خب بچه‌ها، اگه حتی یه ذره با یادگیری ماشین (Machine Learning یعنی سیستم‌هایی که خودشون یاد می‌گیرن چطوری تصمیم بگیرن!) سر و کار داشتین شاید اسم «ماشین تسلتین» یا همون Tsetlin Machine به گوشتون خورده باشه. حالا این مقاله میاد درباره یه سری تغییرات و آپدیت عجیب و جذاب تو این ماشین صحبت می‌کنه که خلاصه کنم: دارن یه جوری هوش بیشتری به تصمیم‌گیریش می‌دن!
بیاید از اول بگم قضیه چیه. توی این مقاله اومدن ماشین تسلتین رو با استفاده از دوتا تکنیک خفن به روز رسانی کردن: یکی SPL یا همون Stochastic Point Location (یعنی پیدا کردن نقطه بهینه به صورت شانسی) و یکی هم حرکت‌های Asymmetric یا «گام‌های نامتقارن» (که یعنی تصمیم‌هایی که تو هر جهت یه رفتار متفاوت دارن). با ترکیب این دوتا، ماشین تسلتین حالا دیگه فقط بر اساس قوانین ساده پیش نمی‌ره؛ یه جورایی شانس و عدم قطعیت هم وارد ماجرا شده!
حالا خود نویسنده‌ها دوتا نسخه جدید معرفی کردن:
۱. ماشین Tsetlin نامتقارن احتمالاتی (APT): این یکی بیشتر حالت تصادفی داره، یعنی بعضی تصمیم‌هاش تحت تأثیر شانس و اتفاقات تصادفی می‌گیرنه. همه‌چی کاملاً قابل پیش‌بینی نیست!
۲. ماشین Tsetlin نامتقارن (AT): اولش یه کم شانسیه، بعد که جلوتر می‌ره و بیشتر یاد می‌گیره، از حالت شانس درمیاد و تصمیم‌هاش دقیق‌تر و قطعی‌تر (یا اصطلاحاً deterministic یعنی غیرتصادفی) می‌شن.
یه نکته خفن هم اینه که تو این روش‌ها، از یه تابع توزیع نرمال کاهشی استفاده کردن. ساده بگم: یعنی این تابع اوایل آموزش مقدار بالاتری داره و کم کم با یادگیری، کوچیک‌تر می‌شه تا تقریبا به صفر برسه. این خودش باعث می‌شه سیستم کم کم تطبیق پیدا کنه و بهتر عمل کنه. (توزیع نرمال یعنی اون منحنی ناقوس‌مانند معروف که وسطش بیشترین احتماله)
خب، سؤال الان اینه که این دو روش تو رقابت با الگوریتم‌های قدیمی‌تر چیکار کردن؟ نویسنده‌ها اومدن هم APT و هم AT رو با ماشین تسلتین کلاسیک (CT) و بقیه الگوریتم‌های معروف یادگیری ماشین، روی دیتاست‌های معروف و چالش‌برانگیز تست کردن. نتایج جالب بود! هر دو مدل جدید عملکرد خوبی داشتن اما AT واقعاً خوش درخشید، مخصوصاً توی دیتاست‌هایی که پیچیده‌تر بودن.
پس اگه دوست دارین مدل‌هایی بسازین که هم شانس توش هست، هم می‌تونن کم کم از حالت تصادفی به سمت قطعی برن و حتی تو شرایط سخت هم خوب جواب بدن، این نسخه‌های جدید ماشین تسلتین ارزش امتحان کردن دارن!
در کل، این مقاله نشون می‌ده اگه به ماشین‌های تصمیم‌گیر هوشمند علاقه دارین، با کمی شانس و کمی بی‌قرینگی، ممکنه مدل‌هایی بسازیم که تو دنیای واقعی قوی‌تر و منعطف‌تر باشن. خلاصه، یه قدم دیگه به سمت ساخت هوش مصنوعی باحال‌تر برداشته شد!
منبع: +
