در این پست از بلاگ Bennu AI قصد داریم یک تکنیک جدید را که می‌تواند برای پیش‌بینی اقدامات انسان یا عوامل هوش مصنوعی که به صورت بهینه عمل نمی‌کنند و در حال کار بر روی اهداف ناشناخته هستند، استفاده شود، بررسی کنیم!
آنچه در این مطلب خواهید خواند
اهمیت مدل‌سازی رفتار در هوش مصنوعی
برای ساخت سیستم‌های هوش مصنوعی که بتوانند به‌طور مؤثرتری با انسان‌ها همکاری کنند، داشتن یک مدل خوب از رفتار انسانی اهمیت زیادی دارد. مشکل اصلی این است که انسان‌ها هنگام تصمیم‌گیری اغلب به صورت غیر بهینه عمل می‌کنند. این عدم بهینگی که مدل‌سازی آن بسیار دشوار است، معمولاً به محدودیت‌های محاسباتی برمی‌گردد. یک انسان نمی‌تواند دهه‌ها وقت صرف کند تا بهترین راه‌حل برای یک مسئله را پیدا کند.
پژوهش MIT و دانشگاه واشنگتن در مدل‌سازی رفتار
پژوهشگرانی از MIT و دانشگاه واشنگتن روشی جدید برای مدل‌سازی رفتار یک عامل، چه انسان و چه ماشین، توسعه داده‌اند. این روش محدودیت‌های محاسباتی که ممکن است توانایی حل مسئله را مختل کنند، در نظر می‌گیرد. مدل آن‌ها می‌تواند با مشاهده چند نمونه از رفتارهای قبلی یک عامل، به‌طور خودکار محدودیت‌های محاسباتی آن عامل را تشخیص دهد. نتیجه‌ی این فرآیند چیزی است که به آن «بودجه‌ی استنباطی(inference budget)» می‌گویند، که می‌تواند برای پیش‌بینی رفتار آینده‌ی آن عامل مورد استفاده قرار گیرد.
کاربردهای تکنیک جدید در شطرنج و ناوبری
در مقاله‌ای جدید، پژوهشگران نشان داده‌اند که چگونه این روش می‌تواند برای استنباط اهداف ناوبری افراد از مسیرهای قبلی و پیش‌بینی حرکات بعدی بازیکنان در مسابقات شطرنج به کار رود. این تکنیک در برخی موارد برابر یا حتی بهتر از روش‌های محبوب دیگر برای مدل‌سازی این نوع تصمیم‌گیری عمل می‌کند.
مزایای درک رفتار انسانی برای هوش مصنوعی
در نهایت، این کار می‌تواند به دانشمندان کمک کند تا به سیستم‌های هوش مصنوعی بیاموزند که انسان‌ها چگونه رفتار می‌کنند، که این موضوع می‌تواند باعث شود این سیستم‌ها بهتر به همکاران انسانی خود پاسخ دهند. توانایی درک رفتار انسانی و سپس استنباط اهداف او از آن رفتار، می‌تواند یک دستیار هوش مصنوعی را بسیار مفیدتر کند. به گفته‌ی آتول پل جیکوب، دانشجوی رشته مهندسی برق و علوم کامپیوتر و نویسنده‌ی اصلی مقاله، «اگر بدانیم که یک انسان در شرف اشتباه کردن است و رفتار قبلی او را مشاهده کرده‌ایم، عامل هوش مصنوعی می‌تواند وارد عمل شود و روش بهتری را پیشنهاد دهد. یا عامل می‌تواند خود را با ضعف‌های همکاران انسانی خود تطبیق دهد. توانایی مدل‌سازی رفتار انسانی یک گام مهم به‌سوی ساخت یک عامل هوش مصنوعی است که واقعاً می‌تواند به انسان کمک کند.»
مدل‌سازی رفتار: چالش‌ها و رویکردهای جدید
پژوهشگران دهه‌هاست که مدل‌های محاسباتی از رفتار انسانی می‌سازند. بسیاری از رویکردهای قبلی تلاش می‌کردند تا تصمیم‌گیری‌های غیر بهینه را با اضافه کردن نویز به مدل در نظر بگیرند. به‌جای اینکه عامل همیشه گزینه‌ی درست را انتخاب کند، ممکن است مدل طوری تنظیم شود که عامل ۹۵ درصد مواقع انتخاب درست داشته باشد. با این حال، این روش‌ها نمی‌توانند به خوبی این واقعیت را منعکس کنند که انسان‌ها همیشه به یک شکل غیر بهینه عمل نمی‌کنند.
الهام از مطالعات شطرنج در مدل‌سازی رفتار
دیگر پژوهشگران MIT نیز راه‌های مؤثرتری برای برنامه‌ریزی و استنباط اهداف در مواجهه با تصمیم‌گیری‌های غیر بهینه مطالعه کرده‌اند. برای ساخت مدل خود، جیکوب و همکارانش از مطالعات قبلی روی بازیکنان شطرنج الهام گرفتند. آن‌ها متوجه شدند که بازیکنان هنگام انجام حرکت‌های ساده، زمان کمتری برای فکر کردن اختصاص می‌دهند و بازیکنان قوی‌تر در مسابقات چالش‌برانگیز، بیشتر وقت می‌گذارند. جیکوب می‌گوید: «در نهایت، ما دیدیم که عمق برنامه‌ریزی، یا اینکه یک نفر چقدر روی مسئله فکر می‌کند، شاخص بسیار خوبی از رفتار انسان‌ها است.»
چارچوب جدید برای استنباط عمق برنامه‌ریزی عامل
آن‌ها یک چارچوب ساختند که می‌توانست عمق برنامه‌ریزی یک عامل را از رفتارهای قبلی‌اش استنباط کرده و از این اطلاعات برای مدل‌سازی فرآیند تصمیم‌گیری آن عامل استفاده کند. اولین گام در روش آن‌ها اجرای یک الگوریتم برای مدت زمان معینی برای حل مسئله مورد مطالعه است. برای مثال، اگر آن‌ها در حال مطالعه یک مسابقه شطرنج باشند، ممکن است اجازه دهند الگوریتم شطرنج تعداد معینی گام بردارد. در پایان، پژوهشگران می‌توانند تصمیمات گرفته‌شده توسط الگوریتم در هر گام را مشاهده کنند.
تعیین بودجه‌ی استنباطی و پیش‌بینی رفتار آینده
مدل آن‌ها این تصمیمات را با رفتارهای عامل در حل همان مسئله مقایسه می‌کند. سپس مدل، گامی را که عامل در آن برنامه‌ریزی را متوقف کرده است، شناسایی می‌کند. از این طریق، مدل می‌تواند بودجه‌ی استنباطی عامل را تعیین کند؛ یعنی اینکه عامل چقدر برای حل این مسئله برنامه‌ریزی می‌کند. این بودجه‌ی استنباطی می‌تواند برای پیش‌بینی واکنش عامل در حل مسئله‌ای مشابه استفاده شود.
کارآمدی و قابلیت تفسیر تکنیک جدید
این روش می‌تواند بسیار کارآمد باشد، زیرا پژوهشگران می‌توانند به مجموعه‌ی کاملی از تصمیماتی که الگوریتم حل مسئله گرفته است دسترسی پیدا کنند، بدون اینکه کار اضافی انجام دهند. این چارچوب می‌تواند برای هر مسئله‌ای که با یک کلاس خاص از الگوریتم‌ها قابل حل است، اعمال شود. جیکوب می‌گوید: «برای من، جالب‌ترین نکته این بود که این بودجه‌ی استنباطی بسیار قابل تفسیر است. اینکه مسائل سخت‌تر نیاز به برنامه‌ریزی بیشتری دارند یا بازیکن قوی‌تر یعنی برنامه‌ریزی برای مدت زمان بیشتر. وقتی این پروژه را شروع کردیم، فکر نمی‌کردیم که الگوریتم ما بتواند به طور طبیعی این رفتارها را تشخیص دهد.»
آزمایش‌ها و نتایج مدل جدید
پژوهشگران روش خود را در سه کار مدل‌سازی مختلف آزمایش کردند: استنباط اهداف ناوبری از مسیرهای قبلی، حدس زدن نیت ارتباطی فرد از نشانه‌های کلامی، و پیش‌بینی حرکات بعدی در مسابقات شطرنج بین انسان‌ها. روش آن‌ها در هر آزمایش یا برابر با یک روش محبوب دیگر عمل کرد یا از آن بهتر بود. علاوه بر این، پژوهشگران مشاهده کردند که مدل آن‌ها از رفتار انسانی با معیارهای مهارت بازیکن (در مسابقات شطرنج) و سختی کار تطابق خوبی دارد.
آینده‌ی مدل‌سازی رفتار در هوش مصنوعی
پژوهشگران قصد دارند در آینده از این روش برای مدل‌سازی فرآیند برنامه‌ریزی در حوزه‌های دیگر مانند یادگیری تقویتی (یک روش متداول یادگیری از طریق آزمون و خطا در رباتیک) استفاده کنند. در بلندمدت، آن‌ها قصد دارند این کار را ادامه داده و به هدف بزرگ‌تر خود که توسعه همکاران هوش مصنوعی مؤثرتر است، نزدیک‌تر شوند.
این کار با حمایت برنامه هوش مصنوعی برای افزایش بهره‌وری در کالج محاسبات MIT و بنیاد ملی علوم انجام شده است.
این پست از سایت مرکز هوش مصنوعی بنو برگرفته از نوشته ی لینک زیر میباشد!
https://news.mit.edu/2024/building-better-ai-helper-starts-with-modeling-irrational-behavior-0419
اگر مایلید میتونین پست قبلی مارو در مورد صفحه لمسی دهانی از لینک زیر مطالعه کنین!
بدون دیدگاه