انجمن علمی کامپیوتر تربت حیدریه

راز یادگیری هوش مصنوعی فاش شد
فکر نمی‌کند ، فقط حدس می‌زند❗️

پرده از راز یادگیری هوش مصنوعی برداشته شد. بر خلاف تصور عموم ، این فناوری پیشرفته فکر نمی‌کند ، بلکه صرفاً حدس‌ می‌زند. این یافته ، درک ما از توانایی‌ ها و محدودیت‌ های فعلی هوش مصنوعی را به چالش می‌کشد.

مدل‌ های هوش مصنوعی مانند ChatGPT در واقع فکر نمی‌کنند ، استدلال نمی‌کنند ، درک نمی‌کنند ، بلکه صرفاً الگوهای حدس‌ زن هستند که بر اساس حجم عظیمی از متون انسانی آموزش دیده‌اند و تلاش می‌کنند تا کلمه یا مفهوم بعدی را بر مبنای همبستگی‌ هایی که پیش‌تر مشاهده کرده‌اند ، پیش‌بینی کنند. همین واقعیت ، بنیان آن‌ها را تشکیل می‌دهد.

راز یادگیری هوش مصنوعی در چیست⁉️
مدل های زبانی بزرگ ، اطلاعات را به شیوه‌ای متفاوت از انسان‌ ها پردازش می‌کنند. در عمل آن‌ها هیچ‌ گونه استدلال ، درک یا آگاهی ندارند. آن‌ها روی مجموعه‌‌ای بزرگ از داده‌‌ها شامل کتاب‌ها ، وب‌سایت‌ها و گفتگوها آموزش دیده‌اند تا بتوانند آنچه را که در یک زنجیره از کلمات می‌آید ، پیش‌بینی کنند. این مدل‌ها ، زبان را به واحد های کوچکی به نام «توکن» تجزیه می‌کنند که اغلب می‌توانند بخش‌هایی از کلمات باشند و سپس تلاش می‌کنند تا با بالاترین احتمال ، یک توکن را پس از توکن دیگر حدس بزنند.

در ادامه ، نحوه عملکرد یک مدل هوش مصنوعی در فهم و استدلال داده‌ها و اطلاعات شرح داده شده است 🔽

⚪️توکن‌ها : زبان به واحدهای کوچکی نظیر کلمات یا هجاها تقسیم می‌گردد. برای نمونه ، واژه «washing» ممکن است به «wash» و «ing» تفکیک شود. مدل‌ها با ایده‌های کامل سروکار ندارند ، بلکه صرفاً احتمالات توکن به توکن را در نظر می‌گیرند.
⚪️وزن‌ها : این‌ها میلیاردها مقدار قابل تنظیم در شبکه عصبی هستند. آن‌ها را می‌توان به مثابه دکمه‌هایی تصور کرد که به مدل می‌گویند یک توکن تا چه میزان بر توکن دیگر تأثیر بگذارد.
⚪️تابع زیان : این روشی است که مدل از طریق آن ارزیابی می‌کند پس از یک حدس ، چه مقدار اشتباه کرده است. مدل ، وزن‌های خود را به منظور کاهش اشتباهات آتی تغییر می‌دهد.
⚪️تشخیص الگو : در نهایت ، مدل در شناسایی الگوهای زبانی بسیار ماهر می‌شود. اما همچنان «واقعیت‌ها» را نمی‌داند ، بلکه فقط آنچه را که معمولاً صحیح به نظر می‌رسد ، تشخیص می‌دهد. اگر بپرسید پایتخت فرانسه کجاست ، مدل نمی‌داند که پاریس است. بلکه صرفاً می‌داند که واژه «پاریس» اغلب در داده‌های آموزشی آن پس از این پرسش آمده است.

درک این سازوکار اساسی از اهمیت بسزایی برخوردار است، زیرا مبنایی را فراهم می‌آورد تا دریابیم چرا مدل‌ها همچنان می‌توانند دچار توهم شوند ، تعصب نشان دهند یا اشتباهات غیرقابل پیش‌بینی مرتکب شوند.

🔹منبع : سایت گجت نیوز



https://www.tgoop.com/THU_Computer

Telegram

انجمن علمی کامپیوتر تربت حیدریه

📢 کانال اطلاع رسانی رسمی انجمن علمی کامپیوتر دانشگاه دولتی تربت حیدریه.
📞 جهت ارتباط با به این آی دی پیام دهید:
@Amir_molavii
ایمیل :
[email protected]
📍محل دفتر انجمن :
سالن فرهنگ دانشگاه

www.tgoop.com/THU_Computer/274

274 viewsBehnaz, May 9 at 19:35

راز یادگیری هوش مصنوعی فاش شد
فکر نمی‌کند ، فقط حدس می‌زند❗️

پرده از راز یادگیری هوش مصنوعی برداشته شد. بر خلاف تصور عموم ، این فناوری پیشرفته فکر نمی‌کند ، بلکه صرفاً حدس‌ می‌زند. این یافته ، درک ما از توانایی‌ ها و محدودیت‌ های فعلی هوش مصنوعی را به چالش می‌کشد.

مدل‌ های هوش مصنوعی مانند ChatGPT در واقع فکر نمی‌کنند ، استدلال نمی‌کنند ، درک نمی‌کنند ، بلکه صرفاً الگوهای حدس‌ زن هستند که بر اساس حجم عظیمی از متون انسانی آموزش دیده‌اند و تلاش می‌کنند تا کلمه یا مفهوم بعدی را بر مبنای همبستگی‌ هایی که پیش‌تر مشاهده کرده‌اند ، پیش‌بینی کنند. همین واقعیت ، بنیان آن‌ها را تشکیل می‌دهد.

راز یادگیری هوش مصنوعی در چیست⁉️
مدل های زبانی بزرگ ، اطلاعات را به شیوه‌ای متفاوت از انسان‌ ها پردازش می‌کنند. در عمل آن‌ها هیچ‌ گونه استدلال ، درک یا آگاهی ندارند. آن‌ها روی مجموعه‌‌ای بزرگ از داده‌‌ها شامل کتاب‌ها ، وب‌سایت‌ها و گفتگوها آموزش دیده‌اند تا بتوانند آنچه را که در یک زنجیره از کلمات می‌آید ، پیش‌بینی کنند. این مدل‌ها ، زبان را به واحد های کوچکی به نام «توکن» تجزیه می‌کنند که اغلب می‌توانند بخش‌هایی از کلمات باشند و سپس تلاش می‌کنند تا با بالاترین احتمال ، یک توکن را پس از توکن دیگر حدس بزنند.

در ادامه ، نحوه عملکرد یک مدل هوش مصنوعی در فهم و استدلال داده‌ها و اطلاعات شرح داده شده است 🔽

⚪️توکن‌ها : زبان به واحدهای کوچکی نظیر کلمات یا هجاها تقسیم می‌گردد. برای نمونه ، واژه «washing» ممکن است به «wash» و «ing» تفکیک شود. مدل‌ها با ایده‌های کامل سروکار ندارند ، بلکه صرفاً احتمالات توکن به توکن را در نظر می‌گیرند.
⚪️وزن‌ها : این‌ها میلیاردها مقدار قابل تنظیم در شبکه عصبی هستند. آن‌ها را می‌توان به مثابه دکمه‌هایی تصور کرد که به مدل می‌گویند یک توکن تا چه میزان بر توکن دیگر تأثیر بگذارد.
⚪️تابع زیان : این روشی است که مدل از طریق آن ارزیابی می‌کند پس از یک حدس ، چه مقدار اشتباه کرده است. مدل ، وزن‌های خود را به منظور کاهش اشتباهات آتی تغییر می‌دهد.
⚪️تشخیص الگو : در نهایت ، مدل در شناسایی الگوهای زبانی بسیار ماهر می‌شود. اما همچنان «واقعیت‌ها» را نمی‌داند ، بلکه فقط آنچه را که معمولاً صحیح به نظر می‌رسد ، تشخیص می‌دهد. اگر بپرسید پایتخت فرانسه کجاست ، مدل نمی‌داند که پاریس است. بلکه صرفاً می‌داند که واژه «پاریس» اغلب در داده‌های آموزشی آن پس از این پرسش آمده است.

درک این سازوکار اساسی از اهمیت بسزایی برخوردار است، زیرا مبنایی را فراهم می‌آورد تا دریابیم چرا مدل‌ها همچنان می‌توانند دچار توهم شوند ، تعصب نشان دهند یا اشتباهات غیرقابل پیش‌بینی مرتکب شوند.

🔹منبع : سایت گجت نیوز



https://www.tgoop.com/THU_Computer

BY انجمن علمی کامپیوتر تربت حیدریه