این روزها هوش مصنوعی در همه‌جا وجود دارد، اما اصول اساسی نحوه عملکرد این فناوری جدید تأثیرگذار ممکن است دشوار باشد. دو مورد از مهم‌ترین زمینه‌ها در توسعه هوش مصنوعی «یادگیری ماشین» و زیر شاخه آن، «یادگیری عمیق» است، اگرچه گاهی اوقات این اصطلاحات به‌جای هم استفاده می‌شوند که منجر به سردرگمی می‌شود. در اینجا توضیح سریعی در مورد اینکه این دو رشته مهم چیست و چگونه به تکامل اتوماسیون کمک می‌کنند، آورده شده است.

هوش مصنوعی چیست؟

طرفداران هوش مصنوعی می‌گویند امیدوارند روزی ماشینی بسازند که بتواند خودش «فکر کند». مغز انسان ابزاری باشکوه است که قادر به انجام محاسباتی است که بسیار بیشتر از ظرفیت هر ماشین فعلی است. مهندسان نرم‌افزاری که در توسعه هوش مصنوعی مشارکت دارند امیدوارند در نهایت ماشینی بسازند که بتواند هر کاری را که انسان از نظر عقلی انجام می‌دهد انجام دهد، و نیز بتواند از آن پیشی بگیرد. در حال حاضر، کاربردهای هوش مصنوعی در تجارت و دولت تا حد زیادی شبیه به الگوریتم‌های پیش‌بینی است، الگوریتم‌هایی که آهنگ بعدی شما را در اسپاتیفای پیشنهاد می‌کنند یا سعی می‌کنند محصولی مشابه محصولی را که هفته گذشته در آمازون خریده‌اید به شما بفروشند. بااین‌حال، مبشران هوش مصنوعی معتقدند که این فناوری در نهایت قادر به استدلال و تصمیم‌گیری بسیار پیچیده‌تر خواهد بود. اینجاست که «یادگیری ماشین» و «یادگیری عمیق» وارد می‌شوند.

یادگیری ماشین

یادگیری ماشینی (ML) یک دسته وسیع از هوش مصنوعی است که به فرایندی اشاره می‌کند که در آن برنامه‌های نرم‌افزاری چگونگی پیش‌بینی یا «تصمیم‌گیری» را «آموزش» می‌بینند. یکی از مهندسان IBM، جف کروم، یادگیری ماشین را به‌عنوان “شکل بسیار پیچیده‌ای از تجزیه‌وتحلیل آماری” توضیح می‌دهد. به گفته کروم، این تجزیه‌وتحلیل به ماشین‌ها اجازه می‌دهد تا «پیش‌بینی یا تصمیم‌گیری بر اساس داده‌ها» داشته باشند. او می‌گوید هرچه اطلاعات بیشتری به سیستم وارد شود، بیشتر می‌تواند پیش‌بینی‌های دقیق‌تری به ما بدهد.

برخلاف برنامه‌نویسی عمومی که در آن ماشین برای تکمیل یک کار بسیار خاص مهندسی شده است، یادگیری ماشین حول محور آموزش الگوریتمی برای شناسایی الگوها در داده‌ها می‌چرخد. همان‌طور که قبلاً گفته شد، یادگیری ماشینی طیف گسترده‌ای از فعالیت‌ها را در بر می‌گیرد.

یادگیری عمیق

یادگیری عمیق، یکی از زیرمجموعه‌هایی است که از یادگیری ماشینی که مانند سایر اشکال ML، بر آموزش “فکرکردن” به هوش مصنوعی تمرکز دارد. بر خلاف سایر اشکال یادگیری ماشین، یادگیری عمیق به دنبال این است که به الگوریتم‌ها اجازه دهد تا بسیاری از کارهای خود را خودشان انجام دهند. یادگیری عمیق توسط مدل‌های ریاضی شناخته شده به‌عنوان شبکه‌های عصبی مصنوعی (ANN) تغذیه می‌شود. این شبکه‌ها به دنبال تقلید از فرایندهایی هستند که به طور طبیعی در مغز انسان اتفاق می‌افتد – چیزهایی مانند تصمیم‌گیری و شناسایی الگو.

تفاوت اصلی بین یادگیری ماشین و یادگیری عمیق

یکی از بزرگ‌ترین تفاوت‌های بین یادگیری عمیق و سایر اشکال یادگیری ماشینی، سطح «نظارت» است که یک ماشین ارائه می‌کند. در اشکال کمتر پیچیده یادگیری ماشین، کامپیوتر احتمالاً درگیر یادگیری نظارت شده است – فرایندی که در آن انسان به ماشین کمک می‌کند تا الگوهای موجود در داده‌های ساختاریافته و برچسب‌گذاری شده را تشخیص دهد و در نتیجه توانایی خود را برای انجام تجزیه‌وتحلیل پیش‌بینی بهبود بخشد.

یادگیری ماشینی بر حجم عظیمی از “داده‌های آموزشی” متکی است. چنین داده‌هایی اغلب توسط انسان‌ها از طریق برچسب‌گذاری داده‌ها جمع‌آوری می‌شوند. از طریق این فرایند، یک مجموعه‌داده آموزشی ساخته می‌شود که سپس می‌تواند به الگوریتم هوش مصنوعی وارد شده و برای آموزش شناسایی الگوها به آن استفاده شود. به‌عنوان‌مثال، اگر شرکتی الگوریتمی را آموزش می‌دهد تا برند خاصی از خودرو را در عکس‌ها تشخیص دهد، بخش‌های عظیمی از عکس‌های آن مدل خودرو را که به‌صورت دستی توسط کارکنان انسانی برچسب‌گذاری شده بود، به الگوریتم وارد می‌کند. یک «‌داده آزمایشی» نیز برای اندازه‌گیری دقت قدرت‌های پیش‌بینی ماشین، پس از آموزش ایجاد می‌شود.

در همین حال، وقتی صحبت از یادگیری عمیق می‌شود، یک ماشین درگیر فرایندی به نام «یادگیری بدون نظارت» می‌شود. یادگیری بدون نظارت شامل ماشینی می‌شود که از شبکه عصبی خود برای شناسایی الگوهایی در داده‌های بدون ساختار یا «خام» استفاده می‌کند (داده‌هایی که در یک پایگاه داده هنوز برچسب‌گذاری یا سازمان‌دهی نشده‌اند). شرکت‌ها می‌توانند از الگوریتم‌های خودکار برای غربال‌کردن بخش‌هایی از داده‌های ساختار‌یافته استفاده کنند و در نتیجه از حجم زیادی کار انسانی اجتناب کنند.

نحوه کار شبکه‌های عصبی

شبکه‌‌های عصبی مصنوعی از آنچه “گره” نامیده می‌شود تشکیل شده است. یک شبکه عصبی مصنوعی می‌تواند «هزاران یا حتی میلیون‌ها» گره داشته باشد. توضیح این گره‌ها می‌توانند کمی پیچیده باشند، اما به طور خلاصه آنها – مانند گره‌های مغز انسان – اطلاعات را انتقال و پردازش می‌کنند. در یک شبکه عصبی، گره‌ها به شکل سازمان‌یافته‌ای مرتب می‌شوند که به آن “لایه” می‌گویند؛ بنابراین، شبکه‌های یادگیری “عمیق” شامل چندین لایه از گره‌ها هستند. اطلاعات از طریق شبکه حرکت می‌کند و با محیط‌های مختلف آن در تعامل است که به فرایند تصمیم‌گیری ماشین در صورت قرارگرفتن در معرض یک فرمان انسانی کمک می‌کند.

یکی دیگر از مفاهیم کلیدی در شبکه‌های عصبی مصنوعی «وزن» است که یکی از مفسران آن را با سیناپس‌های مغز انسان مقایسه می‌کند. وزن‌ها که فقط مقادیر عددی هستند، در سراسر شبکه عصبی هوش مصنوعی توزیع می‌شوند و به تعیین نتیجه خروجی نهایی آن سیستم هوش مصنوعی کمک می‌کنند. وزن‌ها ورودی‌های اطلاعاتی هستند که به کالیبره‌شدن شبکه عصبی کمک می‌کنند تا بتواند تصمیم‌گیری کند. دانشگاه MIT آن را این‌گونه توضیح می‌دهد:

به هر یک از اتصالات ورودی خود، یک گره عددی را به نام “وزن” اختصاص می‌دهد. هنگامی که شبکه فعال است، گره یک داده متفاوت – یک عدد متفاوت – را روی هر یک از اتصالات خود دریافت می‌کند و آن را در وزن مربوط ضرب می‌کند. سپس محصولات به‌دست‌آمده را با هم جمع می‌کند و یک عدد را به دست می‌آورد. اگر این عدد کمتر از مقدار آستانه باشد، گره هیچ داده‌ای را به لایه بعدی ارسال نمی‌کند. اگر عدد از مقدار آستانه تجاوز کند، گره فعال می‌شود (که در شبکه‌های عصبی امروزی به‌طورکلی به معنای ارسال عدد – مجموع ورودی‌های وزنی – در تمام اتصالات خروجی است.)

به طور خلاصه: شبکه‌های عصبی به‌گونه‌ای طراحی شده‌اند که به یک الگوریتم کمک می‌کنند تا در مورد داده‌هایی که به آن داده شده است به نتیجه‌گیری برسد. این الگوریتم بر اساس برنامه‌ریزی خود، می‌تواند اتصالات مفید را در بخش‌های بزرگی از داده‌ها شناسایی کند و به انسان‌ها کمک کند تا بر اساس تجزیه‌وتحلیل خود نتیجه‌گیری کنند.