یادگیری ماشینی معمولا نیازمند انبوهی از اطلاعات نمونه است. برای اینکه یک مدل هوش مصنوعی قادر به تشخیص یک اسب باشد، باید هزاران تصویر - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - از اسب را به - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - آن نشان داده باشید. همین باعث میشود که تکنولوژی کامپیوتری مورد نظرمان بسیار پر هزینه و بسیار متفاوت از یادگیری انسانی باشد. یک کودک معمولا به تنها چند مثال از یک شی، یا حتی یک مثال نیاز دارد و سپس برای همیشه قادر به شناسایی آن خواهد بود.
در واقع کودکان گاهی به هیچ مثالی برای شناسایی چیزی خاص نیاز - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - ندارند. کافیست یک تصویر از یک اسب و یک کرگدن را به او نشان دهید و صرفا بگویید که اسب تکشاخ ترکیبی از این دو است. دفعه بعدی که او تصویر این موجود خیالی را در یک کتاب بببند، به درستی آن را شناسایی خواهد کرد.
حالا یک مقاله از سوی دانشگاه واترلو منتشر شده که نشان میدهد میتوان همین روش یادگیری را با هوش مصنوعی نیز در پیش گرفت. محققان برای این متد یادگیری، نام «کمتر از یک مثال» را - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - انتخاب کردهاند. به عبارت دیگر، هوش - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - مصنوعی باید قادر به شناسایی اشیای - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - بیشتری نسبت به مثالهایی که بر مبنای آنها آموزش دیده باشد. چنین چیزی یک اتفاق انقلابی در دنیای هوش مصنوعی تلقی خواهد شد و از هزینهها و زمان مورد نیاز برای تربیت کردن هوش - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - مصنوعی خواهد - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - کاست.
محققان دانشگاه واترلو برای نخستین بار زمانی به این ایده دست پیدا کردند که مشغول آزمون و خطا با دیتابیس مشهور MNIST برای بینایی کامپیوتری بودند. MNIST شامل ۶۰ هزار تصویر از ارقام ۰ تا ۹ نوشته شده با دست میشود و - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - معمولا از آن برای آزمودن ایدههای جدید در حوزه هوش مصنوعی - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - استفاده میشود.
در مقالات قبلی، محققان MIT از تکنیکی برای «چکیده کردن» دیتاهای انبوه پرده برداشته بودند و توانستند تمام دیتابیس MNIST را به تنها ۱۰ تصویر - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - تقلیل دهند. تصاویر نهایی، از میان تصاویر موجود در دیتابیس انتخاب نشده بودند، بلکه به گونهای مهندسی و بهینهسازی شده بودند که شامل همان مقدار از اطلاعات باشند. در نتیجه، بعد از - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - آموزش دیدن با تنها ۱۰ تصویر، هوش مصنوعی MIT توانست میزان دقتی کاملا مشابه با هوش مصنوعی - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - دیگری که بر مبنای تمام تصاویر MNIST آموزش دیده بود را به نمایش بگذارد.
محققین واترلو میخواستند این تکنیک را بیش از پیش به - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - جلو برانند. اگر میتوان ۶۰ هزار تصویر را به تبدیل به تنها ۱۰ تصویر کرد، چرا به ۵ تصویر تبدیلشان نکنیم؟ آنها متوجه شدند که ترفند صحیح، ساخت تصاویری است که اعداد مختلف در - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - آن با یکدیگر ادغام شدهاند. (دوباره به مثال - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - اسب و کرگدن فکر کنید که هرکدام بخشی از ویژگیهای فیزیکی اسب تکشاخ را دارند).
لیا سوشولوتسکی، دانشجوی دکترای دانشگاه واترلو و نویسنده ارشد مقاله میگوید: «اگر به عدد 3 فکر کنید، یکجورهایی شبیه عدد 8 است - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - اما هیچ شباهتی به عدد - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - 7 ندارد. در این روش، با لیبلهای نرم سعی میکنیم ویژگیهای مشابه را توصیف کنیم. بنابراین به جای اینکه به ماشین بگوییم این تصویر متعلق - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - به عدد 3 است، به آن میگوییم که این تصویر ۶۰ درصد از عدد 3 و ۳۰ درصد از عدد 8 و ۱۰ درصد از عدد 0 تشکیل شده».
بعد از استفاده موفقیتآمیز از لیبلهای - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - نرم برای دستیابی به یادگیری کمتر از یک مثال با دیتابیس MNIST، محققان به این فکر افتادند که - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - کار را - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - چقدر میتوانند - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - پیش ببرند. آیا میتوان تعداد تصاویر را باز هم کاهش داد؟ مشخص شد که بله. با لیبلهای نرمی که به ظرافت مهندسی شد باشند، دو مثال میتوانند در تئوری شامل هر میزان دستهبندی باشند. کار محققان واترلو، اکتشافات تازه در دنیای ریاضیات محض بوده است. آنها در حال آزمون و خطا با یکی از سادهترین الگوریتمهای یادگیری ماشین به نام k-Nearest Neighbors (یا به اختصار kNN) بودهاند که - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - اشیا را با رویکرد گرافیکی دستهبندی میکند.
برای درک کارکرد kNN، میتوانیم دستهبندی میوهها را مثال - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - بزنیم. اگر بخواهید kNN فرق میان سیب و پرتقال را تشخیص دهد، ابتدا باید خصیصههای کلی هر میوه را انتخاب کنید. شاید بخواهید به سراغ رنگ و وزن بروید. بنابراین برای سیب و پرتقال، دو نقطه داده مختلف در اختیار kNN قرار میدهید که هرکدام شامل مقدار x به عنوان رنگ و مقدار y به عنوان وزن میشوند. الگوریتم kNN سپس تمام نقاط داده را وارد یک چارت دوبعدی میکند و خطوطی مستقیم در میانه آن میکشد تا - تعمیرات یخچال فیلور در شهر مشکین شهر استان اردبیل - میان سیب و پرتقال تفاوت قائل شده باشد. از این لحظه به بعد، دو دستهبندی مختلف دارید و هوش مصنوعی تصمیم میگیرد اطلاعات جدید باید در کدام سمت خط میانی قرار بگیرند.
سوشولوتسکی تاکید کرده که تحقیقات هنوز در مراحل ابتدایی به سر میبرند، اما در عین حال از نتایج اولیه هیجانزده است. او هر بار که مقاله را به محققان همرده خود نشان میداده، به او میگفتهاند که چنین کاری غیرممکن است. اما تمام آن محققان به ناگاه متوجه پتانسیل کار سوشولوتسکی شدند و به این ترتیب، درهای تازهای به روی او و پروژهاش باز شد.