چرا تحلیل های ما در اتفاقات جدید گاها اشتباه میشه؟! ما در آموزش مدل های #هوش_مصنوعی عبارتی داریم به اسم «بیش یادگیری» یا «بیش برازش» (Overfitting)! در فرآیند آموزش به رایانه ها، ما دو (یا سه) دسته اطلاعات فراهم می کنیم. دسته اول اطلاعات، دسته ای است که قراره مدل ما را آموزش بدهد. دسته دوم (و سوم) اطلاعات دسته(ها)ای است که قدرت یادگیری مدل ما با آن بررسی و سنجش میشه. ما با دسته اول مدل را «خرفهم» (دقیقا همین!) میکنیم. با دسته دوم بهش میگیم نظرت درباره این داده ها چیه؟ اگه درست جواب داد خطای ما در مرحله آموزش و مرحله آزمون خوب خواهد بود. «بیش آموزش» زمانی رخ میده که در فرایند آموزش رایانه برای یادگیری چیزی، خطای مدل موقع آموزش با دسته اول اطلاعات خیلی کم و دقتش خیلی خوب میشه اما خطای مدل هنگامی که داده های دسته دوم و سوم ( دسته آزمون) را بهش میدیم زیاد و دقتش کم میشه. اونوقته که باید بزنیم پس کله اش و بهش بگیم: "ای کودن!" من میخوام بگم ذهن ما هم میتونه اینجوری بشه! شبکه های اجتماعی و پیام رسان ها، چه از طرف دشمن و چه داخلی باشند یک سری داده به شما میدهند با تحلیل های آماده! مثلا کلیپ های ویدئویی را با تحلیل افراد مختلف به شما نشون میدن. ذهن و شبکه عصبی شما یاد میگیره که با چه داده ای چه تحلیلی باید انجام بده! روزها و سالها اینکار را میکنند. خوب مدل شخص شما آموزش دید. حالا اگه شما از این کلیپ ها جایی ببینید سریع همون تحلیلی که یاد گرفتید را ارائه میکنید. بقیه هم میگن عجب تحلیل گری هست! دمش گرم! شما هم ذوق میکنی و حس دانشمندی کاذب بهت دست میده! اگه مردی روی کلیپ جدید نظر بده! حالا نوبت ماهیگیریه! یه کلیپ جدید به شما عرضه میشه! حالا مدل شبکه عصبی و تحلیلی شما یاد گرفته چجوری تحلیل کنه! دقیقا مطابق خواسته های اون سیستم تزریق داده به شما! تحلیل جدید شما خیلی خوشگل میره سمت تحلیل های دانشمندانه قبلی! حالا دو تا اتفاق داریم! اگر داده های اولیه داده های حق و صحیحی باشند (که هیچ منبعی برای صحت سنجی داده های فضای مجازی وجود ندارد!) مدل شما یادگیری حقی را خواهد داشت و برعکس! اتفاق دوم اینه که اگر با داده هایی (چه حق و چه ناحق) با کیفیت بد، پراکنده، و بد کیفیت و یا حتی ناشی از استفاده افراطی از شبکه های اجتماعی و پیامرسان ها، مدل ذهن شما آموزش ببینه، با داده ای جدید، نتیجه گیری اشتباه خواهد داشت و اینجاست که بیش یادگیری میتونه رخ بده. یک راه جلوگیری از این اتفاق اصلاح داده های تزریق شده است! راه دوم کاهش تکرار های آموزش هست. یعنی رژیم مصرف رسانه راه سوم حذف برخی عملگرهای فرایند آموزش! یعنی میدان دید را گسترده تر کنیم و سعی نکنیم در هر چیزی از ماست مو بکشیم بیرون! اصطلاحی داریم به نام Dropout، در این مثال ما میشه همان عبارت (نمیدونم). یکی از شما درباره فلان مسئله ای که ربط مستقیمی به شما نداره تحلیل خواست بگید نمیدونم، نظری ندارم! یعنی در فرایند آموزش برخی داده ها را عمدا از ذهن پاک کنید و یا مانع نتیجه گیری ذهنتون روی اون بشید! راه های دیگه ای هم میتوان شمرد. در آخر: مصرف مون از اینترنت را کنترل کنیم! سعی نکنیم هرچیزی را در اینترنت ببینیم و یا از هر منبعی اطلاعات بگیریم. خیلی از چیزها هیچ تاثیری در زندگی ما ندارند. قرار نیست ما در همه مسائل صاحب نظر باشیم. بدانیم داده از هر ورودی ای به وجود ما وارد بشه، تقریباً هیچ فیلتری برای ممانعت از ورود آن به فرآیند آموزش مدل های هوشی ما وجود نخواهد داشت. پس داده ها را قبل از ورود کنترل کنید: «فَلْيَنْظُرِ الْإِنْسانُ إِلى‌ طَعامِهِ»! امام باقر عليه السلام در ذيل این آيه‌ فرمودند: انسان بنگرد كه علم خود را از چه كسى مى‌گيرد! @dr_omidi

مراقب ورودی‌ها باشیم داده‌ها را کنترل کنیم @dr_omidi

اگه حال خوندن این متن را ندارید، آن را بشنوید. @dr_omidi

به لینک زیر برید سایت توسط یک مدل #هوش_مصنوعی DCGAN قوی، برای شما تصویر یک شخصیتی که اصلا وجود خارجی ندارد را میسازد. https://this-person-does-not-exist.com/en برای ساخت اکانت فیک در شبکه های اجتماعی مناسبه 😏🤐 مثلا ایشون یک مرد 37 تا 50 ساله در غرب آسیا هستند (نیستند)! @dr_omidi

ضمن تشکر از محبت دوستانم، بنده به مرحله نهایی این برنامه راه پیدا کردم و برای برگزیده شدن نیاز به رای مجدد شما دارم محبت کنید عدد ۵۸۰ را دوباره به شماره 30000881 ارسال بفرمایید. سپاس @dr_omidi

و بالاخره این هم نتیجه مسابقه پرچمدار 😊 تشکر از همه بزرگوارانی که محبت کردند و به بنده رای دادند @dr_omidi

اگر عبارت #حروم_زاده گفتنش خیلی احتیاط میخواد اما این روزها توی توییترِ لجن میتونید این عبارت را زیر تمام توییت هایی که این هشتگ ملعون را زده اند با طیب خاطر استفاده کنید. زیرش هم بزنید: #بر_ابن_ملجم_لعنت @dr_omidi

امشب، در مجلسی، بزرگواری از اختلاف های خوب و بد گفتند. من هم طبق معمول از فرصت استفاده کردم و این سؤال را از مدل زبانی #هوش_مصنوعی پرسیدم. و جوابش: هوش مصنوعی از اختلافات میگه اختلاف خوب و سازنده و مفید شامل اختلافات زیر است: 1- اختلاف نظرات و دیدگاه‌های مختلف برای رسیدن به راه‌حل‌های بهتر و برتر. 2- اختلاف در وجهات نظرات و شخصیت‌ها برای داشتن تجربه‌های متنوع و پویا. 3- اختلاف در چشم اندازها و هدف‌ها برای دادن تحریک به فرد برای دنبال کردن هدف خودش. اختلاف بد و تخریب کننده و مضر شامل اختلافات زیر است: 1- اختلاف دیدگاه‌های تعصبی و ناپذیر برای تحریک نزاع و جدال بین اشخاص. 2- اختلاف در تعارض منافع، صراع و رقابت غیر بازنشسته که می‌تواند به خدشه داشتن کارآیی کسب و کارها و انحصار آب و خوراک کسب و کارها منجر شود. 3- اختلاف در نوع تهاجمی و تکین سوزی جامعه که باعث برهم‌خوردن تعامل‌های اجتماعی و حراست شرایط شهروندی می‌شود. پ.ن: کشته عبارت تکین سوزی شدم 😂 @dr_omidi

متن مصاحبه من در ایسنا؛ با موضوع بلوغ دیجیتال لینک: isna.ir/xdNFDr @dr_omidi

🔸بایسته‌های مواجهه کودکان با فناوری دیجیتال کارشناس فضای مجازی گفت: پدر و مادرها باید بتوانند قوانین مشخص را برای استفاده فرزندان از ابزار دیجیتال در خانه وضع کنند، مثلاً اينكه کودکان و نوجوانان تنها برای یک ساعت در شبانه‌روز می‌توانند از این ابزارها شامل گوشی، تلویزیون، ابزارهای بازی‌ رایانه‌ای و ... استفاده کرده و مابقی اوقات فرزندان به شیوه‌های دیگر پر شود. در گفت‌وگو با امید امیدی 👇 https://shahrekord.iqna.ir/fa/news/4134673 🆔https://eitaa.com/shahrekordiqna

یک ابزار هوش مصنوعی برای تبدیل نقاشی های کودکان به انیمیشن Try the tool: http://bit.ly/3UBRDMc Research paper: http://bit.ly/3mq6Hjj Code & Dataset: http://bit.ly/407XJoH @dr_omidi