شکل آینده هوش مصنوعی انسانی و هزینه های محیطی آن

برای ثبت سفارش ترجمه با موضوع با قیمتی کمتر از قیمت بازار با شماره تلفن 09191732587 در تلگرام یا واتس آپ در ارتباط باشید.

شکل آینده هوش مصنوعی انسانی و هزینه های محیطی آن

عمومی سازی ML, به حداقل رساندن ریسک تجربی است که می تواند استنتاج دقیق در مورد کار مورد نظر را تضمین کند. بنابراین ، یادگیری تعمیم به دنبال به حداقل رساندن خطر استقرایی مرتبط با کار است. ازشاخص رویکردهای نظری برای استقرا ، نظریه ماده نورتون (2003) ، با بیان اینكه استنتاجهای استقرایی در واقعیتهای محلی كه در حوزههای خاص نورتون (2003) نگهداری می شوند ، پایه ریزی شده است ، پتانسیل را برای روشن كردن شکل آینده هوش مصنوعی انسانی نشان می دهد. این روش قابل قبول استدلال می کند که یک ML موفق در یک کلی سازی یک طرح استقرایی ایجاد می کند و با اتصال آن به حقایق محلی موجود در داده های آموزش ، خطر آن را به حداقل می رساند. مطابق گفته نورتون ، ML موفق ممکن است با ترجیح تعداد زیادی از طرح های استقرایی محلی از چند طرح جهانی گریزان به طور معرفت شناختی تبیین و توجیه شود. صرف نظر از این که در مورد یادگیری انسان یا ماشین از تعمیم ، هرگونه به حداقل رساندن خطر تجربی از طریق بومی سازی طرح استقرایی شامل هزینه های زیست محیطی است. می توان استدلال كرد كه آزمایش های ML برای دستیابی به تعمیم ، طرح های استقرایی محلی ایجاد می كنند كه توسط واقعیت های محلی از شواهد ، یعنی داده های آموزش ، كه به حداقل می رساند خطر  را تأمین می كند ، ایجاد می شود. به همین ترتیب ، برای انسان ، همانطور که توسط نورتون (2003) استدلال می کند ، هیچ گونه حالت جهانی وجود ندارد و استنتاج های استقرا فقط در حوزه های خاص وجود دارد که تحت حقایق محلی قرار گرفته اند. درک گسترده تر و عمیق تر از واقعیت های محلی ، میزان شناختی انسانها و ماشین ها را گسترش می دهد. وجه تمایز مهم این است که انسانها ، به دلیل فشارهای تکاملی ، در مقایسه با نمونه ML ناکارآمد که به 45000 سال آموزش انسانی نیاز دارد ، به دلیل فشارهای تکاملی ، یادگیرندگان ناپسند باقی می مانند).  مسلما ، این اغراق نیست که تصور كنید كه تلاش معرفتی بشریت، دوره ای از تحولات بی سابقه را پشت سر می گذارد. در حالی که ممکن است چنین اتفاقی بیفتد که از تعداد قابل توجهی از استنتاج های استقرایی بیشتر توسط ابزارها برای عمل بهینه انجام شود. مهمتر از همه ، تعداد کل استنتاج ها به احتمال، زیاد خواهد شد ، زیرا بشریت مشتاقانه تلاش های معرفتی علمی و رایج خود را به طور یکسان تقویت می کند ، و در بالای این موارد احتمالاً موارد جدیدی نیز اختراع می کند. در نتیجه ، هزینه های زیست محیطی از مناطق بومی و انسانی مصنوعی خطر استقرایی ، که با کل تعمیم القایی مطابقت دارد ، افزایش می یابد. در مقایسه با استنتاجهای القایی انسانی ، طرحهای استقرایی ارائه شده توسط کلیات ML اگر به این عمل برای محیط زیست مضر باشند ، بهای قابل ملاحظه ای خواهند یافت.

هزینه های زیست محیطی تحقیق یادگیری ماشین

استفاده از دقت برای اندازه گیری SOTA ، در حالی که تحریک صعود از تابلوهای رهبری به هر وسیله موجود است ، ML عمومی سازی را به عنوان یک تلاش محیطی متضرر می کند. با استفاده از منابع محاسباتی اضافی می توان از یک دقت بهبود یافته استفاده کرد که رشد سه گانه ای را ایجاد می کند که به طور معمول منجر به دقت جدید SOTA می شود.

منابع محاسباتی با هزینه محیطی تأمین می شوند ، که رابطه بین مقیاس آزمایش و دقت بدست آمده مطلوب تر به نظر می رسد . شوارتز و همکارانش (2019) هزینه صعود از تابلوهای دقت را به عنوان رشد سه برابری آزمایش ها رسمیت داد:

هزینه کل یک آزمایش ML با افزایش (E) ، هزینه پردازش یک مثال واحد ، (D) ، حجم داده های آموزش و (H) تعداد انواع آزمایشات انجام شده برای یافتن بصورت خطی رشد می کند. رابطه نامطلوب بین هزینه و دقت  توسط فرمول 1 از نظر تجربی به عنوان روند کلان در حال افزایش مصرف منابع محاسباتی در ML قابل تشخیص است. همچنین پیچیدگی فزاینده آزمایشهای ML را در برمی‌گیرد. این پیچیدگی با تعداد دفعات افزایش می یابد که یک مدل ML اولیه برای پیدا کردن تناسب مناسب در معماری مدل و ابرپارامترهای مدل به داده ها ، یعنی وظیفه مورد نظر افزایش می یابد ، بنابراین به یک دقت جدید SOTA می رسیم. در مجموعه هایی که چنین جستجوی فضاهای معماری و هایپرپارامتر توسط محققان انسانی هدایت می شود ، ما در هر آزمایش هزاران چرخه آموزش را مشاهده می کنیم. در مجموعه هایی که راهنمایی انسان با جستجوی تکاملی مصنوعی بر روی فضاهای معماری و هایپرپارامتری جایگزین شده است  ، تعداد مدل های آموزش دیده در هر آزمایش به ده ها هزار نفر می رسد.

در صدد برطرف كردن يك مفهوم خوب و در نهايت نادرست است كه فرض مي كند كه يك آموزش واحد از يك مدل ML كه قبلاً توسعه داده شده در يك مجموعه داده معيار باشد مي تواند به نوعي بازگوي هزينه هاي زيست محيطي مرتبط با تحقيقات ML باشد. برای نشان دادن بهتر این نکته ، ممکن است ما به یکی از برجسته ترین شاخص های یک چالش طبقه بندی تصویر ، و یک مدل ML نقطه عطف نگاه کنیم. هم اکنون امکان آموزش ResNet-50 وجود دارد.

این دقت، یک بار در رده بندی بالای ImageNet در 2:43 دقیقه بهینه سازی برای سرعت یا 12.60 دلار برای بهینه سازی هزینه استفاده می‌شود.  این به این معنا نیست که سخت افزارهای بهتر و یا تکنیک های آموزش باعث کاهش هزینه های صعودهای رهبری می شوند. در عوض ، رسیدن به مراحل بالاتر و در نتیجه دقت ، به مدل های بزرگتر و داده های بیشتری نیاز دارد. در مورد مجموعه داده های معیار ثابت مانند ImageNet ، که برای شاخص های مورد نیاز وجود دارد ، این به معنای دستیابی به داده ها برای “pretraining” ، امکان دستیابی ، همراه با سایر پیشرفت ها و دقت بالاتر است.

از 940 میلیون تصویر عمومی برای یک آزمایش پیش نمایش ضعیف در معماری ResNeXt-101 32 × 48d استفاده کرد ، که شامل 829 میلیون پارامترمیباشد و نتیجه را با تصویر دقیق تنظیم کرد. آزمایش در حال حاضر (ژانویه سال 2020) در رتبه چهارم در تابلوی ImageNet قرار دارد. منابع مورد نیاز برای انجام چنین آزمایشی با یک دوره آموزشی واحد از یک مدل استاندارد ML که قبلاً توسعه یافته است در یک مجموعه داده معیار قابل مقایسه نیست. دستیابی به مکان های برتر در تابلوهای شفاف به آزمایش های بزرگتر (مدل های ML و داده ها به طور یکسان) انجام می شود ،که باعث رشد تقاضای محاسباتی ، و در نتیجه افزایش اثرات محیطی می‌شود. بنابراین ، حتی اگر پیشرفت را در راندمان سطح پایه مشاهده کنیم ، این نشانه ای نیست که تأثیرات محیطی ML ناچیز باشد. آمودایی و هرناندز (2018) بیان شده از نظر روند کلان ، نشان دادند که از آغاز دوره در ML ، میزان منابع محاسباتی صرف شده برای بزرگترین آزمایشها ، که مطابق با مکانهای برتر در مدیران است ، هر 3.4 ماه دو برابر می شود.

برای اولین بار، روشهای غیر DL غالب در تابلوی ImageNet، میزان محاسبه بیش از 300000 برابر افزایش یافته است، و در حال حاضر به عنوان روزهایی گزارش شده است که در آن آزمایش انجام شده است. این مقیاس از روزهای petaflop / s از زمان اجرا تا پایین تر متغیر است.

آمدی و هرناندز (2018) پیشنهاد کردند که حداقل در کوتاه مدت روند کلان احتمالاً ادامه یابد زیرا ما فضای بهبود در نسبت فلاپ در ثانیه در هر وات و همچنین فرصت های استفاده بهتر از موازی در ML را استفاده نکرده ایم. آزمایش. بنابراین، در نظر گرفتن تنها محدودیت های اقتصادی، دستیابی به راندمان سطح پایه بیشتر، یعنی اجرای سریع تر یا ارزان تر آموزش یک مدل ML که قبلاً توسعه یافته روی یک مجموعه داده معیار است، به احتمال زیاد منجر به رشد اقتصادی خواهد شد.

Strubell و همکارانش (2019) میزان مصرف انرژی یک آزمایش ML را به عنوان مجموع توان استفاده شده توسط سخت افزار ضرب شده با نیازهای اضافی برای تقویت زیرساخت ها (یعنی خنک کننده و غیره) تخمین می زند. میزان CO2 منتشر شده توسط آزمایش با ضرب کردن مقدار استفاده از انرژی توسط میانگین انتشار CO2 در هر کیلووات ساعت که توسط آژانس حفاظت از محیط زیست ایالات متحده تهیه شده است، سپس انواع انتخاب شده آزمایش های ML را با میانگین CO2 رها شده در طی یک پرواز  از نیویورک به سان فرانسیسکو مقایسه می‌کند. با در نظر گرفتن ML در پردازش زبان طبیعی (NLP) به عنوان یک مطالعه موردی ، میزان انتشار CO2 از این مسئله ناشی می شود که آیا جستجو بر روی فضاهای معماری و هایپرپارامتر توسط محققان انسانی یا توسط یک جستجوی تکاملی مصنوعی هدایت می شود. با در نظر گرفتن نمونه ای از آزمایش قبلی ، ارائه شده توسط حساب کاربری Strubell و همکارانش (2019) بر اساس تهیه یک مدل جدید NLP ، میزان انتشار CO2 در 78468 پوند (35.6 تن ، محاسبه شده با استفاده از میانگین ایالات متحده) برآورد شده است. میزان انتشار CO2 در هر کیلووات ساعت که توسط EPA منتشر شده است). تولید گازهای گلخانه ای از 4789 ML مدل آموزش دیده در طول آزمایش ، که منجر به بهترین مدل پیوست شده تشکیل SOTA در برخی از تابلوهای نشانه گذاری نقش معنایی خاصی دارد. برای مثال NLP از نوع دوم آزمایش ، بر اساس جستجوی معماری عصبی ، یعنی جستجوی تکاملی برای بهترین مدل ، Strubell و همکاران. (2019) میزان انتشار CO2 را در 626155 پوند تخمین زده است. شاید به عنوان یک داستان هشدار دهنده واقعی بتواند آزمایش اخیر را انجام دهد که ادعا می کند از 512 GPU برای سه ماه مستقیم استفاده می کند. پیش نمایش فقط یک بهبود SOTA متوسط ​​در مجموعه داده های معیار داشت ، آزمایش، فاقد سهم بنیادی است ، و مجموعه بزرگی که برای پیش نمایش استفاده می شود هنوز منتشر نشده است. از آنجا که آزمایش برای تأیید نتایج نمی تواند تکرار شود ، و این یک سوال باز است که آیا باید اصلاً تکرار شود ، تنها نتیجه ماندگار و ملموس ، انتشار CO2 قابل توجه است. سرانجام ، باید تأکید کرد که نتایج آزمایشهای ML گاهی فاقد قابلیت انتقال هستند. این به این معنی است که آموزش مجدد و تنظیم دقیق برای استقرار مدل های ML در حوزه های جدید یا انجام کارهای جدید لازم است. بنابراین انتظار می رود میزان انتشار CO2 بیشتر باشد. در مقایسه با انتشار CO2 مرتبط با مناطق مشترک زندگی انسان ، میزان CO2 که توسط آزمایشات ML آزاد شده است زیاد است. علاوه بر این ، با توجه به توسعه انفجاری اخیر ML به عنوان یک رشته یا زمینه ، که می توان با افزایش تعداد مقالات تحقیقاتی آن را نشان داد.

جدید ترین ها

جدید ترین محصولات ما

محصولات بیشتر
ترجمه مقاله A Case Study of IPv6 Network Performance Packet Delay Loss and Reordering ( ترجمه مقاله مطالعه موردی عملکرد شبکه IPv6  تأخیر بسته، خسارت، و در حال مرتب کردن )

ترجمه مقاله A Case Study of IPv6 Network Performance Packet Delay Loss and Reordering...

10000 تومان

ترجمه مقاله  Survey and Taxonomy of Clustering Algorithms in G         *      (ترجمه مقاله  بررسی و طبقه بندی الگوریتم های خوشه بندی در 1G )

ترجمه مقاله Survey and Taxonomy of Clustering Algorithms in G * (ترجمه مقاله بررسی...

10000 تومان

ترجمه مقاله A Scalable FPGA Accelerator for Convolutional Neural Networks     *      ( ترجمه مقاله شتاب دهنده مقیاس پذیر FPGA برای شبکه های عصبی تحریک کننده )

ترجمه مقاله A Scalable FPGA Accelerator for Convolutional Neural Networks * ( ترجمه مقاله...

10000 تومان

ترجمه مقاله  Green human resource management and environmental cooperation An ability motivation opportunity and contingency perspective              *          ( ترجمه مقاله مدیریت منابع انسانی سبز و همکاری های زیست محیطی :دیدگاه توانمندی، انگیزش، فرصت و دیدگاه اقتضایی )

ترجمه مقاله Green human resource management and environmental cooperation An ability motivation opportunity and...

10000 تومان

ترجمه مقاله NE      Navigators through the storm A review of organization theories and the behavior of incumbent firms during transitions       ( ترجمه مقاله بررسی نظریه های سازمانی و رفتار شرکت های متصدی در طول دوران )

ترجمه مقاله NE Navigators through the storm A review of organization theories and the...

30000 تومان

ترجمه مقاله NE       The integration of project management and organizational change management is now a necessity      (ترجمه مقاله  یکپارچه سازی مدیریت پروژه و مدیریت تغییر نظریه ی سازمانی در حال حاضر یک ضرورت است )

ترجمه مقاله NE The integration of project management and organizational change management is now...

30000 تومان

ترجمه مقاله NE         Social Network Analysis of Sustainable Human Resource Management from the Employee Training’s Perspective        ( ترجمه مقاله آنالیز شبکه اجتماعی مدیریت وبرنامه ریزی منابع انسانی پایدار از دیدگاه آموزش   )

ترجمه مقاله NE Social Network Analysis of Sustainable Human Resource Management from the Employee...

30000 تومان

ترجمه مقاله  NE        Strategic agility and human resource management      ( ترجمه مقاله مهارت استراتژیک و مدیریت و برنامه ریزی منابع انسانی )

ترجمه مقاله NE Strategic agility and human resource management ( ترجمه مقاله مهارت استراتژیک...

30000 تومان

error: شما فقط اجازه مطالعه دارید
قیمت می خواهید؟ ما ارزانترین قیمت را ارائه می کنیم. کافیست فایل خود را یا از طریق منوی خدمات و سرویس ها => سفارش ترجمه ارسال کنید یا برای ما به آدرس research.moghimi@gmail.com ایمیل کنید یا در تلگرام و واتس آپ با شماره تلفن 09191732587 ارتباط بگیرید و ارزانترین قیمت ترجمه را از ما بخواهید
+