پادکست این هفته brooztechnology با مارسیال هبرت، رئیس دانشکده علوم کامپیوتر دانشگاه کارنگی ملون در پیتسبورگ، به بررسی وضعیت هنر در رباتیک و هوش مصنوعی می‌پردازد.
هبرت، دانشمند کهنه کار کامپیوتر در زمینه بینایی کامپیوتر، مدیر سابق موسسه معتبر رباتیک CMU است. او که اهل فرانسه است، همچنین مفتخر شد که اولین مهمان پادکست شخصی ما در دو سال گذشته باشد و در سفر اخیر خود به منطقه سیاتل از دفاتر brooztechnology بازدید کرد.
همانطور که می شنوید، بحث ما به عنوان پیش نمایشی از سفری که تیم خبری brooztechnology به زودی به پیتسبورگ انجام خواهد داد، با بازدید مجدد از شهری که میزبان موقت brooztechnology HQ2 ما در سال 2018 بود، و گزارشی از کنفرانس Cascadia Connect روباتیک، اتوماسیون و هوش مصنوعی دو برابر شده است. ، با پوشش پشتیبانی شده توسط Cascadia Capital.
به خواندن گزیده‌هایی از گفتگو که برای وضوح و طولانی بودن ویرایش شده‌اند، ادامه دهید.
در زیر گوش دهید یا در brooztechnology در Apple Podcasts، Google Podcasts، Spotify یا هر کجا که گوش می‌دهید مشترک شوید.
چرا اینجا در سیاتل هستید؟ می توانید کمی در مورد کارهایی که در این سفر به ساحل غربی انجام می دهید بگویید؟
مارسیال هبرت: ما با تعدادی از شرکا و تعدادی از شرکای صنعتی کار می کنیم. بنابراین، این هدف از این سفر است: ایجاد این همکاری و تقویت این همکاری در موضوعات مختلف در مورد هوش مصنوعی و روباتیک.
چهار سال از حضور brooztechnology در پیتسبورگ می گذرد. چه چیزی در صحنه علم و فناوری کامپیوتر تغییر کرده است؟
شرکت های خودگردان Aurora و Argo AI به سرعت و با موفقیت در حال گسترش هستند. کل شبکه و اکوسیستم شرکت های رباتیک نیز به سرعت در حال گسترش است.
اما علاوه بر بزرگ شدن، احساس اجتماعی بیشتری نیز وجود دارد. این چیزی است که چندین سال در منطقه خلیج و منطقه بوستون وجود داشته است. آنچه در چهار سال گذشته تغییر کرده است این است که جامعه ما، از طریق سازمان هایی مانند شبکه روباتیک پیتسبورگ، بسیار رشد کرده است.
آیا ماشین های خودران هنوز هم یکی از امیدوارکننده ترین کاربردهای بینایی کامپیوتر و سیستم های خودران هستند؟
این یک برنامه کاربردی بسیار قابل مشاهده و بالقوه بسیار تأثیرگذار بر زندگی مردم است: حمل و نقل، حمل و نقل و غیره. اما برنامه های کاربردی دیگری وجود دارند که چندان قابل مشاهده نیستند، که می توانند بسیار تأثیرگذار باشند.
به عنوان مثال، چیزهایی که حول سلامت و نحوه استفاده از سیگنال های سلامت از حسگرهای مختلف می چرخند – به طور بالقوه پیامدهای عمیقی دارند. اگر بتوانید تغییر کوچکی در عادات مردم ایجاد کنید، می تواند تفاوت بزرگی در سلامت کلی مردم و اقتصاد ایجاد کند.
برخی از آخرین پیشرفت هایی که امروزه در رباتیک و بینایی کامپیوتر مشاهده می کنید، کدامند؟
اجازه دهید در مورد برخی از موضوعاتی که فکر می کنم بسیار جالب و امیدوارکننده هستند به شما ایده بدهم.
- یکی از آنها در مورد ربات ها یا سیستم ها نیست، بلکه در مورد انسان است. و این ایده درک افراد است – درک تعاملات آنها، درک رفتار آنها و پیش بینی رفتار آنها و استفاده از آن برای تعامل یکپارچه تر با سیستم های هوش مصنوعی. این شامل بینایی کامپیوتر است.
- جنبه های دیگر عبارتند از عملی و قابل استقرار سیستم ها. ما در چند سال گذشته بر اساس آموزش های عمیق و تکنیک های مرتبط، پیشرفت فوق العاده ای داشته ایم. اما بسیاری از این به در دسترس بودن مقادیر بسیار زیادی از داده ها و داده های کنترل شده، داده های کنترل شده متکی است. بسیاری از کارها به کاهش این اتکا به داده ها و داشتن سیستم های بسیار انعطاف پذیرتر مربوط می شود.
به نظر می‌رسد اولین مبحث حس، درک و پیش‌بینی رفتار انسان را می‌توان در کلاس درس از نظر سیستم‌های احساس نحوه تعامل و تعامل دانش‌آموزان به کار برد. چقدر از اینها در فناوری که امروز می بینیم اتفاق می افتد؟
برای این دو پاسخ وجود دارد:
- یک پاسخ کاملاً فنی وجود دارد، این است که چه مقدار اطلاعات، چه مقدار سیگنال می توانیم از مشاهده استخراج کنیم؟ و در آنجا پیشرفت بزرگی داشته ایم. و مطمئناً سیستم هایی وجود دارند که می توانند در آنجا بسیار سازنده باشند.
- اما آیا می‌توانیم از این به طور مؤثر در تعامل استفاده کنیم، به نحوی که در مورد آموزش، تجربه یادگیری را بهبود بخشد؟ ما هنوز راه هایی برای پیاده سازی واقعی این سیستم ها داریم، اما در حال پیشرفت بزرگی هستیم. به طور خاص در CMU، همراه با علوم آموزشی، ما در آنجا فعالیت های زیادی در توسعه این سیستم ها داریم.
اما نکته مهم این است که فقط هوش مصنوعی نیست. این فقط بینایی کامپیوتری نیست. این فناوری به علاوه یادگیری علوم است. و مهم است که این دو با هم ترکیب شوند. هر چیزی که سعی کند از این نوع بینایی کامپیوتری استفاده کند، مثلاً به روشی ساده لوحانه، در واقع می تواند فاجعه بار باشد. بنابراین بسیار مهم است که این رشته ها به درستی به هم متصل شوند.
من می توانم تصور کنم که این برای ابتکارات مختلف، در دسته ای از حوزه های مختلف صادق است. در گذشته، دانشمندان کامپیوتر، روبات‌ها، افراد دارای هوش مصنوعی ممکن است سعی کرده‌اند چیزهایی را در خلاء و بدون افراد متخصص در این زمینه توسعه دهند. و این تغییر کرده است.
در واقع این یک تکامل است که به نظر من بسیار جالب و ضروری است. مثلا ما فعالیت زیادی با [CMU’s Heinz College of Information Systems and Public Policy] در درک اینکه چگونه می توان از هوش مصنوعی در سیاست های عمومی استفاده کرد. … آنچه شما واقعاً می خواهید این است که اصول و ابزارهای مشترکی را استخراج کنید تا هوش مصنوعی را برای خط مشی عمومی ایجاد کنید، و این به نوبه خود به یک برنامه درسی و پیشنهاد آموزشی در تلاقی این دو تبدیل می شود.
روشن کردن محدودیت های هوش مصنوعی مهم است. و فکر نمی کنم این کافی باشد. حتی برای کسانی که متخصص هوش مصنوعی نیستند و لزوماً جزئیات فنی هوش مصنوعی را نمی‌دانند، مهم است که بفهمند هوش مصنوعی چه کارهایی را می‌تواند انجام دهد، اما مهمتر از همه، اینکه چه کارهایی نمی‌تواند انجام دهد.
[After we recorded this episode, CMU announced a new cross-disciplinary Responsible AI Initiative involving the Heinz College and the School of Computer Science.]
اگر به تازگی در زمینه بینایی کامپیوتر و روباتیک شروع کرده اید، آیا چالش یا مشکل خاصی وجود دارد که نمی توانید صبر کنید تا با آن مقابله کنید؟
چالش اصلی این است که رویکردهای واقعا جامع و اصولی برای توصیف عملکرد سیستم‌های هوش مصنوعی و یادگیری ماشین و ارزیابی این عملکرد، پیش‌بینی این عملکرد داشته باشیم.
وقتی به یک سیستم مهندسی کلاسیک نگاه می کنید – چه ماشین، یک آسانسور یا چیز دیگری – چندین صد سال مهندسی پشت این سیستم وجود دارد. این به معنای روش‌های رسمی – روش‌های ریاضی رسمی، روش‌های آماری رسمی – اما همچنین بهترین روش‌ها برای آزمایش و ارزیابی است. ما آن را برای هوش مصنوعی و ML نداریم، حداقل تا این حد.
اساساً این ایده حرکت از اجزای سیستم به تمام راه برای اینکه بتوانیم کل سیستم را از انتها به انتها نمایان کنیم، است. بنابراین این یک چالش بسیار بزرگ است.
فکر کردم می گویید رباتی که می تواند در حین تماشای بازی استیلرز برای شما آبجو بیاورد.
این به آنچه قبلاً در مورد محدودیت ها گفتم اشاره دارد. ما هنوز پشتیبانی لازم برای مقابله با این قطعات را از نظر ویژگی ها نداریم. بنابراین من از آنجا آمده ام. من فکر می کنم این برای رسیدن به نقطه ای که بتوانید ربات تحویل آبجو را واقعا قابل اعتماد و قابل اعتماد کنید بسیار مهم است.
برای جزئیات بیشتر در مورد کار او در بینایی کامپیوتر و سیستم های خودمختار به صفحه تحقیقات مارسیال هبرت مراجعه کنید.
ویرایش و تهیه کنندگی کورت میلتون، با موسیقی دانیل ال کی کالدول.