استفاده از داده‌های مصنوعی برای آموزش هوش مصنوعی «اشتباهی بزرگ» است

به گزارش سیتنا، ریچ ساتن، دانشمند علوم رایانه کانادایی و برنده جایزه تورینگ که از پیشگامان فناوری‌های پایه هوش مصنوعی امروزی به شمار می‌رود، معتقد است تلاش شرکت‌های بزرگ فناوری برای ادامه توسعه هوش مصنوعی با تکیه بر داده‌های مصنوعی، مسیر درستی نیست.

ساتن در قسمت جدید پادکست شرکت سرمایه‌گذاری سکویا که روز سه‌شنبه منتشر شد، گفت صنعت هوش مصنوعی به دلیل وابستگی روزافزون به داده‌های مصنوعی برای آموزش مدل‌ها، در مسیر اشتباهی قرار گرفته است.

او در پاسخ به پرسشی درباره استفاده از داده‌های مصنوعی برای ادامه توسعه مدل‌های زبانی بزرگ گفت: «این یک اشتباه بزرگ است. شاید این همان درس بزرگ بعدی باشد که باید یاد بگیریم.»

داده مصنوعی چیست؟

داده مصنوعی به اطلاعاتی گفته می‌شود که به‌جای جمع‌آوری از منابع واقعی و دنیای واقعی، به‌صورت مصنوعی توسط الگوریتم‌ها یا مدل‌های هوش مصنوعی تولید می‌شوند.

این داده‌ها در سال‌های اخیر اهمیت بیشتری پیدا کرده‌اند؛ زیرا شرکت‌های هوش مصنوعی برای یافتن منابع جدید و گسترده‌تر داده‌های آموزشی، اینترنت را بیش از پیش جست‌وجو می‌کنند.

برای مثال، تولید تصاویر رایانه‌ای از خودروها برای آموزش سامانه‌های خودروهای خودران یا ایجاد سوابق بانکی جعلی برای آموزش سامانه‌های تشخیص تقلب، نمونه‌هایی از کاربرد داده‌های مصنوعی هستند.

با این حال، به نظر می‌رسد شرکت‌های بزرگ فناوری نیز تا حدی با دیدگاه ساتن موافق‌اند و همچنان تلاش زیادی برای دستیابی به داده‌های واقعی انجام می‌دهند.

شرکت‌های فناوری در سال‌های اخیر به شکل فزاینده‌ای به دنبال منابع جدیدی از داده‌های واقعی هستند. برای نمونه، اوپن‌ای‌آی به‌صورت عمومی به دنبال مجموعه‌داده‌های اختصاصی و گسترده‌ای بوده که به‌راحتی در اینترنت پیدا نمی‌شوند و بتوان از آنها برای آموزش مدل‌های هوش مصنوعی استفاده کرد.

همچنین گوگل اوایل این هفته با پرداخت ۱۰ میلیون دلار برای دسترسی به داده‌ها و نرم‌افزارهای داخلی شرکت ورشکسته اسپیریت ایرلاینز موافقت کرد. این اتفاق نشان می‌دهد اطلاعات اختصاصی و واقعی تا چه اندازه برای آموزش مدل‌های هوش مصنوعی ارزشمند شده‌اند.

داده مصنوعی نمی‌تواند جای تجربه واقعی را بگیرد

ساتن در پادکست سکویا تأکید کرد که داده‌های تولیدشده توسط ماشین نمی‌توانند جایگزین مناسبی برای داده‌های واقعی باشند. او رفتار انسان‌ها را یکی از نمونه‌های مهم دانست و گفت: «هیچ راهی وجود ندارد که بتوانیم برای ذهن انسان‌های دیگر داده مصنوعی داشته باشیم.»

از نظر ساتن، جایگزین مناسب برای داده‌های مصنوعی، داده‌های حاصل از تجربه واقعی است؛ یعنی اطلاعاتی که یک عامل هوش مصنوعی از طریق تعامل مستقیم با محیط واقعی به دست می‌آورد، اتفاقات را مشاهده می‌کند و به‌طور مداوم از پیامدهای اقدامات خود یاد می‌گیرد.

او درباره نمونه‌ای مانند پهپاد توضیح داد که نمی‌توان به‌طور کامل داده مصنوعی درباره نحوه تعامل آن با محیط فیزیکی تولید کرد. ساتن گفت در دنیای واقعی متغیرهایی مانند اصطکاک، فرسودگی قطعات و رفتار موتورهای ربات‌ها وجود دارد که نمی‌توان همه آنها را در یک شبیه‌سازی بازسازی کرد.

او افزود: «دنیا بی‌نهایت پیچیده است و هر شبیه‌سازی از آن، فقط بخش بسیار کوچکی از واقعیت را نشان می‌دهد.»

تجربه واقعی؛ پایه یک استارتاپ جدید

این دیدگاه اکنون به پایه و اساس یک استارتاپ جدید تبدیل شده است.

ساتن و خرم جاوید، دانشجوی سابق او، ماه گذشته شرکت Oak Lab را راه‌اندازی کردند. این استارتاپ روی توسعه عامل‌های هوش مصنوعی کار می‌کند که بتوانند به‌جای اتکا به مجموعه‌داده‌های بزرگ و از پیش آماده، به‌طور مداوم از تجربه‌های خود یاد بگیرند. Oak Lab هنوز اطلاعاتی درباره میزان سرمایه جذب‌شده یا سرمایه‌گذاران خود منتشر نکرده است.

چرا داده واقعی اهمیت دارد؟

مدل‌های هوش مصنوعی برای یادگیری به حجم بسیار زیادی از داده نیاز دارند. با افزایش استفاده شرکت‌ها از اینترنت و منابع عمومی، دسترسی به داده‌های جدید و باکیفیت دشوارتر شده است. به همین دلیل، داده‌های مصنوعی به گزینه‌ای جذاب برای افزایش حجم داده‌های آموزشی تبدیل شده‌اند.

اما دیدگاه ساتن این است که افزایش حجم داده به‌تنهایی کافی نیست. به‌ویژه برای سامانه‌هایی که باید در دنیای واقعی فعالیت کنند، تجربه مستقیم و یادگیری از محیط می‌تواند اهمیت بیشتری داشته باشد.

از نگاه او، یک ربات یا عامل هوش مصنوعی نمی‌تواند تنها با مشاهده داده‌هایی که از قبل تولید شده‌اند، تمام پیچیدگی‌های دنیای واقعی را یاد بگیرد؛ بلکه باید در محیط واقعی عمل کند، پیامد اقداماتش را ببیند و بر اساس آن تجربه، عملکرد خود را بهبود دهد.

در نتیجه، ساتن معتقد است آینده توسعه هوش مصنوعی صرفاً به تولید حجم بیشتری از داده‌های مصنوعی وابسته نیست و یادگیری از تجربه واقعی می‌تواند مسیر متفاوتی برای ساخت نسل بعدی سیستم‌های هوشمند ایجاد کند.

انتهای پیام