أنظمة الذكاء الاصطناعي قد تفضل اللغة البشرية بدلاً من البيانات الرقمية

بحث جديد من جامعة كولومبيا يشير إلى أن أنظمة الذكاء الاصطناعي تفضل اللغة البشرية بدلاً من البيانات الرقمية مثل 1 و 0. وقد أجرى هذا البحث أستاذ الهندسة الميكانيكية هود ليبسون وطالب الدكتوراه بويوان تشين، وأظهر أن أنظمة الذكاء الاصطناعي يمكن أن تصل إلى مستويات أداء أعلى إذا تم برمجتها bằng ملفات صوت اللغة البشرية.

في مقارنة جنبًا إلى جنب، وجد الباحثون أن شبكة عصبونية تم تدريبها بواسطة ملفات صوت достигت مستويات أداء أعلى في تحديد الأشياء مقارنة بالشبكة الأخرى التي تم برمجتها بالمدخلات الثنائية البسيطة.

ليبسون هو أستاذ جيمس وسالي سكابا للابتكار و عضو في معهد علوم البيانات بجامعة كولومبيا.

“لمعرفة لماذا هذا الاكتشاف مهم، من المفيد فهم كيف يتم برمجة الشبكات العصبونية بشكل عام، ولماذا استخدام صوت اللغة البشرية هو تجربة радيكالية،” قال.

استخدام الأرقام الثنائية مضغوط و دقيق، بينما اللغة البشرية أكثر تعقيدًا و غير ثنائية عند التقاطها في ملف رقمي. عادة ما لا يتنازل المبرمجون عن الأرقام عند تطوير شبكة عصبونية لأنها كفاءة عالية.

انطلق الفريق في هذا البحث بعد التفكير في أن الشبكات العصبونية لا تصل إلى إمكاناتها الكاملة، واعتقدوا أنهم يمكن أن يكونوا أسرع وأفضل إذا تم تدريبهم باللغة البشرية والكلمات المحددة.

تدريب الشبكات

عند اختبار تقنية تعلم جديدة، غالبًا ما يُدرب باحثو الذكاء الاصطناعي شبكة عصبونية على التعرف على أشياء وحيوانات معينة في مجموعة من الصور.

قام الفريق، الذي ضم تشين و ليبسون و يو لي وسوزان راغوباثي، بإعداد تجربة محكومة لاختبار فرضيةهم، وقاموا بإنشاء شبكتين عصبونيتين جديدتين. لقد حاولوا تدريبهما على التعرف على 10 أنواع مختلفة من الأشياء بين 50,000 صورة تسمى “صور التدريب”.

تم تدريب أحد أنظمة الذكاء الاصطناعي بطريقة أكثر تقليدية بالقيم العددية، بينما تم تدريب الشبكة العصبونية التجريبية بطريقة مختلفة تمامًا. تم تغذيتها بجدول بيانات يحتوي على صفوف تحتوي على صورة لحيوان أو شيء، والعمود الثاني يحتوي على ملف صوت للغة البشرية، الذي ينطق كلمة الحيوان أو الشيء. لم يكن هناك 1s و 0s متورطون في الشبكة العصبونية التجريبية.

تم تدريب كلا النظامين لمدة 15 ساعة. أظهرت النتائج أن الشبكة الأصلية أجابت بسلسلة من 1s و 0s، بينما أنتجت الشبكة العصبونية التجريبية صوتًا كان يحاول明显ًا “نطق” ما هو الكائن في الصورة. بينما لم يكن الصوت الأصلي مفهومًا، وصل في النهاية إلى نقطة كانت معظمها صحيحة.

أدت الشبكتان بشكل جيد، وحددتا الكائن أو الحيوان بشكل صحيح 92% من الوقت. ثم قرر الباحثون تشغيل التجربة لمرة ثانية، ولكن هذه المرة استخدموا صورًا أقل خلال العملية.

أدت الشبكة التقليدية بشكل سيئ بسبب البيانات النادرة، كما هو متوقع، وانخفضت إلى حوالي 35% دقة. ومع ذلك، أدت الشبكة التجريبية بشكل أفضل، حيث بلغت دقتها 70%، على الرغم من وجود بيانات أقل.

https://www.youtube.com/watch?v=Iq2YjHCAPRQ

نتائج مذهلة

في المرة التالية، استخدم الفريق صورًا أكثر صعوبة، مثل صورة معطوبة لكلب. حتى مع الصور الأصعب، كانت الشبكة العصبونية المدربة بالصوت صحيحة حوالي 50% من الوقت، بينما كانت الشبكة التقليدية دقيقة فقط 20%.

بويوان تشين هو الباحث الرئيسي في الدراسة.

“تتعارض نتائجنا مباشرة مع كيفية تدريب العديد من الخبراء على التفكير في الحواسيب والأرقام؛ إنه افتراض شائع أن المدخلات الثنائية هي وسيلة أكثر كفاءة لنقل المعلومات إلى آلة من تدفقات الصوت ذات ثراء مماثل،” أشار تشين. “في الواقع، عندما قدمنا هذا البحث إلى مؤتمر كبير للذكاء الاصطناعي، رفض أحد المراجعين المجهولين ورقتنا فقط لأنهم شعروا أن نتائجنا كانت ‘مذهلة وغير متوقعة’.”

“إذا فكرت في حقيقة أن اللغة البشرية قد خضعت لعملية تحسين لآلاف السنين، فمن المنطقي أن كلماتنا المنطوقة قد وجدت توازنًا جيدًا بين الضوضاء والإشارة،” قال ليبسون. “لذلك، عندما ننظر إلى الأمر من خلال عدسة انتروبيا شانون، فمن المنطقي أن شبكة عصبونية مدربة باللغة البشرية تتفوق على شبكة مدربة بال1s و 0s البسيطة.”

سيتم تقديم الدراسة في مؤتمر الدولي حول تمثيلات التعلم في 3 مايو 2021.

“يجب أن نفكر في استخدام طرق جديدة وأفضل لتدريب أنظمة الذكاء الاصطناعي بدلاً من جمع مجموعات بيانات أكبر،” قال تشين. “إذا فكرنا في كيفية تقديم بيانات التدريب إلى الآلة، فمن الممكن أن نكون أفضل معلمين.”

“أحد أكبر الغموض في تطور البشر هو كيف حصل أسلافنا على اللغة، وكيف يتعلم الأطفال التحدث بسهولة،” يضيف ليبسون. “إذا تعلم الأطفال الرضع بشكل أفضل مع التعليم الصوتي المتكرر، فربما يمكن لأنظمة الذكاء الاصطناعي أن تفعل الشيء نفسه.”