چرا هوش مصنوعی نمی تواند پازل حل نماید؟ - گفتمان برتر

به گزارش خبرنگاران، برای دهه ها، کوشش ها برای وارد کردن هوش مصنوعی به بازی ها، منحصراً به حل بازی های دو نفره (یعنی بازی های رومیزی مانند چکرز، بازی های شطرنج مانند و غیره) اختصاص داشت، جایی که می توان نتیجه بازی را به درستی و کارآمد با استفاده از هوش مصنوعی (AI) پیش بینی کرد. با این حال، چنین روش و تکنیکی را نمی توان مستقیماً در حوزه حل پازل اعمال کرد، زیرا پازل ها عموماً به تنهایی (تک نفره) بازی می شوند و ویژگی های منحصر به فردی دارند (مانند اطلاعات تصادفی یا پنهان). بنابراین، همواره این سوال مطرح بود که چگونه هوش مصنوعی با حفظ عملکرد خود در حل بازی های دو نفره، می تواند تکنیک های خود را در حل یک پازل نیز اعمال کند؟

برای سال ها، پازل و بازی، دو مفهوم مترادف یا بخشی از دیگری در نظر گرفته می شدند، اما واقعیت این است که همواره اینطور نیست. با نگاهی از منظر دنیای واقعی، بازی چیزی است که هر روز با آن روبرو هستیم؛ برخورد با ناشناخته ها به عنوان مثال، ناشناخته بودن تصمیم درست (یعنی ازدواج) یا تصمیم اشتباه (یعنی ترک شغل) یا عدم تصمیم گیری (یعنی پشیمانی از چه می گردد اگر). در مقابل پازل چیزی است که وجود دارد، چیزی که پنهان است و هنوز کشف نشده است. به عنوان مثال، کشف ماده شگفت انگیزی مانند گرافن و پتانسیل های فراوان آن است که هنوز تجاری نشده و به طور گسترده مورد استفاده قرار نگرفته، یک پازل است. پس دوباره یک سوال دیگر مطرح می گردد؛ چه مرزی بین پازل و بازی در زمینه حل مسائل وجود دارد؟

در مؤسسه علوم و فناوری پیشرفته ژاپن (JAIST)، پروفسور هیرویوکی آیدا و همکارانش در آخرین مطالعه خود که در مجله journal Knowledge-based Systems منتشر شد، کوشش کردند به این دو سؤال پاسخ دهند. این مطالعه تحقیقاتی نو بر دو عامل مهم متمرکز است: (1) تعریف حل یک پازل در یک زمینه بازی تک عاملی به وسیله بستر آزمایشی Minesweeper و (2) پیشنهاد یک عامل هوش مصنوعی نو (AI) با استفاده از ترکیب یکپارچه چهار استراتژی به نام PAFG. نتیجه این بود که حل کننده با بهره گیری از اطلاعات شناخته شده و اطلاعات ناشناخته پازل Minesweeper، به عملکرد بهتری در حل معما نسبت به مطالعات پیشرفته دست یافت.

محققان یک عامل هوش مصنوعی متشکل از دو استراتژی دانش محور و دو استراتژی مبتنی بر داده را برای برترین استفاده از اطلاعات شناخته شده و ناشناخته، برای برترین برآورد تصمیم بعدی اتخاذ کردند. نتیجه این شد که مرز بین پارادایم حل پازل و بازی کردن را می توان برای پازل تصادفی تک عاملی مانند Minesweeper ایجاد کرد.

چنین دستاوردی بعلاوه می تواند نقش مهمی را در مسائل دنیای واقعی ایفا نماید، جایی که مرز بین معلوم و ناشناخته معمولاً مبهم است و شناسایی آن بسیار سخت است. همانطور که پروفسور آیدا بیان می نماید: با توانایی عامل هوش مصنوعی برای بهبود عملکرد حل پازل، مرز حل پذیری آشکار می گردد. چنین وضعیتی امکان تعریف واضح شرایط پازل و بازی را فراهم می نماید، که معمولاً در بسیاری از موقعیت های زندگی واقعی یافت می شوند، مانند معین سرمایه گذاری با ریسک بالا و ارزیابی سطح ریسک یک تصمیم مهم. در اصل، همه ما در دنیای Minesweeper خود زندگی می کنیم و سعی می کنیم راه خود را حدس بزنیم و در عین حال از چاله ها در زندگی خود اجتناب کنیم.

بسیاری از عدم قطعیت ها با پیشرفت چهره ای فن آوری موجود و پارادایم نو محاسبات موجود (به عنوان مثال، اینترنت اشیا، خدمات مبتنی بر رایانش ابری، محاسبات لبه، محاسبات نورومورفیک و غیره) وجود داشت. این شرایط نو می تواند برای مردم (یعنی توان فنی)، گروه ها (یعنی پذیرش فناوری)، جامعه (یعنی فرهنگ و هنجار)، و حتی در سطوح ملی (یعنی تغییر سیاست ها و قوانین) صادق باشد. خانم چانگ لیو، نویسنده ارشد این مطالعه شرح می دهد که؛ فعالیت روزانه انسان شامل شرایط بازی و پازل زیادی است. با ترسیم الگوی حل پذیری در مقیاس، می توان شرایط مرزی بین معلوم و ناشناخته را ایجاد کرد، که خطر ناشناخته را به حداقل می رساند و فایده آن را به حداکثر می رساند. چنین شاهکاری با اوج گیری تکنیک های دانش محور، فناوری هوش مصنوعی و عدم قطعیت قابل مقدار گیری (مانند مقدار برنده شدن، مقدار موفقیت، نرخ پیشرفت و غیره) به دست می آید، در حالی که همچنان پازل را سرگرم کننده و چالش برانگیز نگه می دارد.

منبع: scitechdaily

ترجمه: مصطفی جرفی-خبرنگاران