دخالت هوش مصنوعی با خواندن ساعت و تقویم

به گفته اینا ، تیمی از ادینبورگ نتیجه ای در مورد ناتوانی در نسخه های پیشرفته هوش مصنوعی برای تفسیر صحیح موقعیت ساعت و پاسخ صحیح به تاریخ تقویم پیدا کردند.

این تیم توضیح می دهد: “برخلاف ظرفیت ساده برای تشخیص فرم ها ، توانایی درک ساعت ها و تقویم های آنالوگ نیاز به ترکیبی از دانش زیست محیطی ، ریاضیات اساسی و اساسی دارد.” این مشکلی است که همیشه برای هوش مصنوعی دشوار است.

محققان گفتند ، غلبه بر این مشکل می تواند منجر به توسعه برنامه های حساس به زمان برای سیستم های هوش مصنوعی شود. این برنامه ها شامل دستیاران برنامه ریزی ، روبات های مستقل و ابزاری برای افراد مبتلا به اختلالات بصری است.

این تیم آزمایشاتی را در مورد سیستم های اطلاعاتی مصنوعی انجام داده است که با متن و تصاویر به نام مدل های چند موتوری (MLLM) سروکار دارند. هدف از این تجربیات پاسخ به هوش مصنوعی به سؤالات زمان با نگاه به ساعت یا تصویر تقویم بود. محققان طرح های مختلفی از ساعت ، مانند ساعت با شماره های رومی ، با دست دوم ، بدون دست دوم و با صفحات رنگی متفاوت را آزمایش کردند.

نتایج آنها نشان می دهد که این سیستم ها به بهترین وجه موقعیت های ساعت را در کمتر از یک چهارم زمان شناسایی می کنند. خطاهای هوش مصنوعی با ساعت هایی با شماره های رومی یا شکل خاصی از دست رایج تر بود.

به گفته این تیم ، سیستم های هوش مصنوعی با از بین بردن دقیقه بهتر کار نمی کنند ، که نشان دهنده مشکلات عمیق هوش مصنوعی در شناسایی دست ها و تفسیر زاویه ها است.

محققان از مدلهای هوش مصنوعی خواستند تا به مجموعه ای از سؤالات تقویم مانند شناسایی تعطیلات و تاریخ های گذشته و آینده پاسخ دهند. این تیم فهمید که حتی پیشرفته ترین مدل های هوش مصنوعی همزمان در محاسبات تاریخی اشتباه گرفته شده است.

روهیت ساکسنا از دانشکده فناوری اطلاعات در دانشگاه ادینبرو و رئیس مطالعه گفت: “بیشتر افراد از سنین پایین می توانند تقویم را شناسایی و استفاده کنند.” نتایج ما کمبود قابل توجهی از ظرفیت های هوش مصنوعی را نشان می دهد.

وی گفت: “این ظرفیت ها شامل مهارت هایی است که به عنوان مهارت های اساسی برای انسان در نظر گرفته می شود.” اگر بخواهیم سیستم های اطلاعاتی مصنوعی را با برنامه های واقعی و حساس به زمان ادغام کنیم ، این گسل ها باید برطرف شوند. این برنامه ها شامل برنامه ریزی ، رانندگی خودکار و فن آوری های کمکی است.

آریو گما از مکتب فناوری اطلاعات گفت: “امروز ، تحقیقات در مورد هوش مصنوعی اغلب بر کارهای پیچیده تأکید می کند ، اما بسیاری از این سیستم ها هنوز با کارهای ساده تر و روزانه دست و پنجه نرم می کنند.”

وی افزود: تحقیقات ما نشان می دهد که وقت آن است که این خطاهای اصلی را اصلاح کنیم. ” در غیر این صورت ، ادغام هوش مصنوعی حساس به زمان در دنیای واقعی می تواند مشکل داشته باشد.

این نتایج در مقاله داوری توسط همسالان گزارش شده است. این مقاله در سیزدهمین کنفرانس بین المللی کارآموزی بین المللی (ICLR) در سنگاپور در تاریخ 5 آوریل در سیزدهمین کنفرانس بین المللی ICL ارائه می شود.

پایان پیام