بیا یه سری با هم به دنیای Active Learning یا AL بزنیم، که یعنی یادگیری فعال؛ یعنی هوش مصنوعی میاد و با این ترفند که فقط اطلاعات مهمتر رو از بین کلی داده انتخاب کنه، با تعداد کمتر نمونههای برچسبخورده میتونه کلی چیز یاد بگیره و دقتش هم خیلی بره بالا. یه جورایی میشه گفت باهوشتر از این حرفاست که وقتش رو با همه چی تلف کنه!
حالا نکته اینجاست که تو دنیای واقعی، بیشتر وقتا این انسانها هستن که باید این دادهها رو برچسب بزنن؛ یعنی کلی تصویر یا اطلاعات یا هر دیتایی رو باید یکی بهشون بگه چی به چیه. ولی این وسط یه مشکل داریم: آدمها معمولاً همه اطلاعات رو نگاه نمیکنن و فقط میچسبن به یکی دو تا ویژگی! مثلاً فقط به رنگ یا شکل نگاه میکنن و بقیه خصوصیات رو بیخیال میشن. اینو بهش میگن «fast and frugal heuristics»، یعنی قاعدههای سرراست و ساده که باعث میشه تصمیمگیری سریع و ساده بشه.
حالا تو این مقاله یه روش جدید و جالب پیشنهاد دادن که بیاد احتمال اشتباه در برچسب زدن رو وقتی فقط از یه ویژگی استفاده میکنیم، دقیقاً محاسبه کنه. یه مدل ریاضی طراحی کردن که این رو دقیق درمیاره. جالبتر اینکه اومدن یه مکانیزم به اسم Dropout طراحی کردن (Dropout یعنی حذف تصادفی بعضی ویژگیها موقع آموزش مدل) که باعث میشه آدمها موقع برچسب زدن فقط به یه ویژگی خاص عادت نکنن و به بقیه ویژگیها هم توجه کنن.
این مکانیزم جدید Dropout رو اومدن روی چند روش متفاوت Active Learning و با استراتژیهای مختلف آزمایش کردن. روی کلی پروژه مختلف، روی دادههای متنوع امتحان شده. نتیجهها واقعاً باحال بوده: حداقل ۷۰٪ عملکرد بهتر توی یادگیری فعال دیدن! یعنی مدل هوش مصنوعی بعد از اینکه این مکانیزم رو به کار میبردن، هم خودش بهتر چیز یاد میگرفت، هم کمتر اشتباه میکرد.
خلاصه اینکه این روش جدید باعث میشه سیستمهای هوشمند قابلاعتمادتر بشن و دقیقتر کار کنن. مخصوصاً جاهایی که باید کمترین اشتباه رو داشته باشیم و به دادههامون اعتماد کنیم. پس اگه دنبال یه راه خلاقانه برای ساخت هوش مصنوعیهای بهتر و دقیقتر میگردی، این مکانیزم Dropout که اینجا توضیحش داده شده، واقعاً میتونه یه ایده توپ باشه و حسابی به کارت بیاد!
منبع: +
