Kioxia با هدایت ماموریت خود برای “افزایش جهان با “حافظه”، به کمک به توسعه هوش مصنوعی و فناوری های ذخیره سازی با گسترش هوش مصنوعی حافظه محور فراتر از طبقه بندی تصویر به حوزه های دیگر و با ترویج تحقیق و توسعه هوش مصنوعی ادامه خواهد داد. فناوری با استفاده از ظرفیت ذخیره سازی
مرجع اخبار سخت افزار کامپیوترایران
علاوه بر این، با استفاده از دادههای ارجاعشده از ذخیرهسازی زمانی که شبکه عصبی تصاویر را طبقهبندی میکند، میتوان اساس نتایج طبقهبندی را تجسم کرد، که باید توضیحپذیری هوش مصنوعی را بهبود بخشد.[3] و مشکل جعبه سیاه را کاهش دهد و به نوبه خود امکان اصلاح انتخابی منابع دانش را فراهم کند. علاوه بر این، با تجزیه و تحلیل داده های ارجاع شده، می توان سهم هر داده ذخیره شده را با توجه به فراوانی مراجع ارزیابی کرد.
در تکنیکهای متداول هوش مصنوعی، شبکههای عصبی برای کسب دانش با بهروزرسانی پارامترهایی به نام «وزن» آموزش داده میشوند. پس از آموزش کامل، برای به دست آوردن دانش جدید، یک شبکه عصبی باید یا از ابتدا بازیافت شود یا با داده های جدید پالایش شود. اولی بسیار وقت گیر است و هزینه های انرژی زیادی را مصرف می کند، در حالی که دومی نیاز به به روز رسانی پارامترها دارد و با مشکل فاجعه بار فراموشی از دست دادن دانش به دست آمده در گذشته روبرو می شود که منجر به بدتر شدن دقت طبقه بندی می شود.
برای پرداختن به مسائل مربوط به هزینه و دقت در سیستمهای طبقهبندی تصویر مبتنی بر شبکه عصبی، راهحل جدید مقادیر زیادی از دادههای تصویر، برچسبها و نقشههای ویژگی تصویر را به عنوان دانش در یک ذخیرهسازی با ظرفیت بزرگ ذخیره میکند. سپس شبکه عصبی تصاویر را با مراجعه به این دانش ذخیره شده طبقه بندی می کند (شکل 1). با استفاده از این روش، دانش را می توان با افزودن برچسب های تصویر جدید و نقشه های ویژگی به داده های ذخیره شده اضافه یا به روز کرد. از آنجایی که نیازی به آموزش مجدد یا به روز رسانی وزنه ها نیست، که می تواند باعث “فراموشی فاجعه بار” شود، طبقه بندی تصاویر را می توان با دقت بیشتری حفظ کرد.