افزایش سرعت آموزش مدل‌های هوش مصنوعی با تکنیک جدید محققان گوگل

محققان گوگل از تکنیک جدید برای آموزش مدل‌های هوش مصنوعی با سرعت بیشتر استفاده می‌کنند. تکنیک جدیدی که اخیراً محققان گوگل برای آموزش مدل‌های هوش مصنوعی به کار گرفتند می‌تواند سرعت آموزش را افزایش داده و با کمک داده‌های مکمل قابلیت یادگیری را به حداکثر برساند. به گزارش سرویس اخبار فناوری و تکنولوژی تکنا، محققان بخش […]

محققان گوگل از تکنیک جدید برای آموزش مدل‌های هوش مصنوعی با سرعت بیشتر استفاده می‌کنند. تکنیک جدیدی که اخیراً محققان گوگل برای آموزش مدل‌های هوش مصنوعی به کار گرفتند می‌تواند سرعت آموزش را افزایش داده و با کمک داده‌های مکمل قابلیت یادگیری را به حداکثر برساند.

به گزارش سرویس اخبار فناوری و تکنولوژی تکنا، محققان بخش دیپ مایند در گوگل برای افزایش سرعت آموزش هوش مصنوعی روش جدیدی به نام JEST را توسعه دادند. این روش به طور قابل توجهی می‌تواند به کاهش منابع محاسباتی و زمان مورد نیاز برای آموزش هوش مصنوعی منجر شود.

میزان مصرف انرژی در صنعت هوش مصنوعی بسیار زیاد است. سیستم‌های بزرگی نظیر چت جی پی تی برای پردازش به قدرت زیادی نیاز داشته و همچنین برای خنک کردن این سیستم‌ها نیز به انرژی و آب زیادی نیاز خواهد بود. همچنین تقاضای مربوط به هوش مصنوعی باعث شده تا میزان مصرف انرژی در شرکت‌های بزرگ فناوری به شدت افزایش پیدا کند. به همین دلیل توسعه روش‌ها و رویکردهای جدید مانند رویکرد یادگیری متضاد چند وجهی از طریق انتخاب مثال مشترک در گوگل می‌تواند راه حل مناسبی برای مقابله با این چالش‌ها محسوب شود.

محققان گوگل می‌گویند روش JEST با استفاده از بهینه‌سازی روند انتخاب داده‌ها در آموزش، تعداد تکرارها و توان محاسباتی را کاهش خواهد داد. این امر در نهایت به مصرف انرژی کمتر برای آموزش هوش مصنوعی منجر می‌شود. نحوه کار این روش به گونه‌ای است که در آن دسته‌ای از داده‌های مکمل برای یادگیری مدل هوش مصنوعی انتخاب و بدین ترتیب قابلیت یادگیری به حداکثر خواهد رسید.

این در حالی است که در روش‌های سنتی از نمونه‌های واحد برای آموزش استفاده می‌شود. اما این الگوریتم ترکیب کلی مجموعه را برای آموزش در نظر خواهد گرفت. بدین ترکیب می‌تواند به گونه‌ای انجام شود که آموزش موثرتر بوده و دانش مربوط به یکی از تکنیک‌ها در آموزش دیگری نیز نقش موثری داشته باشد. به گفته محققان گوگل شیوه یادگیری متضاد از نوع چند وجهی با شناسایی وابستگی بین نقاط داده ایجاد خواهد شد.