با سلام و احترام به همراهان وبسايت ويژه ی نابينايان شرکت دانش بنیان پکتوس. در هفدهمین شماره ی هفته نامه ی دنیای موبایل و کامپیوتر و در صفحه ی اخبار کامپیوتر، پنج خبر از دنیای سخت افزار و نرم افزار کامپیوتر یا رایانه تقدیم شما گرامیان میگردد.
مایکروسافت ویندوز 1.11 را با موضوع سریال Stranger Things منتشر کرد
سر انجام، ویندوز ۱.۱۱ مایکروسافت منتشر شد. این نسخه بر اساس داستان سریال Stranger Things نت فلیکس طراحی شده است.
به گزارش زومیت، چندی پیش، مایکروسافت تیزرهایی درباره ی ویندوز ۱ منتشر کرد و نشانه هایی حاکی از ارتباط آن با فصل سوم سریال Stranger Things نت فلیکس وجود داشت.
این موضوع تأیید شد و مایکروسافت ویندوز ۱.۱۱ را که در تریلرها معرفی شده بود، در مایکروسافت استور منتشر کرد.
در توضیحات این برنامه نوشته شده است:
نوستالژی سال ۱۹۸۵ را با نسخه ی خاصی از اپلیکیشن ویندوز ۱۰ تجربه کنید که از ویندوز ۱.۰ الهام گرفته شده است؛ ولی نسخه ای که «دنیای وارونه» سریال Stranger Things آن را دربر گرفته است. در رازورمزهایی جست وجو کنید که هاوکینز را به خطر انداخته است، محتوایی منحصر به فرد از سریال و Easter Eggهای موجود را باز کنید و گیم ها و پازل های رتروی قدیمی را بازی کنید. همه و همه ی این ها براساس Stranger Things 3 طراحی شده اند. به اِلوِن، استیو، داستین و سایرین بپیوندید و به کمک آن ها هاوکینز و دنیا را نجات دهید. دهه ی ۱۹۸۰ را تجربه کنید و اسپری موی خود را هم به همراه داشته باشید؛ چراکه باحال ترین تجربه ی سریالی پیش روی شما است. با این حال، این هشدار را جدی بگیرید: مراقب شکافنده ی ذهن باشید! اپلیکیشن ویندوز ۱.۱۱ را امروز دانلود کنید. موفق باشید!
برخلاف ویندوز ۱ که روی چند فلاپی جای می گرفت، ویندوز ۱.۱۱ حجمی معادل ۷۷۵ مگابایت دارد و در حال حاضر، تنها در آمریکا دردسترس است.
AMD کارت گرافیک Radeon Pro WX 3200 را معرفی کرد
شرکت AMD از کارت گرافیک جدید Radeon Pro WX 3200 که مختص نرم افزارهای طراحی و مهندسی است، رونمایی کرد.
به گزارش زومیت، AMD از کارت گرافیک قدرتمند و مقرون به صرفه خود که تأییدیه شرکت های نرم افزاری پیش گام در حوزه CAD/CAM را دارد، به طور رسمی رونمایی کرد. کارت گرافیک Radeon Pro WX 3200 بسیار جمع وجور و تک اسلات است.
کارت گرافیک Radeon Pro WX 3200 برمبنای معماری polaris ساخته شده که دارای ۶۴۰ پردازنده استریم و قدرت محاسباتی تا ۱.۶۶ ترافلاپس است. این کارت دارای حافظه اختصاصی ۴ گیگابایت از نوع GDDR5 است که می تواند ۴ خروجی مینی دیسپلی پورت ۱.۴ برای ۴ مانیتور 4K، دو مانیتور 5K یا یک LCD 8K را پشتیبانی کند.
کارت گرافیک Radeon Pro WX 3200 به طور کامل از استاندارد رنگ ۱۰ بیتی مورد استفاده در برنامه های حرفه ای پشتیبانی می کند. از آنجا که این کارت برای کارهای طراحی و مهندسی ساخته شده، تأییدیه شرکت هایی چون Adobe ،Autodesk Dassault و Siemens را برای سیستم های عامل ویندوز ۱۰ و لینوکس دارا است. این نکته، از ویژگی های بسیار حائز اهمیت محسوب می شود.
کارت های گرافیک سری Radeon Pro WX برای استفاده در ورک استیشن ها طراحی شده اند
این کارت با توان ۵۰ واتی و اندازه ای بسیار جمع وجور با اکثر ورک استیشن های امروزی که دارای یک اسلات PCIe 3.0 x16 هستند، به خوبی هماهنگ است. کارت گرافیک Radeon Pro WX 3200، جایگزین کارت گرافیک Radeon Pro WX 3100 شده است که دوسال پیش به همین منظور طراحی و عرضه شده بود. ناگفته نماند این کارت گرافیک با قیمت ۱۹۹ دلار در دسترس مشتریان قرار می گیرد.
User Inyerface؛ هنر طراحی رابط کاربری را به شیوه ای زجر آور یاد بگیرید
وب سایت جدیدی به نام User Inyerface طراحی خوب را از طریق نمایش رابط کاربری افتضاح و رنج آور آموزش می دهد.
به گزارش زومیت، وب سایت هایی که از رابط کاربری بدی استفاده می کنند، احتمالا بدترین بخش اینترنت را تشکیل می دهند. منو های پاپ آپ آزاردهنده برای جلب نظر کاربر و الگوهایی با تم تیره و گمراه کننده در کنار طراحی مبهم فرم ها که پرکردنشان را به عذابی دردآور تبدیل می کنند، همگی مؤلفه های وب سایت بد هستند.
حتما جمله ی معروف «ادب از که آموختی، از بی ادبان» را بارها و بارها در موقعیت های مختلف شنیده اید یا خودتان به کار برده اید. امروز دقیقا قصد داریم به سراغ وب سایتی برویم که این جمله را در عمل نشان و طراحی خوب را ازطریق طراحی افتضاح و زجرآور آموزش می دهد.
User Inyerface (ترکیبی از کلمات Interface و اصطلاح In your face که برای توصیف کارهای آزاردهنده استفاده می شود)، اپلیکیشنی تحت وب است که شرکت طراحی Baggar توسعه داده تا به صورت عامدانه شما را با کابوس طراحی منزجر کننده رو به رو کند. اگر به طراحی رابط کاربری علاقه دارید و حاضرید چند دقیقه خود را برای افزایش معلومات آزار بدهید، روی این لینک کلیک کنید.
اساسا تمامی بخش های این وب سایت به گونه ای طراحی شده اند تا خشم شما را برانگیزند. دکمه های بی مفهوم، قوانین سخت گیرانه و پیچیده برای ساخت رمز عبور، پنجره های پاپ آپ جنون آور، بخش قوانین و مقرراتی که پیمایش در آن شما را تا مرز دیوانگی می برد و فرم های کپچای آزاردهنده، همگی جزوی از قواعد بازی هستند. حتی اگر جزو کاربران کهنه کار اینترنت نیز باشید، باز هم برای فهمیدن سازوکار این وب سایت کار آسانی در پیش نخواهید داشت. با این حال، اگر حوصله ی سر و کله زدن با این وب سایت را ندارید، می توانید پایین تر تمامی قسمت های آن و مفهوم پشتشان را مشاهده و مطالعه کنید.
خود را برای تور جنون آمیز آماده کنید!
از همان صفحه ی اول متوجه خواهید شد چیزی سر جایش نیست و مشکلی وجود دارد. چرا دکمه ای که در این صفحه قرار گرفته، به جای Yes با کلمه ی No پر شده است؟ دیگر نکته ی مهم این است که با قرارگیری نشانگر ماوس در جایی که باید روی آن کلیک کرد، علامت کلیک ظاهر نمی شود و در عوض، نشانه ی تایپ نمایش داده می شود.
در صفحه ی بعدی همه چیز تند و زننده می شود. بسیاری از افراد در این مرحله تسلیم می شوند. مواردی که باید توجه کنید، عبارت اند از: رمز عبوری که وارد می کنید، در فیلد مرتبط مخفی نمایش داده نمی شود؛ متنی که در جعبه ی مربوط به رمز عبور قرار گرفته، متنی واقعی است و باید پیش از واردکردن رمز عبورتان، آن را پاک کنید؛ پسوند jpg. که برای تصاویر استفاده می شود، تنها نام دامنه ای است که در منو آبشاری مربوط به ایمیل قرار دارد؛ قوانین رمز عبور بسیار سخت و طاقت فرسا هستند و به جای اینکه با قوانین موافقت کنید، باید تیک گزینه ی عدم موافقت با قوانین را بزنید.
اگر کارتان در صفحه ی پیشین زیاد طول بکشد، صفحه ای که بالا مشاهده می کنید، ظاهر خواهد شد تا استرس را در شما افزایش دهد. برای بستن این صفحه به جای راهکار های مرسوم، باید روی متن نوشته سمت چپ و پایین این پنجره کلیک کنید.
در قسمت بعدی، از شما خواسته می شود تصویری از خود را آپلود و علایق خود را انتخاب کنید. در تصویر پیش فرض، آواتاری با انیمیشن بارگذاری مشاهده می کنید. حتی پیش از آنکه تصویری آپلود کنیم و در دکمه ای که کنار تصویر قرار گرفته است، به جای درج واژه ی Upload، شاهد کلمه ی Download هستیم که به کلی مفهوم وارونه ای را می رساند. جالب است بدانید با کلیک روی این دکمه، به واقع شما تصویر پیش فرض را دانلود می کنید و عملا آپلودی در کار نیست. افزون بر تمامی این موارد، همه ی چک باکس های علایق به صورت پیش فرض پر شده اند و اگر بخواهید تیک یکی از آن ها را بردارید، به صورت تصادفی شاهد برداشته شدن تیک گزینه های دیگر خواهید بود.
در صفحه ی بعدی، از شما خواسته می شود اطلاعات شخصی خود را وارد کنید؛ اما شیوه ی قرارگیری فیلد های اطلاعات عجیب و نامأنوس هستند. نوار اسلایدری که برای سن در نظر گرفته شده، بسیار گمراه کننده است. همچنین، رنگ هایی که برای گزینش دو جنسیت مرد و زن انتخاب شده، برعکس هستند و برخی از فیلد های دیگر نیز به هیچ شیوه ای تعامل پذیر نیستند.
کار به همین جا ختم نمی شود و در همان صفحه، اگر بخواهید کشور خود را انتخاب کنید، با تصویری رو به رو می شوید که پرچم کشور ها را به جای نام آن ها نشان می دهد. با وجود این، رنگ پرچم ها سیاه و سفید است که عملا انتخاب بسیاری از آن ها را ناممکن می سازد.
در نهایت، به صفحه ی کپچا می رسیم که باید ربات نبودن خود را در آن ثابت کنید. در این صفحه، از شما خواسته شده تمامی تصاویری را انتخاب کنید که تیروکمان در آن قرار دارد. با این حال، چک باکس هایی که برای انتخاب در نظر گرفته شده است، موقعیت درستی ندارند و نمی دانید دقیقا کدام چک باکس به کدام تصویر متعلق است.
در پایان نیز پس از اینکه با موفقیت کارتان را انجام دادید، تصویر بالا با پیام تبریک نمایش داده می شود. در پایین این صفحه نیز، می توانید برای کار در شرکت Bagaar رزومه ی خود را ازطریق لینک قرار داده شده ارسال کنید.
این شرکت درباره ی کاری که انجام داده ، می گوید:
در دهه ی گذشته، کاربران به برخی از الگو های طراحی نظیر رنگ، موقعیت ، آیکون و… عادت کرده اند. به جای آنکه به محتوای رابط کاربری توجه نشان دهند، صرفا براساس غرایز و ذهنیت پیشینشان با رابط کاربری تعامل می کنند و این موضوع برای ۹۰ درصد مواقع صادق است. با وجود این، چه می شود اگر بخواهیم این مرز های ذهنی را جا به جا کنیم؟ چه می شود اگر به قوانین خودساخته ی ذهنمان توجهی نکنیم و همه چیز را به شیوه ای دیگر انجام دهیم؟
این دقیقا همان پرسش هایی بوده که تیم طراحی Bagaar قصد داشته به واسطه ی این پروژه پاسخش را بداند؛ پاسخی که قطعا همه ی ما از محتوای آن باخبر هستیم.
یادگیری ماشین کالاهای پس فرستاده شده را پیش از خرید آن‌ها پیشبینی کرد
پژوهشگران با طراحی مدل جدید یادگیری ماشین موفق به پیشبینی کالاهای پس فرستاده شده، پیش از خرید آن ها شدند.
به گزارش زومیت، تجارت الکترونیک به عنوان یک نیروی فعال غیرقابل توقف شناخته شده است و پیش بینی می شود که با رشد این تجارت، میزان فروش کالا تا سال ۲۰۲۰ به ۴ تریلیون دلار برسد. موفقیت تجارت الکترونیک هیچ رمز و رازی جز راحت تر بودن خرید آنلاین از نظر مشتریان نیست. نتایج نظرسنجی های بی شماری نشان داده اند که مشتریان راحتی خرید از فروشگاه های آنلاین را به فروشگاه های سنتی ترجیح می دهند؛ اما تعدادی از شرکت ها در تلاش هستند تا با سیاست های آزادانه تر درمورد بازگشت دادن کالا، در این رقابت پیشی بگیرند. برآورد شده که یک سوم از سفارشات آنلاین بازگردانده می شود که این موضوع باعث کاهش حاشیه سود می شود.
پژوهشگران گوگل و شرکت تجارت الکترونیک Myntra Designs در هند، در پژوهش جدیدی، نقطه ضعف بازپس فرستادن کالاهای آنلاین را بررسی کردند. نتایج این بررسی در مقاله ای در آرشیو Arxiv منتشر شده است. این تیم تحقیقاتی با استفاده از مدل یادگیری ماشین، مجموعه ای از داده ها را روی ترجیحات خریداران، شکل و اندازه محصولات، میزان بازدید محصولات و موارد دیگر آموزش دادند و موفق به ارائه مدلی شدند که می تواند قبل از خرید، پیش بینی کند که آیا مشتری کالای خریداری شده را بازپس خواهد فرستاد یا خیر.
برای شناسایی عواملی که تأثیر به سزایی بر بازگشت کالاها دارند، پژوهشگران تجزیه و تحلیلی را روی پلتفرم تجارت الکترونیک Myntra Designs انجام دادند که روزانه به طور میانگین میزبان ۶۰۰ هزار محصول است و رسیدگی به میلیون ها سفارش در هفته را تسهیل می کند. نتایج این بررسی نشان داد که ۴ درصد بازگشت کالاها زمانی رخ می دهد که محصولات مشابهی از همان کالا در سبد خرید وجود دارد. علاوه بر این، ۵۳ درصد از بازگشتی ها به علت مسائل مربوط به اندازه و تناسب محصولات بوده است. همچنین میزان پس فرستادن محصولات رابطه مستقیمی با اندازه سبد خرید داشته است. بررسی ها نشان دادند زمانی که سبدهای خرید بزرگتر هستند، نرخ بازگشت محصولات حدود ۷۲ درصد بوده است که در آن، بیش از پنج محصول در سبد خرید گنجایش داشته است. اما این میزان در سبدهای خرید کوچک تر که تنها یک محصول داشته، ۹ درصد اعلام شده است. جای تعجب نیست که نرخ بازگشت کالاهای قدیمی تر دوبرابر کالاهای جدیدتر بوده است.
با در اختیار داشتن این اطلاعات، پژوهشگران این تیم موفق به طراحی مدل جدیدی به نام مدل دوگانه هیبریدی (hybrid dual-model) شدند که می تواند احتمال بازگشت کالا را براساس اندازه سبد خرید و اقلام محصولات پیش بینی کند. هوش مصنوعی طبقه بندی کننده سطح بالاتر می تواند سبدهای خرید قابل بازگشت را دسته بندی کند. هوش مصنوعی طبقه بندی کننده سطح دوم پیشبینی احتمال بازگشت در سطح محصول فردی را انجام می دهد. طبقه بندی کننده های سطح دوم به وسیله طبقه بندی کننده سطح اول می توانند کالاهای قابل بازگشت را در سبدخرید دسته بندی کنند. هر دو سطح طبقه بندی کننده هوش مصنوعی روی مجموعه ای از داده ها که شامل نمونه ها در سه دسته ویژگی های محصول، سبد خرید و سطح کاربر از جمله نام تجاری، سن محصول، اندازه سبد خرید، روز و زمان سفارش، شهر تحویل، شمارش سفارش، حالت پرداخت و فراوانی خرید (اما نه فقط محدود به همین موارد) بودند، آموزش داده شدند.
ممکن است بخواهید بدانید که عملکرد این مدل جدید دوگانه هیبریدی چگونه بوده است. طبق نتایج آزمایش ها، بهترین عملکرد سیستم پیش بینی کننده بازگشت محصولات هوش مصنوعی با استفاده از مشخصه عامل گیرنده (AUC) که واحد اندازه گیری برای شناسایی میزان دقت است، به ۸۳.۲ درصد و با میزان دقت ۷۴ درصد رسید. در آزمایشی که به طور زنده روی ۱۰۰ هزار کاربر انجام شد، تعداد سفارشات به میزان کمی (۱.۷ درصد) در مقایسه با گروه کنترل کاهش یافت؛ اما میزان درصد بازپس فرستادن کالاها ۳ درصد کاهش یافت.
این تیم تحقیقاتی بیان می کند دانستن این نکته که مشتریان احتمالا چه اقلام از کالاهایی را پس می فرستند، پای خرده فروشان را به این موضوع باز می کند و باعث می شود که خرده فروشان اقدامات پیشگیرانه ای مانند شخصی سازی هزینه های حمل و نقل یا حتی ارائه ی کوپن به محصولات پس فرستادنی را انجام دهند که این محصولات بازگشت داده نشوند.
به گفته ی این پژوهشگران: در برنامه بلندمدت قصد داریم که این مدل را روی اقلام نیازمند اقدام دیگری پیاده سازی کنیم که می تواند به کاهش بازده کلی کمک کند.
Gen؛ زبانی جدید برای برنامه نویسی هوش مصنوعی
کاربران می توانند برنامه ای نسبتا کوتاه شامل توصیف کاری که باید انجام شود را وارد Gen کنند و سیستم به طور خودکار نتیجه را تولید می کند.
به گزارش زومیت، نکته ی خوبی که درباره هوش مصنوعی وجود دارد آن است که رشته های مختلفی را دور هم جمع کرده است؛ رشته هایی مانند آمار، بینایی کامپیوتری، یادگیری عمیق و مواردی از این قبیل. با جمع کردن این رشته ها زیر یک سقف، اکنون توسعه دهندگان می توانند از همه ی آن ها به یک اندازه بهره ببرند. تقاضای رو به رشد برای توسعه ی برنامه های کاربردی مبتنی بر هوش مصنوعی نیز عرصه را برای پلتفرم هایی که برای طراحی این نوع برنامه ها استفاده می شوند بیش از پیش هموار ساخته است.
پلتفرم ها یا به طور خاص زبان های برنامه نویسی که برای حوزه ی وسیعی مانند هوش مصنوعی استفاده می شوند باید علاوه بر چابکی، از انعطاف پذیری زیادی هم برخوردار باشند. ولی برای ساختن چنین پلتفرم هایی، باید از موانعی هم گذر کرد؛ یکی اینکه باید عملکرد خوب برای مدل های احتمالاتی ناهمگن متشکل از شبیه سازهای جعبه ی سیاه، شبکه های عصبی عمیق و توابع بازگشتی (recursion) را در نظر گرفت و دیگری آنکه باید مفاهیم تجرید و انتزاعی سازی مناسب برای تسهیل اجرای الگوریتم های استنتاجی را با کمترین محدودیت در اختیار کاربران قرار بدهد. سیستم های موجود فاقد انعطاف پذیری و کارایی لازم برای کاربردهای عملی با مدل های پرچالش در رشته هایی مانند بینایی کامپیوتری و رباتیک هستند.
زبان برنامه نویسی هوش مصنوعی / AI programming language
گروهی از پژوهشگران MIT مشغول کار روی پروژه ای هستند که آشنایی مبتدی ها با هوش مصنوعی را راحت تر و در عین حال، زمینه ی پیشرفت بیشتر را نیز برای کارشناسان مهیا می کند. این پژوهشگران در مقاله ای که به تازگی در کنفرانس طراحی و پیاده سازی زبان برنامه نویسی (Programming Language Design and Implementation conference) ارائه شد، سیستم جدیدی به نام «Gen» برای برنامه نویسی احتمالاتی معرفی کردند. کاربران مدل ها و الگوریتم ها را باتوجه به زمینه های متعددی که تکنیک های هوش مصنوعی در آن ها به کار گرفته می شود، تهیه می کنند: مثل بینایی کامپیوتری، رباتیک و آمار. برای انجام این کار نیازی به کلنجار رفتن با معادلات یا دستی نوشتن کدهایی با کارایی بالا نیست. برنامه نویسان با استفاده از Gen می توانند مدل های پیچیده و الگوریتم های استنتاجی بنویسند. نوشتن این مدل ها و الگوریتم ها که برای کارهای مربوط به پیش بینی استفاده می شوند، در گذشته کاری نشدنی بود.
به عنوان مثال، پژوهشگران در همین مقاله ثابت کردند که یک برنامه ی کوچک Gen این قابلیت را دارد که حالت های بدن را به صورت سه بعدی به دست بیاورد. این کار یکی از کاری پیچیده ی استنتاجی در زمینه ی بینایی کامپیوتر است که در سیستم های خودکار، تعاملات بین انسان و ماشین و واقعیت افزوده کاربرد دارد. این برنامه در واقعیت شامل بخش هایی است که کارهای رندر گرافیکی، یادگیری عمیق (Deep Lerning) و انواع مختلف شبیه سازی های احتمالاتی را انجام می دهد. ترکیب این روش های متنوع منجر به دقت و سرعت بیشتر در انجام این کارها نسبت به سیستم های توسعه یافته توسط پژوهشگران دیگر می شود.
با استفاده از Gen پژوهشگران برای اولین بار می توانند روش های مختلف هوش مصنوعی را به راحتی با هم ادغام کنند
پژوهشگران معتقد هستند که هر کسی، از افراد تازه کار گرفته تا کارشناسان مجرب، به راحتی می توانند از این سیستم استفاده کند. این راحتی به خاطر سهولت و حتی در برخی از موارد، خودکار بودن آن است. مارکو کوزومانو-تاونر (Marco Cusumano-Towner)، رهبر این گروه و دانشجوی دکترا در دانشکده ی مهندسی برق و علوم کامپیوتر دانشگاه MIT، می گوید: یکی از انگیزه های طراحی چنین سیستمی آن است که استفاده ی افرادی که دانش کمتری درباره ی علوم کامپیوتر یا ریاضیات دارند را از هوش مصنوعی راحت تر کنیم. همچنین، می خواستیم بهره وری را افزایش بدهیم؛ یعنی تولید نمونه ی اولیه ی سیستم های هوش مصنوعی و تکرار آن را برای کارشناسان سرعت ببخشیم.
همچنین، آن ها موفق شدند که توانمندی Gen در ساده سازی تجزیه و تحلیل داده ها را ثابت کنند و برای این کار از یک برنامه ی Gen دیگر استفاده کردند که به طور مدل های آماری پیشرفته ای تولید می کرد که معمولا کارشناسان از آن ها برای تجزیه و تحلیل، تفسیر و پیش بینی الگوهای زیربنایی در داده ها استفاده می کردند.
این برنامه براساس کار قبلی همین پژوهشگران طراحی شده بود که کاربران به وسیله ی آن می توانستند با نوشتن چند خط برنامه، داده های خود را به روندهای مالی، مسافرت های هوایی، الگوهای رای گیری و شیوع بیماری ها و سایر روندهای دیگر تبدیل کنند. این سیستم تفاوت هایی با سیستم های پیشین هم دارد. دست یافتن به یک پیش بینی دقیق با استفاده از سیستم های پیشین نیازمند برنامه نویسی به صورت دستی بود.
ویکاش کی مانسینگا (Vikash K. Mansinghka)، یکی از پژوهشگران دانشکده ی مغز و علوم شناختی دانشگاه MIT که در پروژه ی محاسبات احتمالاتی مشارکت داشته است، می گوید: Gen اولین سیستمی است که از انعطاف پذیری، کارآمدی و خودرانی کافی برای دربرگرفتن نمونه های مختلف در حوزه ی علوم داده ها و بینایی کامپیوتری برخوردار است و عملکردی پیشرفته دارد.
سایر کسانی که کوزومانو-تاونر و مانسینگا را در نوشتن این مقاله یاری کرده اند، فراس ساد (Feras Saad) و الکساندر کی لیو (Alexander K. Lew)، دو عضو دیگر پروژه ی محاسبات احتمالاتی و دانش آموخته ی CSAIL هستند.
بهترین نمونه در کل جهان
گوگل در سال ۲۰۱۵ TensorFlow را منتشر کرد؛ TensorFlow یک کتابخانه ی متن باز برای رابط های برنامه نویسی کاربردی (API) است که به مبتدیان و متخصصان کمک می کند تا به طور خودکار و بدون اینکه خیلی خود را درگیر ریاضیات کنند، سیستم های یادگیری ماشین بسازند. این پلتفرم که در حال حاضر در سطح وسیعی در این حوزه کاربرد دارد، به برقراری دموکراسی در برخی از جنبه های هوش مصنوعی کمک کرده است. اما، با وجود کارایی و خودکار عمل کردن آن، توجه کمی به مدل های یادگیری عمیقی دارد که در مقایسه با کاربردهای دیگر هوش مصنوعی به طور کلی هم گران تر هستند و هم محدودتر. اما امروزه روش های زیادی در هوش مصنوعی وجود دارد؛ مانند مدل های آماری و احتمالاتی و موتورهای شبیه سازی. برخی از سیستم های برنامه نویسی احتمالاتی دیگر نیز از انعطاف پذیری کافی برای پوشش انواع مختلف روش های هوش مصنوعی برخوردار هستند؛ اما در زمان اجرا کارایی لازم را ندارند.
پژوهشگران تلاش کردند تا بهترین های جهان را با هم ترکیب کنند و از عملکرد خودکار، انعطاف پذیری و سرعت، یک مفهوم واحد خلق کنند. مانسیگا می گوید: اگر این کار را بکنیم، شاید بتوانیم دموکراسی را در این مجموعه ی وسیع الگوریتم های استنتاجی و مدل سازی برقرار کنیم؛ درست مانند آنچه که TensorFlow برای یادگیری عمیق انجام داد.
در هوش مصنوعی احتمالاتی، الگوریتم های استنتاجی اقدام به انجام عملیات روی داده ها می کنند و با تغییر مداوم احتمالات براساس داده های جدید، پیش بینی می کنند. این کار درنهایت منجر به تولید مدلی می شود که چگونگی پیش بینی درباره ی داده های جدید را توضیح می دهد. پژوهشگران باتوجه به مفاهیم مورد استفاده در سیستم قبلی برنامه نویسی احتمالاتی خود (Church)، چند زبان برنامه نویسی مدل سازی سفارشی را با هم ادغام کردند و زبان جولیا (Julia) را ایجاد کردند. زبان برنامه نویسی چندمنظوره ی جولیا نیز حاصل کار پژوهشگران دانشگاه MIT است.
هر کدام از زبان های برنامه نویسی برای یکی از روش های مدل سازی در هوش مصنوعی بهینه سازی و به این ترتیب، تبدیل به زبانی همه منظوره و هدفمندتر شدند. علاوه بر این، Gen این قابلیت را دارد که زیرساخت های سطح بالایی برای انجام کارهای استنتاجی فراهم کند. این کار با استفاده از روش های متنوعی مانند بهینه سازی، استنتاج متغیر، روش های احتمالاتی خاص و یادگیری عمیق انجام شده است. از همه مهم تر اینکه پژوهشگران ترفندهای جدیدی هم برای کارآمدتر کردن اجرای آن به کار بسته اند.
کاربردهای Gen در دنیای واقعی
دانشمندان هم اکنون به دنبال یافتن موارد استفاده ی Gen در پژوهش های خود در زمینه ی هوش مصنوعی هستند. به عنوان مثال، اینتل با همکاری MIT می خواهد از Gen برای برآورد حالت های سه بعدی تصاویر حاصل از دوربین های دارای حسگر عمق (depth-sense) خود استفاده کند؛ این دوربین ها در سیستم های واقعیت افزوده و رباتیک کاربرد دارند. لابراتوار لینکلن MIT نیز مشغول کار روی کاربردهای Gen در رباتیک هوایی برای انجام کارهای بشردوستانه و کمک رسانی در زمان وقوع حوادث و فجایع مختلف است.
Gen به تدریج در حال ورود به پروژه های بلندپروازانه ی هوش مصنوعی است که تحت برنامه ی «Quest for Intelligence» دانشگاه MIT اجرا می شوند. به عنوان مثال، Gen موضوع محوری در یکی از پروژه هایی است که در لابراتوار هوش مصنوعی MIT-IBM Watson در دست اجرا است. همچنین، آژانس پروژه های پژوهشی پیشرفته ی دفاعی وابسته به وزارت دفاع ایالات متحده در حال کار روی پروژه ی قدرت تشخیص عمومی ماشین (Machine Common Sensation) است که هدف آن، مدل سازی قدرت تشخیص عمومی انسان ها در نوزادان ۱۸ ماهه است. مانسینگا نیز نقش مهمی در این پروژه ایفا می کند.
او می گوید: با استفاده از Gen برای اولین بار یک پژوهشگر می تواند به راحتی روش های مختلف هوش مصنوعی را با هم ادغام کند. دیدن آنچه که مردم کشف می کنند هم جالب خواهد بود.
Gen با استفاده از روش های متنوع مانند یادگیری عمیق و ترفندهای احتمالاتی زیرساخت های سطح بالایی برای کارهای استنتاجی فراهم می کند
ژوبین قهرمانی (Zoubin Ghahramani)، دانشمند ارشد و معاون بخش هوش مصنوعی در لابراتوار Uber و استاد دانشگاه کمبریج (که البته هیچ نقشی در این پروژه نداشته است)، می گوید: برنامه نویسی احتمالاتی یکی از امیدوارکننده ترین زمینه ها در حوزه ی هوش مصنوعی از زمان پیدایش یادگیری عمیق است. Gen نشان دهنده ی پیشرفت شگرف دانشمندان در این رشته است و به پیاده سازی مقیاس پذیر و کاربردی سیستم های هوش مصنوعی مبتنی بر استدلال احتمالاتی کمک خواهد کرد.
پیتر نورویگ (Peter Norvig)، مدیر بخش پژوهشی گوگل که او نیز در این برنامه مشارکت نداشته است، این پروژه را می ستاید. او می گوید: Gen به کسانی که در پی حل مسئله ای هستند اجازه می دهد تا از برنامه نویسی احتمالاتی استفاده کنند و به این ترتیب، رویکردی اصولی تر برای پرداختن به مشکل در اختیار داشته باشند؛ رویکردی که در اثر انتخاب های طراحان سیستم برنامه نویسی احتمالاتی دچار محدودیت نشود.
زبان های برنامه نویسی همه منظوره به این دلیل تاکنون موفق بوده اند که کار را برای برنامه نویس آسان می کنند و در عین حال، این امکان را برای او فراهم می کنند که تا برای حل مؤثر یک مشکل جدید، یک راه حل جدید بسازد. Gen همین کار را برای برنامه نویسی احتمالاتی انجام می دهد.
کد منبع Gen در دسترس همه قرار گرفته است و در کنفرانس های آتی مربوط به توسعه دهندگان متن باز، از جمله Strange Loop و JuliaCon ارائه خواهد شد. بخشی از تأمین مالی این پروژه توسط DARPA انجام شده است.