انسان‌ها همیشه مجذوب پتانسیل برقراری ارتباط با حیواناتی بوده‌اند که با آنها دنیا را به اشتراک می‌گذارند، و اخیراً، یادگیری ماشینی، با قابلیت‌های پیشرفته‌تر برای تجزیه گفتار انسان، خود را راهی امیدوارکننده برای ترجمه حیوانات معرفی کرده است.
مقاله‌ای در نیویورک تایمز این هفته تلاش‌های عمده پنج گروه از محققان را که به استفاده از الگوریتم‌های یادگیری ماشینی برای تجزیه و تحلیل تماس‌های جوندگان، لمورها، نهنگ‌ها، مرغ‌ها، خوک‌ها، خفاش‌ها، گربه‌ها و غیره پرداختند، مستند کرد.
به طور معمول، سیستم‌های هوش مصنوعی از طریق آموزش با داده‌های برچسب‌گذاری شده (که می‌توانند توسط اینترنت یا منابعی مانند کتاب‌های الکترونیکی ارائه شوند) یاد می‌گیرند. برای مدل‌های زبان انسانی، این معمولاً شامل دادن یک جمله به رایانه‌ها، مسدود کردن برخی کلمات و درخواست از برنامه برای پر کردن جاهای خالی است. همچنین اکنون استراتژی‌های خلاقانه‌تری وجود دارد که می‌خواهند گفتار را با فعالیت مغز تطبیق دهند.
اما تجزیه و تحلیل زبان حیوانات متفاوت از تجزیه و تحلیل زبان انسان است. دانشمندان کامپیوتر باید به برنامه های نرم افزاری دستور دهند که به دنبال چه چیزی باشند و چگونه داده ها را سازماندهی کنند. این فرآیند، در بیشتر موارد، نه تنها به جمع آوری تعداد خوبی از صداهای ضبط شده، بلکه به تطبیق این صداهای ضبط شده با رفتارهای اجتماعی بصری حیوانات بستگی دارد.
ساخت مترجم گوگل برای حیوانات، پروژه‌ای رویایی است که گرچه در سال‌های اخیر تلاش‌هایی برروی آن انجام شده، اما در پنج سال گذشته این تلاش‌ها به مراتب بهتر بوده.
یادگیری ماشینی هم در راستای تشخیص حضور حیوانات و حتی در برخی مواقع، شناسایی دقیق حیوانات از طریق تماس‌هایشان بسیار پیشرفته و قوی عمل کرده است.
اپلیکیشن کورنلز مرلین دقت حیرت‌آوری در شناسایی و تشخیص گونه پرنده‌ها از طریق صداهایشان دارد وگرچه این نوع از نرم‌افزار، در شناسایی فرهنگ لغات و واژگان اولیه برخی از گونه‌های حیوانی برطبق ویژگی‌های صداهایشان از جمله فرکانس یا بلندی صدا، یا نسبت دادن برخی از این ارتباطات با پرنده‌ای خاص، موفقیت‌هایی داشته ولی هنوز فاصله زیادی تا درک تمام تفاوت‌های ظریف و پیچیده‌ای که ممکن است در زبان حیوانات وجود داشته باشد، هست.
بسیاری از افرادی که به این رویکرد بدبین هستند، به کاستی‌های مدل‌های زبان هوش مصنوعی فعلی در توانایی درک دقیق و صحیح ارتباطات میان کلمات و اشیایی که ممکن است در دنیای واقعی به آنها اشاره شود و در عین حال به کاستی‌های درک دانشمندان از جوامع بزرگ حیوانات توجه می‌کنند.
مدل‌های زبان هوش مصنوعی برای انسان‌ها، بر پایه نقشه کامپیوتری است که روابط بین کلمات و متون می‌تواند در آن ظاهر شود .ولی این مدل‌ها هم ایرادات خاص خودشان را دارند و ممکن است گاهی یک موضوع رمزآلود باشند. گرچه محققان می‌دانند که چه اطلاعاتی به این مدل‌ها وارد و از آن خارج می‌شود ولی به طور کامل درک نمی‌کنند که الگوریتم چطور به جمع‌بندی می‌رسد.
فاکتور دیگری که محققان آن را در نظر می‌گیرند این واقعیت است که ارتباطات حیوانات ممکن است کاملا شبیه به ارتباط انسان‌ها نباشد و تمایل به اینکه ارتباط حیوانات مشابه با انسان‌ها در نظر گرفته شود، ممکن است منجر به منحرف شدن نتایج تحقیق گردد.
باید این را در نظر داشت که ممکن است بنا به تفاوت‌های فیزیولوژیکی و رفتاری، عناصر منحصر به فردی در زبان حیوانات وجود داشته باشد.
طبق گزارشی که چند ماه پیش در وال استریت ژورنال منتشر شد، پیشنهاداتی برای استفاده از الگوریتم‌های یادگیری خودنظارتی وجود دارد تا این الگوریتم‌ها به آنالیز داده‌های صدایی بپردازند که بدین ترتیب کامپیوتر به محققان اعلام کند که چه الگوهایی را در داده‌ها مشاهده می‌کند .
در نهایت اینکه انسان‌ها تا چه اندازه برای درک ارتباطات میان حیوانات پیش خواهند رفت، به اهدافشان برای این نوع تحقیقات بستگی دارد. در این راستا شاید کافی باشد تا به اصول ابتدایی ماجرا دست بیابیم. به عنوان مثال، مترجمی که بتواند تفسیر قابل اعتمادی از اینکه آیا حیواناتی که با آنها در ارتباط نزدیک هستیم، خوشحالند، حس غم می‌کنند و یا در خطر هستند، می‌تواند گزینه‌ای مفید و کاربردی باشد.
مقاله‌ای در نیویورک تایمز این هفته تلاش‌های عمده پنج گروه از محققان را که به استفاده از الگوریتم‌های یادگیری ماشینی برای تجزیه و تحلیل تماس‌های جوندگان، لمورها، نهنگ‌ها، مرغ‌ها، خوک‌ها، خفاش‌ها، گربه‌ها و غیره پرداختند، مستند کرد.
به طور معمول، سیستم‌های هوش مصنوعی از طریق آموزش با داده‌های برچسب‌گذاری شده (که می‌توانند توسط اینترنت یا منابعی مانند کتاب‌های الکترونیکی ارائه شوند) یاد می‌گیرند. برای مدل‌های زبان انسانی، این معمولاً شامل دادن یک جمله به رایانه‌ها، مسدود کردن برخی کلمات و درخواست از برنامه برای پر کردن جاهای خالی است. همچنین اکنون استراتژی‌های خلاقانه‌تری وجود دارد که می‌خواهند گفتار را با فعالیت مغز تطبیق دهند.
اما تجزیه و تحلیل زبان حیوانات متفاوت از تجزیه و تحلیل زبان انسان است. دانشمندان کامپیوتر باید به برنامه های نرم افزاری دستور دهند که به دنبال چه چیزی باشند و چگونه داده ها را سازماندهی کنند. این فرآیند، در بیشتر موارد، نه تنها به جمع آوری تعداد خوبی از صداهای ضبط شده، بلکه به تطبیق این صداهای ضبط شده با رفتارهای اجتماعی بصری حیوانات بستگی دارد.
ساخت مترجم گوگل برای حیوانات، پروژه‌ای رویایی است که گرچه در سال‌های اخیر تلاش‌هایی برروی آن انجام شده، اما در پنج سال گذشته این تلاش‌ها به مراتب بهتر بوده.
یادگیری ماشینی هم در راستای تشخیص حضور حیوانات و حتی در برخی مواقع، شناسایی دقیق حیوانات از طریق تماس‌هایشان بسیار پیشرفته و قوی عمل کرده است.
اپلیکیشن کورنلز مرلین دقت حیرت‌آوری در شناسایی و تشخیص گونه پرنده‌ها از طریق صداهایشان دارد وگرچه این نوع از نرم‌افزار، در شناسایی فرهنگ لغات و واژگان اولیه برخی از گونه‌های حیوانی برطبق ویژگی‌های صداهایشان از جمله فرکانس یا بلندی صدا، یا نسبت دادن برخی از این ارتباطات با پرنده‌ای خاص، موفقیت‌هایی داشته ولی هنوز فاصله زیادی تا درک تمام تفاوت‌های ظریف و پیچیده‌ای که ممکن است در زبان حیوانات وجود داشته باشد، هست.
بسیاری از افرادی که به این رویکرد بدبین هستند، به کاستی‌های مدل‌های زبان هوش مصنوعی فعلی در توانایی درک دقیق و صحیح ارتباطات میان کلمات و اشیایی که ممکن است در دنیای واقعی به آنها اشاره شود و در عین حال به کاستی‌های درک دانشمندان از جوامع بزرگ حیوانات توجه می‌کنند.
مدل‌های زبان هوش مصنوعی برای انسان‌ها، بر پایه نقشه کامپیوتری است که روابط بین کلمات و متون می‌تواند در آن ظاهر شود .ولی این مدل‌ها هم ایرادات خاص خودشان را دارند و ممکن است گاهی یک موضوع رمزآلود باشند. گرچه محققان می‌دانند که چه اطلاعاتی به این مدل‌ها وارد و از آن خارج می‌شود ولی به طور کامل درک نمی‌کنند که الگوریتم چطور به جمع‌بندی می‌رسد.
فاکتور دیگری که محققان آن را در نظر می‌گیرند این واقعیت است که ارتباطات حیوانات ممکن است کاملا شبیه به ارتباط انسان‌ها نباشد و تمایل به اینکه ارتباط حیوانات مشابه با انسان‌ها در نظر گرفته شود، ممکن است منجر به منحرف شدن نتایج تحقیق گردد.
باید این را در نظر داشت که ممکن است بنا به تفاوت‌های فیزیولوژیکی و رفتاری، عناصر منحصر به فردی در زبان حیوانات وجود داشته باشد.
طبق گزارشی که چند ماه پیش در وال استریت ژورنال منتشر شد، پیشنهاداتی برای استفاده از الگوریتم‌های یادگیری خودنظارتی وجود دارد تا این الگوریتم‌ها به آنالیز داده‌های صدایی بپردازند که بدین ترتیب کامپیوتر به محققان اعلام کند که چه الگوهایی را در داده‌ها مشاهده می‌کند .
در نهایت اینکه انسان‌ها تا چه اندازه برای درک ارتباطات میان حیوانات پیش خواهند رفت، به اهدافشان برای این نوع تحقیقات بستگی دارد. در این راستا شاید کافی باشد تا به اصول ابتدایی ماجرا دست بیابیم. به عنوان مثال، مترجمی که بتواند تفسیر قابل اعتمادی از اینکه آیا حیواناتی که با آنها در ارتباط نزدیک هستیم، خوشحالند، حس غم می‌کنند و یا در خطر هستند، می‌تواند گزینه‌ای مفید و کاربردی باشد.
کد خبر ۲۳۱۰۱۰۶۱۲.۴۰۸
