محققان با استفاده از بانک اطلاعات، بازده روش یادگیری Few-Shot را بررسی می‌کنند.
به گزارش کالاسودا و نقل از Venturebeat، تعداد زیادی از مدل‌های هوش مصنوعی در حال حاضر برای استفاده از مدل یادگیری Few-Shot طراحی شده‌اند.
روش یادگیری ماشین Few-Shot روشی است که در آن، هوش مصنوعی باید سعی کند با کمترین تعداد مثال، درست مثل انسان چیزی را یاد بگیرد.
این می‌تواند دریچه‌ای به سوی ظهور الگوریتم‌هایی باشد که از نظر بازدهی و سرعت، خیلی بهتر هستند.
با این حال تا به امروز فرایند توسعه و پردازش اطلاعات در این روش نقایصی داشته اند.
به همین دلیل هم هست که محققان در Google AI، دانشگاه بِرِکلی کالیفرنیا و دانشگاه تورنتوی کانادا تقاضا کرده اند که الگوریتم‌های Few-Shot به شکلی واقع گرایانه‌تر و با استفاده از بانک‌های اطلاعاتی آزمایش شوند.
به گفته‌ی تیم دانشمندان، مزیت این شیوه این است که بانک‌های اطلاعاتی واقعی اقسام و کلاس‌های گوناگونی از اطلاعات را در خود دارند.
این تفاوت‌ها، چالش‌های بیشتری از محیط‌های شبیه سازی و اطلاعات از پیش آماده شده را سر راه این الگوریتم‌ها می‌گذارد.
به گفته‌ی دانشمندان، این تحقیقات نتایج جالبی را در پی داشته و انتظار می‌رود باعث به دست آوردن نتایج جالب و جدیدی در آینده شود.
لینک کوتاه:
