الگوهای طراحی کارکردهای هوش مصنوعی از ديدگاه اندرو ان جی

امروزه نگرانی در مورد ابر هوش شيطانی هوش مصنوعی، مانند نگرانی در مورد افزايش بيش از حد جمعيت در سياره مريخ است. ما هنوز روی اين سياره فرود نيامده ايم!
Andrew Yan-Tak NG

بیوگرافی

اندرو یان-تاک ان جی (Andrew Yan-Tak NG) یک کارآفرین و دانشمند آمریکایی در زمینه علوم کامپیوتری است. او در 18 آپریل 1976 در انگلیس بدنیا آمد. خانواده او اهل هنگ کنگ بودند. او در ابتدای نوجوانی در هنگ کنگ و سنگاپور زندگی می‌کرد و آموزش دبیرستان را در موسسه مشهور رافلز (Raffles Institution) در سنگاپور گذراند و در سال 1992 از آنجا فارغ التحصیل شد.

در سال 1997، او مدرک کارشناسی خود را در زمینه های علوم کامپیوتر، آمار و اقتصاد از دانشگاه کارنگی ملون در پیتسبورگ در پنسیلوانیا دریافت کرد.

در سال 1998، ان جی مدرک کارشناسی ارشد خود را در رشته مهندسی برق و علوم کامپیوتر از دانشگاه MIT در ماساچوست آمریکا دریافت کرد. در MIT، او اولین موتور جستجوی وب برای مقالات تحقیقاتی را که به صورت عمومی در دسترس بود و به طور خودکار فهرستبندی می‌شد، ساخت. این موتور پیش‌زمینه‌ای برای CiteSeerX/ResearchIndex بود، اما در زمینه یادگیری ماشین تخصص داشت.

در سال 2002، او دکترای خود را در رشته علوم کامپیوتر از دانشگاه کالیفرنیا، برکلی، تحت نظارت مایکل آی. جردن دریافت کرد. پایان‌نامه او با عنوان "شکل‌دهی و جستجوی سیاست در یادگیری تقویتی" به خوبی مورد استناد قرار گرفته است.

او در سال 2002 به عنوان استادیار و در سال 2009 به عنوان دانشیار در دانشگاه استنفورد مشغول به کار شد.

او در حال حاضر در لس آلتوس هیلز، کالیفرنیا زندگی می‌کند. در سال 2014 با کارول ای. ریلی ازدواج کرد. مجله MIT Technology Review ان جی و ریلی را به عنوان "زوج قدرتمند هوش مصنوعی" معرفی کرده است.

زندگی حرفه ای

اندرو ان جی در دانشگاه استنفورد در دانشکده های علوم کامپيوتر و مهندسی برق تدريس میکند و مدير آزمايشگاه هوش مصنوعی استنفورد (SAIL) است. درس يادگيری ماشين او (CS229) يکی از محبوبترين دروس دانشگاه است و در سالهای مختلف بيش از ١٠٠٠دانشجو در آن ثبت نام کرده اند. او همچنين سه دوره محبوب در Courseraدارد: يادگيری ماشين، هوش مصنوعی برای همه و شبکه های عصبی و يادگيری عميق.

در سال ،٢٠٠٨ گروه او در استنفورد از اولين گروه هايی در آمريکا بود که استفاده از GPUها در يادگيری عميق را ترويج کرد. اين تصميم، که در آن زمان بحثبرانگيز و پرخطر بود، به دليل اين بود که يک زيرساخت محاسباتی کارآمد میتوانست آموزش مدل های آماری را به طور چشمگيری تسريع کند. از سال ،٢٠١٧او به ترويج استفاده از محاسبات با کارايی بالا (HPC) برای افزايش مقياس يادگيری عميق و تسريع پيشرفتها در اين زمينه پرداخته است.

در سال ،٢٠١١او توسعه پلتفرم دورههای آنلاين گسترده استنفورد (MOOC)را رهبری کرد و يک کلاس آنلاين يادگيری ماشين را تدريس کرد که به بيش از ١٠٠٠٠٠دانشجو ارائه شد - ابتکاری که به تأسيس کورسرا انجاميد. او در سال ٢٠١٢کورسرا را همبنيانگذاری کرد، تا سال ٢٠١۴به عنوان هم مدير عامل شرکت خدمت کرد و در حال حاضر رئيس هيئت مديره کورسرا است.

پيش از اين، دکتر ان جی،بنيان گذار و رهبر پروژه يادگيری عميق Google Brainبود. دکتر ان جی بيش از ١٠٠مقاله پژوهشی در زمينه يادگيری ماشين، رباتيک و حوزه های مرتبط نوشته يا همکاری کرده است. در سال ،٢٠١٣او در فهرست ١٠٠نفر تأثيرگذار جهان از سوی مجله تايم قرار گرفت.

پس از ترک Baidu در سال 2017، او Deeplearning.AI و Landing AI را راه اندازی کرد و صندوق AIرا معرفی کرد که ١٧۵ميليون دلار برای سرمايه گذاری در استارتاپ ها جمع آوری کرده است. در نوامبر 2021،Landing AI ، تأمين مالی ۵٧ميليون دلاری را به دست آورد.

الگوهای طراحی کارکردهای هوش مصنوعی از ديدگاه اندرو ان جی

اندرو ان جی به تازگی چهار الگوی طراحی برای کارکردهای هوش مصنوعی معرفی کرده است که می‌تواند به پیشرفت‌های قابل توجهی منجر شود. این الگوها شامل تفکر (Reflection)، استفاده از ابزار (Tool use)، برنامه‌ریزی (Planning) و همکاری چندعاملی (Multi-agent collaboration) هستند.

تفکر (Reflection)

تفکر به عنوان یک فرآیند خوداندیشی، به مدل این امکان را می‌دهد که به خروجی خود فکر کند و آن را نقد کند. این مفهوم به ویژه در مواقعی که خروجی اولیه رضایت‌بخش نیست، کاربرد دارد. در این فرآیند، مدل می‌تواند با دریافت بازخورد انتقادی، بهبود یابد.

برای مثال، اگر از یک مدل زبانی بخواهیم کدی برای انجام یک وظیفه خاص (X) بنویسد، می‌توانیم از آن بخواهیم که پس از تولید کد، به آن فکر کند و مشکلات را شناسایی کند. این مرحله می‌تواند شامل بررسی صحت، سبک و کارایی کد باشد و مدل می‌تواند پیشنهاداتی برای بهبود ارائه دهد.

برنامه‌ریزی (Planning)

بخش دیگری که اندرو به آن اشاره می‌کند، برنامه‌ریزی است. این الگو به مدل‌ها این امکان را می‌دهد که برای دستیابی به اهداف خاص، مراحل و فعالیت‌های لازم را شناسایی و تنظیم کنند. به عبارت دیگر، مدل می‌تواند به جای اینکه به صورت تصادفی عمل کند، یک نقشه راه منطقی برای رسیدن به نتیجه مطلوب ایجاد کند. این فرآیند شامل تجزیه و تحلیل شرایط موجود، شناسایی موانع و طراحی مراحل لازم برای غلبه بر آن‌ها است.

استفاده از ابزار (Tool Use)

اندرو ان جی همچنین به اهمیت استفاده از ابزارها اشاره می‌کند. این الگو به مدل‌ها اجازه می‌دهد تا از ابزارهای خارجی برای انجام وظایف خاص بهره‌برداری کنند. به عنوان مثال، یک مدل می‌تواند از APIها یا پایگاه‌های داده برای جمع‌آوری اطلاعات و بهبود دقت خروجی خود استفاده کند.

همکاری چندعاملی (Multi-agent Collaboration)

او همچنین به پیاده‌سازی تفکر با استفاده از یک چارچوب چندعاملی اشاره می‌کند. در این روش، دو عامل ایجاد می‌شود: یکی برای تولید خروجی‌های خوب و دیگری برای ارائه انتقادات سازنده به خروجی عامل اول. این گفت‌وگو بین دو عامل منجر به پاسخ‌های بهتری می‌شود.

نتیجه‌گیری

اندرو ان جی در پایان تأکید می‌کند که تفکر به عنوان یک نوع ساده از کارکرد هوشمند، نتایج قابل توجهی را به همراه داشته است. او برای علاقه‌مندان به یادگیری بیشتر در این زمینه، مقالاتی را معرفی می‌کند که شامل تحقیقات جدید در این حوزه هستند.

منابع