سه مفهومی که جهان امروز را تغییر می‌دهند! تفاوت هوش مصنوعی، یادگیری ماشین و یادگیری عمیق

اگر شما هم یکی از کسانی هستید که درباره‌ی تفاوت هوش مصنوعی و ماشین لرنینگ و یادگیری عمیق دچار سردرگمی شده‌اید نگران نباشید و دست خود را بالا ببرید!

خبر خوب این است که این مشکل تنها برای شما نیست و اغلب افراد در تشخیص تفاوت این سه اصطلاح گیج می‌شوند زیرا با یکدیگر بسیار هم‌پوشانی دارند و در برخی منابع و سخنرانی‌ها از آن‌ها به‌جای هم استفاده می‌شوند.

در تصویر زیر می‌توانید به طور خلاصه تفاوت آن‌ها را مشاهده کنید:

همان‌طور که در تصویر سه دایره متحدالمرکز بالا مشاهده می‌کنید، یادگیری عمیق (DL) زیرمجموعه‌ای از یادگیری ماشین(ML)است و یادگیری ماشین هم زیرمجموعه‌ای از هوش مصنوعی (AI) است.

به‌طورکلی هوش مصنوعی مفهومی جامع است که سال‌ها پیش هسته اولیه آن با ارائه نظریه‌هایی در مورد منطق توسط فلاسفه و ریاضی‌دانانی نظیر جرج بول شکل گرفت و سپس به دنبال آن مفهوم ماشین لرنینگ و یا یادگیری ماشین رشد پیدا کرد. در حال حاضر با ظهور یادگیری عمیق شاهد ارتقای هوش مصنوعی به سطحی بالاتر هستیم. اگر کنجکاوید به‌طور دقیق‌تر با این سه مفهوم آشنا شوید پیشنهاد می کنیم تا آخر مقاله با ما همراه باشید.

هوش مصنوعی چیست؟

همان‌طور که از نام آن قابل حدس است، هوش مصنوعی را می‌توان ادغام هوش انسانی در ماشین‌ها تفسیر کرد. این واژه مفهومی بسیار گسترده است و مانند چتری دربرگیرنده مفاهیم قدیمی هوش مصنوعی(GOFAI) و فناوری‌های نوظهوری نظیر یادگیری عمیق است.

به‌طورکلی، به رفتارهای هوشمندانه یک ماشین نظیر تکمیل وظایف خود بر اساس مجموعه‌ای از قوانین تعیین شده برای حل مسائل (الگوریتم‌ها) هوش مصنوعی گفته می‌شود. برای مثال، به کمک هوش مصنوعی ماشین‌ها می‌توانند اشیاء را حرکت داده، دست‌کاری کنند، تشخیص دهند که آیا کسی دست خود را بالا برده است و غیره.

ماشین‌های مجهز به هوش مصنوعی اغلب به دو گروه تقسیم می‌شوند:

هوش مصنوعی ضعیف Narrow AI
هوش مصنوعی عمومی (Artificial General Intelligence)

هوش مصنوعی عمومی که با عنوان هوش مصنوعی قوی یا AGI هم شناخته می‌شود مجموعه‌ای الگوریتم است که می‌تواند همه وظایف انسان را و حتی وظایفی که انسان‌ها قادر به انجام آن نیستند را به طور خودکار انجام دهند. مشابه مواردی که در بالا به آن اشاره شد.

ماشین‌های مجهز به هوش مصنوعی ضعیف در زمینه‌های محدودی عمل می‌کند و به‌نوعی شبیه‌سازی هوش انسانی هستند. با اینکه دامنه آنها محدود است اما گاهی می‌توانند وظایف خاصی را حتی بهتر از انسان‌ها انجام دهند. فناوری مورداستفاده برای طبقه‌بندی تصاویر در Pinterest نمونه‌ای از این نوع هوش مصنوعی است.

یادگیری ماشینی (Machine Learning) چیست؟

یادگیری ماشین را می‌توان توانمندسازی سیستم‌های کامپیوتری با قابلیت «یادگیری» تفسیر کرد. هدف ML این است که ماشین‌ها را قادر سازد به‌تنهایی و با استفاده از داده‌های ارائه شده یاد بگیرند و پیش‌بینی‌های دقیقی انجام دهند.

باتوجه‌به توضیحات داده شده می‌توان نتیجه گرفت که ML زیرمجموعه‌ای از هوش مصنوعی است و یا به عبارت ساده‌تر، تکنیکی برای تحقق هوش مصنوعی است.

درواقع، به کمک ML الگوریتم‌ها می توانند یاد بگیرند که چگونه تصمیم بگیرند. آموزش یادگیری ماشین مستلزم ارایه حجم زیادی داده به الگوریتم و اجازه دادن به آن برای یادگیری بیشتر در مورد اطلاعات پردازش شده است.

به‌عنوان‌مثال، در زیر جدولی می‌بینید که نوع میوه‌ها را بر اساس ویژگی‌هایشان دسته‌بندی می‌کند:

همان‌طور که در جدول بالا مشاهده می‌کنید، میوه‌ها بر اساس وزن و بافتشان متمایز می‌شوند. اما در ردیف آخر این جدول فقط وزن و بافت مشخص شده است و به نوع میوه اشاره‌ای نشده است.

حالا می‌توانیم یک الگوریتم یادگیری ماشین برای شناسایی اینکه میوه موردنظر پرتقال یا سیب است توسعه دهیم. بعد از اینکه الگوریتم با داده‌های آموزشی در مورد وزن و بافت میوه‌ها تغذیه شود می‌تواند ویژگی‌های متفاوت بین پرتقال و سیب را به طور دقیق تشخیص دهد.

یادگیری عمیق (Deep learning) چیست؟

همان‌طور که قبلا شرح دادیم، یادگیری عمیق زیرشاخه‌ای از‌ یادگیری ماشین است و به تحقق و پیاده‌سازی آن کمک می‌کند. به‌عبارت‌دیگر، DL نسخه‌ی تکامل‌یافته‌ی یادگیری ماشین است. الگوریتم‌های DL از الگوهای پردازش اطلاعات در مغز انسان الهام گرفته شده‌اند. همان‌طور که ما از مغز خود برای شناسایی الگوها و طبقه‌بندی انواع مختلف اطلاعات استفاده می‌کنیم، الگوریتم‌های یادگیری عمیق را هم می‌توان برای انجام کارهای مشابهی در ماشین‌ها آموزش داد.

مطالعات نشان می‌دهد مغز سعی می‌کند اطلاعاتی را که دریافت می‌کند از طریق برچسب زدن و تخصیص اقلام به دسته‌های مختلف رمزگشایی کند. بنابراین، هر زمان که ما اطلاعات جدیدی را دریافت می‌کنیم مغز سعی می‌کند قبل از اینکه آن را معنا کند در ابتدا آن را با یک مورد شناخته‌شده مقایسه کند. همین روش در الگوریتم‌های یادگیری عمیق به کار برده می‌شود.

شبکه‌های عصبی مصنوعی (ANN) نمونه‌ای از الگوریتم‌های یادگیری عمیق هستند که هدف آن تقلید از روش تصمیم‌گیری مغز ما است.

خلق موجودی هوشمند، هدف نهایی هوش مصنوعی!

در این مقاله سعی کردیم تفاوت AI ، ML و DL را به زبان ساده توضیح دهیم. همان‌طور که در این مقاله اشاره شد هوش مصنوعی (AI) مفهومی گسترده در مورد ماشین‌هایی است که می‌توانند وظایف خود را به‌گونه‌ای انجام دهند که ما آن‌ها را «هوشمند» در نظر بگیریم.

هوش مصنوعی به دودسته قوی و ضعیف تقسیم‌بندی می‌شود. در حال حاضر هوش مصنوعی قوی وجود ندارد اما نمونه‌های آن را بارها در داستان‌ها و فیلم‌های تخیلی مشاهده کرده‌اید.

هوش مصنوعی ضعیف نیز قادر است با انجام کارهای زمان‌بر و وقت‌گیر در بازه‌های زمانی کوتاه به انسان خدمت‌رسانی کند.

همچنین در مورد یادگیری ماشین توضیح دادیم که این علم زیرشاخه‌ای از هوش مصنوعی است و ایده اصلی آن این است که ماشین‌ها بتوانند خودشان یاد بگیرند.

یادگیری عمیق (DL) نیز زیرمجموعه‌ای از یادگیری ماشین (ML) است و در آن شبکه عظیمی از الگوریتم‌ها به نام شبکه‌های عصبی مصنوعی (ANNs) در تلاش برای تقلید عملکرد شبکه‌های عصبی موجود در مغز انسان هستند.

در نهایت امیدواریم بعد از مطالعه‌ی این مقاله تفاوت‌های ظریف بین هوش مصنوعی در مقابل یادگیری ماشین و یادگیری عمیق را درک کرده باشید. چنانچه نظر یا سوالی در این زمینه دارید دست خود را بالا ببرید. ما درحال پیاده‌سازی هوش مصنوعی هستیم که هر زمان کسی دست خود را بالا می‌برد به ما اطلاع دهد!

با آیفا آشنا شوید!
مجموعه فناپ به‌عنوان یکی از اعضای برتر سازمان نظام صنفی رایانه‌ای کشور و برخوردار از گواهینامه رتبه یک سازمان برنامه و بودجه کشور برای اجرا و مشاوره پروژه‌ها و طرح‌های انفورماتیک در زمینه‌های مختلف، بر اساس مسئولیت خود در زمینه حمایت و توسعه طرح‌های نوآورانه انفورماتیک در کشور، اقدام به توسعه سامانه‌های کاربردی به‌روز تحت برند «آیفا» نموده است که قابلیت هوشمندسازی فرآیندهای کسب‌وکارها و سازمان‌ها را دارد. سرویس‌های برچسب‌گذاری داده، پردازش تصویر و نویسه‌خوان (OCR)، پردازش زبان طبیعی، و کشف تقلب از جمله سرویس‌های موجود در شرکت فناپ هستند که در طراحی آن‌ها از به‌روزترین الگوریتم‌های یادگیری ماشین و هوش مصنوعی استفاده شده است و ساختار آن‌ها به گونه‌ای است که از انعطاف لازم برای اضافه شدن به سایر سیستم‌های نظارتی، مدیریتی، خدماتی و CRM برخوردار هستند. برای کسب اطلاعات بیشتر می‌توانید به وبسایت مرکز مطالعات و تحقیقات فناپ و همین‌طور صفحه مربوط به گروه هوش مصنوعی آیفا مراجعه کنید.
دانلود کاتالوگ سرویس‌های هوش مصنوعی آیفا