اشترك

الاستمرار بالحساب الحالي

شارك
شارك
Article image
مصدر الصورة: إم إس تك| صور جيتي



إن التركيز المفرط لمجتمع التعلم الآلي على الأساليب الجديدة يؤدي إلى تجاهل المشاكل الهامة حقاً. إليكم الحل من وجهة نظر بعض الخبراء.

2021-06-06 18:36:45

31 أغسطس 2020
من المرجح أن يكون أي باحث مهتمٍّ بتطبيق التعلم الآلي على مشاكل العالم الحقيقي قد تلقى استجابة من هذا القبيل: "يقدم المؤلفون حلاً لمشكلة أصلية ومحفِّزة للغاية، لكنه مجرد تطبيق، ويبدو أن أهميته محدودة بالنسبة لمجتمع التعلم الآلي". لقد تم اقتباس هذه الكلمات مباشرة من مراجعة تلقيتها لورقة قدّمتها إلى مؤتمر نور آي بي إس (NeurIPS) (أنظمة معالجة المعلومات العصبية)، وهو المؤتمر الأهم في مجال أبحاث التعلم الآلي. لقد رأيت هذا النوع من الإجابات مراراً وتكراراً في مراجعات الأوراق البحثية التي قمت فيها وزملائي المؤلفين بتقديم أحد الأساليب المحفَّزة بالتطبيق، وسمعت قصصاً مماثلة من عدد لا يحصى من الباحثين الآخرين. لقد دفعني ذلك إلى التساؤل التالي: إذا كان مجتمع التعلم الآلي يعتبر أن السعي إلى حل المشاكل شديدة التأثير في العالم الحقيقي باستخدام التعلم الآلي ذو أهمية محدودة، فما الذي نحاول تحقيقه إذن؟ يكمن الهدف من الذكاء الاصطناعي (ملف بي دي إف) في دفع حدود الذكاء الآلي وآفاقه إلى الأمام. وفي مجال التعلم الآلي، فإن إحراز تقدم جديد يعني عادةً تطوير خوارزمية أو إجراء جديد أو بنية شبكية جديدة في حالة التعلم العميق. وكما أشار آخرون،

أدخل بريدك الإلكتروني واقرأ المقال مجاناً

أنشئ حساباً مجاناً واقرأ مقالتين مجاناً كل شهر من أوسع تشكيلة محتوى أنتجته ألمع العقول العالمية والعربية.

مصطلح اليوم


HEATMAP

الخريطة الحرارية

تمثيل رسومي ثنائي الأبعاد للبيانات يستخدم نظام ترميز لوني للتعبير عن القيم المختلفة ويقدم ملخصاً بصرياً فورياً للمعلومات؛ مما يسهل عملية فهم مجموعات البيانات المُعقدة.