Prosesau dysgu unedig: Gall dysgu hunan-oruchwyliol ddod yn gyson o'r diwedd

• Awdur:
• enw awdur

  Rhagolwg Quantumrun
• Chwefror 7, 2023

Yn draddodiadol, mae rhwydi niwral dwfn wedi bod yn dda am adnabod gwrthrychau mewn ffotograffau a fideos, yn ogystal â phrosesu iaith naturiol. Fodd bynnag, mae'r rhan fwyaf o ymchwil ynghylch algorithmau hunan-oruchwyliol wedi canolbwyntio ar ddulliau unigol, a all arwain at ragfarn.

Cyd-destun prosesau dysgu unedig

Trwy hunan-oruchwylio, gall cyfrifiaduron ddysgu am eu hamgylchedd trwy eu harchwilio a llunio ystyr delweddau, recordiadau sain, neu eiriau ysgrifenedig. Mae'n fwy effeithlon cael peiriannau nad oes angen cyfarwyddyd llaw arnynt i ganfod lluniau neu ddeall iaith lafar. Mae'r rhan fwyaf o ymchwil dysgu hunan-oruchwyliol yn canolbwyntio ar un maes yn hytrach na dulliau lluosog. Felly, yn aml mae gan ymchwilwyr sy'n canolbwyntio ar un maes strategaeth gwbl wahanol i'r rhai sy'n canolbwyntio ar faes arall.

Er enghraifft, mewn prosesu lleferydd, nid oes gan rai tasgau dysgu hunan-oruchwylio eirfa o unedau lleferydd. O ganlyniad, mae sawl model yn dod â mecanweithiau sy'n dysgu rhestr o unedau lleferydd. Mae dysgu tocynnau, adfer y mewnbwn, neu ychwanegu at ddata yn rhai ffyrdd y mae ymchwilwyr gweledigaeth gyfrifiadurol wedi ceisio mynd i'r afael â'r mater hwn yn y gorffennol. Fodd bynnag, mae'n aml yn anodd dweud a fydd y dulliau hyn yn effeithiol y tu allan i'r cyd-destun gwreiddiol.

Yn ôl astudiaeth gan Brifysgol Cornell yn 2022, mae’r prif ddamcaniaethau ar fioleg dysgu yn awgrymu bod bodau dynol yn debygol o ddefnyddio prosesau tebyg i ddeall gweledol ac iaith. Yn yr un modd, mae pensaernïaeth rhwydwaith niwral cyffredinol wedi perfformio'n well na'i gymheiriaid sy'n benodol i fodolaeth. O'r herwydd, yn 2022, cyflwynodd Meta Data2vec, system sy'n defnyddio un algorithm i hyfforddi rhwydwaith niwral i adnabod delweddau, testun, neu leferydd. 

Effaith aflonyddgar

Mae algorithmau'n prosesu delweddau, testun, a llais yn wahanol oherwydd eu bod yn rhagweld unedau gwahanol fel picsel, tocynnau gweledol, geiriau, neu restrau sain. Mae creu algorithmau yn gysylltiedig â dull penodol, sy'n golygu y bydd y rhai mewn gwahanol ddulliau yn parhau i weithio'n wahanol i'w gilydd. Mae Data2vec yn caniatáu i fodelau weithredu gyda gwahanol fathau o fewnbwn trwy ganolbwyntio ar gynrychioliadau, megis haenau rhwydwaith niwral. Gyda data2vec, nid oes angen rhagfynegi tocynnau gweledol, ymadroddion na synau.

Mae Data2vec yn nodi y gall algorithm hunan-ddysgu nid yn unig weithio'n dda ar draws senarios lluosog ond yn aml yn gwneud yn well na dulliau mwy traddodiadol. Gallai'r nodwedd hon arwain at ddefnydd ehangach o ddysgu hunan-oruchwylio a dod â ni'n agosach at beiriannau AI a all ddysgu eu hunain am bynciau cymhleth fel digwyddiadau chwaraeon neu wahanol ffyrdd o bobi bara gan ddefnyddio ffilmiau, erthyglau, a recordiadau sain.

Mewn papur yn 2022 a gyhoeddwyd yn y cyfnodolyn Nature, tynnodd yr ymchwilwyr sylw at gymwysiadau addawol o ddysgu hunan-oruchwylio ar gyfer datblygu modelau sy’n defnyddio setiau data amlfodd. Roedd yr astudiaeth hefyd yn trafod rhai heriau wrth gasglu data diduedd ar gyfer eu hyfforddiant, megis dulliau a ddefnyddir mewn meddygaeth a gofal iechyd. Gyda dysgu hunan-oruchwyliol, gallai'r tîm addysgu peiriannau gan ddefnyddio data heb ei labelu yn unig. Mae'r gamp hon yn fan cychwyn gwych ar gyfer unrhyw dasg o fewn meddygaeth (a thu hwnt) i ragweld gwybodaeth gudd na ellir ei chategoreiddio'n glir. Yn y dyfodol, bydd algorithmau yn gallu adnabod mewnbynnau penagored yn well a'u cysylltu â setiau data eraill heb ymyrraeth ddynol.

Goblygiadau prosesau dysgu unedig

Gall goblygiadau ehangach prosesau dysgu unedig gynnwys: 

• Chatbots sy'n gallu gwneud argymhellion a nodi cynhyrchion yn seiliedig ar sgrinluniau a recordiadau llais.
• Cynorthwywyr digidol sy'n gallu prosesu gwybodaeth weledol a chlywedol ar yr un pryd, gan arwain at wasanaethau ac ymatebion mwy cywir.
• Cymeriadau rhithwir a ffrindiau a grëwyd yn y metaverse a all ddysgu trwy ryngweithio â bodau dynol ac yn y pen draw ymgysylltu a sgwrsio â phobl mewn ffyrdd sy'n teimlo'n fwyfwy difywyd. 
• Offer clyfar a all hunan-gychwyn yn seiliedig ar giwiau clywedol a gweledol.
• Galluoedd cerbydau ymreolaethol gwell a all adnabod gwrthrychau ar y ffordd yn gywir neu ymateb yn unol â hynny i seirenau heddlu a ambiwlans.
• Gwell technoleg gynorthwyol a all helpu i arwain pobl â nam ar y clyw neu'r golwg i wella eu hannibyniaeth a'u symudedd.

Cwestiynau i wneud sylwadau arnynt

• Sut arall all y dechnoleg hon greu dyfeisiau mwy greddfol a chynorthwywyr digidol?
• Beth yw rhai ffyrdd eraill y gall AI amlfodd eich helpu yn y gwaith?