در ماههاي اخير شركتهايي نظير مايكروسافت، گوگل، اپل، فيسبوك و ساير فعالين حوزه فناوري اظهار كردهاند كه ابزارهاي همراه يا موبايلهاي هوشمند با ظهور هوش مصنوعي در جايگاه دوم اهميت قرار گرفتهاند. امروزه دستيارهاي صوتي هوشمند و ساير سرويسهايي از اين دست در حال توسعه روزافزون هستند تا جايگزين روشهاي قديميتر انجام كارها روي موبايلهاي هوشمند و كامپيوترها باشند.
به دنبال محبوبيت هوش مصنوعي در دنيا فناوري دو نام يادگيري ماشين و يادگيري عميق به دفعات شنيده ميشوند. موارد مذكور از شيوههايي است كه به هوش مصنوعي ميآموزند چطور وظايف خود را انجام دهد و متخصصد آن بسيار فراتر از دستيارهاي صوتي هوشمند است. در ادامه اين مقاله به تفاوتهاي يادگيري ماشين و يادگيري عميق ميپردازيم.
امروزه كامپيوترهاي ميبينند، ميشنوند و صحبت ميكنند
با كمك يادگيري ماشين كامپيوترهاي امروزي ميتوانند شرايط جوي و وضعيت بازار سهام را پيشبيني كنند، عادات خريد متخصصان را تشخيص دهند و روباتهاي يك كارخانه را كنترل كنند. گوگل، آمازون، نتفليكس، فيسبوك، لينكدين و شركتهايي كه به تعداد بالايي متخصص خدماترساني ميكنند همگي از يادگيري ماشين استفاده ميكنند. اما در مركز همه اين يادگيريها چيزي وجود دارد كه به آن الگوريتم ميگوييم.
الگوريتم يك برنامه كامل كامپيوتر محسوب نميشود؛ بلكه اگر بخواهيم به سادگي آن را توضيح دهيم به مجموعه محدودي از گامها براي حل يك مساله الگوريتم گفته ميشود. براي مثال يك موتور جستوجوگر با اتكا بر الگوريتم جستوجوي ويژه خود با توجه به كلمه ورودي متخصص و اتصال با يك پايگاه داده، نتايج جستوجو را نمايش ميدهد. براي رسيدن به چنين نتيجهاي چندين گام و مرحله نياز است.
يادگيري ماشين از حدود سال ۱۹۵۶ با فعاليتهاي دانشمنداني نظير آرتور سميوئل پا به عرصه گذاشت. سميوئل قصد نداشت برنامهاي طولاني و پر جزييات براي كامپيوتري بنويسد و از طريق آن موفق به شكست يك حريف انساني در بازي چكرز شود. او به دنبال راه حل جايگزيني بود و بالاخره موفق به خلق الگوريتمي شد كه به كامپيوتر اجازه ميداد هزاران بار در مقابل خود بازي كند. از اين طريق كامپيوتر قادر به يادگيري بازي در مقابل ساير حريفان و در سال ۱۹۶۲ موفق به شكست قهرمان چكرز ايالت كنتيكت شد.
آنطور كه در مثال بالا مشخص شد، يادگيري ماشين بر شيوه سعي و خطا استوار است. ما قادر نيستيم برنامهاي براي ماشينهاي خودران بنويسيم كه تفاوت يك عابر پياده با درخت يا يك وسيله نقليه را تشخيص دهند؛ اما قادريم الگوريتمي براي اين مساله بنويسيم كه كامپيوتر با استفاده از آن و دادههاي ديگر قادر به حل مساله باشد. چنين الگوريتميهايي در مواردي ديگر، نظير پيشبيني مسير حركت يك طوفان، تشخيص زودهنگام آلزايمر، تشخيص بيشترين و كمترين ميزان دريافت مالي ستارههاي فوتبال و... متخصصد دارند.
يادگيري ماشين به طور معمول روي ابزارهاي سطح پايين اجرا ميشود و مسائل را به بخشهاي كوچكتر تقسيم ميكند. هر بخش به شكل جداگانه حل ميشود و پاسخ نهايي از تركيب جواب همه بخشها به دست ميآيد. تام ميچل، از فعالان شناخته شده حوزه يادگيري ماشين در دانشگاه كارنگي ملون توضيح ميدهد كه برنامههاي كامپيوتري به شكل دائم در حال يادگيري از تجربيات خود هستند و عملكرد آنها در انجام فعاليتهايي كه به آنها واگذار ميشود در حال پيشرفت است. الگوريتمهاي يادگيري ماشين به برنامهها اين امكان را ميدهند كه اقدام به پيشبيني كنند و به مرور زمان با استفاده از سعي و خطا در ارائه چنين پيشبينيهايي بهبود يابند.
در ادامه به چهار مدل اصلي يادگيري ماشين ميپردازيم:
يادگيري ماشين تحت نظارت
در اين سناريو، برنامه كامپيوتري با دادههايي برچسبدار تغذيه ميشود. براي مثال اگر بخواهيم با يك الگوريتم مرتب سازي تصاوير، عكسهاي دخترها و پسرها را تشخيص دهيم، عكسهاي دخترها با برچسب دختر و عكسهاي پسرها با برچسب پسر به كامپيوتر معرفي ميشوند. اين عكسها به عنوان مجموعهاي از دادهها براي يادگيري كامپيوتر به كار ميروند و برچسبها تا زماني كه برنامه قادر به تشخيص با نرخ قابل قبولي باشد در جاي خود باقي ميمانند.
يادگيري ماشين نيمه نظارتي
در اين نوع، تعداد محدودي از عكسها شامل برچسب ميشوند. برنامه كامپيوتري از الگوريتمي استفاده ميكند تا بهترين حدس خود را براي تشخيص عكسهاي بدون برچسب ارائه دهد و سپس دادهها براي تمرين به برنامه بازگردانده ميشوند؛ سپس دستهاي ديگر از عكسها با تعداد كمي برچسب به برنامه داده ميشوند. اين يك فرايند تكرار شونده است و تا رسيدن به نرخ مناسبي از پاسخهاي درست ادامه مييابد.
يادگيري ماشين بينظارت
اين شيوه از يادگيري ماشين شامل هيچ برچسبي نيست. به جاي آن، برنامه به شكلي تصادفي انتخاب عكسهاي دخترها و پسرها را با استفاده از يكي از دو الگوريتمي كه در ادامه توضيح داده ميشود انجام ميدهد. اولين الگوريتم خوشهبندي نام دارد و اشيا را بر اساس ويژگيهايي از قبيل بلندي مو، اندازه فك، محل قرارگيري چشمها و... گروهبندي ميكند. الگوريتم ديگر وابستگي نام دارد كه برنامه به كمك آن قوانيني شرطي بر اساس شباهتهايي كه مييابد ميسازد. به عبارتي ديگر، برنامه الگويي در ميان عكسها مييابد و آنها را بر همان اساس مرتب ميسازد.
يادگيري ماشين تقويتي
بازي شطرنج يكي از بهترين مثالها براي تشريح اين نوع الگوريتم است. برنامه كامپيوتري قوانين بازي و اين كه چطور بازي كند را ميداند و مراحل را طي ميكند تا بازي را به پايان برساند. تنها اطلاعاتي كه در اختيار برنامه قرار ميگيرد نتيجه برد يا باخت بازي است. سپس برنامه به بازي ادامه ميدهد و حركات موفق خود را ثبت ميكند تا بالاخره موفق به پيروزي شود.
حال كه تا حدودي با يادگيري ماشين آشنا شديم به سراغ مباحثه يادگيري عميق ميرويم.
يادگيري عميق
يادگيري عميق درواقع همان يادگيري ماشين در سطحي عميقتر است. شايد به طعنه بگوييد اين كه از اسمش هم پيدا بود؛ اما يادگيري عميق در واقع از نوع عملكرد مغز انسان الهام گرفته است و به ابزارهاي پيشرفته مانند كارتهاي گرافيك قدرتمند براي محاسبات پيچيده و حجم زيادي از كلانداده نياز دارد. حجم كم دادهها در اين الگوريتم به نتايج و عملكردي ضعيفتر ختم ميشود.
برخلاف الگوريتمهاي يادگيري ماشين استاندارد كه مسائل را به بخشهاي كوچكتر تقسيم و سپس آنها را حل ميكنند، يادگيري عميق، مسائل را به شكل كامل حل ميكند. هر چه حجم داده بيشتر و زمان بيشتري در اختيار الگوريتمهاي يادگيري عميق قرارگيرد، نتيجه نهايي بهتر خواهد بود.
ما در حال گذار از دنياي مبتني بر ابزارهاي همراه به دنياي مبتني بر هوش مصنوعي هستيم
در مثال تشخيص عكسهاي پسر و دختر در يادگيري ماشين، ديديم كه اين الگوريتمها عكسها را به شكل دستهاي از دادهها مطالعه ميكردند؛ اما در يادگيري عميق، برنامه تمامي پيكسلهاي عكسها را اسكن ميكند تا كل شكلها و لبههايي را كه ممكن است در تشخيص جنسيت مفيد باشند به دست آورد. سپس برنامه اشكال ثبت شده را به نحوي اولويتبندي ميكند كه ميزان اهميت آنها در فرايند تشخيص جنسيت معلوم باشد و آنها را در دستهبنديهاي جداگانه قرار ميدهد.
الگوريتمهاي يادگيري ماشين در سطحي سادهتر قادر هستند اشكالي نظير مثلث يا مربع را با تعاريفي كه ما به آنها دادهايم تشخيص دهند. براي مثال مثلث سه راس و مربع چهار راس دارد. در يادگيري عميق، برنامه با اطلاعات از پيش تعيين شده آغاز به كار نميكند. به جاي آن، برنامه ميكوشد تا تعداد خطهاي موجود در اشكال را شناسايي كند يا ارتباط خطها با هم نظير متقاطع يا عمود بودن را بيايد. درنتيجه اگر برنامه با شكلي مانند دايره مواجه شود، تشخيص خواهد داد كه چنين شكلي در دسته اشكالي مانند مربع يا مثلث قرار نميگيرد.
فرايند يادگيري عميق به سختافزاري قدرتمند براي پردازش كلاندادههاي توليد شده توسط اين الگوريتم نياز دارد. چنين سخت افزارهايي معمولا در مراكز دادهاي مستقر هستند كه با ايجاد يك شبكه عصبي مصنوعي، قادر به فراهم كردن توان پردازشي مورد نياز برنامههاي هوشمند گوناگون و كلاندادههاي آنها باشند. همچنين برنامههايي كه از يادگيري ماشين استفاده ميكنند به زمان بيشتري جهت يادگيري نياز دارند زيرا اين برنامهها بدون كمك و ميانبرهاي انساني مشغول به فعاليت هستند.
امروزه يادگيري عميق به گونهاي به كمك انسان آمده كه امكان ساخت و بهبود بسياري از سرويسها را فراهم كرده است. خودروهاي خودران، خدمات پيشگيري در امور بهداشتي و درماني و حتي پيشنهاد فيلمهاي بهتر همگي امروز محقق شدهاند يا به زودي به بهرهبرداري كامل ميرسند. آن طور كه مايكل كوپلند از شركت انويديا ميگويد، با كمك يادگيري عميق، هوش مصنوعي احتمالا به سطحي مشابه فيلمهاي علمي تخيلي خواهد رسيد كه مدتها تصور آن را داشتيم.
آيا پديده اسكاينت به زودي محتمل است؟
به انديشه متخصصين ميرسد كه جواب اين سوال به وضوح منفي باشد و طرفداران فيلم نابودگر بايد همچنان منتظر بمانند. بهترين مثال يادگيري عميق، برنامه مترجم است. اين فناوري قادر است به صحبتهاي يك فرد انگليسيزبان گوش دهد و به شكل بلادرنگ آن را در قالب متن يا صداي الكترونيكي به زبانهاي ديگر ترجمه كند. چنين موفقيتي كه پس از سالها به دست آمده، ناشي از فرايند آرام يادگيري به دليل تفاوتهاي زباني و پيچيدگيهاي آن و همچنين بلوغ قابليتهاي سختافزاري به مرور زمان است.
يادگيري عميق بنيان چتباتهايي نظير كورتانا، الكسا، فيسبوك، اينستاگرام و... را شكل داده است. در شبكههاي اجتماعي الگوريتم يادگيري عميق مسئول معرفي افراد يا صفحههاي جديد به متخصصان است و اين الگوريتمها به شركتها اجازه ميدهند كه تبليغات خود را بر اساس متخصصان مختلف شخصيسازي كنند.
موردي كه در پايان ميتوان براي آينده به طور حتم پيشبيني كرد، حذف بسياري از شكلهاي رايج امروزي كامپيوتر از زندگي انسان است. آنطور كه ساندر پيچاي، مديرعامل گوگل، ميگويد: "به مرور زمان، كامپيوتر، بدون توجه به شكلهاي مختلف آن، به دستيار هوشمندي تبديل خواهد شد كه در فعاليتهاي روزانه به شما ياري ميرساند. ما در حال گذار از دنياي مبتني بر ابزارهاي همراه به دنياي مبتني بر هوش مصنوعي هستيم."
هم انديشي ها