https://sarabic.ae/20241030/شبكات-عصبونية-ذكية-من-روسيا-في-الإمارات-1094324616.html
شبكات عصبونية ذكية من روسيا في الإمارات
شبكات عصبونية ذكية من روسيا في الإمارات
سبوتنيك عربي
تم تقديم فرقة تعلم آلي جماعية جديدة من الشبكات العصبونية، التي تحدد بشكل أكثر دقة الأشياء الموجودة في الصور، التي لم يتم تحميلها في قواعد البيانات، وذلك من قبل... 30.10.2024, سبوتنيك عربي
2024-10-30T13:53+0000
2024-10-30T13:53+0000
2024-10-30T13:53+0000
مجتمع
علوم
أخبار الذكاء الاصطناعي
الذكاء الصناعي
أخبار الإمارات العربية المتحدة
روسيا
أخبار روسيا اليوم
منوعات
https://cdn.img.sarabic.ae/img/07e8/0a/1e/1094325118_0:33:613:377_1920x0_80_0_0_0f6f64c3959c493489dd612ecbdffdd4.jpg
وبحسب تأكيد الباحثين، فإن الخوارزمية الجديدة سوف تساعد في المستقبل على تطوير مجال المركبات المسيرة والتشخيص الطبي، حيث من المهم التمييز بين العناصر غير المعرفة والتحف الرسومية. بالفعل مع زيادة حجم البيانات، تظهر الحاجة إلى ابتكار شبكات عصبونية أكثر موثوقية قادرة على تصنيف كائنات جديدة والتعرف على حالات التداخل التقني التي تنشأ حتمًا عند الحصول على صورة.يُطلق على مجمل جميع المعلومات غير المعروفة اسم "بيانات خارج التوزيع" (OOD). في إشارة إلى إن العامل البشري عند اكتشاف (OOD) يمكن أن يؤدي إلى عواقب غير مرغوب فيها. وبالتالي قام مبتكرو الخوارزمية بحل هذه المشكلة باستخدام التنوع في نموذج الفرقة، مما أدى إلى تقليل الارتباط بين الأحداث وزيادة الدقة الإجمالية للنظام.قام فريق علمي من الباحثين، بالتعاون مع طلاب من الجامعة الوطنية للبحوث التكنولوجية، ومعهد موسكو للفيزياء والتكنولوجيا، بحل هذه المشكلة من خلال تطوير فرقة من الشبكات العصبونية. في هذا السياق أشار مكسيم غدانوف، أحد الباحثين في هذا الابتكار، وهو طالب في السنة الثالثة في معهد علوم الحاسوب في الجامعة الوطنية للبحوث التكنولوجية، إلى إن هذه الشبكات العصبونية أظهرت أفضل النتائج مقارنة بالخوارزميات المماثلة.وأضاف الباحث: "على سبيل المثال، يجب أن يحدد جهاز الطيار الآلي الكائنات بدقة على الطريق من أجل منع وقوع الحوادث. أو من أجل القيام بتشخيص طبي صحيح يجب أن تكون هناك قاعدة بيانات واسعة النطاق. يمكن أن تكون النماذج غير المعايرة واثقة بشكل مفرط في افتراضاتها غير الصحيحة. أما فيما يتعلق بشبكتنا العصبونية فهي لا تتمتع بالثقة المفرطة، مما يسمح لها بتقييم حساباتها بشكل أكثر موضوعية".وبحسب قول الباحث فإنه من أجل اكتشاف أخطاء التداخل بشكل أفضل، استخدم الباحثون نهج "OutlierExposure"، والذي يتكون من تدريب نموذج على مجموعات بيانات خاصة. ويذكر أنه تم تطوير الخوارزمية في مختبر الأبحاث العلمية للذكاء الاصطناعي غير الربحي "T-Bank AI Research".إيلون ماسك يكشف عن مفاجأة بشأن الروبوتات الشبيهة بالإنسان بعد 16 عاماأول روبوت يعزف على آلة وترية قد يغير تاريخ الموسيقى... فيديو
https://sarabic.ae/20241019/الصين-تعتمد-على-الذكاء-الاصطناعي-في-الحصص-المدرسية-لتحفيز-الطلاب-1093938216.html
https://sarabic.ae/20241019/تشمل-الفضاء-والذكاء-الاصطناعي-أبرز-5-اختراعات-لإيلون-ماسك-1093937134.html
https://sarabic.ae/20240910/6-تقنيات-مذهلة-للذكاء-الاصطناعي-ستغير-العالم--أجمل-الصو-1092582986.html
سبوتنيك عربي
feedback.arabic@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
2024
سبوتنيك عربي
feedback.arabic@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
الأخبار
ar_EG
سبوتنيك عربي
feedback.arabic@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
سبوتنيك عربي
feedback.arabic@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
علوم, أخبار الذكاء الاصطناعي, الذكاء الصناعي, أخبار الإمارات العربية المتحدة, روسيا, أخبار روسيا اليوم, منوعات
علوم, أخبار الذكاء الاصطناعي, الذكاء الصناعي, أخبار الإمارات العربية المتحدة, روسيا, أخبار روسيا اليوم, منوعات
شبكات عصبونية ذكية من روسيا في الإمارات
تم تقديم فرقة تعلم آلي جماعية جديدة من الشبكات العصبونية، التي تحدد بشكل أكثر دقة الأشياء الموجودة في الصور، التي لم يتم تحميلها في قواعد البيانات، وذلك من قبل علماء روس في المؤتمر الدولي لمعالجة الصور "ICIP 2024" في أبو ظبي.
وبحسب تأكيد الباحثين، فإن الخوارزمية الجديدة سوف تساعد في المستقبل على تطوير مجال المركبات المسيرة والتشخيص الطبي، حيث من المهم التمييز بين العناصر غير المعرفة والتحف الرسومية.
بالفعل مع زيادة حجم البيانات، تظهر الحاجة إلى ابتكار شبكات عصبونية أكثر موثوقية قادرة على تصنيف كائنات جديدة والتعرف على حالات التداخل التقني التي تنشأ حتمًا عند الحصول على صورة.
يُطلق على مجمل جميع المعلومات غير المعروفة اسم "بيانات خارج التوزيع" (OOD). في إشارة إلى إن العامل البشري عند اكتشاف (OOD) يمكن أن يؤدي إلى عواقب غير مرغوب فيها. وبالتالي
قام مبتكرو الخوارزمية بحل هذه المشكلة باستخدام التنوع في نموذج الفرقة، مما أدى إلى تقليل الارتباط بين الأحداث وزيادة الدقة الإجمالية للنظام.
قام فريق علمي من الباحثين، بالتعاون مع طلاب من الجامعة الوطنية للبحوث التكنولوجية، ومعهد موسكو للفيزياء والتكنولوجيا، بحل هذه المشكلة
من خلال تطوير فرقة من الشبكات العصبونية. وهذه الفرقة تتكون من عدة نماذج يتم تدريبها على مجموعات فرعية من قواعد البيانات الفردية وتركز على الخصائص الفريدة للصور. ونتيجة لذلك، تحدد الشبكة العصبونية الأشياء في الصور مع الحد الأدنى من الخطأ.
في هذا السياق أشار مكسيم غدانوف، أحد الباحثين في هذا الابتكار، وهو طالب في السنة الثالثة في معهد علوم الحاسوب في الجامعة الوطنية للبحوث التكنولوجية، إلى إن
هذه الشبكات العصبونية أظهرت أفضل النتائج مقارنة بالخوارزميات المماثلة.
وتابع الباحث حديثه قائلاً: "لقد اقترحنا طريقة جديدة لتنويع الفرق وزيادة دقة "رأي" الشبكة العصبونية عند اكتشاف البيانات خارج التوزيع، وهو أمر مهم بشكل خاص لتطبيقه في الظروف الحقيقية".
وأضاف الباحث: "على سبيل المثال، يجب أن يحدد جهاز الطيار الآلي الكائنات بدقة على الطريق من أجل منع وقوع الحوادث. أو من أجل القيام بتشخيص طبي صحيح يجب أن تكون هناك قاعدة بيانات واسعة النطاق.
يمكن أن تكون النماذج غير المعايرة واثقة بشكل مفرط في افتراضاتها غير الصحيحة. أما فيما يتعلق بشبكتنا العصبونية فهي لا تتمتع بالثقة المفرطة، مما يسمح لها بتقييم حساباتها بشكل أكثر موضوعية".
وبحسب قول الباحث فإنه من أجل اكتشاف أخطاء التداخل بشكل أفضل، استخدم الباحثون نهج "OutlierExposure"، والذي يتكون من تدريب نموذج على مجموعات بيانات خاصة. ويذكر أنه تم تطوير الخوارزمية في مختبر الأبحاث العلمية للذكاء الاصطناعي غير الربحي "T-Bank AI Research".
