بررسی هوش مصنوعی جدید گراک (GRAKN)

  • دسته بندی :
  • 7:30 ب.ظ
  • 2023/12/28
  • تولید محتوا
بررسی هوش مصنوعی جدید گراک (GRAKN)!

از آنجایی که امروزه کامپیوترها جایگزین قفسه بایگانی و کمد اسناد شده‌اند، کارآمدترین روش ذخیره‌سازی حجم عظیمی از داده‌ها، استفاده از پایگاه داده است که در آن کاربران می‌توانند با استفاده از آیتم کوئری (Queries)، داده‌های مورد نیاز خویش را بازیابی نمایند. مسئله‌ای که در این حوزه باید به آن توجه داشت به این موضوع مربوط می‌شود که این کوئری‌ها هیچگاه عملکردی مشابه عملکرد هوش انسان ندارند؛ اما آیا تا به حال شده است که تصور کنید که داده‌ها بتوانند به عنوان یک گراف دانش (Knowledge graph) ذخیره شوند و یک کوئری بتواند مسئولیت استدلال انسانی را برعهده گیرد؟! آیا در چنین حالتی انجام کارها ساده‌تر از قبل نخواهد شد؟!

هوش مصنوعی گراک (GRAKN.AI) یک گراف دانش منبع باز و توزیع شده برای سیستم‌های دانش‌محور بوده که تا حدودی در این زمینه نقش کلیدی را ایفا کرده است. با توجه به اهمیت آشنایی با ابزارهای هوش مصنوعی در دنیای امروز، این مقاله به معرفی و بررسی هوش مصنوعی جدید گراک (GRAKN) اختصاص پیدا کرده است و اگر شما هم در این زمینه کنجکاو هستید، تا انتهای این مطلب با ما همراه باشید.

مروری بر مفهوم گراف دانش (Knowledge graph)!

مروری بر مفهوم گراف دانش (Knowledge graph)

پیش از آن که به سراغ بررسی هوش مصنوعی جدید گراک (GRAKN) برویم، لازم است یک قدم به عقب برگشته و نگاهی اجمالی به مفهوم گراف دانش داشته باشیم. از گراف دانش در علوم اطلاعاتی و محاسباتی تحت عنوان هستی‌شناسی یاد می‌شود و در اصل ساختاری برای ذخیره، بازیابی و در نهایت اشتراک‌گذاری مفاهیم موجود در یک دامنه و ضوابط و روابط میان آن‌ها است. با چنین توصیفی روشن است که امروزه علوم اطلاعات و محاسبات، توسعه و کارآمدی خویش و همچنین برآورده نمودن نیازهایی همچون وب معنایی را مدیون ساخت گراف دانش است. عموما در ساخت یک گراف دانش با دو مسئولیت و وظیفه کلیدی مواجه هستیم که باید به درستی انجام گیرند:

  1. ذخیره اطلاعات
  2. استخراج اطلاعات

امروزه با پیشرفت‌های رخ داده در حوزه ابزارهای هوش مصنوعی (AI) بویژه در زمینه یادگیری ماشین و یادگیری عمیق، انجام دو وظیفه یاد شده به راحتی انجام می‌گیرد. در واقع ساخت یک گراف دانش در حوزه‌های متنوع و استفاده از فناوری یادگیری عمیق در آن برای استخراج اطلاعات، می‌تواند دروازه جدیدی را به روی حجم عظیمی از اطلاعات پردازش نشده متنی حوزه مورد نظر همچون متون فقهی، حقوقی، سینمایی، ورزشی و امثال موارد یاد شده، باز نماید. البته برای ذخیره‌سازی هر گراف دانش به یک پایگاه داده گرافی نیاز خواهیم داشت و منظور از آن، ابزاری آنلاین برای مدیریت سیستم اطلاعاتی بوده که عملیات CRUD را بر روی مدل داده گرافی انجام می‌دهد و گراک (GRAKN.AI) یکی از معروف‌ترین پایگاه‌‌های داده‌ گرافی به شمار می‌رود.

به طور خلاصه، گراف دانش دارای ساختار داده‌ای بوده که قادر است اشیا، خصوصیات و روابط موجود در دنیای واقعی را به صورت گره‌ها (Node) و یال‌ها (Edge) به نمایش گذارد.

هوش مصنوعی گراک (GRAKN) چیست؟

به هنگامی که از هوش مصنوعی گراک صحبتی به میان می‌آید، باید یک پایگاه داده‌ای را تصور کنید که از فناوری هوش مصنوعی بهره می‌برد. به طور کلی هسته مرکزی تعریف گراک (GRAKN) از دو بخش اصلی زیر تشکیل یافته است:

  • هوش مصنوعی گراک یک گراف دانشی بوده که این امکان را برای کاربران فراهم می‌سازد تا دامنه خویش را با استفاده از مدل موسوم به «Entity-Relationship» پیاده‌سازی نموده و قوانینی را برای استدلال مدنظر خود تعریف نمائید.
  • این هوش مصنوعی از زبان «Graql» پشتیبانی می‌کند؛ Graql یک زبان کوئری است که این امکان را برای کاربران فراهم می‌سازد تا الگوهای استدلالی بسیار پیچیده را در یک پرس‌وجوی ساده ترکیب کرده و به نتایج جدید و بهتری دست پیدا کنند.

در واقع گراک به عنوان یک کمپانی فعال در حوزه هوش مصنوعی که مقر فعالیت آن در ایالات متحده است، اخیراً نوعی هوش مصنوعی جدید به نام «گری» را معرفی نموده که یک مدل زبانی بزرگ است و بر روی مجموعه داده‌ای عظیم از کد و متن آموزش یافته است. این هوش مصنوعی جدید گراک (GRAKN) قادر است طیف وسیعی از وظایف را انجام داده و در بحث ترجمه زبان‌های مختلف، پاسخگویی به سوالات و نوشتن انواع مختلف محتواهای متنی خلاقانه به کاربران کمک نماید.

هوش مصنوعی گری به لحاظ فنی منطبق با مدل زبانی GPT-3 که بوسیله کمپانی OpenAI توسعه یافته بود، طراحی شده است؛ اما با این وجود کمپانی گراک مدعی است که هوش مصنوعی گری نسخه ارتقا یافته GPT-3 بوده و برتری‌های قابل توجهی در مقایسه با آن دارد. به عنوان مثال، گری قادر است به درک عمیق‌تری از زبان دست یافته و وظایف پیچیده‌تری را انجام دهد. با چنین توضیحی روشن می‌شود که گراک (GRAKN) یک هوش مصنوعی نوآورانه و جدید بوده که قادر به یادگیری از تجربه است و می‌تواند نقش کلیدی در بازی، تحلیل داده، تصمیم‌گیری، تشخیص الگو و مواردی از این دست داشته باشد.

محققان دانشگاه کارنگی ملون (Carnegie Mellon University) که بر روی این پروژه جدید هوش مصنوعی متمرکز شده‌اند، امیدوار هستند که با انجام ادامه تحقیقات بر روی GRAKN بتوانند در نهایت به سمت ساخت هوش مصنوعی عمومی (Artificial General Intelligence) حرکت کنند که منظور از آن طراحی هوش مصنوعی است که می‌تواند کلیه عملکردهای انسانی را به درستی تقلید نماید.

هوش مصنوعی گراک (GRAKN) چیست؟

نقش گراک در رفع محدودیت یادگیری عمیق

همواره از هوش مصنوعی به عنوان یکی از شاخه‌های پرچالش علوم کامپیوتر یاد شده که قادر است کارهایی را انجام دهد که عموماً به هوش انسانی نیاز دارند. در چند سال گذشته پیشرفت‌های چشمگیری در این حوزه صورت گرفته است و عمده توجهات به سمت استفاده از روش‌های یادگیری عمیق (Deep Learning) که از شبکه‌های عصبی مصنوعی (Artificial neural network) برای پردازش داده‌های پیچیده و بزرگ استفاده می‌کنند، رفته و نقش هوش مصنوعی در آینده جهان پررنگ‌تر شده است؛ اما روش‌های یادگیری عمیق نیز دارای محدودیت‌هایی بوده و به داده‌های بسیار زیاد و برچسب‌گذاری شده (Labeled data) نیاز دارند.

منظور از «Labeled Data» داده‌هایی هستند که حاوی اطلاعات مفید بوده و به هدف یادگیری ارتباط دارند؛ چنین داده‌هایی عموماً با صرف هزینه و زمان قابل توجه قابل تهیه هستند و همچنین این احتمال وجود دارد که نماینده تنوع واقعی دنیای بیرونی نباشند. علاوه بر محدودیت یاد شده، نکته دیگری نیز وجود دارد که به محدودیت روش‌های یادگیری عمیق در استفاده از دانش و تجربه به دست آورده در یک حوزه در سایر حوزه‌ها مربوط می‌شود و عملاً نمی‌توانند به صورت خودکار دانش به دست آورده را بروزرسانی نمایند.

برای رفع چنین محدودیت‌هایی، یک تیم از محققان علوم کامپیوتر در دانشگاه کارنگی ملون، دست به طراحی هوش مصنوعی جدید گراک (GRAKN) زدند. گراک (GRAKN) در اصل مخفف عبارت «Graph Augmented Knowledge Network» بوده که به معنی شبکه دانش تکمیل یافته با گراف است. به هنگامی که از هوش مصنوعی گراک سخن می‌گوئیم، منظور یک روش یادگیری تقویتی (Reinforcement Learning) بوده که از گراف دانش برای ذخیره و استخراج دانش بهره می‌برد.

نحوه عملکرد هوش مصنوعی گراک (GRAKN) به چه صورت است؟

گراک می‌تواند به شکل کاملا اتوماتیک گراف دانش خویش را با کمک داده‌های موجود در محیط یادگیری خود ایجاد و توسعه دهد. این داده‌های ممکن است از هر نوعی باشند و محدودیتی در نوع آن‌ها وجود ندارد؛ به طوری که می‌توانند ویدئو، متن، صدا، تصویر و غیره باشند. چنین قابلیتی سبب شده تا گراک به راحتی بتواند به سوالات مختلف (حتی سوالات استنتاجی) پاسخ دهد. منظور از استنتاج، استخراج اطلاعات از داده‌های موجود است. برای درک بهتر مفهوم سوال استنتاجی به مثال زیر توجه کنید:

اگر هوش مصنوعی گراک (GRAKN) بداند که هادی پسر اسماعیل است و اسماعیل نیز پسر حامد است؛ در این حالت می‌تواند به این سوال که حامد چه رابطه‌ای با هادی دارد؟ به این شکل پاسخ دهد که حامد پدربزرگ هادی است. ناگفته نماند که هوش مصنوعی GRAKN نسخه ارتقا یافته ابزارهای هوش مصنوعی بوده؛ چراکه قادر است، تجربه به دست آورده در یک حوزه خاص را در حوزه‌های دیگر نیز مورد استفاده قرار دهد.

به بیان بهتر، گراک از قابلیت انتقال یادگیری (Transfer Learning) پشتیبانی می‌کند که چنین قابلیتی این امکان را برای آن فراهم می‌آورد تا با داده‌های حداقلی یادگیری باکیفیتی را تجربه نماید. مثلاً اگر گراک یاد بگیرد که قواعد بازی شطرنج به چه صورت است، می‌تواند از این دانش به دست آورده در استراتژی بازی‌های دیگر نیز بهره ببرد.

مقایسه هوش مصنوعی گراک (GRAKN) با اس‌کیوال (SQL)

آیا تا به حال از SQL استفاده کرده‌اید؟ آیا زمانی را به یاد می‌آورید که برای دستیابی به خلاصه‌ای از منابع موجود که با معیارهای مورد نظرتان تطابق دارند مجبور بودید یک کوئری 100 خطی ایجاد کنید؟ به طور کلی، SQL یک زبان کوئری ساختار یافته است که از آن برای دسترسی و کار با پایگاه داده (Database) استفاده می‌شود؛ اما این زبان جستجوی ساختار یافته و پایگاه داده رابطه‌ای در دهه 70 توسعه یافته‌اند و با توجه به مقتضیات فعلی، احتمالا نمی‌توان از آن به عنوان بهترین شیوه برای ذخیره داده‌ها در جداول ساختاری یاد کرد! در واقع آنچه مسلم است به این نکته مربوط می‌شود که هوش مصنوعی گراک وجه مرجح بسیار زیادی نسبت به SQL دارد. علت این که SQL با شرایط فعلی سازگار نیست را می‌توان در موارد زیر مشاهده کرد:

  • افزونگی در ذخیره‌سازی (Redundancy in storage): برخی از داده‌ها وجود دارند که به صورت جدولی نیستند و مجبور کردن آن‌ها برای قرارگیری در جدول و ارائه شکل جدولی از آن‌ها ممکن است موجب ایجاد افزونگی‌های بسیار زیادی گردد.
  • پیچیدگی در فرآیند پرس‌وجو (Complexity in query): به هنگام استفاده از SQL باید در ارتباط با نحوه دستکاری جدول و استفاده از تجمیع و اتصالات فکر کنید تا در نهایت بتوانید با ارائه داده‌های منطقی ساده به نتایج بهتری دست پیدا کنید.
  • بالا رفتن زمان تلف شده در اتصالات (Time wasted in joins): اتصال به جداول به زمان نسبتا طولانی نیاز داشته و ذخیره‌سازی اطلاعات نیز از این قاعده مستثنی نمی‌باشد.

این در حالی است که با استفاده از هوش مصنوعی گراک (GRAKN) قادر خواهید بود یک کوئری 151 خطی در SQL را فقط در 4 خط انجام دهید!

مقایسه هوش مصنوعی گراک (GRAKN)، با اس‌کیوال (SQL)!

محدودیت‌ها و چالش‌های گراک

هرچند که گراک (GRAKN) را می‌توان یک پیشرفت چشمگیر در عرصه هوش مصنوعی (AI) به شمار آورد؛ اما این ابزار نیز همچنان تا دستیابی به هدف هوش مصنوعی عمومی راه زیادی در پیش دارد. یکی از چالش‌های موجود بر سر راه هوش مصنوعی جدید گراک این است که این ابزار به خودی خودی و به صورت اتوماتیک قادر نیست تشخیص دهد که کدام داده‌ها برای یادگیری معتبر و مفید و چه داده‌هایی نادرست، ناقص و تحت تأثیر Bais هستند. وجود چنین محدودیتی می‌تواند در نهایت منجر به ایجاد خطاها و ارائه اطلاعات نادرست گردد. این نقص از دید طراحان گراک دور نمانده و در حال حاضر تیم توسعه‌دهنده GRAKN تلاش می‌کنند تا با ارائه روش‌های کاربردی این قابلیت را در اختیار گراک قرار دهند تا داده‌ها را ارزیابی و اصلاح نماید.

یکی از چالش‌های دیگر این هوش مصنوعی کاربردی به عدم برقراری ارتباط طبیعی و روان با انسان‌ها مربوط می‌شود. طبیعتا هوش مصنوعی محدودیت‌هایی در زمینه درک عواطف، همدلی، احساسات، انعطاف‌پذیری و خلاقیت دارد و به همین علت با گراک نمی‌توان گفتگوهایی را شروع کرد که نیاز به یکی از این موارد یاد شده دارد؛ برای برطرف شدن چنین محدودیتی نیز محققان به سراغ روش‌هایی رفته‌اند تا GRAKN را قادر به درک و تولید زبان طبیعی (Natural Language) نمایند.

محدودیت سوم این هوش مصنوعی به عدم توانایی آن در استفاده خودآگاه (Self-aware) از دانش خود ارتباط دارد و در واقع این ابزار نمی‌داند که چه چیزی را می‌داند و چه چیزی را نمی‌داند! همین موضوع سبب شده تا گراک در تعیین و تعریف اهداف، انگیزه‌ها، اصول اخلاقی و یادگیری ارزش‌ها با ضعف جدی مواجه باشد که چنین موضوعی نیز با ارائه راه‌حل‌هایی در حوزه خودشناسی (Self-awareness) رفع می‌گردد. به همین دلیل میتوانید با خرید اکانت چت جی پی تی از محمدودیت های گراک فاصله بگیرید زیرا چت جی پی تی اکنون به کامل و بدون محدودیت های خاصی کاملا اجرایی شده است.

هوش مصنوعی GRAKN؛ انفجار پیشرفت در دنیای AI!

با توجه به این واقعیت که امروزه با پیشرفت‌های رخ داده در عرصه هوش مصنوعی نقش آن در آینده جوامع بشری غیرقابل کتمان به نظر می‌رسد، ما این مقاله از بلاگ آریاپی را به بررسی هوش مصنوعی جدید گراک (GRAKN) اختصاص دادیم که نقش کلیدی را در حل مشکلات پیچیده ایفا می‌نماید.

همان طور که در مطالب فوق مشاهده کردید، پروژه GRAKN نشان دهنده این واقعیت است که امروزه ابزارهای هوش مصنوعی در حال نزدیک شدن به مرزهای جدیدی هستند و هوش مصنوعی گراک به گونه‌ای طراحی شده تا به شکل کاملا ارتقا یافته از نسخه‌های هوش مصنوعی موجود بتواند عملکرد ذهن انسان را شبیه‌سازی نموده و رفتاری بسیار نزدیک به ما انسان‌ها داشته باشد. این هوش مصنوعی بهبود یافته کار را تا جایی پیش برده که می‌تواند حتی به سوالات استنتاجی کاربران نیز پاسخ دهد! ناگفته نماند که اگر به مطالعه مطالب ترند شده در دنیای هوش مصنوعی علاقه دارید، می‌توانید ما را در مقاله جدیدترین ابزارهای هوش مصنوعی در سال 2024 همراهی کنید.

سوالات متداول
  • 1

    روش کار هوش مصنوعی گراک به چه صورت است؟

    از گراف دانش برای ذخیره و استخراج داده‌ها بهره می‌برد.

  • 2

    استفاده از گراک چه مزیتی در مقایسه با SQL دارد؟

    استفاده از گراک ساده‌تر بوده و عملا با توجه به پیشرفت‌های رخ داده در دنیای ارتباطات، استفاده از SQL روشی منسوخ به شمار می‌رود.

  • 3

    آیا امکان پرسیدن سوالات استنتاجی از هوش مصنوعی GRAKN وجود دارد؟

    بله، برخلاف سایر ابزارهای هوش مصنوعی می‌توان از گراک سوالات استنتاجی نیز پرسید.

دیدگاه ها