هوش مصنوعی متا | هوش مصنوعی در متاورس

هوش مصنوعی متا

هوش مصنوعی هوش مصنوعی را می سازد
زمینه

هوش مصنوعی متا به یک سیستم هوش مصنوعی اطلاق می شود که می تواند به طور خودکار از داده های داده شده یاد بگیرد یا با حداقل نظارت متخصصان انسانی به سرعت با محیط های جدید سازگار شود.

در زمینه‌های مختلف، یادگیری عمیق موفقیت زیادی کسب کرد و بر این اساس، برنامه‌های کاربردی چندگانه از جمله روبات‌های نرم‌افزاری/سخت‌افزاری، پهپادها و خودروهای خودران تولید شد. با این حال، بسیاری از کارشناسان باید زمان و تلاش زیادی را صرف پیاده‌سازی و آموزش موفق مدل‌های یادگیری عمیق کنند. به عنوان راه حل هایی برای کاهش این هزینه ها، تحقیقات متعددی در حال انجام برای اتوماسیون بیشتر بخش های یادگیری عمیق وجود دارد. به این ترتیب، کاربران می توانند به راحتی داده های خود را تجزیه و تحلیل کنند و علاوه بر این، سیستم یادگیری عمیق با کیفیت بالا را حتی به مراتب بهتر از آنچه توسط متخصصان طراحی شده است، پیاده سازی کنند.

پروژه

در توسعه سیستم هوش مصنوعی متا، باید سه بخش اصلی را در نظر بگیریم: ایجاد رابط هوش مصنوعی متا، توسعه الگوریتم‌های اصلی و ایجاد زیرساخت خوشه‌ای.
ابتدا یک رابط برای ارائه اطلاعات دقیق در مورد فرآیند سیستم به کاربران و همچنین دریافت داده ها و سایر ورودی ها از آنها ایجاد می کنیم. ما همچنین رابط هایی را برای آزمایش مدل های تولید شده و توزیع آنها طراحی می کنیم.

دوم، ما دو نوع الگوریتم اصلی را برای اجرای اتوماسیون پیاده سازی می کنیم. یکی فناوری است که به طور خودکار مناسب ترین ساختار شبکه عصبی را برای یادگیری مجموعه داده های داده شده پیدا می کند. پیش از این، به دلیل فضای جستجوی عظیم معماری‌های شبکه، زمان زیادی طول می‌کشید، اما اخیراً یک نمایش معماری در فضای پیوسته پیشنهاد شده است و این امکان جستجوی کارآمد معماری شبکه با الگوریتم‌های بهینه‌سازی را فراهم می‌کند. علاوه بر این، ما همچنین سعی می کنیم تکنیکی را پیاده سازی کنیم که بتواند نه تنها ماژول های از پیش تعریف شده را در شبکه ها، بلکه کل ساختار شبکه های عصبی را جستجو کند. دیگری انتخاب خودکار فراپارامترهای مورد استفاده در یادگیری ماشینی است. به عنوان مثال، قبل از آموزش، متخصصان باید با در نظر گرفتن ویژگی های وظایف محوله، فراپارامترها – پارامترهای مورد نیاز برای یادگیری عمیق – را به درستی بر اساس تجربه و دانش خود تنظیم کنند، اما این امر مستلزم نیروی انسانی قابل توجهی و همچنین زمان است. از طریق انتخاب خودکار فراپارامترها، ما سعی می‌کنیم خدماتی را طراحی کنیم تا مدل‌هایی را ارائه کنیم که بتوانند طبق درخواست کاربران به طور کارآمد عمل کنند و در عین حال مشارکت کارشناسان و کاربران را به حداقل برسانیم.

در نهایت، برای پیاده‌سازی الگوریتم‌های فوق، زیرساخت خوشه‌ای GPU را برای آموزش مدل‌ها و موازی‌سازی فرآیند جستجو ایجاد می‌کنیم و سیستم نظارتی را برای مدیریت کارآمد کل سیستم طراحی می‌کنیم.

علاوه بر این، تحقیقات ما شامل تکنیک‌های اتوماسیون در یادگیری ماشین، مانند بهینه‌سازی معماری و استفاده از داده‌های آموزشی است. به عنوان مثال، تخصیص تصادفی وزن‌ها در شبکه عصبی قبل از آموزش معمول است، اما برای توسعه شبکه‌های عصبی که می‌توانند سریع‌تر با مجموعه داده جدید سازگار شوند، ما در مورد فرا یادگیری برای یافتن مقدار اولیه اولیه وزن‌ها و همچنین انتقال، تحقیق می‌کنیم. یادگیری استفاده از وزن های موجود وظایف قبلی

نتیجه

از آنجایی که هوش مصنوعی متا می تواند به عنوان یک ابزار خودکار عالی عمل کند، می توان از سیستم هوش مصنوعی متا ما در پروژه های مختلف مرتبط با یادگیری عمیق استفاده کرد. علاوه بر این، در این جامعه بیش از حد متصل و فوق هوشمند، تقاضا برای پردازش داده ها در حال افزایش است. با این شتاب، هوش مصنوعی متا مطمئناً در آینده نزدیک برای کاربران متعددی سود خواهد داشت.

منابع

• [1] B. Zoph, V. Vasudevan, J. Shlens, QV Le, Learning Transferable Architectures for Scalable Image Recognition, https://arxiv.org/abs/1707.07012
• [2] H. Liu, K. Simonyan, Y. Yang, DARTS: Differentiable Architecture Search, Seventh International Conference on Learning Representations (ICLR2019), https://openreview.net/forum?id=S1eYHoC5FX
• [3] R. Luo, F. Tian, ​​T. Qin, E. Chen, T.-Y. لیو، بهینه‌سازی معماری عصبی، پیشرفت‌ها در سیستم‌های پردازش اطلاعات عصبی 31 (NeurIPS2018)، http://papers.nips.cc/paper/8007-neural-architecture-optimization
• [4] M. Feurer, F. Hutter, Hyperparameter Optimization, Automatic Machine Learning: Methods, Systems, Challenges, pp. 3-38, Springer, 2018. https://www.automl.org/wp-content/uploads/ 2018/09/chapter1-hpo.pdf
• [5] C. Finn, P. Abbeel, S. Levine, Model-Agnostic Meta-Learning for Fast Adaptation of Deep Network, مجموعه مقالات سی و چهارمین کنفرانس بین المللی یادگیری ماشین (ICML2017)، http://proceedings.mlr.press /v70/finn17a.html
• [6] K. Li, J. Malik, Learning to Optimize, مجموعه مقالات پنجمین کنفرانس بین المللی بازنمایی یادگیری, 2017.
• [7] Y. Fan، F. Tian، T. Qin، J Bian، T.-Y. لیو، یادگیری چه داده هایی برای یادگیری، https://arxiv.org/abs/1702.08635

منبع : skt