استفاده از هوش مصنوعی برای دستیابی به نتایجی بهتر

استفاده از هوش مصنوعی برای دستیابی به نتایجی بهتر

استفاده از هوش مصنوعی برای دستیابی به نتایجی بهتر

قدرت هوش مصنوعی برای پردازش زبان‌های طبیعی

در سال‌های اخیر گوگل توجه و علاقه زیادی به هوش مصنوعی، بخصوص کاربردهای آن برای مردم معمولی پیدا کرده است. به عنوان مثال در این مطلب آزمایشات متعددی که این شرکت در رابطه با یادگیری ماشینی انجام داده، بررسی شده است.
اما حالا محققین مرکز رایانش پیشرفته تگزاس (Texas Advanced Computing Center) نشان داده‌اند که تکنیک‌های هوش مصنوعی می‌توانند نتایج و خروجی‌های بهتری برای موتورهای جستجو ایجاد کنند. این گروه از هوش مصنوعی، ابرکامپیوترها و جمع‌سپاری برای ایجاد سیستمی بهتر جهت استخراج و طبقه بندی اطلاعات استفاده کردند.
در نشست سالیانه انجمن زبان شناسی کامپیوتری که در ونکور کانادا برگزار شد، پروفسور Matthew Lease هدایت تیمی را برعهده داشت که دو مقاله در رابطه با یک سیستم جدید بازیابی اطلاعات ارائه کرده بودند.

google

سیستم‌های هوشمند

وی گفت: “یکی از چالش‌های مهم در پردازش زبان طبیعی، پیدا کردن درست و دقیق اطلاعات مهم موجود در متن است که می‌توانیم از آن برای استخراج داده‌ها از دیتابیس و ترکیب آن با سایر داده‌ها جهت انجام تصمیم گیری‌های هوشمندانه تر و دستیابی به اکتشافات نو استفاده کنیم…. ما از جمع سپاری استفاده کردیم تا بتوانیم حجم انبوهی از مقالات جدید را حاشیه نویسی کنیم؛ تا سیستم‌های هوشمند ما بتوانند اطلاعات کلیدی موجود در مقاله را به صورت دقیق تر و صحیح تر پیدا کنند.”
این گروه توانستند از داده‌های جمع سپاری شده برای آموزش دادن یک شبکه عصبی با هدف پیش بینی نام اشیاء و استخراج اطلاعات مفید از متن‌هایی که حاشیه نویسی نشده بودند، استفاده کنند.
در مقاله دوم، این گروه نشان داد که چطور می‌توان از منابع زبان شناسی مختلف برای بهبود طبقه بندی خودکار متن استفاده کرد. Lease در رابطه با این مقاله گفت: “مدل‌های شبکه عصبی، ده‌ها پارامتر دارند و نیاز به داده‌های زیادی دارند که با این پارامترها منطبق شوند.”

دستیابی به خروجی‌های بهتر

در آزمایش‌هایی که برای جستجوهای بیومدیکال و فیلم صورت گرفته بود، خروجی‌های این سیستم همواره بهتر از روش‌هایی بود که از وزن دهی داده‌ها استفاده نکرده بودند.
Lease گفت: “ایده ما این بود که اگر به نوعی بتوانیم ارتباط بین کلمات را از قبل مشخص کنیم، در این صورت به جای اینکه برای هر کلمه نیاز به پارامترهای مجزایی داشته باشیم، می‌توانیم پارامترها را برای چند کلمه مختلف به هم ارتباط دهیم و به این ترتیب برای یادگیری مدل نیاز به داده‌های کمتری خواهیم داشت.” وی افزود:
“بخش صنعت از نظر چشم انداز کوتاه مدت وضعیت بسیار مناسبی دارد اما نسبت به حوزه آکادمیک آزادی عمل چندانی برای دنبال کردن ایده‌هایی که ریسک بالایی دارند اما در بلند مدت می‌توانند تحول آفرین باشند، ندارد.”

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.