وقد تفننت عمق الشبكة العصبية الطريق إلى حل العديد من المشاكل - من الاعتراف، والمنطق الكائنات في الصورة، لتصبح "التوجه إلى الله." بما أن هذه المهام أصبحت أكثر تعقيدا، أصبح الحل الشبكات العصبية لاستكشاف خارج معقدة على نحو متزايد.

لأن تعقيد هذا النظام أيضا، وحتى مصممي النظام قد لا يكون قادرا على تحليل أسباب ذلك يرسل الأوامر. وبطبيعة الحال، لا يمكن فرض هذه الشبكة العصبية يمكن أن تعطي السبب تصدر كل التعليمات: حتى الآن ليس لدينا نظام يسمح AI التفسير الخاص لأعمالهم.

في الواقع، وهذا هو مجال "الصندوق الأسود" قضية الذكاء الاصطناعي الشهيرة ، مع تطبيق الشبكات العصبية في العالم الحقيقي هو أكثر وأكثر اتساعا من البحوث حول هذه المسألة بدأت تصبح في غاية الأهمية. وفي هذا الصدد، "معهد ماساتشوستس للتكنولوجيا تقنية مراجعة" مرة واحدة "أسرار المظلم من قلب الذكاء الاصطناعي". في العنوان نشرت مقالات، في العمق لاستكشاف غير التفسيرية شبكة مسألة العصبية.

خريطة | 'أو تكنولوجي ريفيو MIT "الذكاء الاصطناعي" الصندوق الأسود "قصة غلاف العدد

كشركة رائدة في مجال بحوث الذكاء الاصطناعي، وحافظت DeepMind حول هذه القضية "الصندوق الأسود" الانتباه أيضا - في الوقت الراهن، وفريق يعمل على تطوير المزيد من الأدوات لتفسير نظام الذكاء الاصطناعي. 26 يونيو، في ورقة نشرت في أحدث، DeepMind طريقة جديدة لدراسة عمق الشبكة العصبية على أساس علم النفس المعرفي.

لذلك، ما هو علم النفس المعرفي؟ بشكل عام، والانضباط للمضاربة من خلال تقييم الآليات السلوكية المعرفية، ويغطي عدد كبير من التفاصيل المرتبطة الآليات المعرفية، وأيضا تصميم الكثير من التجارب لإثبات هذه الآليات. مع قدرات الشبكة العصبية في قضايا محددة قد تم حلها تلبي أو تتجاوز المستوى الإنساني، ويرتبط مناهج البحث في علم النفس المعرفي على نحو متزايد مع مشكلة الصندوق الأسود الذكاء الاصطناعي.

لاثبات ذلك، تصميم DeepMind تجربة لشرح الإدراك البشري لمساعدة البشرية معرفة المزيد عن عمق الشبكات العصبية هي كيفية حل مشكلة تصنيف الصورة.

وأظهرت النتائج أن لاحظ علماء النفس المعرفي السلوك البشري، في عمق الشبكة لديه تعبير مشابه. وعموما، كما أثبت نجاح التجربة التي، علم النفس المعرفي يمكن أن تستخدم لمساعدة الناس على فهم أفضل نظام التعلم العمق.

في دراسة الحالة DeepMind، حتى مع الأخذ في الاعتبار الأطفال هو كيفية التعرف على وجوه، وهي منطقة رئيسية للبحث في علم النفس المعرفي.

بشكل عام، فإن قدرة الأطفال على تخمين معنى الكلمات من مثال واحد، ويسمى "التعلم الدلالي واحد" (طلقة واحدة تعلم كلمة) - هذا يبدو القدرة المعرفية طبيعية جدا، جعل الناس يشعرون بأن هذه العملية هي في الواقع شيء معقد جدا الآلية.

ومع ذلك، تجربة الفكر الكلاسيكي المعروف الأمريكية الفيلسوف ويلارد كواين الأورمان مصممة منذ سنوات عديدة، ولكن تبين للناس كيف مجمع هذه العملية في النهاية:

A غوي للذهاب إلى مكان، ولكن لغة مختلفة تماما واللغويين حيث استخدامها. ونتيجة لذلك، فإن السكان المحليين تبحث عن غوي لتعلم بعض الكلمات في اللغة المحلية. في هذا الوقت، حدث أن يكون لها ركض الأرنب من جانبهم، بادره السكان المحليين خارج "gavagai"، هكذا بدأ علماء اللغة التكهن معنى للكلمة.

الشكل شو "gavagai" في نهاية المطاف ما هو المقصود؟

بطبيعة الحال، فإن كلمة قد تمثل معاني كثيرة، يمكن أن يكون "أرنب"، "الاشياء الأبيض" وحتى يشير إلى جزء معين من الجسم من الأرانب.

لذلك، تواجه الكثير من الاحتمالات، وكيفية تحديد أي متوسط حقوق الانسان؟

اليوم، ونحن نستخدم عمق الشبكات العصبية سوف تواجه نفس المشكلة عندما تعلم الدلالي واحد، وضعت الفريق الجديد DeepMind نموذج الشبكة العصبية تسمى "شبكة مطابقة" (مطابقة الشبكة) ربما يمكن حل هذه المشاكل.

في الواقع، بحكم التحسينات شبكة مطابق في الانتباه والذاكرة، ويمكن أن يتم ذلك إلا من خلال الدعوى استنادا ضخمة ImageNet بيانات قاعدة البيانات والتعرف على الصور لفحص تصنيف وأداء لا جدال فيه على الإطلاق.

FIG | 'أو شبكة مطابقة "هيكل

ولتوضيح هذه النقطة، مشيرا إلى النتائج التي توصل إليها فريق من الباحثين من علماء النفس المعرفي - وجدوا أن، وغالبا ما خصت الأطفال تفضيل للقضاء على كثير من الاستدلال كاذبة، للوصول إلى استنتاجات صحيحة. نموذجية من هذه الأفضليات تشمل:

• تفضيل العام (كله الكائن التحيز): الأطفال سوف يكون أكثر ميلا للاعتقاد الكلمة التي تشير إلى الكائن بأكمله، وليس أجزاء المكونة له (لا يهتم جزء أرنب)؛

•  فئة تفضيل (التحيز التصنيفية): فئة من كائن إلى سمة الكائن (يمكن علاج جميع الحيوانات بأنها "الأرنب") الفئة؛

•  شكل تفضيل (شكل التحيز): الأطفال يميلون إلى وصف كائن وفقا لشكل من الأشياء، وليس اللون أو المشارب. (يمكن تصنيف جميع الاشياء بيضاء ب "الأرنب").

في ما سبق ثلاث أفضليات، اختار فريق البحث DeepMind "تفضيل شكل" بمثابة كشف الشبكة العصبية نقطة دخول، وذلك لأن "شكل تفضيل" تشكل نسبة كبيرة في دراسة تفضيلات الإنسان.

FIG شو من اليسار إلى اليمين: الكائن الأصلي، لتتناسب مع شكل الجسم، المباراة لون الكائن

أكثر أهمية هو أن في الاختبار التالي، DeepMind يظهر الفريق البحثي ثلاثة أشياء على عمق الصورة الشبكة العصبية - الكائن الأصلي، وشكل مطابقة كائن (شكل مماثل ولكن بألوان مختلفة مشيرا إلى كائن) الكائن ومطابقة الألوان (أو لون مشابه ولكن الأشكال المختلفة للكائن مرجع). وفي الوقت نفسه، فإن عدد سجل الفريق الأصلي يطابق شكل الجسم ويتم تصنيف الكائن كطبقة، وعدد ومطابقة لون الكائن الأصلي إلى فئة الكائن تطبيع.

بعد رقم التصنيف أعلاه للمقارنة، وجد الباحثون، مثل البشر، وشبكة لديها اكثر من تفضيل اللون والملمس من شكل التصور - وبعبارة أخرى، لديه الشبكة العصبية أيضا "تفضيلات الشكل."

خريطة | DeepMind تجارب علم النفس المعرفي التي أجريت في شبكة مطابقة. وشكل الكائن إلى المباراة، B تتناسب مع لون الكائن. منذ شكل تفضيلات الشبكة مطابقة، وسوف تميل لتتناسب مع الكائن الأصلي في A.

ومع ذلك، والأفضليات، بالإضافة إلى عمق شكل شبكة لوحظ أن هناك بعض النتائج الجديرة بالذكر:

أولا، بدأ شكل تفضيلات الشبكة من التدريب في وقت مبكر على ما يبدو. انها تذكرنا سهل من الطريق الإنسان من التفكير لتفضيلات الشكل. وقال علماء النفس للأطفال تظهر على شكل تفضيل أقل من المراهقين، والبالغين تشكيل تفضيلات الأكثر وضوحا.

ثانيا، اعتمادا على الجمع بين طريقة تدريب، ودرجة عمق تفضيلات الشبكة ليست هي نفس الشكل. وذلك عندما دراسة متعمقة فريق لاختبار النظام، يجب عليك استخدام الكثير من النماذج التدريبية للحصول على نتائج موثوقة، تماما كما في علم النفس لاختبار كائنات مختلفة.

وأخيرا، حتى لو كانت درجة تفضيل أشكال مختلفة، كل أداء الشبكة على نفس النوع من واحد اختبار التعلم الدلالي هو نفسه. وهذا يدل على أن شبكات مختلفة يمكن العثور على حل نفس القدر من الفعالية لمشكلة معقدة لنفسه.

باختصار، يعتقد فريق DeepMind، أثبتت هذه التجربة يكمن نجاح كبيرة في إمكانات علم النفس المعرفي في سلوك الشبكة العصبية تفسير والمضاربة. ولأن البشر تمتلك مخزن غنية من المعرفة في مجال علم النفس المعرفي، والذكاء الاصطناعي، والتي سوف تحل "الصندوق الأسود" قضية العروض طريقة جديدة في التفكير، حتى أن البشرية فهم متعمق أعمق لسلوك الشبكات العصبية.