Autصنعت فناوری اطلاعات امیدوار است در آینده همه‌چیز، از نرم‌افزارهای تلفن ‌همراه گرفته تا خودروها مجهز به هوش مصنوعی شوند. اما برآوردها نشان می‌دهد که تنها چندهزار نفر در سراسر دنیا دانش، مهارت و استعداد لازم برای طراحی الگوریتم‌های محاسباتی پیچیده مورد استفاده در سامانه‌های پیشرفته هوش‌ مصنوعی مورد نیاز در آینده را خواهند داشت. شرکت‌های بزرگی نظیر گوگل، فیسبوک و مایکروسافت سالانه میلیون‌ها دلار به متخصصان هوش‌ مصنوعی خود پرداخت می‌کنند و بخش بزرگی از استعدادهای موجود در این حوزه را در انحصار خود می‌گیرند. به نظر می‌رسد کمبود چنین متخصصانی به این زودی‌ها مرتفع نشود، زیرا مهارت یافتن در این حوزه نیازمند سال‌ها تلاش است و تربیت چنین متخصصان سطح بالایی به سال‌ها زمان نیاز دارد. شرکت‌ها در تلاش هستند تا با عرضه انواع ابزارهای لازم، فرآیند توسعه نرم‌افزارهای هوش‌ مصنوعی را ساده‌تر کنند، با این دید که هرچه تعداد افراد و شرکت‌هایی که روی هوش‌ مصنوعی کار می‌کنند بیشتر شود، روند رشد در این حوزه نیز بیشتر می‌شود، از همین رو است که بسیاری از شرکت‌ها ابزارهای مورد نیاز توسعه هوش مصنوعی را حتی به صورت رایگان در اختیار همه قرار می‌دهند. از سوی دیگر، شرکت‌هایی نظیر گوگل و آمازون و مایکروسافت از طریق فروش خدمات ابری هوش‌‌ مصنوعی نیز سود می‌برند. مت اسکات یکی از بنیان‌گذاران و مدیر ارشد فنی استارت‌آپ چینی Malong معتقد است:‌ «تقاضای زیادی برای استفاده از چنین سرویس‌هایی وجود دارد، اما ابزارهای موجود پاسخ‌گوی همه این نیاز نیستند.» این موارد نشان می‌دهد نیاز به افراد متخصص برای طراحی سامانه‌های هوش مصنوعی، یک نیاز حیاتی است که باید به گونه‌ای پوشش داده شود.oML و ماشین‌هایی که هوش مصنوعی طراحی می‌کنند

کمک ماشین‌های طراح به انسان

ساخت یک شبکه عصبی نیازمند مهارت‌های قابل‌ توجه محاسباتی، آزمون و خطای بسیار و میزان زیادی خلاقیت است.
جان-فرانسوا گگن مدیر اجرایی یک آزمایشگاه مستقل یادگیری ماشینی با نام Element AI این فرآیند را «گونه جدیدی از برنامه‌نویسی کامپیوتری» می‌داند. متخصصان باید با آزمون و خطا یا بر اساس تجربه، ساختار مناسب برای یک شبکه عصبی را بیابند. به گفته روبرتو کالاندرا از دانشگاه برکلی: «بخش زیادی از این کار مهندسان بسیار ملال‌آور است. آن‌ها باید پیکربندی‌های مختلفی را بررسی کنند و بهترین پیکربندی را بیابند.» به‌عقیده او از آنجا که محققان روزبه‌روز بر روی شبکه‌های بزرگ‌تری کار می‌کنند و باید مسائل پیچیده‌تری را حل کنند، این کار دشوارتر هم می‌شود.
ما نیازمند ماشین‌هایی هستیم که بخشی از این کار را برایمان انجام دهند و به‌عقیده مهریار مُهری استاد دانشگاه نیویورک، ما در حال نزدیک شدن به چنین هدفی هستیم. او با همکاری محققانی از جمله محققان دفتر نیویورک گوگل، روی سامانه‌ای با نام AdaNet کار می‌کند. وقتی به این سامانه مجموعه‌ای از داده‌های برچسب‌گذاری‌ شده ارائه می‌شود، یک شبکه عصبی را لایه‌به‌لایه می‌سازد و اجزای افزوده شده به شبکه را می‌آزماید تا مطمئن شود این لایه‌‌ها، کارایی کلی شبکه را بهبود می‌دهند یا خیر. AdaNet نشان داده که قادر است شبکه‌های عصبی بسازد که با صرف منابع کمتر وظیفه‌ای که به آن‌ها سپرده شده را به‌خوبی شبکه استانداردی که توسط انسان طراحی شده است انجام دهند. به عقیده مُهری این دستاورد امیدوارکننده‌ است، زیرا بسیاری از شرکت‌ها در تلاش هستند نرم‌افزارهای مبتنی بر هوش‌ مصنوعی قدرتمندتری را در دستگاه‌هایی که منابع محدودی دارند نظیر تلفن‌های همراه جاسازی کنند.

AutoML: راهکار گوگل

ساندار پیچای مدیرعامل گوگل می‌گوید:‌ «امروزه سامانه‌های هوش ‌مصنوعی با کمک متخصصان یادگیری ماشینی توسعه داده می‌شوند و چند هزار کارشناسی که در حال حاضر در دنیا وجود دارند و قادرند در پروژه‌های توسعه چنین سامانه‌هایی اثرگذار باشند، کافی نیست.» او می‌گوید: «ما می‌خواهیم صدها هزار نفر از توسعه‌دهندگان قادر به کار روی چنین پروژه‌هایی باشند.» شرکت گوگل معتقد است یک راهکار برای حل مشکل کمبود نیروی متخصص در حوزه هوش‌ مصنوعی این است که در فرآیند تولید نرم‌افزارهای هوش مصنوعی، بخشی از کار را به ماشین‌ها یا به بیان دقیق‌تر به نرم‌افزارهای هوش مصنوعی بسپاریم.
پیچای امسال در کنفرانس سالانه گوگل از پروژه‌ای موسوم به AutoML رونمایی کرد که حاصل تلاش Google Brain، گروه تحقیقاتی هوش مصنوعی گوگل است. الگوریتم یادگیری این محققان می‌تواند بخش‌هایی از فرآیند طراحی نرم‌افزار یادگیری ماشینی را خودکارسازی کند و در برخی از موارد، هوش ‌مصنوعی طراحی شده توسط این هوش مصنوعی از بهترین طراحی‌های انسان نیز پیشی می‌گیرد. AutoML گونه‌ای از الگوریتم یادگیری ماشینی است که چگونگی ساخت الگوریتم‌های یادگیری ماشینی را می‌آموزد. به عقیده پیچای این دستاورد سرعت حرکت در حوزه هوش‌ مصنوعی را افزایش می‌دهد و مسیر رویارویی با مشکلات پیچیده‌ای که امروزه در این عرصه با آن‌ها دست به گریبانیم را هموار می‌کند. او امیدوار است با کمک پروژه AutoML این امکان فراهم شود تا بیش از پیش برنامه‌نویسانی که تخصص کمتری در حوزه یادگیری ماشینی دارند بتوانند از یادگیری ماشینی استفاده کنند. این دیدگاه کاملاً با استراتژی گوگل به‌منظور فراگیر کردن استفاده از خدمات محاسبات ابری‌ در حوزه یادگیری ماشینی هماهنگ است، بازاری که رقبایی سرسخت نظیر آمازون و مایکروسافت نیز در آن حضور دارند.

شکل 1 – مقایسه عملکرد شبکه عصبی طراحی شده توسط ماشین (تصویر پایین‌) با یک شبکه عصبی طراحی شده توسط انسان (تصویر بالا) 

دف از پروژه AutoML ساده‌سازی استفاده از روشی موسوم به یادگیری عمیق است که گوگل و سایرین در کاربردهایی نظیر تشخیص گفتار، تشخیص تصاویر، ترجمه و روباتیک از آن استفاده می‌کنند. در روش یادگیری عمیق، لایه‌های محاسباتی که از شبکه‌های عصبی زیستی الهام گرفته‌ شده‌اند و به همین دلیل به «شبکه‌های عصبی مصنوعی» معروف هستند، توسط داده‌‌ها تغذیه و در واقع آموزش داده می‌شوند. انتخاب بهترین ساختار (وب محاسباتی) برای شبکه‌ عصبی، بخش مهمی از فرآیند طراحی است و البته کاری مشقت‌بار است. اما کوکو لو یکی از محققان یادگیری ماشین گوگل و از اعضای پروژه AutoML می‌گوید: «ما این کار را با بینش انجام می‌دهیم.» او و همکارانش موفق شده‌اند با استفاده از سامانه مبتنی بر یادگیری عمیق، بهترین ساختار شبکه عصبی را برای استفاده در کاربردهایی نظیر تشخیص گفتار و تصویر بیابند. به طوری که در شناسایی تصویر، ساختار پیشنهادی ماشین با ساختار طراحی شده توسط انسان رقابت می‌کرد (شکل 1) و حتی در حوزه تشخیص زبان، از آن پیشی می‌گرفت. نکته جالب این است که ماشین ساختارهایی پیشنهاد می‌داد که محققان تا پیش از آن گمان نمی‌کردند این ساختارها برای چنین کاربردهایی مناسب باشند و حتی ساختاری پیشنهاد می‌کرد که محققان تا به حال چیزی از آن نشنیده بودند. (شکل 2)

شکل 2 – ساختار طراحی شده توسط انسان (سمت چپ) و ساختار پیشنهادی توسط ماشین (سمت راست) 

ساخت نرم‌افزاری که می‌تواند از طریق یادگیری بهتر بیاموزد ایده جدیدی نیست. اما استفاده از یادگیری عمیق باعث شده است تا روند توسعه این ایده مسیر جدیدی را طی کند. محققان DeepMind یکی دیگر از بخش‌های تحقیقاتی گوگل که روی هوش مصنوعی متمرکز است، مراکز دانشگاهی و نیز OpenAI‌ بر روی ایده‌های مشابهی کار می‌کنند. این روش هنوز بسیار پرهزینه است و برای استفاده گسترده مناسب نیست. به طور مثال، 800 کارت گرافیک پرقدرت برای چندین هفته در چنین آزمایش‌هایی استفاده شده است. گوگل حالا با گروه بزرگ‌تری روی AutoML کار می‌کند. دستاوردهای این پروژه دقت شناسایی ویدئو و تصاویر را افزایش می‌دهد و حتی این امکان را به نرم‌افزار می‌دهد تا بدون نیاز به کمک انسان یاد بگیرد.

فرایادگیری و آینده هوش مصنوعی

برخی معتقد هستند فرایادگیری (Learning to learn یا Meta-learning) به‌طور چشمگیری فرآیند توسعه هوش مصنوعی را تسریع خواهد کرد. محققان دانشگاه برکلی کالیفرنیا روی روش‌هایی کار می‌کنند که روبات‌ها را قادر می‌سازد وظایف جدیدی را بر اساس آنچه در گذشته آموخته‌اند یاد بگیرند. پیتر آبیل یکی از استادان برکلی می‌گوید: «کامپیوترها در آینده برای ما الگوریتم‌هایی ابداع خواهند کرد. این الگوریتم‌های پیشنهاد شده توسط کامپیوترها می‌توانند مسائل متعددی را با سرعت زیاد حل کنند. دست‌کم امید ما دستیابی به چنین هدفی است.» (شکل 3)
از سوی دیگر با این روش شمار افراد و شرکت‌هایی که می‌توانند در توسعه هوش‌ مصنوعی سهیم باشند نیز افزایش خواهد یافت. باید توجه داشت ظهور چنین الگوریتم‌هایی نیاز به متخصصان هوش‌ مصنوعی را از بین نخواهد برد، بلکه باز هم این متخصصان هستند که باید بخش مهمی از کار طراحی را انجام دهند. البته افرادی نظیر رناتو نگینویو یکی از محققان دانشگاه کارنگی‌ملون که بر روی پروژه‌ای مشابه AutoML کار می‌کند، معتقد است سال‌ها طول می‌کشد تا به این هدف برسیم.

شکل 3 – پیتر آبیل استاد دانشگاه برکلی و همکارانش بر روی روباتی مبتنی بر یادگیری عمیق کار می‌کنند. او حالا یکی از محققان گوگل است.

مزایای AutoML برای گوگل

پروژه AutoML به گوگل امکان می‌دهد تا با دستیابی به روش‌های بهینه‌تر یادگیری ماشینی، از آن‌ها در محصولات جدید خود استفاده کند. AutoML از یک سو به متخصصان سطح بالای گوگل کمک خواهد کرد که کارآمدتر باشند و از سوی دیگر، به مهندسان کم‌تجربه‌تر کمک می‌کند تا خودشان سامانه‌های هوش ‌مصنوعی قدرتمندی بسازند. گوگل سرمایه‌گذاری هنگفتی در حوزه سرویس‌های محاسباتی ابری می‌کند، سرویس‌هایی که به احتمال زیاد بخش مهمی از اقتصاد آینده گوگل خواهند بود و هوش‌ مصنوعی این کسب و کار را ارتقا خواهد داد. این پروژه گوگل به شرکت‌ها کمک خواهد کرد تا سامانه‌های مبتنی بر هوش‌ مصنوعی بسازند حتی اگر مهارت بسیار سطح بالا در این حوزه نداشته باشند. جف دین یکی از مهندسان برجسته گوگل تخمین می‌زند که کمتر از چند هزار شرکت نیروی انسانی مستعد لازم برای کار در حوزه هوش‌ مصنوعی را در اختیار دارند، اما شمار زیادی از این شرکت‌ها به داده‌‌های لازم برای استفاده در این حوزه دسترسی دارند. او می‌گوید: «ما می‌خواهیم تعداد شرکت‌هایی را که درگیر حل مشکلات یادگیری ماشینی هستند، از هزاران شرکت به میلیون‌ها شرکت برسانیم.»
اگر ایده «تولید نرم‌افزار هوش‌ مصنوعی با کمک نرم‌افزارهوش مصنوعی» عملی شود، دایره یادگیری ماشینی با سرعت بیشتری به خارج از صنعت فناوری اطلاعات هم گسترده خواهد شد و به عنوان مثال در حوزه سلامت یا تجارت نقش‌های مهمی ایفا خواهد کرد. بخش زیادی از کار در حوزه فرایادگیری از جمله پروژه AutoML گوگل، بر سرعت بخشیدن به فرآیند پیاده‌سازی شبکه‌های عصبی مصنوعی متمرکز است. زمانی که گوگل موفق شود AutoML را به حد کافی خوب بسازد تا به ابزاری عملی برای برنامه‌نویس‌ها تبدیل شود، آثار آن فراتر از شرکت گوگل خواهد رفت. همان طور که پیچای اشاره کرده گوگل مایل است امکان استفاده همگان از چنین ابزاری را فراهم کند. سود این کار به خود گوگل بازمی‌گردد، چون بیش از پیش از سرویس‌های ابری هوش ‌مصنوعی استفاده خواهد شد.