هوش مصنوعی

هوش مصنوعی و یادگیری ماشین در خدمت پیشرفت آموزشی نیجریه

 گروه تحقیقاتی WINEST (شبکه‌های بی‌سیم و تکنولوژی سیستم‌های جاسازی شده) در قالب بخشی از مشارکت در ITU Focus Group در حوزه یادگیری ماشین برای شبکه‌های آینده از جمله 5G (FG ‑ ML5G)، مارس 2019 مطالعه‌ای را درخصوص «موارد استفاده و راه‌حل‌های مهاجرت به شبکه‌های IMT ‑ 2020 / 5G  در بازارهای نوظهور» انجام داد. هدف این مطالعه، تعیین این موضوع بود که یادگیری ماشین (Machine learning)چگونه ضمن استفاده از فناوری‌های جهشی برای بهینه‌سازی مصرف انرژی، پوشش شبکه و ارتباطات بالادستی، از شبکه‌های نوظهور نیز استفاده می‌کند.

هوش مصنوعی و یادگیری ماشین در خدمت پیشرفت آموزشی نیجریه

این مطالعه، پیشنهاد پروژه «کلاس مبتنی بر هوش مصنوعی» را که برای بهبود آموزش دانش‌آموزان جوان در آفریقا طراحی شده، موجب شد. این پروژه توسط دانشجویان با راهنمایی جیمز آگاجو، دانشیار و ريیس گروه تحقیقاتی WINEST در گروه مهندسی کامپیوتر دانشگاه فنی فدرال شهر مینا در نیجریه انجام می‌شود. با پردازش زبان طبیعی مبتنی بر هوش مصنوعیNLP) )، مکالمات بین دانش‌آموزان و معلمان در لبه شبکه (network edge) پردازش می‌شود تا کلمات کلیدی را استخراج کنند در حالی که ناشناس بودن گوینده حفظ می‌شود.

این کلمات کلیدی به یک طبقه‌بندی‌کننده آموزش‌دیده در سرور مرکزی منتقل می‌شوند که می‌تواند جذاب کردن محتوای رسانه‌ای، ارايه مثال‌های بصری به دانشجویان و پشتیبانی از توضیحات یک معلم را توصیه کند. سپس محتوای رسانه روی صفحه‌نمایش دیجیتالی در کلاس به اشتراک گذاشته می‌شود. این سیستم بیشتر برای جایگزینی معلمان مدارس ابتدایی طراحی شده است. یک کتابخانه کارآمد برای تشخیص گفتار، پیش‌نیاز اساسی برای توسعه یک کلاس مبتنی بر هوش مصنوعی است.

• تشخیص گفتار خودکار براي آفريقا

تیم تحقیقاتی در جست‌وجوی یک کتابخانه تشخیص گفتار بود که به شکل محلی کار كرده، نگرانی‌های مربوط به حریم خصوصی کاربران را مرتفع كند و به صورت رایگان در دسترس باشد. با توجه به تعدد فوق‌العاده زبان‌های رایج در سراسر نیجریه و آفریقا، یک کتابخانه که برای پردازش زبان انگلیسی با روش‌های مختلف، کارآیی لازم را داشته باشد، ضروری است. بسیاری از کتابخانه‌های نرم‌افزار ارزیابی توسط تیم تحقیقاتی ارزیابی شد اما هیچ‌یک از آنها موفق به تامین تمام این شرایط نشدند. این امر، منجر به راه‌اندازی پروژه جدید WINEST Group Research در فوریه 2020 برای توسعه چارچوب تشخیص گفتاری جدید شد که بتواند نیازهای منحصر به فرد پروژه کلاس مبتنی بر هوش مصنوعی را برآورده کند. این پروژه از مباحثی که با ارايه تیم تحقیقاتی در کلاس مبتنی بر هوش مصنوعی ایجاد شد، در هفتمین کارگاه منطقه‌ای «استانداردسازی شبکه‌های آینده به منظور ایجاد آفریقایی با اتصال بهتر» که در تاریخ 3 تا 4 فوریه 2020 توسط اتحادیه بین‌المللی ارتباطات از راه دور در شهر ابوجا در نیجریه تشکیل شد، تکامل یافت.

بازخورد تخصصی ارايه‌شده در کارگاه منطقه‌ای ابوجا، انگیزه راه‌اندازی یک پروژه آزمایشی در نیجریه برای توسعه سیستم تشخیص گفتار خودکار آفریقا (ASR.) بود. تیم تحقیقاتی در حال جمع‌آوری داده‌های گفتار و تولید موتور ASR است تا نمونه اولیه‌ای را ارايه دهد كه قادر باشد توسعه سیستمی را كه برای استقرار در بازار هدایت می‌شود، عرضه كند. برای حمایت از جمع‌آوری اطلاعات لازم، برنامه تلفن همراه وازوبیا (Wazobia) توسعه داده شده است؛ جایی که اهداکنندگان صدا در نیجریه، متن ارايه‌شده را با صدای بلند می‌خوانند و ضبط را به صورت ناشناس اهدا می‌کنند.

• وازوبیا چیست؟

وازوبیا ترکیبی از سه کلمه (wa) ،Hausa (zo)  و Igbo (bia)، است. داده‌های گفتار به صورت پیش‌فرض به عنوان تاییدنشده در سرور ما ذخیره می‌شوند و منتظر تایید اعتبار این داده‌ها توسط داوطلبان به وسیله برنامه تلفن همراه Wazobia از طریق جمعیت هستند. این اعتبارسنجی منجر به ارزیابی از صحت رونویسی گفتار ضبط‌شده موتور ASR می‌شود.

تا کنون این پروژه بیش از سه ساعت مجموعه سخنرانی را از بیش از 170 اهداکننده صدا جمع‌آوری کرده است. مرحله توسعه سیستم ASR آفریقا شامل پیش‌پردازش داده‌ها، آموزش و طراحی نرم‌افزار است. این پروژه، از جعبه ابزار Wav2letter ++ ASR استفاده می‌کند و به مقاله تحقیق هوش مصنوعی فیس‌بوک به عنوان پیاده‌سازی مرجع توجه دارد. تیم تحقیقاتی در حال تقسیم‌بندی و پیش‌پردازش داده‌های جمع‌آوری‌شده برای تنظیمات یادگیری ماشین تحت نظارت و نیمه نظارت است اما تاکنون پروژه ASR آفریقا فقط انگلیسی را به عنوان زبان ورودی می‌پذیرد. هدف این است که همزمان با توسعه پروژه ASR، زبان‌های آفریقایی را به عنوان ورودی معرفی کنیم و قصد داریم با ارايه مجموعه گفتار زبان‌های آفریقایی به چالش‌های آینده اتحادیه بین‌المللی ارتباطات از راه دور با زمینه هوش مصنوعی و یادگیری ماشین در فناوری 5G  و بالاتر، پاسخ دهیم.

• هوش مصنوعی و یادگیری ماشین برای کمک به آفریقا

در مدیریت پاندمی‌ها در آینده، یادگیری ماشین و چالش‌های تکنولوژی5G  همچنان وجود خواهد داشت. به این منظور، برنامه جدید ردیابی تماس با قابلیتBluetooth®  با یادگیری ماشین پشتیبانی می‌شود. این پروژه ردیابی PTA است. جمع‌آوری داده‌ها برای برنامه ردیابی، شامل تشخیص تماس فاصله مستقیم بین تجهیزات کاربر، قدرت سیگنال بلوتوث، مدل تجهیزات کاربر، نسخه سیستم‌عامل داخلی / خارجی (بر اساس نور محیط) و تداخل فرکانس رادیویی (شبکه محلی بی‌سیم) است. سناریوی پیشنهادی، استقرار PTA شامل داده‌های گردآوری‌شده از کاربران دارای بلوتوث قابل کشف است و همه کاربران نیاز به نصب برنامه ندارند. با این وجود، وقتی دو دستگاه متصل به بلوتوث، هر دو،PTA  را نصب کرده‌ باشند، می‌توان با استفاده از داده‌های ژیروسکوپ و شتاب‌سنج دستگاه‌های تلفن همراه، تصویر دقیق‌تری از محیط به دست آورد.

همان‌طور که سازمان بهداشت جهانی و سایر مقامات بهداشتی توصیه می‌کنند، داده‌های آموزشی، مخصوص بیماری‌های همه‌گیر است. مدل‌های پیش‌بینی‌شده در معرض خطر نیز مختص موارد همه‌گیری (آموزش‌دیده و در سرور مرکزی مستقر‌شده) است. تیم تحقیقاتی، اکنون روی گردآوری اطلاعات موردنیاز، متمرکز شده و قصد دارد این داده‌ها را به چالش‌های آینده اتحادیه بین‌المللی ارتباطات از راه دور، در زمینه هوش مصنوعی، یادگیری ماشین، تکنولوژی5G  و فراتر از آن تبدیل كند.