ظهر نهج رائد لتعليم عملاء الذكاء الاصطناعي، والمعروف باسم الاستكشاف الموجه بالإنسان (HuGE)، كطريقة تحويلية في أبحاث الذكاء الاصطناعي. تم تطوير HuGE بالتعاون بين باحثين من معهد ماساتشوستس للتكنولوجيا وجامعة هارفارد وجامعة واشنطن، وهو يتيح لعملاء الذكاء الاصطناعي تعلم مهام جديدة بسرعة أكبر وفعالية بمساعدة التعليقات البشرية غير المتخصصة. تستعد هذه التقنية المبتكرة لإحداث ثورة في كيفية اكتساب عملاء الذكاء الاصطناعي لمهارات جديدة، مما يتيح للروبوتات تعلم المهام المعقدة بشكلdentبتوجيه من ردود الفعل الجماعية.
التحديات في تدريب الذكاء الاصطناعي
عادةً ما يتضمن تدريب عملاء الذكاء الاصطناعي على أداء مهام جديدة عملية تسمى التعلم المعزز، حيث يتعلم الوكيل من خلال التجربة والخطأ، ويتلقى مكافآت مقابل الإجراءات التي تجعله أقرب إلى هدفdefiمسبقًا. في كثير من الحالات، يجب على الخبراء البشريين تصميم وظيفة المكافأة بدقة، وهي آلية حوافز تحفز وكيل الذكاء الاصطناعي على الاستكشاف واتخاذ الإجراءات. ومع ذلك، فإن تصميم وظائف المكافأة هذه يمكن أن يستغرق وقتًا طويلاً، وغير فعال، ويمثل تحديًا للتوسع، خاصة بالنسبة للمهام المعقدة التي تتضمن خطوات متعددة.
ردود الفعل الجماعية كحل
يقدم نهج HuGE تحولًا ثوريًا من خلال الاستفادة من التعليقات الجماعية التي تم جمعها من المستخدمين غير الخبراء لتوجيه عمليات التعلم الخاصة بوكلاء الذكاء الاصطناعي. على عكس الأساليب التقليدية التي تعتمد على وظائف المكافأة المصممة بخبرة، تسمح HuGE لعملاء الذكاء الاصطناعي بالتعلم بسرعة أكبر، حتى عند العمل مع بيانات مشوشة من غير الخبراء، الذين قد تحتوي تعليقاتهم على أخطاء يمكن أن تعطل الأساليب الأخرى.
فصل عملية التعلم
قام الباحثون وراء HuGE بتقسيم عملية التعلم إلى عنصرين متميزين، كل منهما مدفوع بالخوارزمية الخاصة به. يفصل هذا النهج اختيار الهدف عن مرحلة الاستكشاف، مما يمكّن الوكيل من التعلم بكفاءة من خلال التعليقات الجماعية. المكونان الرئيسيان لـ HuGE هما كما يلي:
1. خوارزمية تحديد الهدف : يتم تحديث هذا الجزء من النهج بشكل مستمر بناءً على تعليقات المستخدمين غير الخبراء. وبدلاً من استخدام التعليقات كوظيفة مكافأة مباشرة، فإنها توجه استكشاف الوكيل. يقدم المستخدمون مدخلات عن طريق تحديد الحالة الأقرب إلى الهدف المطلوب، مما يسمح للوكيل بتعديل استكشافه وفقًا لذلك.
2. استكشاف الوكيل: يستكشف وكيل الذكاء الاصطناعي بيئته بشكل مستقل، مسترشدًا بتعليقات محدد الهدف dent فهو يجمع البيانات، مثل الصور أو مقاطع الفيديو الخاصة بإجراءاته، والتي يتم إرسالها بعد ذلك إلى المستخدمين البشريين للحصول على مزيد من التعليقات. تعمل هذه الحلقة على تضييق نطاق مناطق استكشاف العميل وتوجيهه نحو مسارات واعدة لتحقيق هدفه.
فوائد ضخمة
تقدم HuGE العديد من المزايا مقارنة بالطرق التقليدية لتدريب عملاء الذكاء الاصطناعي:
- التعلم بشكل أسرع: يمكّن هذا النهج عملاء الذكاء الاصطناعي من تعلم مهام جديدة بسرعة أكبر، حتى عندما تحتوي ردود الفعل البشرية على أخطاء أو عدم دقة.
- ردود الفعل غير المتزامنة: تسمح HuGE بجمع التعليقات بشكل غير متزامن من المستخدمين غير الخبراء في جميع أنحاء العالم، مما يجعلها حلاً قابلاً للتطوير ومتعدد الاستخدامات.
- التعلم الذاتي: يمكن للوكلاء مواصلة التعلم بشكل مستقل، حتى عندما تكون التعليقات محدودة أو متأخرة، مما يضمن التقدم المستمر.
اختبار العالم الحقيقي والمحاكاة
أجرى الباحثون اختبارات مكثفة على كل من المهام المحاكاة والواقعية للتحقق من فعالية HuGE. وفي عمليات المحاكاة، نجحوا في تدريب عملاء الذكاء الاصطناعي على أداء مهام معقدة بتسلسلات طويلة من الإجراءات، مثل تكديس الكتل في ترتيبات محددة أو التنقل في متاهات معقدة. تضمنت تجارب العالم الحقيقي تدريب الأذرع الآلية على رسم الأشكال والتقاط الأشياء، مع جمع البيانات من مستخدمين غير خبراء عبر 13 دولة وثلاث قارات.
التوسع والتطبيقات المستقبلية
تشير النتائج الواعدة التي حققتها شركة HuGE وسهولة الحصول على تعليقات غير الخبراء إلى أنها تحمل إمكانات كبيرة لتوسيع نطاق التدريب على الذكاء الاصطناعي. وفي المستقبل، يمكن لهذه الطريقة أن تمكن الروبوتات من التعلم وأداء مهام محددة في منازل المستخدمين دون الحاجة إلى عروض توضيحية مادية. ومن خلال الاعتماد على ردود الفعل الجماعية، يمكن للروبوتات الاستكشاف بشكل مستقل، مسترشدة بالمدخلات الجماعية من غير الخبراء.
يؤكد الباحثون على أهمية التأكد من توافق عملاء الذكاء الاصطناعي مع القيم الإنسانية والاعتبارات الأخلاقية. بينما يتعلم وكلاء الذكاء الاصطناعي ويتخذون القرارات بشكلdent، فإن المبادئ التوجيهية الأخلاقية ومواءمة القيمة أمر بالغ الأهمية لنشرهم الآمن والمسؤول.
الاتجاهات المستقبلية
ويهدف الفريق إلى تحسين النهج الضخم بشكل أكبر. إنهم يخططون لتمكين عملاء الذكاء الاصطناعي من التعلم من أشكال التواصل المختلفة، مثل اللغة الطبيعية والتفاعلات الجسدية مع الروبوتات. بالإضافة إلى ذلك، فإنهم يستكشفون إمكانية استخدام HuGE لتدريب العديد من العملاء في وقت واحد، مما يفتح آفاقًا جديدة للتعلم التعاوني للذكاء الاصطناعي.
يمثل الاستكشاف الموجه بالإنسان (HuGE) قفزة كبيرة إلى الأمام في تدريب الذكاء الاصطناعي، مما يبسط عملية تعليم عملاء الذكاء الاصطناعي مهام جديدة. ومن خلال تسخير الحكمة الجماعية للمستخدمين غير الخبراء، تعمل HuGE على تسريع التعلم، وتقليل الحاجة إلى وظائف المكافأة المصممة بواسطة الخبراء، وتمهد الطريق للروبوتات لاكتساب مهارات معقدة بشكل مستقل. مع استمرار تطور مجال الذكاء الاصطناعي، تقف HuGE بمثابة شهادة على إمكانات التعلم التعاوني والموجه للجمهور في تشكيل مستقبل العملاء الأذكياء.
أكاديمية Cryptopolitan: ورقة الغش المجانية للسيرة الذاتية على Web3 - قم بالتنزيل الآن
