گوگل ابتکار تازه‌ای برای توسعه‌ی مدل‌های هوش مصنوعی پیشنهاد کرده است که احتمالاً سرعت و کیفیت بالاتری خواهد داشت.
دیپ‌مایند، آزمایشگاه تحقیقات هوش مصنوعی گوگل، روش جدیدی را برای آموزش مدل‌های هوش مصنوعی معرفی و ادعا کرده است که سرعت آموزش و کارایی انرژی را به‌طور چشمگیری افزایش می‌دهد.
فناوری جدید دیپ‌مایند که JEST (به‌معنای انتخاب مثال مشترک) نام دارد، به‌طریقی ساده از تکنیک‌های سنتی تعلیم مدل‌های هوش مصنوعی جدا می‌شود. روش‌های متداول فعلی روی داده‌های مجزا برای آموزش و یادگیری تمرکز دارند، درحالی‌که JEST براساس داده‌های دسته‌بندی‌شده آموزش می‌بیند.
روش JEST ابتدا مدل هوش مصنوعی کوچک‌تری ایجاد و کیفیت اطلاعات را از منابع سطح بالا مورد ارزیابی قرار می‌دهد تا دسته‌های داده را مبتنی‌بر کیفیت آن‌ها رتبه‌بندی کند. سپس این رتبه‌بندی را با مجموعه‌ای بزرگ‌تر و کم‌کیفیت‌تر مقایسه می‌کند. درواقع مدل کوچک JEST دسته‌هایی از داده‌ها را که برای آموزش مناسب‌تر هستند تشخیص می‌دهد و مدل بزرگ براساس یافته‌های مدل کوچک آموزش داده می‌شود.
محققان دیپ‌مایند می‌گویند: «هدایت فرایند انتخاب داده به‌سوی مجموعه‌ی کوچک‌تر و باکیفیت‌تر داده‌ها، در موفقیت روش JEST بسیار حیاتی به نظر می‌رسد.» پژوهشگران ادعا می‌کنند که این رویکرد نسبت به روش‌های فعلی ۱۳ برابر سریع‌تر است و حجم محاسبات را تا ۱۰ برابر کاهش می‌دهد.
به گفته ی زومیت ازآنجاکه روش JEST به کیفیت داده‌های اولیه وابسته است؛ به مهارت‌های پژوهشی حرفه‌ای‌تری برای فراهم‌کردن چنین داده‌هایی احتیاج دارد، بنابراین می‌تواند پیچیدگی بیشتری برای برخی توسعه‌دهندگان مدل‌های هوش مصنوعی داشته باشد.
با توجه به افزایش روزافزون نیاز هوش مصنوعی به مصرف انرژی و خطرات احتمالی زیست‌محیطی آن، ارائه‌ی روش‌هایی مانند JEST که بهینه‌تر و کم‌مصرف‌تر هستند بسیار ضروری خواهد بود. در سال ۲۰۲۳، ابزار‌های AI حدود ۴٫۳ گیگاوات برق مصرف کردند و پیش‌بینی می‌شود که تا سال ۲۰۳۰، هوش مصنوعی یک‌چهارم توان شبکه‌ی برق آمریکا را به خود اختصاص خواهد داد.
دیپ‌مایند، آزمایشگاه تحقیقات هوش مصنوعی گوگل، روش جدیدی را برای آموزش مدل‌های هوش مصنوعی معرفی و ادعا کرده است که سرعت آموزش و کارایی انرژی را به‌طور چشمگیری افزایش می‌دهد.
فناوری جدید دیپ‌مایند که JEST (به‌معنای انتخاب مثال مشترک) نام دارد، به‌طریقی ساده از تکنیک‌های سنتی تعلیم مدل‌های هوش مصنوعی جدا می‌شود. روش‌های متداول فعلی روی داده‌های مجزا برای آموزش و یادگیری تمرکز دارند، درحالی‌که JEST براساس داده‌های دسته‌بندی‌شده آموزش می‌بیند.
روش JEST ابتدا مدل هوش مصنوعی کوچک‌تری ایجاد و کیفیت اطلاعات را از منابع سطح بالا مورد ارزیابی قرار می‌دهد تا دسته‌های داده را مبتنی‌بر کیفیت آن‌ها رتبه‌بندی کند. سپس این رتبه‌بندی را با مجموعه‌ای بزرگ‌تر و کم‌کیفیت‌تر مقایسه می‌کند. درواقع مدل کوچک JEST دسته‌هایی از داده‌ها را که برای آموزش مناسب‌تر هستند تشخیص می‌دهد و مدل بزرگ براساس یافته‌های مدل کوچک آموزش داده می‌شود.
محققان دیپ‌مایند می‌گویند: «هدایت فرایند انتخاب داده به‌سوی مجموعه‌ی کوچک‌تر و باکیفیت‌تر داده‌ها، در موفقیت روش JEST بسیار حیاتی به نظر می‌رسد.» پژوهشگران ادعا می‌کنند که این رویکرد نسبت به روش‌های فعلی ۱۳ برابر سریع‌تر است و حجم محاسبات را تا ۱۰ برابر کاهش می‌دهد.
به گفته ی زومیت ازآنجاکه روش JEST به کیفیت داده‌های اولیه وابسته است؛ به مهارت‌های پژوهشی حرفه‌ای‌تری برای فراهم‌کردن چنین داده‌هایی احتیاج دارد، بنابراین می‌تواند پیچیدگی بیشتری برای برخی توسعه‌دهندگان مدل‌های هوش مصنوعی داشته باشد.
با توجه به افزایش روزافزون نیاز هوش مصنوعی به مصرف انرژی و خطرات احتمالی زیست‌محیطی آن، ارائه‌ی روش‌هایی مانند JEST که بهینه‌تر و کم‌مصرف‌تر هستند بسیار ضروری خواهد بود. در سال ۲۰۲۳، ابزار‌های AI حدود ۴٫۳ گیگاوات برق مصرف کردند و پیش‌بینی می‌شود که تا سال ۲۰۳۰، هوش مصنوعی یک‌چهارم توان شبکه‌ی برق آمریکا را به خود اختصاص خواهد داد.
کد خبر ۲۱۲۰۳۰۴۱۹.۵۶۹
