ساخت ابزار هوش مصنوعی بدون تایپ کردن یک خط کد

بسیاری از شرکت‌ها در تلاش برای استفاده ساده تر از اطلاعات هوش مصنوعی هستند، اما تعداد کمی ‌از آن‌ها  توانسته این کار راساده تر از Lobe انجام دهد. استارت آپی که در اوایل امسال راه اندازی شد و به کاربران یک رابط کشیدن و رها کردن بی‌دردسر برای ساخت الگوریتم‌های یادگیری عمیق از ابتدا را ارائه می‌دهد. این تمرکز عمدتا بر روی دید ماشینی است. این بدان معنی است که اگر شما می‌خواهید یک ابزار را ایجاد کنید که گیاهان مختلف را شناسایی کند یا تعداد پرندگان را در یک درخت شمارش کند، می‌توانید تمام آنها را در Lobe بدون تایپ کردن یک خط کد انجام دهید.

مایک ماتاس، موسس شرکت به Verge گفت که Lobe برای رقابت با نرم افزار حرفه ای استفاده شده توسط یادگیری ماشین (ابزارهایی مانند PyTorch و TensorFlow) طراحی نشده است. در عوض، ساخته شده تا آماتورها آن را به راحتی درک کنند. ماتاس می‌گوید:

مردم ایده‌هایی دارند که می‌خواهند آن را در یادگیری ماشین  امتحان کنند، اما روش درستی برای ساخت نمونه ی اولیه ی آنها را ندارند. لوب اجازه می‌دهد تا آنها بدون نیاز به آموزش، اولین گام را بردارند، و یادگیری عمیق را برای حرفه ای‌ها در گستره وسیعی از زمینه‌ها، از معماری  گرفته تا  نجوم، در دسترس‌تر می‌کند. ما می‌خواهیم تجدید نظر گسترده ای داشته باشیم.

برای به آزمون گذاشتن این ادعاها ، من لوب را آزمایش کردم. یک الگوریتم یادگیری عمیق ساختم که قطعات را از طریق یک وب کم شناسایی می‌کرد. به آن یک حرف “a” نشان دادم و این برنامه می‌گوید “a” و “b” را نشان دادم و آن را “b” شناسایی می‌کند و الی آخر. (این چیزها پیشگامانه است). برای انجام این کار، همه چیزهایی که من باید انجام دادم این بود که از مراحل معمول برای اکثر برنامه‌های کاربردی برای یادگیری ماشین استفاده کنم، با جمع آوری یک مجموعه داده (تصاویر قطعات)، برچسب زدن داده‌ها (مرتب سازی آنها با حرف در پوشه‌های مختلف) ، سپس اجازه دهید یک شبکه عصبی تصاویر را غربال کند و به آرامی‌اشکال را که هر حرف را تشکیل می‌دهند یاد بگیرند.

برای انجام این نوع کارها، آسان تر از لوب یرای استفاده وجود ندارد. شما نیازی به دانلود ندارید فقط  Lobe.ai را در مرورگر خود باز کنید، با یک حساب Google وارد سیستم شوید. یک قالب را انتخاب کنید (در این مورد، تصاویر مطابق با برچسب‌های از قبل تعریف شده)، داده‌های خود را از روی دسکتاپ خود بکشید و رها کنید و اجازه دهید تا اطلاعات برای شما پردازش شود. در حال حاضر تنها چند قالب وجود دارد، اما سازندگان لوب می‌گویند که آنها قصد دارند با افزودن معماری‌های شبکه عصبی در طول زمان و ایجاد یک جامعه که کاربران می‌توانند بهترین مدل‌های خود را به اشتراک بگذارند، این روند را گسترش دهند.

قسمت‌های مختلف شبکه عصبی روی صفحه نمایش به عنوان جعبه‌هایی (به طور طبیعی به نام “لوب‌ها”) ظاهر می‌شوند که با خطوطی مانند یک فلوچارت ترکیب می‌شوند. شما همچنین می‌توانید “داخل” هر یک از گره‌ها را نگاه کنید و تنظیمات مربوط به نحوه پردازش داده‌ها را انجام دهید. هنگامی‌که کارشما به پایان رسید ، شما می‌توانید مدل نهایی را به تعدادی از سیستم عامل‌های مختلف، از جمله TensorFlow گوگل و CoreML مبتنی بر iOS اپل صادر کنید.

Lobe.ai  در حال حاضر در حال بتا است، بنابراین  چندین تکه ناموزون در طراحی و جزئیات  ناشناخته بسیاری در آن وجود دارد. اما در نگاه کلی چشمگیر است، به خصوص با توجه به پیشینه ی ماتاس. او طراح تجاری است، او قبلا در اپل بر روی رابط کاربری اولین آیفون و اولین آیپد. کار می‌کرده است. سپس او به Nest رفت تا بر روی طراحی ترموستات شرکت کار کند، و سپس در فیس بوک، او و تیمش برنامه پر زرق و برق (اما محکوم به فنای) Paper را ساختند.

درهنگام ساخت پروژه ام ، من با مشکلات کمبود خوراک دهی دست و پنجه نرم می‌کردم (ندادن اطلاعات کافی به سیستم اصلی ترین دلیل آن بود)، اما این چیزی نبود که با کمی ‌سرهم بندی نشود آن را انجام داد. پس از این، من برنامه کوچکی در دست داشتم که  می‌توانست در مرورگر من اجرا شود و حروف روی قطعات را بخواند.

بدیهی است، آنچه من ساخته بود فوق العاده ساده است. اما برای درک پتانسیل این نوع فناوری،  آن را به عنوان یک هوش مصنوعی در نظز نگیرید بلکه به عنوان یک میمون مطیع که در خانه آموزش داده شده است به آن نگاه کنید که شما آن را آموزش داده‌اید تا نشانه بصری منتخب شما را تشخیص دهد. میمون ما نمی‌تواند کار بزرگی انجام بدهد اما هر وقت که یه چیزی را شما به آن نشان دهید صدا می‌دهد، اما این هنوز هم یک میمون مفید است. با مواد آموزشی مناسب و کمی ‌صبر، می‌توانید آن را به انجام انواع چیزهای مفید، مانند تشخیص تفاوت بین خال‌های بدخیم و خوش خیم و یا نظارت بر دستگاه مانیتور کودک برای دیدن اینکه شاید نوزاد دختر شما از گهواره فرار کرده، وادار کنید. شما می‌توانید حتی از برنامه ی خود برای تشخیص صداهای مختلف استفاده کنید البته اگر شما سیگنال‌های صوتی را به داده‌های بصری به عنوان یک موج صوتی تبدیل کنید. و، بله، اینها همه برنامه‌های واقعی ساخته شده با استفاده از لوب است.

البته، به همان اندازه که سادگی لوب برای علاقه مندان به یادگیری ماشین خوشایند است، این بدان معنا نیست که بدون نقص است. بعضی از کارشناسان معتقدند که ابزارهایی مانند این، نظم و انضباط خود را به میزان نامطبوعی تقسیم می‌کنند، به سادگی جایگزین کردن فرایند برنامه نویسی با نمایش بصری است که در واقع به آنها آموزش چگونگی ساخت الگوریتم‌های باکیفیت را آموزش نمی‌دهد. جرمی‌ هوارد یک دانشمند و کارآفرین است که در ساخت Fast.AI مشارکت داشته –  یک آزمایشگاه تحقیقاتی که یادگیری عمیق را از طریق ابزارها و آموزش‌ها قابل دسترس تر می‌کند- می‌گوید که این گونه برنامه‌ها را قبلا دیده است.

‌هاوارد می‌گوید:

به هر دلیلی، هر یک یا دو سال، شخصی یک سیستم آموزش یادگیری ماشین طراحی می‌کند که شامل کشیدن جعبه‌ها از یک جعبه ابزار و وصل کردن آنها با خطوط است. من هنوز کاملا نفهمیده ام که چرا این ساخت و سازها بسیار جذاب است، اما این واقعیتی است که وجود دارد. آنها همیشه در ستون‌های خبری ظاهر می‌شوند، زیرا مردم خارج از جامعه فکر می‌کنند که آموزش دستگاه را آسان ساخته اند، اما این کار را نمی‌کند.

‌هاوارد می‌گوید که این رابط بصری واقعا اهمیت زیادی ندارد؛ این فرایند اساسا همانند نوشتن کد است، اما این کار بیشتر ناخوشایند بوده ، بیشتر طول می‌کشد و هر بار کمتر بر روی صفحه نمایش مشاهده می‌شود. او اشاره می‌کند که برای ساخت چیزی غیر از نرم افزار اساسی (مثل من)، شما هنوز هم باید بدانیم که چه اجزایی را می‌خواهید استفاده کنید، چگونه آنها را با یکدیگر ترکیب کنید و غیره. اما به جای اینکه این اطلاعات را به عنوان کد در دسترس قرار دهیم، خطوط و جعبه‌ها را با هم مخلوط می‌کنیم.‌ هاوارد می‌گوید: سختی دانش علوم داده تایپ نیست. دانستن چیزی است که باید بنویسیم، است.

او همچنین ادعا می‌کند که بعضی از تنظیمات پیچیده لوب برای زیبایی شناسی، به جای عملکرد واقعی وجود دارد.

هاوارد می‌گوید:

آنها به شما تغییرات معماری مدل را نشان می‌دهند… اما هیچکس دستی معماری را نمی‌نویسد. هیچ کس. ایده انجام آن با تایپ اعداد در باکس‌ها نشانه‌ای از عدم درک کامل  آنچه مردم باید انجام دهند، است.

اگر شما با انتقادات هوارد موافقید، لوب ممکن است به عنوان یک روش فوق العاده برای شروع کردن افراد در یادگیری ماشین به نظر برسد. (در مقایسه با گزینه‌های رایگان، شما باید هزینه ای پرداخت کنید، هرچند ماتاس می‌گوید قیمت گذاری هنوز نهایی نشده است.) اما حتی اگر ابزارهای بصری مانند این فقط پوسته‌هایی برای نرم افزار موجود باشند، هنوز برای آنها سودمند است. تصویر فرهنگ عامه از کد – کسانی که  خطوط بی پایان هرج و مرج غیر قابل نفوذ را پیمایش می‌کنند – یک دیدگاه وحشتناک است. لوب باعث می‌شود که شروع کمتر ترسناک باشد، و به نوبه خود، می‌تواند به افراد حرفه ای کمک کند که از آخرین تکنیک‌های یادگیری ماشین بهره مند شوند.

ژان اولیویه ایریسون نمونه خوبی از این پدیده است. اریسون، استاد دانشکده اقیانوس شناسی فرانسه در Villefranche-sur-Mer، به  Verge می‌گوید که او به طور کامل با برنامه نویسی غریبه  نیست، اما قبل از استفاده از لوب، او تجربه ای مستقیم با یادگیری عمیق نداشته است. در حال حاضر، او از نسخه ی  بتا لوب استفاده می‌کند و از نرم افزار شرکت برای کمک به طبقه بندی تصاویر پلانکتون‌ها استفاده می‌کند.

ایریسون می‌گوید که او و همکارانش از تکنیک‌های یادگیری عمیق جدیدی که رویکردهای سنتی در زمینه‌ی علمی‌ آنها فراتر رفته‌اند، آگاه هستند. “اما یادگیری عمیق به سرعت در حال پیشرفت است که ما به عنوان غیر متخصصان نمی‌توانیم به آن پی ببریم.” او می‌گوید لوب به این معناست که می‌تواند اولین قدم برای آشنایی   با آخرین معماری شبکه عصبی باشد بدون اینکه نیازی  به خرید سخت افزار جدید و یا با چارچوب برنامه نویسی جدید باشد. او می‌گوید:

این برنامه اجازه می‌دهد تا به تمرکز بر خواندن مقالات، درک مفاهیم و استفاده از آن‌هایی که امیدوار کننده هستند، باشیم.

اریسون می‌گوید، قسمت‌های خاصی از  رابط کاربری لوب مشکلاتی دارد، اما این نرم افزاری بتا است. به طور کلی، او می‌گوید، تجربه بصری بود.

او به Verge در ایمیلی گفت:

“من فکر می‌کنم یک ابزار مانند لوب می‌تواند به غیر متخصصان کمک کند تا ” جعبه سیاه “را باز کنند؛ این مدل‌ها [یادگیری عمیق] یاد گرفته‌اند که آنها را  درک کنند؛ او به من کمک کرده است.

این به نظر می‌رسد با چشم انداز متاس برای لوب هم خوانی دارد: یک ابزار  که به مردم  اجازه ی شروع ساخت برنامه‌های کاربردی هوش مصنوعی با بالاترین سرعت را می‌دهد. میتس می‌گوید:

“اگر شما یک مفهوم برای چیزی داشته  و دیتایی در اختیار داشته باشید، می‌توانید به سرعت یک مدل یادگیری ماشین را بر روی آن بسازید و اگر این امکان وجود داشته و با ۱۰۰۰ نمونه ای که در اختیار دارید کار کند، شما می‌توانید نقاطی را برای  بهبود پیدا کنید و انگیزه ی ادامه دادن را داشته باشید.

اگر هوش مصنوعی واقعا جهان را تغییر دهد، به نظر واضح است که  هرچه افراد بیشتری درگیر شوند، بهتر است – به ویژه افرادی که در خارج از جهان فناوری هستند. متخصصان در رشته‌های علمی‌وجود دارند که ممکن است احساس کنند که زمان کافی برای یادگیری کد ندارند، اما می‌توانند در مرورگر خود شروع کرده تا احساسات خود را برای همه چیز به نمایش بگذارند. با توجه به این لوب به عنوان یک ابزار مناسب برای یک انقلاب یادگیری ماشینی است.