TagDeepMind می

هوش مصنوعی DeepMind حالا با دقت بیشتری نسبت به انسان ها لب خوانی می کند

هوش مصنوعی DeepMind حالا با دقت بیشتری نسبت به انسان ها لب خوانی می کند

هوش مصنوعی DeepMind گوگل اخیراً مهارت کارآمد تازه ای آموخته و بعد از تماشای هزاران ساعت از برنامه های مناظرات سیاسی، حالا با دقت بیشتری نسبت به انسان ها قادر به لب خوانی است.

محققان DeepMind گوگل در همکاری با دانشگاه آکسفورد توانسته اند الگوریتم یادگیری ماشینی تازه ای برای تشخیص کلمات و جملات تدارک ببیند که صرفاً با تماشای تلویزیون عمل می کند. بعد از تماشای بیش از 5000 ساعت از برنامه های تلویزیونی مختلف، هوش مصنوعی گوگل حالا می تواند با دقت 46.8 درصدی، کلمات انسان ها را تشخیص دهد.

در همین حال، بیشترین رکورد دقت در لب خوانی، به شخصی حرفه ای در این زمینه تعلق دارد که می تواند با دقت 12.4 درصدی سخنان افراد را تشخیص دهد. گفتنی است که چندی پیش، پروژه لب خوانی آکسفورد، یعنی LipNet توانست آزمایش را با دقتی بیشتر از 90 درصد به پایان برساند.

با این همه، پروژه LipNet صرفاً براساس عبارات از پیش تعیین شده و محدود مورد آزمایش قرار گرفته بود و DeepMind در شرایط جهان واقعی آزمایش شده است. این بدان معناست که سیستم گوگل هنگامی که برای استفاده عمومی در آینده نزدیک آماده شود، کاربردی تر خواهد بود.

The post appeared first on .

هوش مصنوعی DeepMind حالا با دقت بیشتری نسبت به انسان ها لب خوانی می کند

کامپیوتر جدید DeepMind مانند انسان از حافظه برای یادگیری استفاده می کند

کامپیوتر جدید DeepMind مانند انسان از حافظه برای یادگیری استفاده می کند

دیپ مایند (DeepMind) مؤسسه تحقیقاتی هوش مصنوعی که تحت مالکیت هلدینگ آلفابت قرار دارد، کامپیوتری ساخته که قادر است همچون انسان ها، فعالیت های مختلف را با استفاده از حافظه خود آموخته و به اجرا درآورد. این رایانه از شبکه عصبی برای ذخیره سازی و به یاد آوردن حقایق بهره می گیرد.

با به کار گیری این فناوری، سامانه فوق می تواند بهترین مسیر بین دو نقطه از متروی معروف لندن را بدون برنامه ریزی قبلی بیابد. دیپ مایند، این پروژه را DNC (کامپیوتر عصبی تشخیص پذیر) نام نهاده، و توصیفی کوتاه را برای آن ارائه کرده:

در زمان طراحی DNC می خواستیم ماشینی بسازیم که بتواند ساختارهای داده پیچیده را به صورت خودکار تشکیل داده و از آنها استفاده نماید. در بطن DNC یک شبکه عصبی با نام کنترلر جای گرفته، که شبیه به پردازنده مرکزی در کامپیوترهای معمولی است.

وظیفه کنترلر، دریافت ورودی، خواندن از حافظه و نوشتن روی آن، و تولید خروجی به گونه ای است که بتوان از طریق آن به پاسخ مطلوب دست یافت. حافظه نیز به شکل مجموعه ای از موقعیت های مکانی طراحی شده، که هر کدام از آنها می توانند برداری از اطلاعات را در خود داشته باشند.

البته کنترلر به مرور زمان و با استفاده از حافظه اش، پاسخ های بهتری را ارائه خواهد کرد. مثلاً با ارائه نقشه متروی لندن به عنوان داده ورودی پایه، محققین به نتیجه زیر دست یافتند:

زمانی که ایستگاه ها و خطوط متروی لندن را توصیف کردیم، می توانیم از DNC چنین سؤالی را بپرسیم: «اگر از ایستگاه خیابان باند شروع کنیم، وارد خط Central شده و یک ایستگاه پیش برویم، سپس به خط Circle رفته و چهار ایستگاه را طی کنیم، و نهایتاً دو ایستگاه را با خط Jubilee بپیماییم، به کجا می رسیم؟»

یا در روش دیگر، DNC قادر است در پاسخ به سؤال زیر، مسیر حرکت را به طور کامل تشریح نماید: «چطور می توان از Moorgate به Piccadilly Circus رفت؟»

گفتنی است کامپیوتر جدید DNC می تواند روابط موجود در شجره خانوادگی را با روش یادگیری و یادآوری مشابهی تشخیص دهد، و معماهای مختلف را نیز حل نماید. این شرکت امیدوار است علاوه بر ساخت سیستم های پردازشی قوی تر و پیشرفته تر در آینده، به درک بهتری در زمینه عملکرد حافظه در انسان نیز نائل آید.

The post appeared first on .

کامپیوتر جدید DeepMind مانند انسان از حافظه برای یادگیری استفاده می کند

دیپ مایند (DeepMind) مؤسسه تحقیقاتی هوش مصنوعی که تحت مالکیت هلدینگ آلفابت قرار دارد، کامپیوتری ساخته که قادر است همچون انسان ها، فعالیت های مختلف را با استفاده از حافظه خود آموخته و به اجرا درآورد. این رایانه از شبکه عصبی برای ذخیره سازی و به یاد آوردن حقایق بهره می گیرد.

با به کار گیری این فناوری، سامانه فوق می تواند بهترین مسیر بین دو نقطه از متروی معروف لندن را بدون برنامه ریزی قبلی بیابد. دیپ مایند، این پروژه را DNC (کامپیوتر عصبی تشخیص پذیر) نام نهاده، و توصیفی کوتاه را برای آن ارائه کرده:

در زمان طراحی DNC می خواستیم ماشینی بسازیم که بتواند ساختارهای داده پیچیده را به صورت خودکار تشکیل داده و از آنها استفاده نماید. در بطن DNC یک شبکه عصبی با نام کنترلر جای گرفته، که شبیه به پردازنده مرکزی در کامپیوترهای معمولی است.

وظیفه کنترلر، دریافت ورودی، خواندن از حافظه و نوشتن روی آن، و تولید خروجی به گونه ای است که بتوان از طریق آن به پاسخ مطلوب دست یافت. حافظه نیز به شکل مجموعه ای از موقعیت های مکانی طراحی شده، که هر کدام از آنها می توانند برداری از اطلاعات را در خود داشته باشند.

البته کنترلر به مرور زمان و با استفاده از حافظه اش، پاسخ های بهتری را ارائه خواهد کرد. مثلاً با ارائه نقشه متروی لندن به عنوان داده ورودی پایه، محققین به نتیجه زیر دست یافتند:

زمانی که ایستگاه ها و خطوط متروی لندن را توصیف کردیم، می توانیم از DNC چنین سؤالی را بپرسیم: «اگر از ایستگاه خیابان باند شروع کنیم، وارد خط Central شده و یک ایستگاه پیش برویم، سپس به خط Circle رفته و چهار ایستگاه را طی کنیم، و نهایتاً دو ایستگاه را با خط Jubilee بپیماییم، به کجا می رسیم؟»

یا در روش دیگر، DNC قادر است در پاسخ به سؤال زیر، مسیر حرکت را به طور کامل تشریح نماید: «چطور می توان از Moorgate به Piccadilly Circus رفت؟»

گفتنی است کامپیوتر جدید DNC می تواند روابط موجود در شجره خانوادگی را با روش یادگیری و یادآوری مشابهی تشخیص دهد، و معماهای مختلف را نیز حل نماید. این شرکت امیدوار است علاوه بر ساخت سیستم های پردازشی قوی تر و پیشرفته تر در آینده، به درک بهتری در زمینه عملکرد حافظه در انسان نیز نائل آید.

The post appeared first on .

کامپیوتر جدید DeepMind مانند انسان از حافظه برای یادگیری استفاده می کند