امروزه معمولا اصطلاحاتی مانند هوش مصنوعی، یادگیری ماشین و یادگیری عمیق زیاد به گوشمان میخورد یا ممکن است از آنها به اشتباه به جای یکدیگر استفاده کنیم. در این مقاله سعی بر این دارم به طور خلاصه تفاوتشان را بررسی و مروری داشته باشیم بر اینکه هرکدام به چه معناست و تفاوتشان در چیست؟
هوش مصنوعی "Artificial Intelligece (AI)"، یادگیری ماشین "Machine Learning (ML)" و یادگیری عمیق "Deep Learning (DL)" گاها با یکدیگر اشتباه گرفته میشوند، درصورتی که کاملا با یکدیگر تفاوت دارند. AI یک مفهوم کلی است و به تمام توانایی های ماشینها اتلاق میشود که میتوانند رفتار انسان را تقلید کند. یادیگیری ماشین یکی از زیرمجموعه های AI محسوب میشود که به کمک آن یک سیستم یا ماشین میتواند خودش یاد بگیرید و با گذر زمان به طور پیوسته ارتقا یابد. در آخر یادگیری عمیق به سطحی پیچیده تر از یادگیری ماشین گفته میشود که با استفاده از شبکه های عصبی پیچیده، مدل ها و الگوها را از داده های گسترده بسازد. در ادامه برای درک بهتر نگاهی بیاندازیم بر چگونگی تکامل و پیشرفت هر یک از این سه مفهوم.
هوش مصنوعی در 70 سال گذشته راه زیادی را طی کرده و چه دوست داشته باشیم یا نداشته باشیم در همه ابعاد زندگی ما رخنه کرده است. در دهه اخیر با توجه به پیشرفت هایی که در زمینه یادگیری ماشین و یادگیری عمیق بوجود آمده، هوش مصنوعی را در مقیاس های صنعتی و تجاری کاربرد پذیر کرده است. همچنین سرویس های خدمات ابری در کنار برنامه های دسترسی آزاد امکان در اختیار داشتن این مزیت را برای همگان به طور رایگان فراهم ساخته است.
به احتمال زیاد هوش مصنوعی بیشترین مفهمی است که از سال 1956 میلادی به آن پرداخته شده است. همچنین از سال 2015 به این طرف در دسترس بودن گسترده GPU ها، پردازش موازی را سریعتر، قدرتمند تر و ارزانتر کرده اند. این امکانات باعث شده است که کار کردن بر روی بیگ دیتا ها آسانتر شود و درنتیجه نیاز به پردازش داده را فراهم آورد که بوجود آمدن مفهوم علم داده ها (Data Science) را در پی داشته است.
به طور کلی در علوم کامپیوتر برنامه نویس با نوشتتن یک الگوریتم و وارد کردن ورودی به خروجی مدنظرش میرسد. اما در یادگیری ماشین پیدا کردن آن الگوریتم وظیفه خود ماشین است به طوری که با در اختیار داشتن تعداد کافی و مشخصی از ورودی و خروجی های معلوم، با استفاده از روش های ریاضی، ماشین سعی در پیدا کردن الگو یا مدلی می شود که از آن ورودی ها به خروجی مدنظر برسد. بعد از پیدا کردن این مدل با وارد کردن ورودی های جدید ماشین میتواند جواب مناسب را به ما بدهد. به طور مثال پیشبینی قیمت مسکن بر اساس مشخصات و قیمت مسکنهای ثبت شده در گذشته برای تخمین قیمت در آینده. یا در مورد دیگر میتوان پیشبینی خوش خیم یا بدخیم بودن یک غده سرطانی را بر اساس رکورد های گذشته مثال زد.
یادگیری عمیق محصول جدید و نتیجه پیشرفت هایی است که در زمینه یادگیری ماشین و شبکه های عصبی در سال های اخیر در حوزه هوش مصنوعی بوجود آمده است. شبکه های عصبی با استفاده از گره های متعدد در دل چندین لایه مانند نورون های مغز انسان تشکیل یک شبکه پیچیده میدهند که می توان با استفاده از آن مدل های پیچیده تر یادگیری ساخت. به دلیل این سطح از پیچیدگی با استفاده از این روش ها میتوان مسائل دشوار تری مانند "Computer Vision" و تشخیص چهره یا پردازش های طبیعی "Natural Language Processing (NLP)" را حل کرد.
برای جمع بندی میتوان گفت یادگیری عمیق زیر مجموعه یادگیری ماشین میباشد که از تعداد لایه های بیشتر و عمیق تر جهت ساختن مدل استفاده میکند و همه این ها در زیرمجموعه هوش مصنوعی کمک میکنند از قدرت تکنولوژی بهتر بهره مند شویم. تقریبا میتوان گفت که امروزه زندگی ما این ساختار های هوش مصنوعی گره خورده. سیستم های جست و جو گر مانند گوگل، برنامه تشخیص چهره در گوشی های موبایل، سیستم های ترافیک شهری، دستیار های صوتی و سایر تکنولوژی هایی که هر روزه با آنها سر و کار داریم.
