از مدل زبان توسعه یافته گوگل 4 برابر افزایش خواهد یافت.
پیش از این محققان اعلام کردند که آموزش در مقیاس بزرگ از راه‌های تاثیرگذار در مسیر مدل‌های قدرتمند است. اما این آموزش در مقیاس بزرگ نیاز به محاسبات بسیار فشرده‌ای دارد و به همین دلیل محققان روشی به نام Switch Transformer به وجود آوردند که تنها از زیرمجموعه‌ای از وزن مدل یا پارامترهایی که داده‌های ورودی را در مدل تغییر می‌دهد، استفاده می‌کند.

نوآوری سوییچ ترنسفورمر نفوذ در سخت‌افزارهایی مانند پردازنده های گرافیکی و واحدهای پردازش تنسور گوگل است که برای ضرب ماتریس متراکم طراحی شده‌اند. بنابر گفته‌ی محققان، سوییچ ترنسفورمر می‌تواند منجر به دستیابی به برخی از کارهای سطح پایین شود. برای مثال از مدل‌های پراکنده بزرگ می‌توان برای ایجاد مدل‌های کوچکتر و متراکمی استفاده کرد که کیفیت آن‌ها نسبت به مدل بزرگتر 30 درصد بهتر است. همچنین در آزمونی که در آن یک مدل سوییچ ترنسفورمر برای ترجمه بیش از 100 زبان مختلف دنیا آموزش دیده بود، محققان توانستند در مقایسه با مدل‌های پایه، با سرعت 4 برابر، یک پیشرفت جهانی را مشاهده کنند.

در آینده محققان قصد دارند زبان هوش مصنوعی گوگل را برای انجام کارهای مختلف و جدیدی مانند استفاده از آن‌ها بر روی تصویر و متن آزمایش کنند. آن‌ها معتقدند که این پراکندگی مدل در طیف وسیعی از رسانه‌های مختلف و همچنین مدل‌های چند حالته می‌تواند مزایایی ایجاد کند.
Telegram : @AsrGooyeshPardaz
Instagram : AsrGooyesh
WebSite : www.Asr-Gooyesh.com باز کردن / نظر دهید