ماشینها نیازی به کمک ما برای یادگیری ندارند

محققانی که با روباتهای سرسخت کار می کنند، می گویند اکنون می توان ماشین ها را یاد گرفت که چگونه سیستم های طبیعی یا مصنوعی با مشاهده آنها کار می کنند بدون این که به دنبال چه چیزی باشند.

این امر می تواند منجر به پیشرفت در نحوه ارزیابی دانش و استفاده از آن برای شناسایی رفتارها و ناهنجاری ها شود.

با این حال، بر خلاف آزمون اصلی تورینگ، بازجویان ما انسان نیستند، بلکه برنامه های کامپیوتری هستند که خودشان را یاد می گیرند. "

این فناوری می تواند برنامه های امنیتی، مانند شناسایی دروغ یا تایید هویت را بهبود بخشد و بازی کامپیوتری را واقع بینانه تر کند.

همچنین به این معنی است که ماشین ها قادرند پیش بینی کنند، در میان چیزهای دیگر، چگونه مردم و سایر موجودات زنده رفتار می کنند.

آزمون تورینگ

کشف، منتشر شده در مجله هوش دره، آلن تورینگ، دانشمند کامپیوتر پیشگام، الهام می گیرد، که یک آزمایش را پیشنهاد می کند که یک دستگاه می تواند منتقل کند، در غیر اینصورت از یک انسان رفتار می کند. در این آزمون یک بازجو پیام هایی را با دو بازیکن در یک اتاق متفاوت مبادله می کند: یک انسان، دیگری ماشین.

بازجو باید بداند که کدام یک از دو بازیکن، انسان است. اگر آنها به طور مداوم به این نتیجه نرسند - به این معنی که آنها موفق تر از این نیست که اگر یک بازیکن را به صورت تصادفی انتخاب کرده باشند، دستگاه آزمون را گذرانده است و در نظر گرفته شده است که هوش انسانی دارد.

"مطالعه ما با استفاده از آزمون تورینگ به نشان می دهد که چگونه یک سیستم معین - نه لزوما یک انسان کار می کند. در مورد ما، ما روبات هایی را تحت نظارت قرار دادیم و می خواستیم ببینیم کدام قوانین حرکاتشان را ایجاد می کنند. "رادریک گروس از دانشکده مهندسی کنترل و سیستم های مهندسی در دانشگاه شفیلد توضیح می دهد.

"برای انجام این کار، دومین ریزش روبات های یادگیری را نیز تحت نظارت قرار می دهیم. حرکات همه روبات ها ثبت شد و اطلاعات حرکت داده شده به بازجو ها "، او اضافه می کند.

"بر خلاف آزمون اصلی تورینگ، بازجویان ما انسان نیستند بلکه برنامه های کامپیوتری هستند که خودشان را یاد می گیرند. وظیفه آنها این است که بین روباتها از هر دو روابط متمایز شود. آنها برای طبقه بندی درست داده های حرکت از روح اصلی به عنوان واقعی، و کسانی که از سوی دیگر به عنوان تقلبی، پاداش داده می شود. ربات های یادگیری که موفق به فریب بازجو می شوند، اعتقاد دارند که داده های حرکتش واقعی بوده است. پاداش دریافت می کنند. "

دریافت آخرین با ایمیل

Gross می گوید مزیت رویکردی که "آموزش تورینگ" نامیده می شود، این است که انسان ها دیگر نیازی به گفتن ماشین ها ندارند.

ربات رنگی مانند پیکاسو دارد

تصور کنید میخواهید یک ربات رنگ آمیزی مثل پیکاسو داشته باشد. الگوریتم های یادگیری ماشین معمول، نقاشی های ربات را برای مقایسه دقیق آنها با یک پیکاسو مقایسه می کنند. اما کسی باید الگوریتم ها را با آنچه که در ابتدا با یک پیکاسو در نظر گرفته شده است، بگوید.

یادگیری تورینگ چنین دانش پیشین نیازی ندارد. این به سادگی ربات را پاداش می دهد، اگر نقاشی چیزی است که توسط بازجوها واقعی بود. یادگیری تورینگ به طور همزمان یاد میگیرد چگونه به بازجویی و نحوه نقاشی بپردازد.

Gross می گوید که وی معتقد است یادگیری تورینگ می تواند منجر به پیشرفت در علم و فن آوری شود.

او می گوید: «دانشمندان می توانند از آن برای کشف قوانین حاکم بر سیستم های طبیعی یا مصنوعی استفاده کنند، به خصوص اگر رفتار را نمی توان به راحتی با استفاده از معیارهای تشابه شناخت.

"به عنوان مثال، بازی های کامپیوتری می توانند به واقع گرایی دست یابند به این دلیل که بازیکنان مجازی می توانند ویژگی های مشخصی از همتایان انسانی خود را مشاهده کنند. آنها فقط رفتار مشاهده شده را کپی نمی کنند، بلکه نشان می دهند که چه چیزی بازیکنان انسانی را از بقیه جدا می کند. "

تا کنون، گراس و تیمش، آموزش تورینگ را در رشته های ربات تجربه کرده اند، اما گام بعدی این است که کارهای برخی از گروه های حیوانی مانند مدارس ماهی یا مستعمرات زنبورها را نشان دهند. این می تواند منجر به درک بهتر عوامل موثر بر رفتار این حیوانات شود و در نهایت به سیاست حفاظت از آنها اطالق شود.

منبع: دانشگاه شفیلد