باحثو جوجل يخترعون نظامًا لتحويل خوارزميات الذكاء الاصطناعي الجديدة من الكتلة الرياضية

تمكن التعلم الآلي جهاز الكمبيوتر من إتقان مجموعة واسعة من المهام، ولكنها غالبًا ما تستغرق وقتًا طويلاً لتصميم بنية التعلم الآلي من الصفر وتدريب الخوارزمية. كما ذكرتها ScienceAlert، قام الباحثون في جوجل براين مؤخرًا بتجربة طرق جديدة لإنشاء برامج الذكاء الاصطناعي، باستخدام تقنيات تستند إلى الطفرات التي تسمح للذكاء الاصطناعي بالتطور بشكل طبيعي.

لقد كان نظام AutoML التابع لجوجل يخلق برامج الذكاء الاصطناعي تلقائيًا منذ فترة الآن، وقد حققت العديد من هذه البرامج أداءً أفضل من النماذج التي صممها المهندسون البشر. ومع ذلك، تمكن باحثو جوجل من توسيع هذا النظام، ونشر بحثًا يفترض أن النظام يمكن استخدامه لاكتشاف خوارزميات جديدة أكثر كفاءة وقوة من خلال عملية تقليد التطور. هذه العملية تستند إلى طفرة الدوال الرياضية، ويمكن أن تساعد أيضًا في تقليل التحيز البشري الذي غالبًا ما يجد طريقه إلى أنظمة الذكاء الاصطناعي من خلال البيانات.

نشر فريق البحث في جوجل ورقة بحثية قبل شهر على arXiv، بعنوان “تطوير خوارزميات التعلم الآلي من الصفر”. في هذه الورقة، يناقش فريق البحث نظامهم الجديد، الذي سمي AutoML-Zero. يعمل Auto-ML Zero عن طريق تعديل العمليات الرياضية الأساسية، واستخدامها كوحدات بناء لخوارزميات جديدة معقدة. يمكن أن تكون الأنظمة المصممة باستخدام AutoML-Zero أكثر قوة ودقة من العديد من أنظمة الذكاء الاصطناعي الأخرى، ولكن فريق البحث قام بتحويل العملية بهدف محدد في الاعتبار – إصلاح التحيز البشري في نماذج التعلم الآلي العامة وجموع البيانات. يصف الباحثون المشكلة في ورقة بحثهم:

“المكونات المصممة من قبل البشر تحيز نتائج البحث لصالح الخوارزميات المصممة من قبل البشر، مما قد يقلل من إمكانات الابتكار في AutoML. كما أن الابتكار محدود بالخيارات الأقل: لا يمكنك اكتشاف ما لا تبحث عنه.”

يعمل AutoML-Zero بمنهج ثلاثي: الإعداد، التنبؤ، والتعلم. يبدأ AutoML-Zero بإنشاء 100 خوارزمية من خلال الجمع العشوائي للعمليات الرياضية البسيطة، ثم يتنافس الخوارزميات مع بعضها البعض. بمجرد تحديد الخوارزميات الأفضل أداءً، يتم تعديلها قليلاً ثم يتم إجراء جولة أخرى من التجارب. هذه العملية من التنافس والطفرة تقليد عملية “البقاء للأصلح”.

据报道، يمكن إجراء العملية بأكملها بسرعة، حيث يمكن للنظام معالجة ما يصل إلى 10,000 خوارزمية محتملة في الثانية لكل معالج. كما يمكنه إجراء هذه التجارب بشكل مستمر، مع القليل من المدخلات من المشغلين البشر.

许多 من أنظمة الخوارزميات الأكثر إثارة للاهتمام اليوم هي مجرد تحسينات طفيفة للخوارزميات التي لها تاريخ طويل في علوم الكمبيوتر والذكاء الاصطناعي، ومضخمة. وفقًا لما قالته هارون جاكسون، كما نقلته مجلة Newsweek، فإن الأthing الأكثر إثارة للاهتمام في الورقة الجديدة هو أن النظام قد يكتشف خوارزميات جديدة تمامًا تختلف جذريًا عن تلك المستخدمة على نطاق واسع.

“هناك شعور بين العديد من أعضاء المجتمع بأن الإنجازات الأكثر إثارة للاهتمام في مجال الذكاء الاصطناعي لن تتحقق إلا مع اختراع خوارزميات جديدة تختلف جذريًا عن تلك التي صممها البشر حتى الآن،” قال جاكسون. “هذا ما يجعل الورقة المذكورة أعلاه مثيرة للاهتمام. إنها تقدم طريقة يمكننا من خلالها بناء واختبار خوارزميات التعلم الآلي الجديدة تمامًا تلقائيًا.”

لا يزال AutoML-Zero في مرحلة概念 الإثبات، وستكون هناك حاجة إلى مزيد من العمل عليه قبل أن يكون قادرًا على إنتاج خوارزميات تصل إلى مستوى الخوارزميات التي تدفع تطبيقات الذكاء الاصطناعي الأكثر تقدمًا اليوم. ومع ذلك، قد يثبت البحث المنجز على النظام أنه مفيد حتى قبل اكتمال AutoML-Zero، حيث ي告ي كيفية تصميم الخوارزميات الأخرى من قبل المهندسين.