ایتنا - حجم عظیمی از داده‌ها به دستیارهای هوشمند تزریق شده تا در تقریبا تمام حوزه‌های قابل درک به کاربرانشان کمک کنند، ولی وقتی با مسائل ناشناخته مواجه می‌شوند باز هم کم می‌آورند.

 
 
استدلال انتزاعی یک جزء حیاتی توسعه سیستم‌های هوش مصنوعی با قابلیت‌هایی همسطح انسان‌ها است.
 
به گزارش ایتنا از رایورز به نقل از سیودایو، DeepMind «تست‌های IQ بصری» را برای ارزیابی توانایی «مدل‌های AI » برای یافتن راهکارهایی برای ماموریت‌های استدلال انتزاعی با داشتن داده‌های آموزشی مناسب و همچنین تعمیم این قابلیت‌ها در شرایطی که در آنها داده‌های آموزشی و تست متفاوت هستند ایجاد نمود، که نتایج آن توسط این شرکت زیرمجموعه گوگل منتشر شد.
 
بر اساس این گزارش، این مدل‌ها باید ورودی برگرفته از محرکه‌های جدید را با پیشرفت‌های حسابی و عملیات‌های منطقی حل نموده، و فاکتورهایی همچون رنگ، سایز و کمیت را برای یادگیری و اجرای استدلال انتزاعی آنالیز می‌کردند.
 
شبکه‌های عصبی در مجموع توانستند یادگیری و استنتاج را انجام دهند، اگرچه عملکرد انواع مدل‌های مختلف یکدست نبود.
مدل‌ها به شکلی یکدست از نظر درک و ساختار به پرسش‌ها رویکرد داشتند، و با مقادیر و محتوای مشخصه معلوم خوب عمل کردند، حتی در ترکیبات ناآشنا. ولی در زمان برون‌یابی برای اطلاعات خارج از پایگاه دانش یا کار با شرایط کاملا جدید، عملکرد این مدل ضعیف بود.
 


استدلال انتزاعی تنها جنبه دشوار برای AI در تلاش به رسیدن به حد هوش و قابلیتهای انسان نیست. با چالشهایی که ابهامات زبانشناسی در پی دارند، آموزش به کامپیوترها برای تفسیر درست زمینه در ارتباط یک کار بسیار پیچیده و دشوار می‌شود.
به عنوان مثال، یک کامپیوتر باید تمایز برقرار کردن بین معانی مختلف «خوردن اسپاگتی با پنیر» و «خوردن اسپاگتی با سگ‌ها» را یاد بگیرد.
 
ولی آیا اینکه دستیارهای هوشمند سیری و گوگل اسیستنت می‌توانند هر مساله ای را حل کنند درست است؟

دستیارهای هوشمند، به عنوان یکی از بدیهی‌ترین و رایج‌ترین ابزارهای AI که کاربران با آنها تعامل می‌کنند، به طرز فزاینده‌ای با قابلیت‌های انسانی رقابت نموده و گاهی از آنها پیشی می‌گیرند. پاس کردن یک تست تورینگ توسط یک ابزار AI لزوما به این معنا نیست که این ابزار دارای قابلیت‌های استدلال تحلیلی انسان مانند است.
 
از دیدگاه پژوهشگران DeepMind، مانند یک تست IQ انسانی، که در آن آماده سازی بیش از حد برای آن باعث منحرف و نامتوازن شدن قابلیت‌های شبکه‌های عصبی می‌شود، ارزیابی تست قابلیت‌های شبکه‌های عصبی «به خاطر ظرفیت قابل توجه آنها برای به حافظه سپردن و توانایی بهره‌برداری از نشانه‌های آماری سطحی» ممکن است مشکل باشد.

حجم عظیمی از داده‌ها به دستیارهای هوشمند تزریق شده تا در تقریبا تمام حوزه‌های قابل درک به کاربرانشان کمک کنند، ولی وقتی با مسائل ناشناخته مواجه می‌شوند باز کم می‌آورند.