نیورو آئی پی ایس () مشین لرننگ اور مصنوعی ذہانت سے متعلق دنیا کی سب سے بڑی کانفرنس ہے اور گہری سیکھنے کی دنیا میں مرکزی تقریب ہے۔
کیا ہم، ڈی ایس انجینئرز، نئی دہائی میں حیاتیات، لسانیات اور نفسیات میں بھی مہارت حاصل کر لیں گے؟ ہم آپ کو اپنے جائزے میں بتائیں گے۔
اس سال کانفرنس میں وینکوور، کینیڈا میں 13500 ممالک سے 80 سے زیادہ افراد کو اکٹھا کیا گیا۔ یہ پہلا سال نہیں ہے جب Sberbank نے کانفرنس میں روس کی نمائندگی کی ہے - DS ٹیم نے بینکنگ کے عمل میں ML کے نفاذ کے بارے میں، ML مقابلہ کے بارے میں اور Sberbank DS پلیٹ فارم کی صلاحیتوں کے بارے میں بات کی۔ ایم ایل کمیونٹی میں 2019 کے اہم رجحانات کیا تھے؟ کانفرنس کے شرکاء کا کہنا ہے: и .
اس سال، NeurIPS نے 1400 سے زیادہ کاغذات کو قبول کیا — الگورتھم، نئے ماڈل، اور نئے ڈیٹا کے لیے نئی ایپلی کیشنز۔
فہرست:
- رجحانات
-
- ماڈل کی تشریح
- کثیر الثبات
- استدلال۔
- RL
- GAN
- بنیادی مدعو مذاکرات
-
- "سوشل انٹیلی جنس"، Blaise Aguera y Arcas (Google)
- "ویریڈیکل ڈیٹا سائنس"، بن یو (برکلے)
- "مشین لرننگ کے ساتھ انسانی طرز عمل کی ماڈلنگ: مواقع اور چیلنجز"، نوریہ ایم اولیور، البرٹ علی صلاح
- "سسٹم 1 سے سسٹم 2 ڈیپ لرننگ تک"، یوشوا بینجیو
2019 کے رجحانات
1. ماڈل کی تشریح اور نیا ایم ایل طریقہ کار
کانفرنس کا بنیادی موضوع اس بات کی تشریح اور ثبوت ہے کہ ہمیں یقینی نتائج کیوں حاصل ہوتے ہیں۔ "بلیک باکس" کی تشریح کی فلسفیانہ اہمیت کے بارے میں ایک طویل عرصے تک بات کی جا سکتی ہے، لیکن اس علاقے میں زیادہ حقیقی طریقے اور تکنیکی ترقیات موجود تھیں۔
ماڈلز کو نقل کرنے اور ان سے علم حاصل کرنے کا طریقہ کار سائنس کے لیے ایک نئی ٹول کٹ ہے۔ ماڈل نئے علم حاصل کرنے اور اسے جانچنے کے لیے ایک آلے کے طور پر کام کر سکتے ہیں، اور ماڈل کی پری پروسیسنگ، تربیت اور اطلاق کے ہر مرحلے کو دوبارہ پیدا کرنے کے قابل ہونا چاہیے۔
اشاعتوں کا ایک بڑا حصہ ماڈلز اور ٹولز کی تعمیر کے لیے نہیں بلکہ سیکیورٹی، شفافیت اور نتائج کی تصدیق کے مسائل کے لیے وقف ہے۔ خاص طور پر، ماڈل پر حملوں (مخالفانہ حملے) کے بارے میں ایک الگ سلسلہ سامنے آیا ہے، اور تربیت پر حملوں اور درخواست پر حملوں دونوں کے اختیارات پر غور کیا گیا ہے۔
مضامین:
- - ماڈل کی تصدیق کے طریقہ کار پر ایک پروگرامی مضمون۔ ماڈلز کی ترجمانی کے لیے جدید ٹولز کا ایک جائزہ شامل ہے، خاص طور پر، توجہ کا استعمال اور لکیری ماڈلز کے ساتھ نیورل نیٹ ورک کو "آسان" کرکے خصوصیت کی اہمیت حاصل کرنا۔
- چاوفن چن، آسکر لی، ڈینیئل تاؤ، الینا بارنیٹ، سنتھیا روڈن، جوناتھن کے ایس یو۔
- سارہ ہوکر، دمیترو ایرہان، پیٹر جان کنڈرمینز، بین کم
- الیگزینڈر موٹ، ڈینیئل زوران، مائیک کرزانووسکی، ڈان ویرسٹرا، ڈینیلو جمنیز ریزینڈے
- ژاؤ لی، یو وانگ، سمنتا باسو، کارل کمبیر، بن یو
- جیمین یو، منیونگ چو، تبم کم، یو کانگ
- ایڈورڈ راف
ExBert.net ٹیکسٹ پروسیسنگ کے کاموں کے لیے ماڈل کی تشریح دکھاتا ہے۔
2. کثیر الثبات
قابل اعتماد تصدیق کو یقینی بنانے اور علم کی تصدیق اور توسیع کے لیے میکانزم تیار کرنے کے لیے، ہمیں متعلقہ شعبوں میں ایسے ماہرین کی ضرورت ہے جو بیک وقت ML اور موضوع کے شعبے (طب، لسانیات، نیورو بیالوجی، تعلیم وغیرہ) میں مہارت رکھتے ہوں۔ یہ خاص طور پر نیورو سائنسز اور علمی علوم میں کاموں اور تقاریر کی زیادہ نمایاں موجودگی کو نوٹ کرنے کے قابل ہے - ماہرین کا میل جول اور خیالات کا ادھار ہے۔
اس میل جول کے علاوہ، مختلف ذرائع سے معلومات کی مشترکہ پروسیسنگ میں کثیر الثباتیت ابھر رہی ہے: متن اور تصاویر، متن اور کھیل، گراف ڈیٹا بیس + متن اور تصاویر۔
مضامین:
- نیورو سائنس + ایم ایل -
- VisualQA -
- RL + NLP -
دو ماڈلز - اسٹریٹجسٹ اور ایگزیکٹو - RL اور NLP آن لائن حکمت عملی پر مبنی ہیں۔
3. استدلال کرنا
مصنوعی ذہانت کو تقویت دینا خود سیکھنے کے نظام، "شعور"، استدلال اور استدلال کی طرف ایک تحریک ہے۔ خاص طور پر، causal inference اور commonsense استدلال ترقی کر رہے ہیں۔ کچھ رپورٹس میٹا لرننگ (سیکھنا سیکھنے کے طریقے کے بارے میں) اور پہلی اور دوسری ترتیب کی منطق کے ساتھ DL ٹیکنالوجیز کے امتزاج کے لیے وقف ہیں - آرٹیفیشل جنرل انٹیلی جنس (AGI) کی اصطلاح مقررین کی تقریروں میں ایک عام اصطلاح بنتی جا رہی ہے۔
مضامین:
- ویجیانگ یو، جِنگ وین زو، ویہاؤ یو، ژاؤڈان لیانگ، نونگ ژاؤ
- وانگ زو ڈائی، کیولنگ سو، یانگ یو، ژی ہوا زو
- وشاک بیلے، برینڈن جوبا
- انتون باختن، لارنس وین ڈیر ماٹن، جسٹن جانسن، لورا گسٹافسن، راس گرشک
- دنیش گرگ، شجیت اکبال، سنتوش کے سریواستو، ہریت وشوکرما، ہیما کرنم، ایل وینکٹا سبرامنیم
4. کمک سیکھنا
زیادہ تر کام RL - DOTA2، Starcraft کے روایتی شعبوں کو تیار کرنے کے لیے جاری ہے، کمپیوٹر وژن، NLP، گراف ڈیٹا بیس کے ساتھ فن تعمیر کو یکجا کرنا۔
کانفرنس کا ایک الگ دن ایک RL ورکشاپ کے لیے مختص کیا گیا تھا، جس میں آپٹیمسٹک ایکٹر کریٹک ماڈل فن تعمیر کو پیش کیا گیا تھا، جو کہ تمام سابقہ لوگوں سے برتر تھا، خاص طور پر سافٹ ایکٹر کریٹک۔
مضامین:
- ; کامل سیوسیک، کوان وونگ، رابرٹ لوفٹن، کٹجا ہوفمین
- ; Yasuhiro Fujita (ترجیحی نیٹ ورکس، انکارپوریٹڈ)*؛ توشیکی کاتاوکا (ترجیحی نیٹ ورکس، انکارپوریٹڈ)؛ پربھات ناگراجن (ترجیحی نیٹ ورک)؛ تاکاہیرو اشیکاوا (دی یونیورسٹی آف ٹوکیو) [بیرونی پی ڈی ایف لنک]۔
- ; دانیجر ہافنر (گوگل)*؛ ٹموتھی للیکریپ (ڈیپ مائنڈ)؛ جمی با (یونیورسٹی آف ٹورنٹو)؛ محمد نوروزی (گوگل برین)
سٹار کرافٹ کے کھلاڑی الفاسٹار ماڈل سے لڑ رہے ہیں (ڈیپ مائنڈ)
5.GAN
جنریٹو نیٹ ورکس اب بھی توجہ میں ہیں: بہت سے کام ریاضی کے ثبوتوں کے لیے ونیلا GAN استعمال کرتے ہیں، اور انہیں نئے، غیر معمولی طریقوں سے بھی لاگو کرتے ہیں (گراف جنریٹو ماڈل، سیریز کے ساتھ کام کرنا، ڈیٹا میں وجہ اور اثر کے تعلقات کے لیے اطلاق وغیرہ)۔
مضامین:
- سنگ وو مو، چیہیون کم، سنگ وونگ کم، منسو چو، جن وو شن
- ڈین ژانگ، انا کھوریوا
- لی سو، ماریا سکولریڈو، الفریڈو کیوسٹا-انفینٹے، کلیان ویراماچنی
چونکہ مزید کام قبول کیا گیا تھا۔ ذیل میں ہم اہم ترین تقاریر کے بارے میں بات کریں گے۔
مدعو مذاکرات
"سوشل انٹیلی جنس"، Blaise Aguera y Arcas (Google)
بات مشین لرننگ کے عمومی طریقہ کار اور اس وقت صنعت میں تبدیلی کے امکانات پر مرکوز ہے - ہم کس سنگم کا سامنا کر رہے ہیں؟ دماغ اور ارتقاء کیسے کام کرتے ہیں، اور ہم قدرتی نظاموں کی نشوونما کے بارے میں جو کچھ پہلے سے جانتے ہیں اس کا اتنا کم استعمال کیوں کرتے ہیں؟
ایم ایل کی صنعتی ترقی بڑی حد تک گوگل کی ترقی کے سنگ میل کے ساتھ مطابقت رکھتی ہے، جو نیور آئی پی ایس پر سال بہ سال اپنی تحقیق شائع کرتی ہے:
- 1997 - تلاش کی سہولیات کا آغاز، پہلے سرورز، چھوٹی کمپیوٹنگ پاور
- 2010 - جیف ڈین نے گوگل برین پروجیکٹ کا آغاز کیا، بالکل شروع میں نیورل نیٹ ورکس کا عروج
- 2015 - نیورل نیٹ ورکس کا صنعتی نفاذ، مقامی ڈیوائس پر براہ راست چہرے کی تیزی سے شناخت، ٹینسر کمپیوٹنگ کے لیے تیار کردہ کم سطح کے پروسیسرز - TPU۔ گوگل نے کورل اے آئی لانچ کیا - راسبیری پائی کا ایک اینالاگ، تجرباتی تنصیبات میں نیورل نیٹ ورکس کو متعارف کرانے کے لیے ایک منی کمپیوٹر
- 2017 - گوگل نے وکندریقرت تربیت تیار کرنا شروع کیا اور مختلف آلات سے نیورل نیٹ ورک ٹریننگ کے نتائج کو ایک ماڈل میں ملانا شروع کیا - اینڈرائیڈ پر
آج، ایک پوری صنعت ڈیٹا کی حفاظت، جمع کرنے، اور مقامی آلات پر سیکھنے کے نتائج کی نقل کے لیے وقف ہے۔
- ML کی ایک سمت جس میں انفرادی ماڈلز ایک دوسرے سے آزادانہ طور پر سیکھتے ہیں اور پھر انہیں ایک ماڈل میں ملا دیا جاتا ہے (ماخذ ڈیٹا کو مرکزیت کے بغیر)، نایاب واقعات، بے ضابطگیوں، شخصی بنانے وغیرہ کے لیے ایڈجسٹ کیا جاتا ہے۔ تمام اینڈرائیڈ ڈیوائسز بنیادی طور پر گوگل کے لیے ایک ہی کمپیوٹنگ سپر کمپیوٹر ہیں۔
فیڈریٹڈ لرننگ پر مبنی جنریٹو ماڈلز گوگل کے مطابق مستقبل کی ایک امید افزا سمت ہیں، جو کہ "تفصیلی ترقی کے ابتدائی مراحل میں ہے۔" GANs، لیکچرر کے مطابق، جانداروں اور سوچنے والے الگورتھم کی آبادی کے بڑے پیمانے پر رویے کو دوبارہ پیدا کرنا سیکھنے کے قابل ہیں۔
دو سادہ GAN فن تعمیر کی مثال کا استعمال کرتے ہوئے، یہ دکھایا گیا ہے کہ ان میں اصلاح کے راستے کی تلاش دائرے میں گھومتی ہے، جس کا مطلب ہے کہ اس طرح کی اصلاح نہیں ہوتی ہے۔ ایک ہی وقت میں، یہ ماڈل ان تجربات کی نقل کرنے میں بہت کامیاب ہیں جو ماہر حیاتیات بیکٹیریا کی آبادی پر کرتے ہیں، جس سے وہ خوراک کی تلاش میں نئی طرز عمل کی حکمت عملی سیکھنے پر مجبور ہوتے ہیں۔ ہم یہ نتیجہ اخذ کر سکتے ہیں کہ زندگی اصلاح کی تقریب سے مختلف طریقے سے کام کرتی ہے۔
واکنگ GAN آپٹیمائزیشن
اب ہم مشین لرننگ کے فریم ورک میں جو کچھ کرتے ہیں وہ تنگ اور انتہائی رسمی کام ہیں، جب کہ یہ رسمیات اچھی طرح سے عام نہیں ہوتیں اور نیورو فزیالوجی اور بیالوجی جیسے شعبوں میں ہمارے مضمون کے علم سے مطابقت نہیں رکھتیں۔
مستقبل قریب میں نیورو فزیالوجی کے شعبے سے جو چیز مستعار لینے کے قابل ہے وہ ہے نئے نیورون آرکیٹیکچرز اور غلطیوں کے بیک پروپیگیشن کے میکانزم کی تھوڑی سی نظرثانی۔
انسانی دماغ خود ایک نیورل نیٹ ورک کی طرح نہیں سیکھتا:
- اس کے پاس بے ترتیب بنیادی معلومات نہیں ہیں، بشمول وہ چیزیں جو حواس کے ذریعے اور بچپن میں رکھی گئی ہیں۔
- اس کے پاس فطری نشوونما کی موروثی سمتیں ہیں (ایک شیر خوار بچے سے زبان سیکھنے کی خواہش، سیدھا چلنا)
انفرادی دماغ کو تربیت دینا ایک نچلے درجے کا کام ہے؛ شاید ہمیں تیزی سے بدلتے ہوئے افراد کی "کالونیوں" پر غور کرنا چاہیے جو کہ گروہی ارتقاء کے میکانزم کو دوبارہ پیدا کرنے کے لیے ایک دوسرے کو علم منتقل کرتے ہیں۔
اب ہم ML الگورتھم میں کیا اپنا سکتے ہیں:
- سیل نسب کے ماڈلز کا اطلاق کریں جو آبادی کے سیکھنے کو یقینی بناتے ہیں، لیکن فرد کی مختصر زندگی ("انفرادی دماغ")
- مثالوں کی ایک چھوٹی سی تعداد کا استعمال کرتے ہوئے چند شاٹ لرننگ
- زیادہ پیچیدہ نیوران ڈھانچے، قدرے مختلف ایکٹیویشن افعال
- "جینوم" کو اگلی نسلوں میں منتقل کرنا - بیک پروپیگیشن الگورتھم
- ایک بار جب ہم نیورو فزیالوجی اور نیورل نیٹ ورکس کو جوڑ دیتے ہیں، تو ہم بہت سے اجزاء سے ملٹی فنکشنل دماغ بنانا سیکھیں گے۔
اس نقطہ نظر سے، SOTA کے حل کی مشق نقصان دہ ہے اور عام کاموں (بینچ مارکس) کو تیار کرنے کی خاطر اس پر نظر ثانی کی جانی چاہیے۔
"ویریڈیکل ڈیٹا سائنس"، بن یو (برکلے)
رپورٹ مشین لرننگ ماڈلز کی تشریح کے مسئلے اور ان کی براہ راست جانچ اور تصدیق کے طریقہ کار کے لیے وقف ہے۔ کسی بھی تربیت یافتہ ایم ایل ماڈل کو علم کا ایک ذریعہ سمجھا جا سکتا ہے جسے اس سے نکالنے کی ضرورت ہے۔
بہت سے شعبوں میں، خاص طور پر طب میں، اس پوشیدہ علم کو نکالے اور ماڈل کے نتائج کی تشریح کیے بغیر ماڈل کا استعمال ناممکن ہے - ورنہ ہم اس بات کا یقین نہیں کر پائیں گے کہ نتائج مستحکم، غیر بے ترتیب، قابل بھروسہ ہوں گے، اور اس کے نتائج کو ختم نہیں کریں گے۔ صبر. کام کے طریقہ کار کی ایک پوری سمت گہری سیکھنے کی تمثیل کے اندر ترقی کر رہی ہے اور اپنی حدود سے باہر جاتی ہے - ویریڈیکل ڈیٹا سائنس۔ یہ کیا ہے؟
ہم سائنسی اشاعتوں کا ایسا معیار اور ماڈلز کی تولیدی صلاحیت حاصل کرنا چاہتے ہیں کہ وہ ہیں:
- پیشین گوئی
- کمپیوٹیبل
- مستحکم
یہ تین اصول نئے طریقہ کار کی بنیاد بناتے ہیں۔ ان معیارات کے خلاف ایم ایل ماڈلز کی جانچ کیسے کی جا سکتی ہے؟ سب سے آسان طریقہ یہ ہے کہ فوری طور پر قابل تشریح ماڈلز (رجعت، فیصلے کے درخت) بنائیں۔ تاہم، ہم گہری تعلیم کے فوری فوائد بھی حاصل کرنا چاہتے ہیں۔
مسئلہ کے ساتھ کام کرنے کے کئی موجودہ طریقے:
- ماڈل کی تشریح؛
- توجہ پر مبنی طریقے استعمال کریں؛
- تربیت کے دوران الگورتھم کے جوڑ استعمال کریں، اور اس بات کو یقینی بنائیں کہ لکیری تشریحی ماڈلز عصبی نیٹ ورک کی طرح ہی جوابات کی پیشین گوئی کرنا سیکھیں، لکیری ماڈل سے خصوصیات کی ترجمانی کریں۔
- تربیتی ڈیٹا کو تبدیل اور بڑھانا۔ اس میں شور، مداخلت، اور ڈیٹا کو بڑھانا شامل ہے۔
- کوئی بھی طریقہ جو اس بات کو یقینی بنانے میں مدد کرتا ہے کہ ماڈل کے نتائج بے ترتیب نہیں ہیں اور معمولی ناپسندیدہ مداخلت (مخالفانہ حملے) پر منحصر نہیں ہیں؛
- حقیقت کے بعد، تربیت کے بعد ماڈل کی تشریح؛
- مختلف طریقوں سے مطالعہ کی خصوصیت وزن؛
- تمام مفروضوں، طبقاتی تقسیم کے امکانات کا مطالعہ کریں۔
مخالف حملہ
ماڈلنگ کی غلطیاں ہر ایک کے لیے مہنگی ہوتی ہیں: ایک اہم مثال رین ہارٹ اور روگوف کا کام ہے۔"بہت سے یورپی ممالک کی اقتصادی پالیسیوں کو متاثر کیا اور انہیں کفایت شعاری کی پالیسیوں پر عمل کرنے پر مجبور کیا، لیکن اعداد و شمار کی دوبارہ جانچ پڑتال اور ان کی پروسیسنگ کے سالوں بعد اس کے برعکس نتیجہ سامنے آیا!
کسی بھی ایم ایل ٹکنالوجی کا عمل درآمد سے لے کر عمل درآمد تک اپنا لائف سائیکل ہوتا ہے۔ نئے طریقہ کار کا مقصد ماڈل کی زندگی کے ہر مرحلے پر تین بنیادی اصولوں کی جانچ کرنا ہے۔
خلاصہ:
- کئی منصوبے تیار کیے جا رہے ہیں جو ایم ایل ماڈل کو زیادہ قابل اعتماد بنانے میں مدد کریں گے۔ یہ ہے، مثال کے طور پر، deeptune (لنک: );
- طریقہ کار کی مزید ترقی کے لیے، ایم ایل کے میدان میں اشاعتوں کے معیار کو نمایاں طور پر بہتر کرنا ضروری ہے۔
- مشین لرننگ کو تکنیکی اور ہیومینٹی دونوں شعبوں میں کثیر الضابطہ تربیت اور مہارت کے ساتھ رہنماؤں کی ضرورت ہے۔
"مشین لرننگ کے ساتھ انسانی طرز عمل کی ماڈلنگ: مواقع اور چیلنجز" نوریہ ایم اولیور، البرٹ علی صلاح
انسانی رویے، اس کی تکنیکی بنیادوں اور اطلاق کے امکانات کی ماڈلنگ کے لیے وقف لیکچر۔
انسانی رویے کی ماڈلنگ کو اس میں تقسیم کیا جا سکتا ہے:
- انفرادی رویے
- لوگوں کے ایک چھوٹے سے گروہ کا رویہ
- بڑے پیمانے پر سلوک
ان میں سے ہر ایک کو ML کا استعمال کرتے ہوئے ماڈل بنایا جا سکتا ہے، لیکن مکمل طور پر مختلف ان پٹ معلومات اور خصوصیات کے ساتھ۔ ہر قسم کے اپنے اخلاقی مسائل بھی ہوتے ہیں جن سے ہر پروجیکٹ گزرتا ہے:
- انفرادی رویہ - شناخت کی چوری، ڈیپ فیک؛
- لوگوں کے گروہوں کا برتاؤ - نام ظاہر نہ کرنا، نقل و حرکت کے بارے میں معلومات حاصل کرنا، ٹیلی فون کالز وغیرہ۔
انفرادی رویے
زیادہ تر کمپیوٹر وژن کے موضوع سے متعلق ہے - انسانی جذبات اور رد عمل کی پہچان۔ شاید صرف سیاق و سباق میں، وقت میں، یا جذبات کی اپنی تغیر پذیری کے رشتہ دار پیمانے کے ساتھ۔ سلائیڈ بحیرہ روم کی خواتین کے جذباتی سپیکٹرم کے سیاق و سباق کا استعمال کرتے ہوئے مونا لیزا کے جذبات کی پہچان دکھاتی ہے۔ نتیجہ: خوشی کی مسکراہٹ، لیکن حقارت اور نفرت کے ساتھ۔ اس کی وجہ ممکنہ طور پر "غیر جانبدار" جذبات کی وضاحت کے تکنیکی انداز میں ہے۔
لوگوں کے ایک چھوٹے سے گروہ کا برتاؤ
اب تک کا سب سے برا ماڈل ناکافی معلومات کی وجہ سے ہے۔ مثال کے طور پر، 2018 - 2019 کے کام دکھائے گئے۔ درجنوں لوگوں پر X درجنوں ویڈیوز (cf. 100k++ امیج ڈیٹا سیٹس)۔ اس کام کو بہترین نمونہ بنانے کے لیے ملٹی موڈل معلومات کی ضرورت ہوتی ہے، ترجیحاً باڈی الٹی میٹر، تھرمامیٹر، مائیکروفون ریکارڈنگ وغیرہ پر موجود سینسر سے۔
بڑے پیمانے پر سلوک
سب سے زیادہ ترقی یافتہ علاقہ، چونکہ گاہک اقوام متحدہ اور بہت سی ریاستیں ہیں۔ بیرونی نگرانی کے کیمرے، ٹیلی فون ٹاورز کا ڈیٹا - بلنگ، ایس ایم ایس، کالز، ریاستی سرحدوں کے درمیان نقل و حرکت کا ڈیٹا - یہ سب لوگوں کی نقل و حرکت اور سماجی عدم استحکام کی ایک بہت ہی قابل اعتماد تصویر پیش کرتا ہے۔ ٹیکنالوجی کے ممکنہ استعمال: امدادی کارروائیوں کی اصلاح، امداد اور ہنگامی حالات کے دوران آبادی کا بروقت انخلاء۔ استعمال شدہ ماڈلز کی بنیادی طور پر اب بھی خراب تشریح کی گئی ہے - یہ مختلف LSTMs اور convolutional نیٹ ورکس ہیں۔ ایک مختصر تبصرہ تھا کہ اقوام متحدہ ایک نئے قانون کے لیے لابنگ کر رہا ہے جو یورپی کاروباری اداروں کو کسی بھی تحقیق کے لیے ضروری گمنام ڈیٹا شیئر کرنے کا پابند کرے گا۔
"سسٹم 1 سے سسٹم 2 ڈیپ لرننگ تک"، یوشوا بینجیو
جوشوا بینجیو کے لیکچر میں، گہرائی سے سیکھنے کا مقصد نیورو سائنس سے ملتا ہے۔
بینجیو نے نوبل انعام یافتہ ڈینیل کاہنیمن کے طریقہ کار کے مطابق مسائل کی دو اہم اقسام کی نشاندہی کی ہے۔")
قسم 1 - سسٹم 1، لاشعوری اعمال جو ہم "خود بخود" کرتے ہیں (قدیم دماغ): مانوس جگہوں پر گاڑی چلانا، چلنا، چہروں کو پہچاننا۔
قسم 2 - سسٹم 2، شعوری اعمال (دماغی پرانتستا)، مقصد کی ترتیب، تجزیہ، سوچ، جامع کام۔
اے آئی اب تک صرف پہلی قسم کے کاموں میں ہی کافی بلندیوں تک پہنچی ہے، جب کہ ہمارا کام اسے دوسرے نمبر پر لانا، اسے کثیر الضابطہ کارروائیاں کرنا اور منطق اور اعلیٰ سطحی علمی مہارتوں کے ساتھ کام کرنا سکھانا ہے۔
اس مقصد کو حاصل کرنے کے لیے یہ تجویز کیا جاتا ہے:
- NLP کاموں میں، توجہ کو ماڈلنگ سوچ کے کلیدی طریقہ کار کے طور پر استعمال کریں۔
- میٹا لرننگ اور نمائندگی سیکھنے کو بہتر ماڈل خصوصیات کے لیے استعمال کریں جو شعور اور ان کی لوکلائزیشن کو متاثر کرتی ہیں - اور ان کی بنیاد پر اعلیٰ سطح کے تصورات کے ساتھ کام کرنے کی طرف بڑھیں۔
کسی نتیجے کے بجائے، یہاں ایک مدعو گفتگو ہے: بینجیو ان بہت سے سائنسدانوں میں سے ایک ہے جو ایم ایل کے شعبے کو اصلاحی مسائل، SOTA اور نئے فن تعمیرات سے آگے بڑھانے کی کوشش کر رہے ہیں۔
یہ سوال کھلا رہتا ہے کہ شعور کے مسائل، سوچ پر زبان کا اثر، نیورو بایولوجی اور الگورتھم کا امتزاج کس حد تک مستقبل میں ہمارا انتظار کر رہا ہے اور ہمیں ایسی مشینوں کی طرف جانے کی اجازت دے گا جو لوگوں کی طرح "سوچتے" ہیں۔
آپ کا شکریہ!
ماخذ: www.habr.com