مارک زاکربرگ عقیده دارد هوش مصنوعی می‌تواند خودش را تربیت کند!

در حال حاضر تلاش زیادی برای یافتن‌‌ حجم عظیمی از داده‌ها با هدف آموزش نحوه‌ فکر کردن‌ انسان به هوش مصنوعی در جریان است. مارک زاکربرگ، مدیرعامل متا، که به‌تازگی از جدیدترین مدل هوش مصنوعی شرکتش رونمایی کرده‌‌ است، فکر می‌کند راهی برای دور زدن‌ روش پیچیده‌ آموزش فعلی هوش‌‌ مصنوعی‌‌ با داده‌های در دسترس عموم وجود دارد: استفاده از داده‌های مصنو‌‌عی. زاکربرگ می‌گوید خروجی‌های هو‌‌ش مصنو‌‌‌عی می‌توانند برای آموزش هوش‌های مصنوعی‌‌‌‌ دیگر استفاده شوند.

داده‌های آموزشی برای هوش مصنوعی پیچیده هستند؛ زیرا به حجم زیادی از آن‌ها نیاز است. شرکت‌های هوش مصنوعی با قرار دادن‌ داده‌های بیشتر در الگوریتم‌های آموزش هو‌ش مصنو‌عی، در واقع به آن‌ها درک بهتری از ارتباطات انسانی می‌دهند. این کار منجر به شکل‌گیری خروجی‌هایی درست‌تر و شبیه‌تر به انسان می‌شود.

آموزش هوش مصنوعی را به خودش بسپارید!

مارک زاکربرگ بنیان‌گذار فیس‌بوک، در مصاحبه‌ای با منبع خبری حوزه‌ فناوری به نام Command Line، استدلال کرد که سازندگان هوش مصنوعی ممکن است یک راه‌حل را نادیده بگیرند و آن، تکیه‌ کافی نکردن‌ به خود هوش مصنوعی به عنوان منبعی برای داده‌های آموزشی است.

زاکربرگ گفت: «این ایده‌ به این صورت است که مدل‌ها سعی می‌کنند روی مشکلات مختلف کار کنند، سپس می‌بینند کدام مسیرها در نهایت کار می‌کنند و از آن برای تقویت سیستم استفاده می‌کنند». مثلا شما هوش مصنوعی‌ای مانند لاما 3 متعلق به متا را روی یک مشکل به روش‌های مختلف رها می‌کنید. سپس گزینه‌ای را که به نظر می‌رسد به سمت پاسخ درست پیش می‌رود شناسایی می‌کنید و خروجی آن گفتگوی هوش مصنوعی را به عنوان ورودی برای آموزش خود هو‌‌ش مصنو‌‌عی به کار می‌برید.

زاکربرگ توضیح داد که این روش درباره‌ «حلقه‌های بازخورد به‌جای هر نوع مجموعه‌ اولیه‌ داده‌‌»‌ است و آموزش با استفاده‌‌ از داده‌های دنیای واقعی در حین استفاده‌ مشتریان از هوش مصنوعی اتفاق می‌افتد.

آموزش هوش مصنوعی به چه صورت است؟

این روش خیلی هم از روشی که در آن با پرتاب توپ، سگی را برای آوردن‌ آن آموزش می‌دهید، دور نیست. وقتی با یک توله‌‌ سگ بازی می‌کنید، رفتارهایی مثل دویدن‌ برای گرفتن‌ توپ و سپس برگرداندن‌ آن را با تقویت مثبت تثبیت می‌کنید (مثلا هر بار که کار درستی انجام می‌دهد، او را تشویق می‌کنید‌).

در مورد هوش مصنوعی، این کار با بازگرداندن‌ خروجی «خوب» هو‌ش مصنو‌عی برای آموزش مجدد آن در صورت دستیابی به پاسخ درست (مثلاً حل یک مسئله‌ ریاضی پیچیده‌ یا ارائه‌ یک واقعیت تاریخی) برابری می‌کند. طبق گزارش Business Insider، شرکت هوش‌‌‌ مصنوعی‌‌‌ Anthropic از این‌ تکنیک برای آموزش سیستم هوشمند کلود خود استفاده کرده‌ و حتی OpenAI نیز به استفاده از آن برای آموزش چت‌گپت فکر کرده‌‌‌ است.

• مشکلات آموزش‌ هوش‌ مصنوعی‌

یکی از مشکلات آموزش‌‌ هوش‌ مصنوعی‌‌ این‌ است که این روش به داشتن‌ داده‌های خوب وابسته است؛ مشکلی که احتمالاً در برهه‌ای از توسعه‌ هر استارتاپ یا شرکت نوآورانه‌ جدیدی با «ایده‌ عالی» تأثیر می‌گذارد. با داشتن‌ داده‌های خوب‌‌ در مورد اینکه چگونه یک ایده‌‌ جدید‌ ممکن است در بازار موجود درآمدزایی کند، یا اطلاعات خوب درباره‌ نارضایتی مردم از یک‌‌‌ محصول یا سرویس موجود، می‌توانید تصمیمات بهتری د‌ر مو‌رد برنامه‌ریزی تلاش‌های شرکت خود بگیرید.

با این حال، پیدا کردن داده‌های خوب سخت است و قانون قدیمی «اطلاعات بی‌خود، خروجی بی‌خود» که برای انواع فرآیندهای کسب و کار صدق می‌کند، در مورد آموزش هوش مصنوعی نیز کاربرد دارد. همه ما دیده‌ایم که چگونه هوش مصنوعی می‌تواند حقایق نادرست را به صورت «واقعی» جلوه دهد، یا در پاسخ به سوالات، پاسخ‌هایی نادرست یا نگران‌کننده‌ ارائه دهد.

در تحقق ایده‌ زاکربرگ، سوال این است که چقدر طول می‌کشد تا کنترل کیفیت کسی روی داده‌های مصنوعی عمل کند، یا اینکه هیولای هوش‌ مصنو‌عی آن‌قدر تشنه‌ی ورودی شود که شرکت تصمیم بگیرد ریسک کند و هر داده‌ بی‌ارزشی را به آن تزریق کند. این موضوع یک زنگ خطر دیگر است که نیاز به بررسی‌های دقیق‌تر و تعیین قوانین هوشمندانه‌تر دارد.