قوی‌ترین رویکرد در زمینهٔ هوش مصنوعی، یعنی یادگیری ژرف (Deep Learning)، در حال به دست آوردن قابلیت جدیدی تحت عنوان عدم قطعیت است. محققین AI در شرکت‌های اوبر و گوگل در حال کار و تغییر بر روی ۲ مورد از محبوب‌ترین فریمورک‌های یادگیری ژرف هستند تا بتوانند به آنها توانایی مدیریت احتمالات را بدهند. این مسئله راهی را برای هوشمندترین برنامه‌های هوش مصنوعی فراهم می‌آورد تا اعتماد به نفس‌شان را در یک پیش‌بینی یا یک تصمیم اندازه‌گیری کنند و یا به بیانی دیگر، بدانند که چه زمانی باید به خودشان شک کنند.
یادگیری ژرف یا دیپ لرنینگ که در واقع شامل خوراندن داده‌های نمونه به یک شبکهٔ عصبی بزرگ و قدرتمند می‌شود، در طی چند سال اخیر موفقیت بزرگی تلقی شده و ماشین‌ها را قادر ساخته تا اشیاء را در تصاویر شناسایی کرده و به طور نسبتاً عالی از گفتار انسان‌ها رونوشت بردارند. اما همین یادگیری ژرف برای انجام این کارها یا کارهای بزرگ‌تر، به مقدار زیادی دیتای اولیه و قدرت محاسبات احتیاج دارد و حتی می‌تواند در کمال تعجب، بی‌دوام و غیرقابل اطمینان باشد!
حال خبر خوب این است که این رویکرد شک و تردید به خود، می‌تواند اصلاح و راه‌حلی برای این قضیه باشد و از این رویکرد جدید می‌توان به خوبی در زمینه‌های حساس مانند خودروهای خودکار و دیگر دیوایس‌های اتوماتیک و خودگردان استفاده کرد. به گفتهٔ Dustin Tran که هم‌اکنون در گوگل در حال کار بر روی این مسئله است:
ما سیستمی می‌خوایم که درجه‌ای از قطعیت و اطمینان بهمون ارائه بده. اگه یه خودروی خودکار سطح قطعیتش رو ندونه، می‌تونه خطای مهلکی بکنه و این موضوع می‌تونه فاجعه‌بار باشه.
همچنین طبقه گفتهٔ Zoubin Ghahramani، محقق برجستهٔ هوش مصنوعی، پرفسور دانشگاه کمبریج و دانشمند ارشد اوبر:
این حرکت نشانگر این واقعیته که عدم قطعیت، جنبهٔ کلیدی استدلال و هوش انسانیه و اضافه کردن اون به برنامه‌های هوش مصنوعی می‌تونه اونا رو هوشمندتر کرده و از اشتباهات خیلی بزرگ توسط اون‌ها جلوگیری کنه.
در طی برگزاری کنفرانسی در زمینهٔ هوش مصنوعی در کالیفرنیا (که توسط Noah Goodman تنظیم شده بود)، گروهی از محققین دور هم جمع شدند تا راجع به Pyro بحث کنند. Pyro یک زبان برنامه‌نویسی جدید است که توسط اوبر ابداع شده و یادگیری ژرف را با برنامه‌نویسی احتمال‌گرا ادغام می‌کند (برای آشنایی بیشتر با این زبان، به مقالهٔ Pyro: زبان برنامه‌نویسی اختصاصی اوبر، اپن‌سورس و ایده‌آل برای مدل‌سازی احتمالات مراجعه نمایید).
نوح گودمن پروفسور دانشگاه استنفورد است که با لابراتوار هوش مصنوعی اوبر هم همکاری دارد. در میان افرادی که جمع شده بودند، Tran که در توسعهٔ زبان Pyro شرکت داشته هم حضور داشت. گودمن توضیح داد که دادن توانایی مدیریت احتمالات به هوش مصنوعی می‌تواند به طرق مختلف باعث هوشمندتر شدن آن شود.
به عنوان مثال، می‌تواند به برنامه کمک کند که با درجه‌ای منطقی از قطعیت، چیزهای مورد نظر را از میان چند نمونه به جای هزاران نمونه شناسایی کند. ارائهٔ میزانی از عدم قطعیت به جای یک جواب یک کلام بلی یا خیر، می‌تواند در مهندسی سیستم‌های پیچیده هم مثمرثمر باشد.
در حالی که یک سیستم یادگیری ژرف قراردادی می‌تواند تنها از طریق داده‌هایی که به آن داده می‌شود یاد بگیرد، زبان Pyro می‌تواند برای بیلد کردن یک سیستم از پیش برنامه‌نویسی شده با دانشی خاص، مورد استفاده قرار بگیرد؛ در واقع، این مسئله می‌تواند در هر جایی که #یادگیری ماشینی اخیراً به آن راه پیدا کرده مفید باشد.
گودمن در این رابطه اظهار داشته است که خصوصاً در مواردی که شما دانشی قبلی دارید که قصد دارید در یک مدل به کار ببرید، برنامه‌نویسی احتمال‌گرا (Probabilistic Programming) به شدت کارآمد خواهد بود و افراد می‌توانند Pyro را برای چیزهای مختلف مورد استفاده قرار بدهند.
Edward یک زبان برنامه‌نویسی دیگر است که قابلیت عدم قطعیت را ساپورت می‌کند و این زبان در دانشگاه کلمبیا با سرمایه‌گذاری DARPA ساخته شده است. هم Pyro و هم Edward، هر دو در مراحل اولیهٔ توسعه‌شان هستند ولی با ویژگی‌هایی که دارند، علاقهٔ گوگل و اوبر به آنها جای سؤال ندارد!
اوبر، ماشین لرنینگ را در زمینه‌های بی‌شماری از مسیریابی رانندگان گرفته تا تنظیم افزایش قیمت‌ها و صد البته خودروهای خودکارش استفاده می‌کند. این کمپانی به شدت در صنعت #هوش مصنوعی سرمایه‌گذاری کرده و شماری از متخصص را برای کار روی ایده‌های جدید خود استخدام کرده است. گوگل هم اخیراً کل کسب‌وکارش را با به‌کارگیری هوش مصنوعی و یادگیری ژرف احیا کرده است.
David Blei، پروفسور آمار و علوم رایانه‌ای در دانشگاه کلمبیا و همین‌طور مشاور Tran اعتقاد دارد که ترکیب یادگیری ژرف و برنامه‌نویسی احتمال‌گرا، ایده‌ای نویدبخش است که به کار بیشتری احتیاج دارد. در اصل، این ایده پروژهٔ قدرتمندی است اما چالش‌های فنی بسیاری بر سر راهش وجود خواهند داشت!
با این حال، همان‌طور که گودمن اشاره می‌کند، زبان‌های Pyro و Edward برای کنار هم آوردن ۲ عرصهٔ رقابتی که یکی بر شبکه‌های عصبی متمرکز است و دیگری بر روی احتمالات، لازم و ملزوم هستند.
در سال‌های اخیر، عرصهٔ شبکهٔ عصبی چنان غالب بوده که موجب شده ایده‌های دیگر خیلی مجال پیدا نکنند و به نوعی رها شوند، اما در حال حاضر برای حرکتی رو به جلو، شاید یادگیری ژرف نیاز به در نظر گرفتن حوزه‌های دیگر هم داشته باشد و طبق اشارهٔ گودمن، لازم نیست به این مسائل دیدی جداگانه داشت، بلکه آنها می‌توانند کنار هم و با هم بیایند و تلاش آنها هم بر این است که ابزاری بسازند که از عرصه‌های مختلف در کنار هم بهره ببرند.
