Οι ερευνητές αναπτύσσουν τεχνητή νοημοσύνη που επιλύει ένα οπτικό γνωστικό τεστ βασισμένο σε μήτρα

Οι ερευνητές αναπτύσσουν τεχνητή νοημοσύνη που επιλύει ένα οπτικό γνωστικό τεστ βασισμένο σε μήτρα


Οι δοκιμές πολλαπλών επιλογών παρέχουν στους συμμετέχοντες στις δοκιμές τη δυνατότητα να συγκρίνουν τις απαντήσεις για να εξαλείψουν τις επιλογές (ή να μαντέψουν τη σωστή). Κάθε επιλογή μπορεί να συγκριθεί με την ερώτηση για να εξαχθούν συμπεράσματα που μπορεί να έχουν χαθεί. Είναι πιθανώς η ικανότητα να περιορίσουμε τη σωστή απάντηση από σύνολα απαντήσεων που είναι το τεστ της αληθινής κατανόησης.

Εμπνευσμένοι από αυτό, ερευνητές του Πανεπιστημίου του Τελ Αβίβ και Fb αναπτηγμένος ένα αυτόματη μάθηση μοντέλο που δημιουργεί αποκρίσεις στο Raven Progressive Matrix (RPM), ένα είδος τεστ νοημοσύνης στο οποίο ο στόχος είναι να ολοκληρωθεί η θέση σε ένα πλέγμα αφηρημένων εικόνων. Οι συν-συγγραφείς δηλώνουν ότι ο αλγόριθμός τους δεν είναι μόνο ικανός να δημιουργήσει ένα εύλογο σύνολο ανταγωνιστικών απαντήσεων με προηγμένες μεθόδους, αλλά ότι θα μπορούσε να χρησιμοποιηθεί για τη δημιουργία ενός αυτοματοποιημένου συστήματος διδασκαλίας που προσαρμόζεται στις δεξιότητες των μεμονωμένων μαθητών.

Το RPM είναι ένα μη λεκτικό τεστ που χρησιμοποιείται συνήθως σε εκπαιδευτικά περιβάλλοντα όπως τα σχολεία. Συνήθως είναι μια εξέταση 60 στοιχείων που παρέχεται για τη μέτρηση της αφηρημένης συλλογιστικής, η οποία θεωρείται ως μη λεκτική εκτίμηση της νοημοσύνης ρευστού (δηλαδή η ικανότητα επίλυσης νέων προβλημάτων συλλογισμού). Κάθε ερώτηση, ένα μεμονωμένο πρόβλημα, αποτελείται από οκτώ τοποθετημένες εικόνες
σε πλέγμα 3 x 3. Ο στόχος είναι να δημιουργήσετε την ένατη εικόνα που λείπει στην τρίτη σειρά της τρίτης στήλης έτσι ώστε να ταιριάζει με τα μοτίβα γραμμής και στήλης του πλέγματος.

Το RPM συνδυάζει αυτό που οι ερευνητές περιγράφουν ως μονοπάτια: ανοικοδόμηση, αναγνώριση και δημιουργία. Η διαδρομή ανασυγκρότησης παρέχει επίβλεψη έτσι ώστε κάθε εικόνα να κωδικοποιείται σε αριθμητική αναπαράσταση και να συγκεντρώνεται κατά μήκος γραμμών και στηλών. Η διαδρομή αναγνώρισης διαμορφώνει τις παραστάσεις με τρόπο που καθιστά τις σημασιολογικές πληροφορίες πιο σαφείς. Όσον αφορά τη διαδρομή δημιουργίας, βασίζεται στην ενσωμάτωση της οπτικής αναπαράστασης από την πρώτη διαδρομή και στη σημασιολογική ενσωμάτωση που λαμβάνεται με τη βοήθεια της δεύτερης για τη χαρτογράφηση της σημασιολογικής αναπαράστασης μιας δεδομένης ερώτησης σε μια εικόνα.

Σε ένα πείραμα που περιλαμβάνει ένα σύνολο δεδομένων με προβλήματα που ονομάζεται RAVEN-Fair, οι ερευνητές αναφέρουν ότι το μοντέλο τους πέτυχε συνολική ακρίβεια 60,8%. «Η μέθοδος μας παρουσιάζει πολύ πειστικά αποτελέσματα παραγωγής. Οι προηγμένες μέθοδοι αναγνώρισης θεωρούν την παραγόμενη απόκριση ως τη σωστή πιθανότατα να πλησιάζει εκείνη της θεμελιώδους απόκρισης της αλήθειας, “έγραψαν.” Αυτό παρά τον μη-προσδιοριστικό χαρακτήρα του προβλήματος, που σημαίνει ότι η παραγόμενη απόκριση είναι συχνά εντελώς διαφορετική… από την εικόνα της θεμελιώδους αλήθειας. Επιπλέον, αποδεικνύουμε ότι η ικανότητα παραγωγής συλλαμβάνει τους περισσότερους από τους κανόνες, αγνοώντας τους συγκεκριμένους πολύ λίγα.

Πέρα από τις πιθανές εφαρμογές στην εκπαίδευση, οι ερευνητές λένε ότι η μετάβαση από την επιλογή μιας απόκρισης από ένα κλειστό σύνολο στη δημιουργία μιας απόκρισης θα μπορούσε να οδηγήσει σε πιο ερμηνεύσιμες μεθόδους μηχανικής μάθησης. Επειδή η παραγόμενη έξοδος μπορεί να αποκαλύψει πληροφορίες σχετικά με την υποκείμενη διαδικασία συμπερασμάτων, μοντέλα όπως τα δικά τους, λένε, θα μπορούσαν να είναι χρήσιμα για την επικύρωση της λογικής του μηχανήματος μέσω της εφαρμογής συστημάτων τεχνητής νοημοσύνης.


Πώς οι επιχειρήσεις ξεκινούν την επικοινωνία:

Η πανδημία οδηγεί τις νεοσύστατες επιχειρήσεις να ρίξουν μια πιο προσεκτική ματιά στην άνοδο των λύσεων επικοινωνίας τους. Μάθε πως να




[via]