در حال حاضر تلاش‌های زیادی برای یافتن حجم عظیمی از داده‌ها در حال انجام است تا هوش مصنوعی چگونه فکر می‌کند. مارک زاکربرگ، مدیر عامل متا، که به تازگی از آخرین مدل هوش مصنوعی شرکت خود رونمایی کرده است، فکر می کند راهی برای دور زدن روش پیچیده فعلی آموزش هوش مصنوعی با داده های در دسترس عموم وجود دارد: استفاده از داده های مصنوعی. زاکربرگ می گوید که از نتایج هوش مصنوعی می توان برای آموزش سایر هوش مصنوعی ها استفاده کرد.

داده های آموزشی برای هوش مصنوعی پیچیده است. چون خیلی طول می کشد. با قرار دادن داده های بیشتر در الگوریتم های آموزشی هوش مصنوعی، شرکت های هوش مصنوعی در واقع درک بهتری از ارتباطات انسانی به آنها می دهند. این کار منجر به شکل گیری نتایج دقیق تر و شبیه انسان می شود.

آموزش هوش مصنوعی را به شما بسپارید!

مارک زاکربرگ، موسس فیس بوک در مصاحبه با منبع اخبار فناوری خط فرماناستدلال می کند که توسعه دهندگان هوش مصنوعی ممکن است یک راه حل را نادیده بگیرند و به اندازه کافی به خود هوش مصنوعی به عنوان منبع داده های آموزشی متکی نیست.

زاکربرگ گفت: «ایده این است که مدل‌ها سعی می‌کنند روی مشکلات مختلف کار کنند، سپس ببینند کدام مسیرها کار می‌کنند و از آن برای بهبود سیستم استفاده کنند. به عنوان مثال، شما هوش مصنوعی مانند Llama 3 متا را به روش های مختلف بر روی یک مشکل آزاد می کنید. سپس گزینه ای را که به نظر می رسد منجر به پاسخ صحیح می شود شناسایی می کنید و از خروجی آن گفتگوی هوش مصنوعی به عنوان ورودی برای آموزش خود هوش مصنوعی استفاده می کنید.

زاکربرگ توضیح داد که این روش برایحلقه بازخورد به جای هر نوع مجموعه داده اولیهو آموزش با استفاده از داده های دنیای واقعی انجام می شود، در حالی که مشتریان از هوش مصنوعی استفاده می کنند.

آموزش هوش مصنوعی چیست؟

این روش خیلی دور از روشی نیست که در آن توپ را پرتاب می کنید و سگ را برای بازیابی آن آموزش می دهید. وقتی با یک توله سگ بازی می کنید، رفتاری مانند دویدن برای گرفتن توپ و سپس بازگشت با تقویت مثبت (مثلاً هر بار که کاری را درست انجام می دهد از او تمجید کنید) تقویت می کنید.

در مورد هوش مصنوعی، این معادل برگرداندن خروجی “خوب” به هوش مصنوعی برای آموزش مجدد آن در صورت دریافت پاسخ صحیح است (به عنوان مثال، حل یک مسئله پیچیده ریاضی یا ارائه یک واقعیت تاریخی). بر اساس این گزارش بیزینس اینسایدریک شرکت هوش مصنوعی آنتروپوسن از این تکنیک برای آموزش سیستم ابری هوشمند خود استفاده می کند و حتی OpenAI او همچنین به استفاده از آن برای آموزش ChatGapt فکر کرد.

  • مشکلات آموزش هوش مصنوعی

یکی از مشکلات آموزش هوش مصنوعی این است که این روش دارد داده های خوب بستگی دارد؛ مشکلی که احتمالاً هر شرکت نوپا یا نوآور جدیدی را با یک “ایده عالی” در مقطعی از توسعه خود تحت تأثیر قرار می دهد. با داشتن اطلاعات خوب در مورد اینکه چگونه یک ایده جدید می تواند در یک بازار موجود درآمد ایجاد کند، یا اطلاعات خوب در مورد نارضایتی مردم از یک محصول یا خدمات موجود، می توانید تصمیمات بهتری در مورد نحوه برنامه ریزی تلاش های شرکت خود بگیرید.

با این حال، داده های خوب به سختی به دست می آیند، و قانون قدیمی “اطلاعات غیر شهودی، خروجی غیر شهودی” که برای همه انواع فرآیندهای تجاری اعمال می شود، در آموزش هوش مصنوعی نیز اعمال می شود. همه ما دیده‌ایم که چگونه هوش مصنوعی می‌تواند حقایق جعلی را «واقعی» جلوه دهد یا به سؤالات پاسخ‌های نادرست یا هشداردهنده بدهد.

در تحقق ایده زاکربرگ، سوال این است که چقدر طول می‌کشد تا کنترل کیفیت یک فرد بر روی داده‌های مصنوعی عمل کند، یا اینکه هیولای هوش مصنوعی آنقدر تشنه ورودی شود که شرکت تصمیم بگیرد ریسک کند و آن را تزریق کند. انواع داده های بی فایده این مشکل یک پرچم قرمز دیگر است که تحقیقات دقیق تر و قوانین هوشمندانه تر را می طلبد.