وجدت NVIDIA طريقة تدريب جديدة للذكاء الاصطناعي تتطلب بيانات إدخال أقل

طورت NVIDIA نهجًا جديدًا لتدريب شبكات الخصومة التوليدية (GANs). تتطلب هذه الطريقة بيانات إدخال أقل بكثير من الطرق الشائعة حاليًا. في حين أن جودة التدريب لا تزال مضمونة تمامًا.

إذا كنت لا تعرف، فإن GAN هو نظام ذكاء اصطناعي يتكون من جزأين منفصلين:

• الأول هو الشبكة التوليدية Geneative Network، والتي تساعد في إنشاء عينات تدريبية (بيانات مزيفة)، بهدف إنشاء البيانات الأكثر واقعية.
• والثانية هي الشبكة التمييزية: ومهمتها محاولة التمييز بين البيانات الحقيقية والبيانات المزيفة، ثم استخدام هذه البيانات "لإعادة تدريب" الشبكة التوليدية نفسها.

نموذج جان

تم تطبيق أنظمة GAN في العديد من المهام المكثفة مثل تحويل التسميات التوضيحية إلى قصص حسب كل سياق، وخاصة إنشاء صور ومقاطع فيديو مصطنعة بواقعية عالية للغاية.

بشكل أساسي، لكي تتمكن من إنتاج نتائج موثوقة ذات اتساق عالٍ، ستتطلب نماذج GAN التقليدية ما لا يقل عن 50000 إلى 100000 صورة كبيانات تدريب مدخلة. إذا كانت كمية بيانات التدريب صغيرة جدًا، فإن نموذج GAN يميل إلى المعاناة من مشكلة تسمى "التجهيز الزائد". في هذه الحالة، لن يكون لدى الشبكة التمييزية الأساس الكافي للتدريب والتفاعل مع الشبكة التوليدية بشكل فعال.

• يستطيع الذكاء الاصطناعي بالفعل كتابة مقال كامل من خلال عدد قليل من المعلومات

في الماضي، كانت إحدى الطرق الشائعة التي استخدمها باحثو الذكاء الاصطناعي لمحاولة حل مشكلة نقص بيانات التدريب هي استخدام تقنية تسمى "تعزيز البيانات". باستخدام خوارزمية الصور كمثال مرة أخرى، في حالة عدم وجود ما يكفي من بيانات التدريب الضرورية، سيحاول الخبراء حل المشكلة عن طريق إنشاء نسخ "مشوهة" من الصور. الصور الموجودة، مثل اقتصاص الصورة الأصلية أو تدويرها أو قلبها إلى إنشاء صور متعددة كبيانات تدريب إضافية. الفكرة هنا هي عدم السماح لنموذج GAN برؤية نفس الصورة مرتين.

ومع ذلك، فإن مشكلة هذا النهج هي أنه يمكن أن يجعل الشبكة GAN تتعلم تقليد التغييرات غير الطبيعية في بيانات التدريب، بدلاً من إنشاء شيء جديد. ولحل المشكلة، طورت NVIDIA طريقة جديدة تسمى "تعزيز التمايز التكيفي (ADA)." لا يزال الجوهر يتمثل في تقنيات زيادة البيانات، ولكن يتم نشرها بطريقة تكيفية. بدلاً من "تشويه" الصور بشكل عشوائي خلال عملية التدريب بأكملها، يقوم ADA بتنفيذ هذه العملية بشكل انتقائي وبشكل كافٍ حتى يظل GAN يحقق أفضل أداء.

النتائج الإيجابية لطريقة تدريب ADA تجلب العديد من الآثار المهمة في مجال الذكاء الاصطناعي. لأن جمع الكمية اللازمة من بيانات التدريب يبدو أمرًا بسيطًا، لكنه في الواقع أمر صعب للغاية. على سبيل المثال، بالنسبة لنموذج الذكاء الاصطناعي للتأليف الأدبي، لن تحتاج إلى القلق بشأن نقص بيانات التدريب المدخلة. ولكن في حالة خوارزمية الذكاء الاصطناعي المتخصصة في اكتشاف الاضطرابات العصبية النادرة، فإن مجرد جمع ما يكفي من بيانات التدريب يمثل مشكلة كبيرة. يمكن لنموذج GAN الذي تم تدريبه باستخدام نهج ADA الخاص بـ NVIDIA أن يحل المشكلة المذكورة أعلاه.

ستشارك NVIDIA المزيد من المعلومات حول تقنية ADA الجديدة في مؤتمرات الذكاء الاصطناعي القادمة.