تفاوت یادگیری ماشین و یادگیری عمیق

در ماه‌های اخیر شرکت‌‌هایی نظیر مایکروسافت، گوگل، اپل، فیسبوک و سایر فعالین حوزه فناوری اظهار کرده‌اند که ابزارهای همراه یا گوشی‌های هوشمند با ظهور هوش مصنوعی در جایگاه دوم اهمیت قرار گرفته‌اند. امروزه دستیار‌های صوتی هوشمند و سایر سرویس‌هایی از این دست در حال توسعه روزافزون هستند تا جایگزین روش‌های قدیمی‌تر انجام کار‌ها روی گوشی‌های هوشمند و کامپیوترها باشند.

به دنبال محبوبیت هوش مصنوعی در دنیا فناوری دو نام یادگیری ماشین و یادگیری عمیق به دفعات شنیده می‌شوند. موارد مذکور از شیوه‌هایی است که به هوش مصنوعی می‌آموزند چطور وظایف خود را انجام دهد و کاربرد آن بسیار فراتر از دستیارهای صوتی هوشمند است. در ادامه این مقاله به تفاوت‌های یادگیری ماشین و یادگیری عمیق می‌پردازیم.

 

امروزه کامپیوترهای می‌بینند، می‌شنوند و صحبت می‌کنند

با کمک یادگیری ماشین کامپیوترهای امروزی می‌توانند شرایط جوی و وضعیت بازار سهام را پیش‌بینی کنند، عادات خرید کاربران را تشخیص دهند و روبات‌های یک کارخانه را کنترل کنند. گوگل، آمازون، نتفلیکس، فیسبوک، لینکدین و شرکت‌هایی که به تعداد بالایی کاربر خدمات‌رسانی می‌کنند همگی از یادگیری ماشین استفاده می‌کنند. اما در مرکز همه این یادگیری‌ها چیزی وجود دارد که به آن الگوریتم می‌گوییم.

الگوریتم یک برنامه کامل کامپیوتر محسوب نمی‌شود؛ بلکه اگر بخواهیم به سادگی آن را توضیح دهیم به مجموعه محدودی از گام‌ها برای حل یک مساله الگوریتم گفته می‌شود. برای مثال یک موتور جست‌وجو‌گر با اتکا بر الگوریتم جست‌وجوی ویژه خود با توجه به کلمه ورودی کاربر و اتصال با یک پایگاه داده، نتایج جست‌وجو را نمایش می‌دهد. برای رسیدن به چنین نتیجه‌ای چندین گام و مرحله نیاز است.

یادگیری ماشین از حدود سال ۱۹۵۶ با فعالیت‌های دانشمندانی نظیر آرتور سمیوئل پا به عرصه گذاشت. سمیوئل قصد نداشت برنامه‌ای طولانی و پر جزییات برای کامپیوتری بنویسد و از طریق آن موفق به شکست یک حریف انسانی در بازی چکرز شود. او به دنبال راه حل جایگزینی بود و بالاخره موفق به خلق الگوریتمی شد که به کامپیوتر اجازه می‌داد هزاران بار در مقابل خود بازی کند. از این طریق کامپیوتر قادر به یادگیری بازی در مقابل سایر حریفان و در سال ۱۹۶۲ موفق به شکست قهرمان چکرز ایالت کنتیکت شد.

آن‌طور که در مثال بالا مشخص شد، یادگیری ماشین بر شیوه سعی و خطا استوار است. ما قادر نیستیم برنامه‌ای برای ماشین‌های خودران بنویسیم که تفاوت یک عابر پیاده با درخت یا یک وسیله نقلیه را تشخیص دهند؛ اما قادریم الگوریتمی برای این مساله بنویسیم که کامپیوتر با استفاده از آن و داده‌های دیگر قادر به حل مساله باشد. چنین الگوریتمی‌هایی در مواردی دیگر، نظیر پیش‌بینی مسیر حرکت یک طوفان، تشخیص زودهنگام آلزایمر، تشخیص بیشترین و کمترین میزان دریافت مالی ستاره‌های فوتبال و… کاربرد دارند.

یادگیری ماشین به طور معمول روی ابزارهای سطح پایین اجرا می‌شود و مسائل را به بخش‌های کوچکتر تقسیم می‌کند. هر بخش به شکل جداگانه حل می‌شود و پاسخ نهایی از ترکیب جواب همه بخش‌ها به دست می‌آید. تام میچل، از فعالان شناخته شده حوزه یادگیری ماشین در دانشگاه کارنج ملون توضیح می‌دهد که برنامه‌های کامپیوتری به شکل دائم در حال یادگیری از تجربیات خود هستند و عملکرد آن‌ها در انجام فعالیت‌هایی که به آن‌ها واگذار می‌شود در حال پیشرفت است. الگوریتم‌های یادگیری ماشین به برنامه‌ها این امکان را می‌دهند که اقدام به پیش‌‌بینی کنند و به مرور زمان با استفاده از سعی و خطا در ارائه چنین پیش‌بینی‌هایی بهبود یابند.

در ادامه به چهار مدل اصلی یادگیری ماشین می‌پردازیم:

 

یادگیری ماشین تحت نظارت

در این سناریو، برنامه کامپیوتری با داده‌هایی برچسب‌دار تغذیه می‌شود. برای مثال اگر بخواهیم با یک الگوریتم مرتب سازی تصاویر، عکس‌های دخترها و پسرها را تشخیص دهیم، عکس‌های دخترها با برچسب دختر و عکس‌های پسرها با برچسب پسر به کامپیوتر معرفی می‌شوند. این عکس‌ها به عنوان مجموعه‌ای از داده‌ها برای آموزش کامپیوتر به کار می‌روند و برچسب‌ها تا زمانی که برنامه قادر به تشخیص با نرخ قابل قبولی باشد در جای خود باقی می‌مانند.

 

یادگیری ماشین نیمه نظارتی

در این نوع، تعداد محدودی از عکس‌ها شامل برچسب می‌شوند. برنامه کامپیوتری از الگوریتمی استفاده می‌کند تا بهترین حدس خود را برای تشخیص عکس‌های بدون برچسب ارائه دهد و سپس داده‌ها برای تمرین به برنامه بازگردانده می‌شوند؛ سپس دسته‌ای دیگر از عکس‌ها با تعداد کمی برچسب به برنامه داده می‌شوند. این یک فرایند تکرار شونده است و تا رسیدن به نرخ مناسبی از پاسخ‌های درست ادامه می‌یابد.

 

یادگیری ماشین بی‌نظارت

این شیوه از یادگیری ماشین شامل هیچ برچسبی نیست. به جای آن، برنامه به شکلی تصادفی انتخاب عکس‌های دخترها و پسرها را با استفاده از یکی از دو الگوریتمی که در ادامه توضیح داده می‌شود انجام می‌دهد. اولین الگوریتم خوشه‌بندینام دارد و اشیا را بر اساس ویژگی‌هایی از قبیل بلندی مو، اندازه فک، محل قرارگیری چشم‌ها و… گروه‌بندی می‌کند. الگوریتم دیگر وابستگی نام دارد که برنامه به کمک آن قوانینی شرطی بر اساس شباهت‌هایی که می‌یابد می‌سازد. به عبارتی دیگر، برنامه الگویی در میان عکس‌ها می‌یابد و آن‌‌ها را بر همان اساس مرتب می‌سازد.

 

یادگیری ماشین تقویتی

بازی شطرنج یکی از بهترین مثال‌ها برای تشریح این نوع الگوریتم است. برنامه کامپیوتری قوانین بازی و این که چطور بازی کند را می‌داند و مراحل را طی می‌کند تا بازی را به پایان برساند. تنها اطلاعاتی که در اختیار برنامه قرار می‌گیرد نتیجه برد یا باخت بازی است. سپس برنامه به بازی ادامه می‌دهد و حرکات موفق خود را ثبت می‌کند تا بالاخره موفق به پیروزی شود.

 

حال که تا حدودی با یادگیری ماشین آشنا شدیم به سراغ بحث یادگیری عمیق می‌رویم.

 

یادگیری عمیق

یادگیری عمیق درواقع همان یادگیری ماشین در سطحی عمیق‌تر است. شاید به طعنه بگویید این که از اسمش هم پیدا بود؛ اما یادگیری عمیق در واقع از نوع عملکرد مغز انسان الهام گرفته است و به ابزارهای پیشرفته مانند کارت‌های گرافیک قدرتمند برای محاسبات پیچیده و حجم زیادی از کلان‌داده نیاز دارد. حجم کم داده‌ها در این الگوریتم به نتایج و عملکردی ضعیف‌تر ختم می‌شود.

برخلاف الگوریتم‌های یادگیری ماشین استاندارد که مسائل را به بخش‌های کوچک‌تر تقسیم و سپس آن‌ها را حل می‌کنند، یادگیری عمیق، مسائل را به شکل کامل حل می‌کند. هر چه حجم داده بیشتر و زمان بیشتری در اختیار الگوریتم‌های یادگیری عمیق قرارگیرد، نتیجه نهایی بهتر خواهد بود.

ما در حال گذار از دنیای مبتنی بر ابزارهای همراه به دنیای مبتنی بر هوش مصنوعی هستیم

در مثال تشخیص عکس‌های پسر و دختر در یادگیری ماشین، دیدیم که این الگوریتم‌ها عکس‌ها را به شکل دسته‌ای از داده‌ها بررسی می‌کردند؛ اما در یادگیری عمیق، برنامه تمامی پیکسل‌های عکس‌ها را اسکن می‌کند تا کل شکل‌ها و لبه‌هایی را که ممکن است در تشخیص جنسیت مفید باشند به دست آورد. سپس برنامه اشکال ثبت شده را به نحوی اولویت‌بندی می‌کند که میزان اهمیت آن‌ها در فرایند تشخیص جنسیت معلوم باشد و آن‌ها را در دسته‌بندی‌های جداگانه قرار می‌دهد.

الگوریتم‌های یادگیری ماشین در سطحی ساده‌تر قادر هستند اشکالی نظیر مثلث یا مربع را با تعاریفی که ما به آن‌ها داده‌ایم تشخیص دهند. برای مثال مثلث سه راس و مربع چهار راس دارد. در یادگیری عمیق، برنامه با اطلاعات از پیش تعیین شده آغاز به کار نمی‌کند. به جای آن، برنامه می‌کوشد تا تعداد خط‌های موجود در اشکال را شناسایی کند یا ارتباط خط‌ها با هم نظیر متقاطع یا عمود بودن را بیاید. درنتیجه اگر برنامه با شکلی مانند دایره مواجه شود، تشخیص خواهد داد که چنین شکلی در دسته اشکالی مانند مربع یا مثلث قرار نمی‌گیرد.

فرایند یادگیری عمیق به سخت‌افزاری قدرتمند برای پردازش کلان‌داده‌های تولید شده توسط این الگوریتم نیاز دارد. چنین سخت افزارهایی معمولا در مراکز داده‌ای مستقر هستند که با ایجاد یک شبکه عصبی مصنوعی، قادر به فراهم کردن توان پردازشی مورد نیاز برنامه‌های هوشمند گوناگون و کلان‌داده‌های آن‌ها باشند. همچنین برنامه‌هایی که از یادگیری ماشین استفاده می‌کنند به زمان بیشتری جهت یادگیری نیاز دارند زیرا این برنامه‌ها بدون کمک و میان‌برهای انسانی مشغول به فعالیت هستند.

امروزه یادگیری عمیق به گونه‌ای به کمک انسان آمده که امکان ساخت و بهبود بسیاری از سرویس‌ها را فراهم کرده است. خودروهای خودران، خدمات پیشگیری در امور بهداشتی و درمانی و حتی پیشنهاد فیلم‌های بهتر همگی امروز محقق شده‌اند یا به زودی به بهره‌برداری کامل می‌رسند. آن طور که مایکل کوپلند از شرکت انویدیا می‌گوید، با کمک یادگیری عمیق، هوش مصنوعی احتمالا به سطحی مشابه فیلم‌های علمی تخیلی خواهد رسید که مدت‌ها تصور آن را داشتیم.

 

آیا پدیده اسکای‌نت به زودی محتمل است؟

به نظر می‌رسد که جواب این سوال به وضوح منفی باشد و طرفداران فیلم نابودگر باید همچنان منتظر بمانند. بهترین مثال یادگیری عمیق، برنامه مترجم است. این فناوری قادر است به صحبت‌های یک فرد انگلیسی‌زبان گوش دهد و به شکل بلادرنگ آن را در قالب متن یا صدای الکترونیکی به زبان‌های دیگر ترجمه کند. چنین موفقیتی که پس از سال‌ها به دست آمده، ناشی از فرایند آرام یادگیری به دلیل تفاوت‌های زبانی و پیچیدگی‌های آن و همچنین بلوغ قابلیت‌های سخت‌افزاری به مرور زمان است.

یادگیری عمیق بنیان چت‌بات‌هایی نظیر کورتانا، الکسا، فیسبوک، اینستاگرام و… را شکل داده است. در شبکه‌های اجتماعی الگوریتم یادگیری عمیق مسئول معرفی افراد یا صفحه‌های جدید به کاربران است و این الگوریتم‌ها به شرکت‌ها اجازه می‌دهند که تبلیغات خود را بر اساس کاربران مختلف شخصی‌سازی کنند.

موردی که در پایان می‌توان برای آینده به طور حتم پیش‌بینی کرد، حذف بسیاری از شکل‌های رایج امروزی کامپیوتر از زندگی انسان است. آن‌طور که ساندرا پیچای، مدیرعامل گوگل، می‌گوید: “به مرور زمان، کامپیوتر، بدون توجه به شکل‌های مختلف آن، به دستیار هوشمندی تبدیل خواهد شد که در فعالیت‌های روزانه به شما یاری می‌رساند. ما در حال گذار از دنیای مبتنی بر ابزارهای همراه به دنیای مبتنی بر هوش مصنوعی هستیم.”

تانی کال

برگرفته از DIGITALTRENDS

زومیت

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *