ابزار جدید MIT، بهترین روش برای توسعه الگوریتم‌ها را به شما پیشنهاد می‌دهد

استفاده از الگوریتم‌های یادگیری ماشین، موضوع تازه‌ای نیست و سال‌هاست که از نمونه‌های نه‌چندان پیچیده آن در بسیاری از صنایع از جمله پزشکی استفاده می‌شود. دستگاه‌های رادیولوژی، اشعه X و… به‌نوعی از مدل‌های یادگیری ماشین برای تشخیص بیماری‌ها استفاده می‌کنند. اما زمانی که پای مدل‌های پیچیده‌ای به میان میاید که حتی مهندسان توسعه‌دهنده هم از چگونگی دقیق عملکرد الگوریتم‌های آن مطلع نیستند، چالش‌های متعددی شکل می‌گیرند. یکی از این چالش‌ها، انتخاب بهترین روش برای آموزش مدل‌های ماشینی است. حال محققان دانشگاه MIT با کمک جمعی از متخصصان IBM Research، ابزاری را طراحی کرده‌اند که برای انتخاب بهترین مدل یادگیری ماشین به کمک کاربران میاید.

تاکنون روش‌ها پرطرف‌داری برای یادگیری ماشین ابداع شده‌اند که برای اهداف مختلفی مورداستفاده قرار می‌گیرند؛ اما انتخاب روش نامناسب می‌تواند تأثیرات مخربی بر روی مدل نهایی شما بگذارد. برای مثال، در یکی از مدل‌های پرکاربرد، میزان خطوط مبنا 0 در نظر گرفته می‌شود و با افزایش متغیر‌ها، این رقم افزایش پیدا می‌کند؛ اما درصورتی‌که از این روش در مدل‌های بینایی ماشین استفاده شود، رنگ سیاه موجود در تصاویر به‌عنوان پارامتر پایه در نظر گرفته می‌شود و رقمی معادل 0 به آن تخصیص پیدا می‌کند. در صورتی رنگ تیره در بسیاری از حرفه‌ها از جمله بهداشت و درمان، پارامتر تأثیرگذاری است و پزشکان از طریق این متغیرها، قادر به تشخیص بیماری هستند.

درنتیجه، یک روش آموزش الگوریتم‌های یادگیری ماشین، هرچند هم که عملکرد دقیق و صحیحی داشته باشد، اما نمی‌توان برای کاربردهای مختلفی از آن استفاده کرد. محققان MIT امیدوارند با استفاده از ابزار جدید توسعه‌یافته، کاربران بتوانند به‌سادگی، روش‌های مختلف را با یکدیگر مقایسه و مناسب‌ترین گزینه را برای فعالیت خود انتخاب کنند. این ابزار به شکلی توسعه‌یافته که طیف گسترده‌ای از کاربران، از برنامه‌نویسان حرفه‌ای گرفته تا کاربران عادی، بتوانند به‌سادگی با آن ارتباط برقرار کنند و به شکلی کاربردی از آن بهره ببرند.

باتوجه‌به انتشار مداوم روش‌های جدید، محققان در تلاش‌اند تا این ابزار را به‌روز نگهدارند و بر اساس استاندارهای معتبر، نقاط قوت و ضعف هر روش را شناسایی و به اطلاع کاربران برسانند. به همین منظور، یک مصاحبه با طیف وسیعی از کاربران که شامل مهندسان داده، رادیولوژیست‌ها، کاربران عادی و… است، انجام شد. طی این مصاحبه، کاربران اعلام کردند که با استفاده از این ابزار، توانسته‌اند ویژگی‌های اولویت‌بندی شده خود را در روش‌های مختلف شناسایی و برجسته‌ترین گزینه را برای ادامه روند کاری خود انتخاب کنند.

نکته قابل‌توجه این است که هیچ یک از افراد، روشی یکسان را برای روند فعالیت خود انتخاب نکردند و اولویت‌های آنها بسیار متفاوت بود.

در تحقیق و توسعه این ابزار، علاوه بر MIT و IBM، آزمایشگاه تحقیقات نیروی هوایی ایالات متحده و شتاب‌دهنده هوش مصنوعی نیروی هوایی ایالات متحده نیز نقش داشته‌اند و از پیشرفت این پروژه حمایت کردند.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.