برنامه ریز هوشمند درسی با فناوری هوش مصنوعی موفقیت شما را تضمین می‌کند
در همین زمینه
محققان سعی در ساخت یک مدل هوش مصنوعی دارند که بتواند خودش را آموزش دهد. با این کار سرعت یادگیری در خودروهای خودران و ربات‌های خانگی را افزایش می‌دهد و حتی شاید کمکی برای حل مسائل ریاضی غیرقابل‌درک هم باشد.
تابه‌حال به یک برنامه ریز هوشمند درسی فکر کرده‌اید؟ کامپیوترها برخلاف انسان‌ها زمانی که در حال آموختن هستند، خسته نمی‌شوند. اما شباهتی با انسان‌ها دارند و آن‌هم این است که وقتی برنامه‌ریزی درستی داشته باشند، عملکرد بهتری هم خواهند داشت. ارائه برنامه درسی کار ساده‌ای نیست، چه برسد که قرار باشد این کار را توسط کامپیوترها انجام دهیم. البته که دانشمندان ایده جالبی دارند و به دنبال طراحی نوعی برنامه ریز هوشمند درسی هستند.
محققان سعی در ساخت یک مدل هوش مصنوعی دارند که بتواند خودش را آموزش دهد. با این کار سرعت یادگیری در خودروهای خودران و ربات‌های خانگی را افزایش می‌دهد و حتی شاید کمکی برای حل مسائل ریاضی غیرقابل‌درک هم باشد.
به‌منظور فراهم کردن زیرساخت‌های توسعه یک برنامه ریز هوشمند درسی، یک برنامه هوش مصنوعی سعی دارد در آزمایشی جدید با پیمایش یک شبکه دوبعدی پر از بلوک‌های جامد، با سرعتی قابل‌قبول به مقصد برسد. «ایجنت» از طریق فرایند یادگیری تقویتی و نوعی آزمون‌و‌خطا، توانایی‌های خود را بهینه خواهد کرد.
محققان به رهبری مایکل دنیس، فارغ‌التحصیل دانشگاه برکلی کالیفرنیا و ناتاشا جاکس، دانشمند گوگل، برای کمک به مسیریابی در این دنیای پیچیده، دو روش برای ترسیم نقشه‌ها در نظر گرفتند. یکی روش بلوک‌های توزیع‌شده به شکل تصادفی بود که هوش مصنوعی موفق به یادگیری زیادی از این روش نشد؛ در روش دوم هوش مصنوعی آنچه را در گذشته با آن دست‌و‌پنجه نرم می‌کرد، به یاد می‌آورد. در این روش گاهی فعالیت سخت و گاهی حتی غیرممکن می‌شد.
درنتیجه دانشمندان با رویکردی جدید که PAIRED نام دارد، شرایط مناسب را فراهم کردند. ابتدا آن‌ها هوش مصنوعی را با یک هوش مصنوعی دیگر که البته نقاط قوت متفاوتی تحت عنوان «مخالف» داشت، همراه کردند. حالا سومین شرایط برای طراحی هوش مصنوعی را در اختیار داشتند که برای «مخالف» ساده، اما برای هوش مصنوعی اول سخت‌تر بود. درواقع برای موفقیت در این آزمایش، هوش مصنوعی اولیه باید به پیشرفته‌ترین حالت ممکن مورد استفاده قرار می‌گرفت. طراحان درست مانند ایجنت‌ها برای آموزش وظایف در آزمون‌ها از یکی از انواع شبکه های عصبی، برنامه‌ای که از معماری مغز الهام گرفته، استفاده می‌کنند.
بعد از آموزش، هوش مصنوعی اولیه، مجموعه‌ای از فراز‌و‌نشیب‌های بسیار را امتحان کرد. اگر با استفاده از دو روش قدیمی آموزش‌دیده باشد، هیچ‌یک از پس هیچ‌یک از فراز‌و‌نشیب‌ها برنمی‌آید. پیش‌ازاین در کنفرانس سیستم‌های پردازش اطلاعات عصبی در گزارشی آمده که پس از آموزش توسط PAIRED، از هر ۵ آزمایش یکی موفق بوده است. دنیس دراین‌باره می‌گوید:«از آغاز کار این سیستم بسیار هیجان‌زده شدیم.»
در مطالعه دیگری که در یک کارگاه آموزشی به نام NeurlPS ارائه شد، جاکس و همکارانش در گوگل از نسخه PAIRED برای آموزش یک سیستم هوش مصنوعی برای پر کردن فرم‌ها و رزرو پرواز استفاده کردند. درحالی‌که یک روش آموزشی ساده‌تر تقریباً هربار شکست می‌خورد، هوش مصنوعی آموزش‌دیده توسط روش PAIRED بیش از ۵۰% موفقیت داشت.
بارت سلمان، دانشمند کامپیوتر دانشگاه کرنل و رئیس انجمن پیشرفت هوش مصنوعی، می‌گوید:«رویکرد PAIRED راهی هوشمندانه برای یادگیری هوش مصنوعی است.»
سلمان و همکارانش رویکردی دیگر برای «برنامه درسی خودکار» ارائه دادند. یک بازی به نام Sokoban که در آن هوش مصنوعی باید بلوک‌ها را جابجا کرده و به مسیرهای مقصد می‌زد، اما ممکن بود بلوک‌ها در بن‌بست‌ها گیر بیفتند، درنتیجه برای موفقیت باید از مدت‌ها قبل برنامه‌ریزی درست انجام می‌شد.
سیستم آن‌ها مجموعه‌ای از معماهای ساده‌تر را برای آموزش می‌سازد که تعداد بلوک و اهداف کمتری دارند. سپس بر اساس عملکرد اخیر هوش مصنوعی معماهایی را انتخاب می‌کند که ایجنت فقط گاهی اوقات آن‌ها را حل می‌کند و از این روش طرح درس را به سطح مؤثری می‌رساند. سلمان دراین‌باره می‌گوید:«گاهی پیش‌بینی معماهای مناسب دشوار است. درواقع کاری که ساده‌تر است همیشه مفهوم ساده‌تری ندارد.»
محققان ایجنت آموزش‌دیده را توسط ۲۲۵ مشکلی که هیچ کامپیوتری قبلاً موفق به حل آن‌ها نشده بود، آزمایش کردند. این ایجنت توانست ۸۰% آن‌ها را شکست دهد و یک‌سوم موفقیت آن‌هم ناشی از روش جدید آموزش بود. سلمان می‌گوید:«تماشای این موضوع واقعاً جالب بود.» او همچنین مدعی شده که پیام‌های حیرت‌انگیزی از محققان هوش مصنوعی که دهه‌هاست در حال کار کردن بر روی این مسائل بوده‌اند، دریافت می‌کند. سلمان امیدوار است بتواند این روش را بر روی مسائل حل‌نشده ریاضی اعمال کند.
پیتر ابیل، دانشمند کامپیوتر دانشگاه برکلی، نشان داد که «برنامه ریز هوشمند درسی» می‌تواند دست‌کاری اشیاء را به ربات‌ها آموزش دهد. به عقیده او این رویکرد برای دانشجویان انسانی هم قابل‌استفاده است. ابیل با اشاره به این موضوع که هوش مصنوعی می‌تواند به شما در تهیه مطالب سخت‌تر یا آسان‌تر برای دانش‌آموزان کمک کند، گفت:«به‌عنوان یک مربی فکر می‌کنم هیچ دانش‌آموزی به تمرین تکالیف یکسان نیاز ندارد. به نظر من برنامه ریز هوشمند درسی باید در هسته تمام یادگیری‌های تقویتی قرار گیرد».
تابه‌حال به یک برنامه ریز هوشمند درسی فکر کرده‌اید؟ کامپیوترها برخلاف انسان‌ها زمانی که در حال آموختن هستند، خسته نمی‌شوند. اما شباهتی با انسان‌ها دارند و آن‌هم این است که وقتی برنامه‌ریزی درستی داشته باشند، عملکرد بهتری هم خواهند داشت. ارائه برنامه درسی کار ساده‌ای نیست، چه برسد که قرار باشد این کار را توسط کامپیوترها انجام دهیم. البته که دانشمندان ایده جالبی دارند و به دنبال طراحی نوعی برنامه ریز هوشمند درسی هستند.
محققان سعی در ساخت یک مدل هوش مصنوعی دارند که بتواند خودش را آموزش دهد. با این کار سرعت یادگیری در خودروهای خودران و ربات‌های خانگی را افزایش می‌دهد و حتی شاید کمکی برای حل مسائل ریاضی غیرقابل‌درک هم باشد.
به‌منظور فراهم کردن زیرساخت‌های توسعه یک برنامه ریز هوشمند درسی، یک برنامه هوش مصنوعی سعی دارد در آزمایشی جدید با پیمایش یک شبکه دوبعدی پر از بلوک‌های جامد، با سرعتی قابل‌قبول به مقصد برسد. «ایجنت» از طریق فرایند یادگیری تقویتی و نوعی آزمون‌و‌خطا، توانایی‌های خود را بهینه خواهد کرد.
محققان به رهبری مایکل دنیس، فارغ‌التحصیل دانشگاه برکلی کالیفرنیا و ناتاشا جاکس، دانشمند گوگل، برای کمک به مسیریابی در این دنیای پیچیده، دو روش برای ترسیم نقشه‌ها در نظر گرفتند. یکی روش بلوک‌های توزیع‌شده به شکل تصادفی بود که هوش مصنوعی موفق به یادگیری زیادی از این روش نشد؛ در روش دوم هوش مصنوعی آنچه را در گذشته با آن دست‌و‌پنجه نرم می‌کرد، به یاد می‌آورد. در این روش گاهی فعالیت سخت و گاهی حتی غیرممکن می‌شد.
درنتیجه دانشمندان با رویکردی جدید که PAIRED نام دارد، شرایط مناسب را فراهم کردند. ابتدا آن‌ها هوش مصنوعی را با یک هوش مصنوعی دیگر که البته نقاط قوت متفاوتی تحت عنوان «مخالف» داشت، همراه کردند. حالا سومین شرایط برای طراحی هوش مصنوعی را در اختیار داشتند که برای «مخالف» ساده، اما برای هوش مصنوعی اول سخت‌تر بود. درواقع برای موفقیت در این آزمایش، هوش مصنوعی اولیه باید به پیشرفته‌ترین حالت ممکن مورد استفاده قرار می‌گرفت. طراحان درست مانند ایجنت‌ها برای آموزش وظایف در آزمون‌ها از یکی از انواع شبکه های عصبی، برنامه‌ای که از معماری مغز الهام گرفته، استفاده می‌کنند.
بعد از آموزش، هوش مصنوعی اولیه، مجموعه‌ای از فراز‌و‌نشیب‌های بسیار را امتحان کرد. اگر با استفاده از دو روش قدیمی آموزش‌دیده باشد، هیچ‌یک از پس هیچ‌یک از فراز‌و‌نشیب‌ها برنمی‌آید. پیش‌ازاین در کنفرانس سیستم‌های پردازش اطلاعات عصبی در گزارشی آمده که پس از آموزش توسط PAIRED، از هر ۵ آزمایش یکی موفق بوده است. دنیس دراین‌باره می‌گوید:«از آغاز کار این سیستم بسیار هیجان‌زده شدیم.»
در مطالعه دیگری که در یک کارگاه آموزشی به نام NeurlPS ارائه شد، جاکس و همکارانش در گوگل از نسخه PAIRED برای آموزش یک سیستم هوش مصنوعی برای پر کردن فرم‌ها و رزرو پرواز استفاده کردند. درحالی‌که یک روش آموزشی ساده‌تر تقریباً هربار شکست می‌خورد، هوش مصنوعی آموزش‌دیده توسط روش PAIRED بیش از ۵۰% موفقیت داشت.
بارت سلمان، دانشمند کامپیوتر دانشگاه کرنل و رئیس انجمن پیشرفت هوش مصنوعی، می‌گوید:«رویکرد PAIRED راهی هوشمندانه برای یادگیری هوش مصنوعی است.»
سلمان و همکارانش رویکردی دیگر برای «برنامه درسی خودکار» ارائه دادند. یک بازی به نام Sokoban که در آن هوش مصنوعی باید بلوک‌ها را جابجا کرده و به مسیرهای مقصد می‌زد، اما ممکن بود بلوک‌ها در بن‌بست‌ها گیر بیفتند، درنتیجه برای موفقیت باید از مدت‌ها قبل برنامه‌ریزی درست انجام می‌شد.
سیستم آن‌ها مجموعه‌ای از معماهای ساده‌تر را برای آموزش می‌سازد که تعداد بلوک و اهداف کمتری دارند. سپس بر اساس عملکرد اخیر هوش مصنوعی معماهایی را انتخاب می‌کند که ایجنت فقط گاهی اوقات آن‌ها را حل می‌کند و از این روش طرح درس را به سطح مؤثری می‌رساند. سلمان دراین‌باره می‌گوید:«گاهی پیش‌بینی معماهای مناسب دشوار است. درواقع کاری که ساده‌تر است همیشه مفهوم ساده‌تری ندارد.»
محققان ایجنت آموزش‌دیده را توسط ۲۲۵ مشکلی که هیچ کامپیوتری قبلاً موفق به حل آن‌ها نشده بود، آزمایش کردند. این ایجنت توانست ۸۰% آن‌ها را شکست دهد و یک‌سوم موفقیت آن‌هم ناشی از روش جدید آموزش بود. سلمان می‌گوید:«تماشای این موضوع واقعاً جالب بود.» او همچنین مدعی شده که پیام‌های حیرت‌انگیزی از محققان هوش مصنوعی که دهه‌هاست در حال کار کردن بر روی این مسائل بوده‌اند، دریافت می‌کند. سلمان امیدوار است بتواند این روش را بر روی مسائل حل‌نشده ریاضی اعمال کند.
پیتر ابیل، دانشمند کامپیوتر دانشگاه برکلی، نشان داد که «برنامه ریز هوشمند درسی» می‌تواند دست‌کاری اشیاء را به ربات‌ها آموزش دهد. به عقیده او این رویکرد برای دانشجویان انسانی هم قابل‌استفاده است. ابیل با اشاره به این موضوع که هوش مصنوعی می‌تواند به شما در تهیه مطالب سخت‌تر یا آسان‌تر برای دانش‌آموزان کمک کند، گفت:«به‌عنوان یک مربی فکر می‌کنم هیچ دانش‌آموزی به تمرین تکالیف یکسان نیاز ندارد. به نظر من برنامه ریز هوشمند درسی باید در هسته تمام یادگیری‌های تقویتی قرار گیرد».