تنشئ أبحاث Google نظامًا لتطوير خوارزميات ذكاء اصطناعي جديدة من اللبنات الأساسية الرياضية

يتيح التعلم الآلي لتطبيقات الكمبيوتر أن تصبح بارعة في مجموعة واسعة من المهام، ولكن غالبًا ما يستغرق الأمر وقتًا طويلاً لتصميم بنية التعلم الآلي من الصفر ثم تدريب تلك الخوارزمية. كما ذكرت ScienceAlert، جرب الباحثون في Google Brain مؤخرًا طرقًا جديدة لإنشاء برامج الذكاء الاصطناعي ، باستخدام تقنيات تعتمد على الطفرات التي تسمح للذكاء الاصطناعي "بالتطور" عضوياً.

يقوم نظام AutoML من Google بإنشاء برامج الذكاء الاصطناعي تلقائيًا لفترة من الوقت الآن ، وتحقق العديد من هذه البرامج أداءً أفضل من النماذج التي صممها المهندسون البشريون. ومع ذلك ، تمكن باحثو Google من التوسع في هذا النظام ، وأصدروا أبحاثًا تشير إلى أنه يمكن استخدام النظام "لاكتشاف" خوارزميات جديدة وأكثر كفاءة وقوة من خلال عملية تعكس التطور. تعتمد هذه العملية على تحور الوظائف الرياضية ويمكن أن تساعد أيضًا في تقليل التحيز البشري الذي غالبًا ما يجد طريقه إلى أنظمة الذكاء الاصطناعي من خلال البيانات.

فريق بحث Google ورقة منشورة مسبقًا الشهر الماضي من arXiv ، بعنوان "تطور خوارزميات التعلم الآلي من الصفر". في ذلك ، يناقش فريق البحث نظامهم الجديد ، المسمى AutoML-Zero. يعمل Auto-ML Zero من خلال تعديل العمليات الحسابية الأساسية ، واستخدامها كوحدات بناء لخوارزميات جديدة ومتطورة. من المحتمل أن تكون الأنظمة المصممة باستخدام AutoML-Zero أكثر قوة ودقة من العديد من أنظمة الذكاء الاصطناعي الأخرى ، لكن فريق البحث اختبر العملية مع وضع هدف محدد في الاعتبار - إصلاح التحيز البشري في نماذج التعلم الآلي العامة ومجموعات البيانات. يصف الباحثون المشكلة في ورقة بحثهم:

"تعمل المكونات المصممة بشريًا على تحيز نتائج البحث لصالح الخوارزميات المصممة بشريًا ، مما قد يقلل من إمكانات الابتكار في AutoML. كما أن الابتكار محدود أيضًا من خلال وجود خيارات أقل: لا يمكنك اكتشاف ما لا يمكنك البحث عنه ".

يعمل AutoML-Zero بنهج من ثلاث خطوات: الإعداد والتنبؤ والتعلم. يبدأ AutoML-Zero بأخذ 100 خوارزمية تم إنشاؤها من خلال مجموعة عشوائية من العمليات الحسابية البسيطة ، ثم يتم وضع الخوارزميات ضد بعضها البعض. بمجرد تحديد أفضل الخوارزميات أداءً ، يتم إجراء تعديلات صغيرة على هذه الخوارزميات ثم يتم إجراء جولة أخرى من التجارب. تحاكي عملية المنافسة والطفرة هذه عملية اختيار "البقاء للأصلح".

يُذكر أنه يمكن تنفيذ العملية بأكملها بسرعة كبيرة ، حيث إن النظام قادر على معالجة ما يصل إلى 10,000 خوارزمية ممكنة في الثانية لكل معالج. يمكنه أيضًا إجراء هذه التجارب أكثر أو أقل على مدار الساعة طوال أيام الأسبوع ، والاستمرار في التجربة مع القليل جدًا من المدخلات من المشغلين البشريين.

العديد من الأنظمة الخوارزمية الأكثر إثارة للإعجاب اليوم هي مجرد اختلافات طفيفة في الخوارزميات التي لها تاريخ طويل في علوم الكمبيوتر والذكاء الاصطناعي ، تم توسيع نطاقها. وفقًا لهاران جاكسون ، وفقًا لمجلة Newsweek ، فإن الشيء الأكثر إثارة للاهتمام في الورقة الجديدة هو أن النظام يمكن أن يكتشف خوارزميات جديدة تمامًا تختلف اختلافًا جذريًا عن تلك الأكثر استخدامًا.

"هناك شعور بين العديد من أعضاء المجتمع بأن أكثر الإنجازات إثارة للإعجاب للذكاء الاصطناعي لن تتحقق إلا من خلال اختراع خوارزميات جديدة تختلف اختلافًا جوهريًا عن تلك التي ابتكرناها كنوع حتى الآن ،" قال جاكسون. "هذا ما يجعل الورقة المذكورة أعلاه ممتعة للغاية. إنه يقدم طريقة يمكننا من خلالها إنشاء واختبار خوارزميات جديدة تمامًا للتعلم الآلي ".

لا يزال AutoML-Zero في مرحلة إثبات المفهوم وسيتعين القيام بمزيد من العمل عليه قبل أن يكون قادرًا على إنتاج خوارزميات مفيدة مثل تلك التي تقود تطبيقات الذكاء الاصطناعي الأكثر تطورًا اليوم. ومع ذلك ، قد يكون البحث الذي تم إجراؤه على النظام مفيدًا حتى قبل الانتهاء من AAutoML-Zero ، مما يوضح كيفية تصميم الخوارزميات الأخرى بواسطة المهندسين.