هوش مصنوعی یاد می‌گیرد: آینده‌ی کار با DRL و انقلاب بلاکچین

آینده‌ی کار و دگرگونی‌های داده و هوش مصنوعی

مشاغل فردا بر مبنای حجم عظیمی از داده‌ها اداره خواهند شد. برای درک این داده‌ها، شرکت‌ها، برنامه‌نویسان و افراد به سیستم‌های هوش مصنوعی (AI) با کیفیت بالاتر، متخصصین هوش مصنوعی با آموزش‌های بهتر و سرورهای محاسباتی قدرتمندتر نیاز دارند. در حالی که شرکت‌های بزرگ فناوری از منابع و تخصص مورد نیاز برای پاسخگویی به این نیازها برخوردارند، این امکانات معمولاً در دسترس اکثر کسب‌وکارهای کوچک و متوسط و همچنین افراد عادی نیست.

چارچوبی نوین برای دسترسی به هوش مصنوعی

در جهت رفع این نیاز، گروهی بین‌المللی از پژوهشگران، به سرپرستی دانشگاه کونکوردیا، یک چارچوب جدید طراحی کرده‌اند که هدف آن آسان‌سازی دسترسی و ایجاد شفافیت در وظایف پیچیده هوش مصنوعی برای کاربران است. این چارچوب که در مقاله‌ای در نشریه‌ی Information Sciences منتشر شده است، راه‌حل‌هایی برای درخواست‌های یادگیری تقویتی عمیق (DRL) ارائه می‌دهد.

یادگیری تقویتی عمیق (DRL)

یادگیری تقویتی عمیق، زیرمجموعه‌ای از یادگیری ماشینی است که یادگیری عمیق را با استفاده از شبکه‌های عصبی چند لایه برای شناسایی الگوها در مجموعه‌های داده‌ی بزرگ، ترکیب می‌کند. علاوه بر این، شامل یادگیری تقویتی نیز می‌شود که در آن یک عامل با تعامل با محیط خود و بر اساس سیستم پاداش/مجازات، تصمیم‌گیری را یاد می‌گیرد. کاربردهای DRL در حوزه‌های متعددی مانند بازی‌سازی، روباتیک، مراقبت‌های بهداشتی و مالی دیده می‌شود.

همکاری و خدمات هوش مصنوعی

این چارچوب، برنامه‌نویسان، شرکت‌ها و افرادی را که نیازهای خاص و دست‌نیافتنی در زمینه‌ی هوش مصنوعی دارند، به ارائه‌دهندگان خدماتی که منابع، تخصص و مدل‌های لازم را در اختیار دارند، متصل می‌کند. این خدمات به‌صورت اشتراکی ارائه می‌شوند و بر پایه‌ی بلاک‌چین ساخته شده‌اند و از یک قرارداد هوشمند بهره می‌برند؛ قراردادی با مجموعه‌ای از شرایط از پیش تعیین‌شده که در کد گنجانده شده تا کاربران را با ارائه‌دهنده‌ی خدمات مناسب هماهنگ کند.

احمد الاغا، دانشجوی دکتری در دانشکده‌ی مهندسی و علوم کامپیوتر جینا کودی و نویسنده‌ی اصلی این مقاله، می‌گوید: “مجتمع‌سازی فرآیند آموزش و طراحی DRL باعث می‌شود این فرآیند شفاف‌تر و قابل دسترس‌تر شود.”

دموکراتیزه‌کردن یادگیری تقویتی عمیق (DRL)

با استفاده از این چارچوب، هر فرد می‌تواند ثبت‌نام کند و یک پروفایل و سوابق کاری ایجاد کند. بر اساس مهارت‌ها، آموزش‌ها و ارزیابی‌های آنها، می‌توانند به وظایفی که کاربران درخواست می‌کنند، اختصاص داده شوند.

به گفته‌ی جمال بنطاهر، همکار نویسنده و استاد وی در موسسه مهندسی سیستم‌های اطلاعاتی کونکوردیا، این سرویس پتانسیل‌های یادگیری تقویتی عمیق را برای گستره‌ی وسیع‌تری از جامعه نسبت به پیش در دسترس قرار می‌دهد. او می‌گوید: “برای آموزش یک مدل DRL، نیازمند منابع محاسباتی هستید که در دسترس همگان نیست. همچنین به تخصص نیاز دارید. این چارچوب هر دوی اینها را فراهم می‌آورد.”

محققان بر این باورند که طراحی سیستم آن‌ها هزینه‌ها و ریسک‌ها را با توزیع تلاش محاسباتی از طریق بلاک‌چین کاهش می‌دهد. پیامدهای بالقوه فاجعه‌بار از کار افتادن سرور یا حمله‌ی سایبری با وجود ده‌ها یا صدها ماشین دیگر که روی همان مشکل کار می‌کنند، کاهش می‌یابد. علاغا توضیح می‌دهد: “اگر یک سرور متمرکز از کار بیفتد، کل پلتفرم از کار می‌افتد. بلاک‌چین به شما توزیع و شفافیت می‌دهد. همه چیز در آن ثبت می‌شود در نتیجه دست‌کاری کردن آن خیلی دشوار است.”

فرآیند دشوار و پرهزینه‌ی آموزش یک مدل هوش مصنوعی برای عملکرد صحیح، می‌تواند با استفاده از یک مدل موجود که فقط نیاز به تنظیمات جزئی برای انطباق با نیازهای خاص کاربر دارد، کوتاه‌تر شود. برای مثال، تصور کنید یک شهر بزرگ، مدلی را طراحی می‌کند که می‌تواند ترتیب چراغ‌های راهنمایی را برای بهینه‌سازی جریان ترافیک و کاهش تصادفات به‌صورت خودکار تنظیم کند. شهرهای کوچک‌تر یا شهرستان‌ها ممکن است منابع لازم برای توسعه‌ی یک مدل را نداشته باشند، اما می‌توانند از مدلی که شهر بزرگ توسعه داده استفاده کرده و آن را برای شرایط خود تطبیق دهند.

هادی عتروک، شاکتی سینگ و رباب میزونی از دانشگاه خلیفه در ابوظبی در این مطالعه نقش داشته‌اند.