اگه تا حالا با سیستمهای پرسشوپاسخ صنعتی کار کرده باشی، حتماً میدونی که چقدر مهمه جوابها دقیق و مطمئن باشن، مخصوصاً وقتی حرف از تشخیص خرابی ماشینآلات یا تجهیزات پیش میاد. چون اگه اشتباهی پیش بیاد، ممکنه واقعا دردسر درست کنه! این داستان اصلاً شبیه چتباتای معمولی نیست که توی یه سایت جواب یه سری سؤال عمومی میدن! باید خیلی بیشتر حواسجمع باشن.
حالا جدیداً تیمی از پژوهشگرها رو مخ این قضیه کار کردن و یه چیزی ساختن به اسم KG-MASD که مخفف Knowledge Graph-guided Multi-Agent System Distillation هست. بذار راحت توضیح بدم: این یعنی اومدن یه مدل هوش مصنوعی درست کردن که با کمک “Knowledge Graph” (یعنی یه نمودار که رابطه اطلاعات مختلف رو با هم نشون میده و باعث میشه سیستم بتونه اطلاعات رو منطقیتر بفهمه و ارتباطاتشونو کنترل کنه) و چند عامل (Multi-Agent، یعنی هوش مصنوعیهایی که همکاری میکنن و با هم بحث و استدلال میکنن)، پرسشوپاسخ مطمئنتری داشته باشه.
یه مشکل بزرگ سیستمهای چندعامله تا حالا این بوده که استدلالهاشون گاهی کنترل نشده و نامطمئنه، یعنی ممکنه همینطور درباره یه موضوع دور بزنن و آخرش هم نتونن یه جواب درست و حسابی بدن. از اون طرف، مدلهای سبکتر که میخوان توی دستگاههای کوچیک نصب بشن، نمیتونن این سطح همکاری و استدلال گروهی رو از مدلهای بزرگتر یاد بگیرن (یه چیزی داریم به اسم distillation یعنی عصارهگیری یا انتقال دانش از یه مدل بزرگ به یه مدل کوچیکتر). معمولاً این انتقال، عمق استدلال و اعتمادپذیری رو هم خوب منتقل نمیکنه.
چی کار کردن براش؟! اومدن فرایند انتقال دانش رو پیچیدهتر کردن و با الهام از Markov Decision Process (یعنی یه مدل تو ریاضیات که تصمیمگیری مرحلهای رو شبیهسازی میکنه و باعث میشه سیستم بتونه مرحله به مرحله یاد بگیره جواب درست رو انتخاب کنه)، باعث شدن مدلهای کوچیکتر هم بتونن مثل مدلای بزرگ فکر کنن، ولی با سبک و چابکتر بودن!
اینجا Knowledge Graph به داد همه میرسه. چون یه پیشزمینه ساختاریافته درست میکنه که سیستم میتونه اطلاعات رو چک و بررسی کنه و خودش رو مطمئن کنه مسیر استدلالی که رفته، درسته. اینطوری نتیجهی خروجی قابلِ بررسی و تاییده.
به زبان ساده: مدل KG-MASD میاد دادههای آموزشی خودش رو بر اساس همکاری عوامل مختلف و با پایه قرار دادن دانشگراف میسازه. نتیجه این میشه که هم عمق استدلال در جوابها از بین نمیره و هم مطمئن میشن که میشه به جواب مدل اعتماد کرد، حتی اگه مجبور باشی این مدل سبک رو روی لبه یا “edge” (یعنی روی دستگاههای کوچیک نزدیک محل عملیات، نه توی سرورهای بزرگ مرکزی) اجرا کنی.
توی تستهایی که روی دیتاست صنعتی انجام دادن، این مدل تونسته دقت رو بین ۲.۴ تا ۲۰.۱ درصد نسبت به مدلهای قبلی بالاتر ببره و عملکرد خیلی قابل اعتمادتری هم داشته. این یعنی کمکم میشه به هوش مصنوعی توی سناریوهای خیلی حساس صنعتی اطمینان بیشتری کرد.
اگه دوست داشتی خودت کدها و دیتاشو ببینی، بچهها همه رو گذاشتن روی گیتهاب، اینجاست: https://github.com/erwinmsmith/KG-MAD.
خلاصه که اگه دنبال هوش مصنوعیای میگردی که بتونه برای صنعت، جوابهایی بده که هم دقیقن، هم میشه بهشون اعتماد کرد، این راهکارای تازه دقیقاً اون چیزیه که به کار میاد!
منبع: +
