هوش مصنوعی و کارهای یدی: استفاده از بلاک‌چین!

محیط کار فردا: داده‌های کلان و هوش مصنوعی

محیط کار فردا بر پایه مقادیر شگفت‌انگیزی از داده‌ها اداره خواهد شد. برای درک این داده‌ها، کسب‌وکارها، توسعه‌دهندگان و افراد به سیستم‌های هوش مصنوعی (AI) با کیفیت بهتر، کارگران هوش مصنوعی با آموزش‌های مناسب‌تر و سرورهای محاسباتی کارآمدتر نیاز دارند. در حالی که شرکت‌های بزرگ فناوری منابع و تخصص لازم برای پاسخگویی به این نیازها را دارند، این امکانات برای اکثر کسب‌وکارهای کوچک و متوسط و همچنین افراد در دسترس نیست.

چارچوب جدید برای دسترسی به هوش مصنوعی

برای پاسخ به این نیاز، یک تیم بین‌المللی از محققان به رهبری دانشگاه کونکوردیا چارچوب جدیدی را توسعه داده‌اند که هدف آن تسهیل دسترسی و شفافیت در وظایف پیچیده هوش مصنوعی برای کاربران است. این چارچوب، که در مقاله‌ای منتشر شده در نشریه Information Sciences توصیف شده، به ارائه راه‌حل‌هایی برای درخواست‌های یادگیری تقویتی عمیق (DRL) اختصاص دارد.

یادگیری تقویتی عمیق (DRL)

یادگیری تقویتی عمیق زیرمجموعه‌ای از یادگیری ماشین است که یادگیری عمیق را با استفاده از شبکه‌های عصبی چندلایه برای شناسایی الگوها در مجموعه‌های داده بزرگ ترکیب می‌کند و همچنین شامل یادگیری تقویتی است که در آن یک عامل با تعامل با محیط خود، بر اساس سیستم پاداش/مجازات، تصمیم‌گیری می‌آموزد. DRL در صنایع مختلفی از جمله بازی‌سازی، رباتیک، مراقبت‌های بهداشتی و مالی کاربرد دارد.

همکاری و خدمات هوش مصنوعی

این چارچوب، توسعه‌دهندگان، شرکت‌ها و افرادی را که نیازهای خاص و دست‌نیافتنی در زمینه هوش مصنوعی دارند، با ارائه‌دهندگان خدماتی که منابع، تخصص و مدل‌های لازم را دارند مرتبط می‌سازد. این خدمات به صورت جمعی تأمین می‌شود و بر پایه بلاک‌چین ساخته شده است و از یک قرارداد هوشمند استفاده می‌کند؛ قراردادی با مجموعه‌ای از شرایط از پیش تعریف‌شده که در کد گنجانده شده است تا کاربران را با ارائه‌دهنده خدمات مناسب مطابقت دهد.

احمد الاغا، دانشجوی دکتری در مدرسه مهندسی و علوم کامپیوتر جینا کودی و نویسنده اصلی این مقاله می‌گوید: “جمع‌آوری فرآیند آموزش و طراحی DRL باعث می‌شود این فرآیند شفاف‌تر و در دسترس‌تر باشد.”

دموکراتیزه کردن یادگیری تقویتی عمیق (DRL)

با این چارچوب، هر کسی می‌تواند ثبت‌نام کند و یک تاریخچه و پروفایل بسازد. بر اساس تخصص، آموزش و ارزیابی‌های آن‌ها، می‌توانند به وظایفی که کاربران درخواست می‌کنند، اختصاص یابند.

به گفته جامال بنتاهار، همکار نویسنده و استاد او در موسسه مهندسی سیستم‌های اطلاعاتی کنکوردیا، این سرویس پتانسیل‌های یادگیری تقویتی عمیق را برای جمعیت بسیار وسیع‌تری نسبت به گذشته فراهم می‌کند. او می‌گوید: “برای آموزش یک مدل DRL، به منابع محاسباتی نیاز دارید که در دسترس همه نیست. همچنین به تخصص نیاز دارید. این چارچوب هر دو را ارائه می‌دهد.”

محققان معتقدند که طراحی سیستم آن‌ها هزینه‌ها و ریسک‌ها را با توزیع تلاش‌های محاسباتی از طریق بلاک‌چین کاهش می‌دهد. عواقب بالقوه فاجعه‌بار یک خرابی سرور یا حمله مخرب با وجود ده‌ها یا صدها ماشین دیگر که روی همان مشکل کار می‌کنند، کاهش می‌یابد. علاغا توضیح می‌دهد: “اگر یک سرور متمرکز خراب شود، کل پلتفرم از کار می‌افتد. بلاک‌چین به شما توزیع و شفافیت می‌دهد. همه چیز در آن ثبت می‌شود، بنابراین دستکاری آن بسیار دشوار است.”

فرآیند دشوار و پرهزینه آموزش یک مدل برای عملکرد صحیح می‌تواند با داشتن یک مدل موجود که فقط نیاز به برخی تنظیمات نسبتاً جزئی برای انطباق با نیازهای خاص کاربر دارد، کوتاه‌تر شود. به عنوان مثال، فرض کنید یک شهر بزرگ مدلی را توسعه می‌دهد که می‌تواند توالی چراغ‌های راهنمایی را برای بهینه‌سازی جریان ترافیک و کاهش تصادفات خودکار کند. شهرها یا شهرستان‌های کوچک‌تر ممکن است منابع لازم برای توسعه 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 مشارکت داشته‌اند.