بازی آزاد

هوش مصنوعی و یادگیری عمیق به کمک تکنیک لب خوانی می آیند

لب خوانی عملی دشوار و پیچیده است. نتایج به دست آمده از این تکنیک تفاوت های زیادی را بین افراد نشان می دهد، اما در مجموع می توان گفت شخص عادی با نگاه به چهره دیگران، می تواند از هر 10 واژه یکی را به درستی حدس بزند، و این موضوع در بین متخصصین لب خوانی کمی بالاتر است.

با این حال، اگر با به کار گیری روش های هوش مصنوعی و یادگیری عمیق توانسته ایم تشخیص گفتار صوتی را به عملکردی در سطح انسان برسانیم، پس چرا از همین رویه برای لب خوانی بهره نگیریم؟

به تازگی محققین دانشگاه اکسفورد مقاله ای را منتشر کرده اند که به کار گیری روش یادگیری عمیق را در لب خوانی نشان می دهد، و نتایج آن نسبتاً امیدوارکننده است. این نرم افزار که LipNet نام دارد، در شرایط کنترل شده به دقت 93.4 درصدی در تشخیص لغات دست یافته، در حالی که متخصصین لب خوانی در شرایطی مشابه حداکثر 52.3 درصد واژه ها را به درستی شناسایی کردند.

نکته مهم در مورد این نرم افزار، عملکرد سریع و بلادرنگ آن است و با اینکه سیستم هنوز در مراحل اولیه قرار دارد، باز هم می تواند ویدیوی صامت را به صورت آنی به متن نوشتاری تبدیل نماید.

آموزش سیستم فوق با استفاده از مجموعه داده GRID صورت گرفته، که ده ها هزار ویدیوی کوتاه از 34 نفر داوطلب را در بر می گیرد. این افراد در کلیپ های 3 ثانیه ای، جملاتی با الگوی مشخص و کلمات محدود را بیان می کردند. به همین دلیل منتقدین پروژه فوق می گویند این پژوهش در جهان واقعی کاربرد نخواهد داشت.

البته محققین مورد بحث در دفاع از خود عنوان داشتند دلیل استفاده از GRID صرفاً به خاطر محدودیت داده های استاندارد کنونی بوده و در صورتی که مجموعه داده غنی تر و گسترده تری در اختیار داشته باشند، می توانند همین نتایج مثبت را به دست آورند.

گفتنیست افرادی که در مورد حریم شخصی و مشکلات امنیتی این تکنولوژی بدبین هستند نیز نگران نباشند. به گفته این پژوهشگران، لب خوانی دقیق به تصویربرداری مستقیم از چهره با وضعیتی ثابت و قابلیت مشاهده زبان وابسته است، بنابراین دوربین های شهری هیچگاه محتوایی با کیفیت را برای استفاده از این فناوری تولید نخواهند کرد.

The post appeared first on .

هوش مصنوعی و یادگیری عمیق به کمک تکنیک لب خوانی می آیند

لب خوانی عملی دشوار و پیچیده است. نتایج به دست آمده از این تکنیک تفاوت های زیادی را بین افراد نشان می دهد، اما در مجموع می توان گفت شخص عادی با نگاه به چهره دیگران، می تواند از هر 10 واژه یکی را به درستی حدس بزند، و این موضوع در بین متخصصین لب خوانی کمی بالاتر است.

با این حال، اگر با به کار گیری روش های هوش مصنوعی و یادگیری عمیق توانسته ایم تشخیص گفتار صوتی را به عملکردی در سطح انسان برسانیم، پس چرا از همین رویه برای لب خوانی بهره نگیریم؟

به تازگی محققین دانشگاه اکسفورد مقاله ای را منتشر کرده اند که به کار گیری روش یادگیری عمیق را در لب خوانی نشان می دهد، و نتایج آن نسبتاً امیدوارکننده است. این نرم افزار که LipNet نام دارد، در شرایط کنترل شده به دقت 93.4 درصدی در تشخیص لغات دست یافته، در حالی که متخصصین لب خوانی در شرایطی مشابه حداکثر 52.3 درصد واژه ها را به درستی شناسایی کردند.

نکته مهم در مورد این نرم افزار، عملکرد سریع و بلادرنگ آن است و با اینکه سیستم هنوز در مراحل اولیه قرار دارد، باز هم می تواند ویدیوی صامت را به صورت آنی به متن نوشتاری تبدیل نماید.

آموزش سیستم فوق با استفاده از مجموعه داده GRID صورت گرفته، که ده ها هزار ویدیوی کوتاه از 34 نفر داوطلب را در بر می گیرد. این افراد در کلیپ های 3 ثانیه ای، جملاتی با الگوی مشخص و کلمات محدود را بیان می کردند. به همین دلیل منتقدین پروژه فوق می گویند این پژوهش در جهان واقعی کاربرد نخواهد داشت.

البته محققین مورد بحث در دفاع از خود عنوان داشتند دلیل استفاده از GRID صرفاً به خاطر محدودیت داده های استاندارد کنونی بوده و در صورتی که مجموعه داده غنی تر و گسترده تری در اختیار داشته باشند، می توانند همین نتایج مثبت را به دست آورند.

گفتنیست افرادی که در مورد حریم شخصی و مشکلات امنیتی این تکنولوژی بدبین هستند نیز نگران نباشند. به گفته این پژوهشگران، لب خوانی دقیق به تصویربرداری مستقیم از چهره با وضعیتی ثابت و قابلیت مشاهده زبان وابسته است، بنابراین دوربین های شهری هیچگاه محتوایی با کیفیت را برای استفاده از این فناوری تولید نخواهند کرد.

The post appeared first on .

هوش مصنوعی و یادگیری عمیق به کمک تکنیک لب خوانی می آیند

هوش مصنوعی چگونه گاوهای دریایی را نجات می دهد؟

به نظر می رسد که فناوری هوش مصنوعی دیگر محدود به دنیای کامپیوترها نمی شود و از آن بعد خارج شده تا دنیای واقعی را کمی بهتر کند. از کاربردهای سرگرم کننده گرفته تا کاربردهای اجتماعی.

اما اخیرا محققین با هوش مصنوعی به سراغ موجودات دریایی رفته اند، به خصوص گاوهای دریایی که خطر انقراض آن ها را شدیدا تهدید می کند. اگرچه این جانوران اندام بسیار درشتی در قیاس با دیگر موجودات دریایی دارند اما زیر نظر گرفتن آن ها در اعماق دریا کار دشواری است.

پهپادهایی که در آسمان بالای اقیانوس پرواز می کنند تنها سطح اندکی را می توانند تصویربرداری کرده و نمایش دهند. حالا تصور کنید چشم انسان تا چه حد توانایی دارد که تشخیص شرایط دهد؟

اینجاست که پروژه نرم افزاری شبکه عصبی مصنوعی TensorFlow گوگل وارد می شود. با استفاده از این نرم افزار متن باز، آماندا هاجسون و تیم تحقیقاتی اش از دانشگاه مرداک موفق شدند پایشگری بسازند که گاوهای دریایی را در تصاویر گرفته شده توسط پهپادها پیدا کند.

همین هوش مصنوعی را برای پایش تعداد و مکان دیگر گونه های در حال انقراض نیز به کار برد.

The post appeared first on .

هوش مصنوعی چگونه گاوهای دریایی را نجات می دهد؟

به نظر می رسد که فناوری هوش مصنوعی دیگر محدود به دنیای کامپیوترها نمی شود و از آن بعد خارج شده تا دنیای واقعی را کمی بهتر کند. از کاربردهای سرگرم کننده گرفته تا کاربردهای اجتماعی.

اما اخیرا محققین با هوش مصنوعی به سراغ موجودات دریایی رفته اند، به خصوص گاوهای دریایی که خطر انقراض آن ها را شدیدا تهدید می کند. اگرچه این جانوران اندام بسیار درشتی در قیاس با دیگر موجودات دریایی دارند اما زیر نظر گرفتن آن ها در اعماق دریا کار دشواری است.

پهپادهایی که در آسمان بالای اقیانوس پرواز می کنند تنها سطح اندکی را می توانند تصویربرداری کرده و نمایش دهند. حالا تصور کنید چشم انسان تا چه حد توانایی دارد که تشخیص شرایط دهد؟

اینجاست که پروژه نرم افزاری شبکه عصبی مصنوعی TensorFlow گوگل وارد می شود. با استفاده از این نرم افزار متن باز، آماندا هاجسون و تیم تحقیقاتی اش از دانشگاه مرداک موفق شدند پایشگری بسازند که گاوهای دریایی را در تصاویر گرفته شده توسط پهپادها پیدا کند.

همین هوش مصنوعی را برای پایش تعداد و مکان دیگر گونه های در حال انقراض نیز به کار برد.

The post appeared first on .

هوش مصنوعی چگونه گاوهای دریایی را نجات می دهد؟

هوش مصنوعی گوگل به دور از چشم انسان پیام های رمزی رد و بدل می کند

محققین پروژه یادگیری عمیق Google Brain قابلیت بسیار خارق العاده و البته خطرناکی را به هوش مصنوعی آموخته اند: رمزنگاری مبتنی بر AI و بدون دخالت انسان. پژوهشگران این مرکز تحقیقاتی به سه شبکه عصبی مصنوعی با نام های Alice و Bob و Eve اجازه دادند یادداشت هایی را با روش رمزنگاری ساخت خودشان، بین یکدیگر رد و بدل نمایند.

طبق گزارش New Scientist تیم مورد بحث برای هرکدام از AIها وظیفه ای را تعیین کردند: آلیس باید پیامی رمزی را ارسال می کرد که فقط باب قادر به خواندن آن بود، و Eve در این میان باید تلاش می کرد تا متن را رمزگشایی کند.

آزمایش با پیامی متنی و ساده شروع شد، که آلیس آن را به عبارات نامفهومی تبدیل کرد، و باب توانست آن را با استفاده از کلید مربوطه رمزگشایی کند. در آغاز، آلیس و باب در پنهان کردن پیام با مشکل مواجه بودند، اما پس از 15 هزار مرتبه تلاش، بالاخره توانستند راهکار رمزنگاری ویژه ای را بیابند.

در این حالت، آلیس از روش مخصوصی بهره گرفت و باب نیز به راحتی توانست نحوه رمزگشایی آن را متوجه شود، اما Eve از این فرایند کاملاً بی خبر ماند و فقط توانست نیمی از 16 بیت داده را به درستی حدس بزند، که به نظر می رسد آن هم کاملاً تصادفی بوده.

البته با توجه به اینکه سه هویت هوش مصنوعی مورد استفاده در این پروژه به صورت انسانی مورد خطاب قرار گرفته اند، شاید تصور کنید با عملیات ساده ای روبرو هستیم، اما در واقع حتی محققین نیز نمی دانند چه روش رمزنگاری توسط آلیس استفاده شده، و باب چگونه از نحوه رمزگشایی آن اطلاع یافته.

گفتنی است هنوز کاربرد عملی این آزمایش مشخص نیست، اما به هر حال باید کمی نگران بود، و با توجه به توسعه ابزارهای یادگیری عمیق اُپن-سورس همچون «جعبه ابزار شناختی» مایکروسافت، بعید نیست که AI ها در سرتاسر جهان با یکدیگر متحد شوند و ما هیچ روشی برای آگاهی از گفتگوی سرّی مابین آنها در اختیار نداشته باشیم.

The post appeared first on .

هوش مصنوعی گوگل به دور از چشم انسان پیام های رمزی رد و بدل می کند

محققین پروژه یادگیری عمیق Google Brain قابلیت بسیار خارق العاده و البته خطرناکی را به هوش مصنوعی آموخته اند: رمزنگاری مبتنی بر AI و بدون دخالت انسان. پژوهشگران این مرکز تحقیقاتی به سه شبکه عصبی مصنوعی با نام های Alice و Bob و Eve اجازه دادند یادداشت هایی را با روش رمزنگاری ساخت خودشان، بین یکدیگر رد و بدل نمایند.

طبق گزارش New Scientist تیم مورد بحث برای هرکدام از AIها وظیفه ای را تعیین کردند: آلیس باید پیامی رمزی را ارسال می کرد که فقط باب قادر به خواندن آن بود، و Eve در این میان باید تلاش می کرد تا متن را رمزگشایی کند.

آزمایش با پیامی متنی و ساده شروع شد، که آلیس آن را به عبارات نامفهومی تبدیل کرد، و باب توانست آن را با استفاده از کلید مربوطه رمزگشایی کند. در آغاز، آلیس و باب در پنهان کردن پیام با مشکل مواجه بودند، اما پس از 15 هزار مرتبه تلاش، بالاخره توانستند راهکار رمزنگاری ویژه ای را بیابند.

در این حالت، آلیس از روش مخصوصی بهره گرفت و باب نیز به راحتی توانست نحوه رمزگشایی آن را متوجه شود، اما Eve از این فرایند کاملاً بی خبر ماند و فقط توانست نیمی از 16 بیت داده را به درستی حدس بزند، که به نظر می رسد آن هم کاملاً تصادفی بوده.

البته با توجه به اینکه سه هویت هوش مصنوعی مورد استفاده در این پروژه به صورت انسانی مورد خطاب قرار گرفته اند، شاید تصور کنید با عملیات ساده ای روبرو هستیم، اما در واقع حتی محققین نیز نمی دانند چه روش رمزنگاری توسط آلیس استفاده شده، و باب چگونه از نحوه رمزگشایی آن اطلاع یافته.

گفتنی است هنوز کاربرد عملی این آزمایش مشخص نیست، اما به هر حال باید کمی نگران بود، و با توجه به توسعه ابزارهای یادگیری عمیق اُپن-سورس همچون «جعبه ابزار شناختی» مایکروسافت، بعید نیست که AI ها در سرتاسر جهان با یکدیگر متحد شوند و ما هیچ روشی برای آگاهی از گفتگوی سرّی مابین آنها در اختیار نداشته باشیم.

The post appeared first on .

هوش مصنوعی گوگل به دور از چشم انسان پیام های رمزی رد و بدل می کند

هوش مصنوعی گوگل سخت ترین بازی آتاری را به چالش می کشد

اگر می خواهیم هوش مصنوعی توانایی بسازیم که قادر باشد به خودش شیوه کارکرد دنیا را بیاموزد، باید آن را کنجکاو بسازیم. این مسئله برای توسعه دهندگان هوش مصنوعی اخیرا بسیار درگیر کننده بوده و پژوهش جدید DeepMind، بخش توسعه دهنده هوش مصنوعی گوگل، لزوم و تاکید بر این مسئله را یک بار دیگر ثابت کرده است.

همانطور که در ویدیوی زیر قابل مشاهده است، هوش مصنوعی DeepMind به انجام بازی فوق العاده دشوار Montezuma’s Revenge می پردازد. برخلاف بات هایی که در بازی های مختلف در برابر شما قرار می گیرند و به بازی با شما می پردازند، این هوش مصنوعی به هیچ بخش از اطلاعات بازی دسترسی ندارد و همه را خودش می آموزد.

جزئیات صفحه بازی را می بیند، یک دکمه را فشار می دهد و طی صدها، هزاران و میلیون ها بار تکرار و تمرین بالاخره متوجه می شود که چگونه باید از یک اتاق به اتاق دیگر برود.

مبحث جالب در این پژوهش، ایجاد بخشی به نام Instrinsic Motivation است که کارکردی مشابه با بخش پاداش در مغز انسان دارد. وقتی هدفی را دنبال می کنید و به آن دست پیدا می کنید، مغز شما خوشحال شده و این شادی را با آزاد کردن موادی شیمیایی نشان می دهد. هوش مصنوعی گوگل هم دقیقا سیستم کارکرد مشابهی دارد.

یک مقایسه ای هم بین ورژن فعلی و ورژن قبلی هوش مصنوعی صورت گرفته که نشان دهنده پیشرفت برنامه نویس ها دارد. مرحله اول این بازی متشکل از 24 اتاق است. ورژن قبلی پس از 50 میلیون بار آزمایش فقط دو اتاق را دیده بود اما دستاورد جدید آن ها موفق شد تا به 15 اتاق سرک بکشد و از خطر مرگ در امان باشد.

در ادامه ویدیویی جذاب از نحوه پیشرفت هوش مصنوعی گوگل را مشاهده می کنید:

The post appeared first on .

هوش مصنوعی گوگل سخت ترین بازی آتاری را به چالش می کشد

اگر می خواهیم هوش مصنوعی توانایی بسازیم که قادر باشد به خودش شیوه کارکرد دنیا را بیاموزد، باید آن را کنجکاو بسازیم. این مسئله برای توسعه دهندگان هوش مصنوعی اخیرا بسیار درگیر کننده بوده و پژوهش جدید DeepMind، بخش توسعه دهنده هوش مصنوعی گوگل، لزوم و تاکید بر این مسئله را یک بار دیگر ثابت کرده است.

همانطور که در ویدیوی زیر قابل مشاهده است، هوش مصنوعی DeepMind به انجام بازی فوق العاده دشوار Montezuma’s Revenge می پردازد. برخلاف بات هایی که در بازی های مختلف در برابر شما قرار می گیرند و به بازی با شما می پردازند، این هوش مصنوعی به هیچ بخش از اطلاعات بازی دسترسی ندارد و همه را خودش می آموزد.

جزئیات صفحه بازی را می بیند، یک دکمه را فشار می دهد و طی صدها، هزاران و میلیون ها بار تکرار و تمرین بالاخره متوجه می شود که چگونه باید از یک اتاق به اتاق دیگر برود.

مبحث جالب در این پژوهش، ایجاد بخشی به نام Instrinsic Motivation است که کارکردی مشابه با بخش پاداش در مغز انسان دارد. وقتی هدفی را دنبال می کنید و به آن دست پیدا می کنید، مغز شما خوشحال شده و این شادی را با آزاد کردن موادی شیمیایی نشان می دهد. هوش مصنوعی گوگل هم دقیقا سیستم کارکرد مشابهی دارد.

یک مقایسه ای هم بین ورژن فعلی و ورژن قبلی هوش مصنوعی صورت گرفته که نشان دهنده پیشرفت برنامه نویس ها دارد. مرحله اول این بازی متشکل از 24 اتاق است. ورژن قبلی پس از 50 میلیون بار آزمایش فقط دو اتاق را دیده بود اما دستاورد جدید آن ها موفق شد تا به 15 اتاق سرک بکشد و از خطر مرگ در امان باشد.

در ادامه ویدیویی جذاب از نحوه پیشرفت هوش مصنوعی گوگل را مشاهده می کنید:

The post appeared first on .

هوش مصنوعی گوگل سخت ترین بازی آتاری را به چالش می کشد