این پست را از روی بلاگ خودم؛ پرامپت برداشتم و در اینجا بازنشر کردم.
اگر علاقمند به خواندن مطالب مشابه هستید به milad.space مراجعه کنید.
هوش مصنوعی (AI) ، یادگیری عمیق و یادگیری ماشین – این اصطلاحات گاهی با یکدیگر هم‌پوشانی پیدا می‌کنند و گیچ‌کننده می‌شوند و افراد هرکدام را به‌ازای دیگری به کار می‌برند.
AI یعنی کامپیوتری که به‌نحوی رفتار انسان را تقلید کند.
یادگیری ماشین. زیرمجموعه‌ای از AI است و شامل تکنیک‌هایی می‌شود که کامپیوتر را قادر می‌سازد تا خودش داده را دریابد و از چیزها سردربیاورد و برنامه‌های کاربردی AI را ارائه دهد.
یادگیری عمیق زیرمجموعه‌ای از ماشین لرنینگ است که کامپیوترها را قادر می‌سازد تا مسائل پیچیده‌تری را حل کنند.
این توضیحات صحیح هستند؛ اما خلاصه‌اند. بنابراین من می‌خواهم برای هریک از این اصطلاحات توضیح مفصل‌تری بدهم.
هوش مصنوعی چیست؟
هوش مصنوعی بعنوان یک رشته‌ی دانشگاهی در سال ۱۹۵۶ بنیان‌گذاری شد. هدف در آن زمان، همانند الان این بود که کاری انجام شود تا کامپیوترها وظایفی را که به طرز منحصربه‌فردی انسانی هستند انجام دهند. در ابتدا، محققین بر روی مسائلی مانند چکرز بازی کردن و حل مسائل منطقی کار می‌کردند.
اگر شما به خروجی یکی از آن برنامه‌های بازی‌کننده‌ی چکرز نگاهی می‌انداختید، می‌توانستید فرمی از «هوش مصنوعی» را پشت آن حرکات ببینید؛ مخصوصا زمانی‌که کامپیوتر شما را شکست می‌داد. موفقیت‌های اولیه باعث شد تا اولین محققین علاقه‌ی بی‌حدوحصری به امکانات هوش مصنوعی نشان دهند؛ اما آنان سختی راه را در نظر نگرفته بودند.
پس هوش مصنوعی به خروجی یک کامپیوتر اشاره دارد. کامپیوتر یک کار هوشمندانه انجام می‌دهد؛ بنابراین در حال نمایش هوشی است که مصنوعی می‌باشد.
اصطلاح هوش مصنوعی چیزی درباره‌ی نحوه‌ی حل این مسائل نمی‌گوید. تکنیک‌های متفاوت بسیاری از قبیل سیستم‌های خبره یا قاعده‌مند وجود دارند. و یک دسته از تکنیک‌ها که در دهه‌ی ۸۰ میلادی بطرز عمده‌ای به کار گرفته شد ماشین لرنینگ / یادگیری ماشین نام دارد.
یادگیری ماشین چیست؟
دلیلی که محققین اولیه برخی مسائل را بسیار سخت‌تر یافته بودند، این بود که مسائل با تکنیک‌های اولیه‌ی مورد استفاده در هوش مصنوعی قابل حل نبود. الگوریتم‌های با کد مشخص یا سیستم‌های قاعده‌مند برای چیزهایی مثل شناسایی تصویر یا استخراج معنی از متن کار نمی‌کرد.
معلوم شد که راه‌حل صرفا تقلید رفتار انسان نیست؛ بلکه تقلید چگونگی یادگیری انسان‌ها است.
به این فکر کنید که چگونه خواندن را یاد گرفتید. شما ننشستید و املاء و گرامر را قبلا از برداشتن اولین کتاب‌تان بیاموزید. شما کتاب‌های ساده خواندید؛ و با گذر زمان به کتاب‌های پیچیده‌تر فارغ‌التحصیل شدید. شما درحقیقت قواعد و استثنائات املا و گرامر را از طریق خواندن یاد گرفتید. به عبارت دیگر، شما داده‌های زیادی را پردازش کردید و از آن آموختید.
این دقیقا ایده‌ی اصلی پشت ماشین لرنینگ است. به یک الگوریتم مقدار زیادی داده بدهید و بگذارید که از چیزها سر در بیاورد. به یک الگوریتم داده‌های زیادی از معاملات مالی بدهید، به آن بگویید که کدام‌یک از آنها جعلی هستند و بگذارید که بفهمد چه چیزی نشان دهنده‌ی کلاه‌برداری است تا بتواند در آینده کلاه‌برداری را پیش‌بینی کند.
هنگامیکه این الگوریتم‌ها توسعه بیابند، آنها می‌توانند بسیاری از مسائل را حل کنند. اما برخی چیزها (مثل حرف زدن و شناسایی دست‌خط) که برای انسان‌ها آسان است، همچنان برای ماشین‌ها سخت است. با این حال، اگر ماشین لرنینگ درباره‌ی تقلید یادگیری انسان است، چرا کاملا مغز انسان را تفلید نکنیم؟ این ایده‌ی اصلی پشت شبکه‌های عصبی است.
ایده‌ی استفاده از نورون‌های مصنوعی از قبل وجود داشته است.و شبکه‌های عصبی شبیه‌سازی شده در نرم‌افزار شروع به به‌کارگیری برای حل مشکلاتی خاص شده اند. آنها می‌توانند مسائل پیچیده‌ای را که الگوریتم‌های دیگر نمی‌توانند از عهده‌شان برآیند حل کنند.
اما یادگیری ماشین همچنان بر روی مسائلی که بچه‌های دبستانی به راحتی از پسشان بر می‌آیند گیر می‌کند: چه تعداد سگ در این تصویر وجود دارد؟ یا آیا آنها واقعا گرگ هستند؟ به آنجا برو و یک موز رسیده بیار. چه چیزی باعث شد تا این شخصیت داستان گریه کند؟
معلوم شد که مشکل با مفهوم یادگیری ماشین نبود. یا حتی با ایده‌ی تقلید مغز انسان. مسئله اینجا بود که شبکه‌های عصبی با صدها یا حتی هزاران نورون که به طرز ساده‌ای به هم متصل شده بودند، نمی‌توانستند کار مغز انسان را تقلید کنند. مغز انسان نزدیک ۸۶میلیارد نورون دارد که به طرز پیچیده‌ای به هم متصل هستند.
یادگیری عمیق چیست؟
یادگیری عمیق درباره‌ی استفاده‌ی شبکه‌های عصبی از نورون‌ها، لایه‌ها و ارتباطات داخلی بیشتر است. ما هنوز با تقلید و شبیه‌سازی کامل مغز با تمام پیچیدگی‌هایش فاصله‌ی زیادی داریم و در یادگیری عمیق هم به دنبال این کار نیستیم. منظور از تقلید از مغز در کانتسکت یادگیری عمیق صرفا تقلید انتزاعی از مغز و شبکه‌های عصبی آن است و نه شبیه‌سازی کامل و بدون چون و چرای مغز؛به این معنی که از انتزاع نورون بعنوان واحد محاسباتی و شبکه‌ی عصبی که شامل لایه‌های مختلف محاسبه برای تقسیم‌بندی مسئله به اجزا کوچک‌تر است استفاده می‌شود.هنگامیکه شما درباره‌ی پیشرفت‌ها در محاسبات می‌خوانید از خودروهای خودران گرفته تا ابرکامپیوترهای بازیکن تا تشخیص گفتار ؛ همه‌اش یادگیری عمیق است. شما شکلی از هوش مصنوعی را تجربه می‌کنید. پشت صحنه، آن هوش مصنوعی با شکلی از یادگیری عمیق قدرت گرفته است.
بیایید به چند مسئله نگاه کنیم تا بیابیم که یادگیری عمیق چگونه با شکل‌های دیگر یادگیری ماشین متفاوت است.
یادگیری عمیق چگونه کار می‌کند؟
اگر من به شما تصاویری از اسب‌ها را نشان بدهم، شما آنها را بعنوان اسب تشخیص خواهید داد. حتی اگر شما آن عکس را قبلا ندیده باشید. اهمیتی ندارد اگر آن اسب بر روی مبلی دراز کشیده باشد یا لباس کرگدن پوشیده باشد. شما می‌توانید یک اسب را شناسایی کنید؛ چون شما عناصر مختلفی را که یک اسب را تشکیل می‌دهد می‌شناسید: شکل سر، تعداد و نحوه‌ی جاگیری پاها و …
دیپ لرنینگ می‌تواند این کار را بکند. و از این جهت برای بسیاری چیزها از قبیل وسایل نقلیه‌ی خودران اهمیت دارد. قبل از اینکه یک خودرو بتواند حرکت بعدی‌اش را تعیین کند، لازم است که بداند در اطرافش چه می‌گذرد. لازم است که افراد، دوچرخه‌ها و وسایل نقلیه‌ی دیگر ، تابلوهای رانندگی و دیگر چیزها را شناسایی کند. تکنیک‌های استاندارد ماشین لرنینگ نمی‌تواند این کار را انجام دهد.
پردازش زبان طبیعی را در نظر بگیرید که امروز در چت‌بات‌ها و دستیار‌های صوتی گوشی‌های هوشمند مورد استفاده قرار می‌گیرند. جمله‌ی زیر را در نظر بگیرید و جای خالی را پر کنید.
من در ایران متولد شدم؛ اگرچه بیشتر عمرم را در پرتقال و برزیل گذراندم، همچنان ……….. روان صحبت می‌کنم.
احتمالا متوجه شدید که جواب جای خالی «فارسی» است. به این فکر کنید که چه شد که به جای تمام زبان‌ها و کلمات دنیا جواب «فارسی» شد.
ابتدا لازم است بدانید که جای خالی یک زبان است. شما این کار را می‌توانید بکنید اگر «روان صحبت می‌کنم» را فهمیده باشید. برای اینکه «فارسی» انتخاب شود باید به ابتدای جمله بروید و پرتقال و برزیل را نادیده بگیرید. ترکیب «اگرچه» و «همچنان» این موضوع را واضح می‌کند که در مورد پرتقال و برزیل صحبت نمی‌کنیم. بنابراین فارسی جواب است.
تصور کنید که چه چیزی در شبکه‌ی عصبی مغز شما در حال رخ دادن است. فکت‌هایی مانند «در ایران متولد شدم» و «اگرچه…همچنان» ورودی‌هایی به قسمت‌های دیگر مغزتان هستند.و این مفهوم به همین ترتیب به شبکه‌های عصبی عمیق بوسیله‌ی حلقه‌های بازخورد پیچیده انتقال می‌یابد.
نتیجه
امیدوارم که آن تعریف اولیه در ابتدای پست بیشتر قابل درک شده باشد. هوش مصنوعی به وسایلی که به یک ترتیب هوش انسانی را نمایش می‌دهند گفته می‌شود. تکنیک‌های بسیاری برای هوش مصنوعی وجود دارد؛ اما یک زیرمجموعه از لیست بزرگی از آنها ماشین لرنینگ نامیده می‌شوند – که این امکان را فراهم می‌کنند تا الگوریتم‌ها از داده‌ها بیاموزند. درنهایت یادگیری عمیق / دیپ لرنینگ زیرمجموعه‌ای از ماشین لرنینگ است که از شبکه‌های عصبی چندلایه برای حل کردن سخت‌ترین مسائل کامپیوترها استفاده می‌کند.
