در دنیای کنونی که هر روز شاهد پیشرفت‌های زیادی در حوزه‌های مختلف هوش مصنوعی از صنعت ماشین‌های خودران گرفته و یا بازی‌هایی همچون Poker و Go و یا حتی سیستم‌های خودکار پاسخ‌دهی به مشتریان هستیم، همهٔ این موارد یک معنی دارد و آن هم این است که در حال تجربهٔ انقلابی در حوزهٔ فناوری هستیم و در این تغییر و تحولات، شاهد به کار بردن اصطلاحاتی همچون Artificial intelligence ،Deep learning ،Machine learning و سایر موارد مربوطه توسط متخصصان این حوزه هستیم و این در حالی است که حتی عامهٔ مردم نیز این‌گونه کلمات را مورد استفاده قرار می‌دهند ولی بعضاً به اشتباه و به جای یکدیگر! در همین راستا، در این مقاله قصد داریم تفاوت‌های کلیدی مابین این سه مفهوم را مورد بررسی قرار دهیم.
هوش مصنوعی (Artificial Intelligence)
Artificial Intelligence عبارت است از تفکر موجود در پس مجموعه‌ای از روش‌ها که مربوط است به حوزهٔ هوشمندسازی کامپیوتر‌ها. در سال 1956 در کنفرانس Dartmouth که کنفرانسی مربوط به حوزهٔ هوش‌مصنوعی می‌باشد، این تکنولوژی این‌گونه تعریف شد:
سیستم‌هایی می‌توان طراحی کرد که توانایی شبیه‌سازی تمامی جنبه‌های یادگیری و یا به طور کلی هر نوع مشخصه‌ای از هوشمندی را داشته باشند.
AI یا همان هوش مصنوعی، می‌تواند در حوزه‌های مختلفی مفید واقع شود؛ از یک برنامهٔ کامپیوتری که می‌تواند بازی شطرنج انجام دهد گرفته تا سیستم‌های تشخیص صدایی همچون Alexa که محصول شرکت آمازون می‌باشد که می‌تواند صدا را تشخیص داده، معنی جمله را بفهمد و به آن صوت پاسخ دهد (تکنولوژی‌های مربوط به این حوزه به سه دستهٔ Narrow AI ،Artificial General Intelligence و Super Intelligence AI تقسیم می‌شوند).
به طور مثال، کامپیوتر Deep Blue ساخت شرکت IBM که در سال 1996 توانست استاد بزرگ شطرنج -یعنی Garry Kasparov- را شکست دهد و یا سیستم یادگیری ژرف گوگل تحت عنوان Alpha Go که توانست Lee Sedol را در بازی Go در سال 2016 شکست دهد، هر دو نمونه‌‌ای از حوزهٔ Narrow AI هستند. به طور کلی، تمرکز Artificial General Intelligence بر روی رفتار انسانی متمرکز است که می‌تواند مجموعه‌ای از کار‌ها را انجام دهد.
حوزهٔ Super Intelligence AI پا را از این هم فراتر گذاشته است؛ طبق تعریف برخی از محققان این حوزه، این تکنولوژی در عمل به مراتب هوشمندتر از باهوش‌ترین انسان در هر رشته‌ای است که شامل حوزه‌هایی همچون ابداعات علمی، مهارت‌های اجتماعی و سطح متوسطی از حکمت می‌باشد؛ به عبارت دیگر، این موارد زمانی برای یک ماشین اتفاق می‌افتد که صنعت ماشین‌ها پیشرفته‌تر از انسان بشوند.
یادگیری ماشین (Machine Learning)
یادگیری ماشین (ML) یکی از زیر شاخه‌های حوزهٔ AI می‌باشد. در حقیقت، سیستم‌هایی که برای این هدف طراحی می‌شوند، اطلاعات را دریافت می‌کنند و بر اساس مدلی که طراحی شده‌اند، از اطلاعات ورودی چیزهای مختلفی یاد می‌گیرند. این تکنیک قابل اعتمادترین ابزار هوش مصنوعی برای استفاده در کسب‌وکارهای مختلف است. سیستم‌های ماشین لرنینگ به سرعت می‌توانند از دانش موجود استفاده کرده و از آن اطلاعات در جهت پیشبرد کار، چیزهای جدیدی بیاموزند.
مواردی که در حال حاضر ماشین لرنینگ در آن‌ها مورد استفاده قرار می‌گیرد عبارتند از تشخیص چهره، تشخیص مکالمه، شناسایی اشیاء، ترجمهٔ متون و حیطه‌های کاری فراوان دیگری که امکان اشاره کردن به تک‌تک آن‌ها در این مقاله وجود ندارد. برخلاف نرم‌افزارهایی که به وسیلهٔ انسان کدنویسی شده‌اند تا به منظور انجام کار خاصی مجموعه‌ای از دستورالعمل‌ها را انجام دهند، ماشین لرنینگ به سیستم اجازه می‌دهد تا با تشخیص الگوهایی که در میان اطلاعات وجود دارد، به صورت خودکار اقدام به پیش‌بینی آینده کند.
با وجود اینکه Deep Blue و Deep Mind هر دو سیستم‌هایی بر اساس هوش مصنوعی هستند، اما Deep Blue بر اساس دستورالعمل‌های از قبل تعیین شده کار می‌کند؛ به عبارت دیگر، Deep Blue یک سیستم مبتنی بر ML نیست در حالی که Deep Mind با استفاده از ماشین لرنینگ به صورت خودکار از دیتاست (مجموعه داده) عظیمی از مجموعه حرکاتی که افراد حرفه‌ای انجام داده بودند اقدام به یادگیری و همچنین انجام دادن بازی Go نموده است. اگر شما دوست دارید که از ماشین لرنینگ در کسب‌وکار خود استفاده کنید، پلتفرم‌هایی توسط شرکت‌های مطرح سیلیکون‌ولی همچون مایکروسافت، آمازون، آی‌بی‌ام، گوگل، اچ‌پی و ... معرفی شده‌اند که قابلیت استفاده در کاربردهای تجاری و علمی را دارا می‌باشند.
یادگیری عمیق (Deep Learning)
یادگیری عمیق (DL) یکی از زیر شاخه‌های ماشین لرنینگ می‌باشد؛ یادگیری ژرف با استفاده از تکنیک‌هایی از ماشین لرنینگ و همچنین به کار بردن الگوریتم‌های شبکه‌های عصبی، تلاش می‌کند تا برای مسائل دنیای واقعی عملکردی انسانی را شبیه‌سازی کند. لازم به ذکر است که یادگیری ژرف هزینه‌‌های زیادی در بر دارد به طوری که نیازمند به دیتاست‌های عظیمی است تا بتواند به بهترین شکل ممکن آموزش ببیند.
علاوه بر این، یادگیری ژرف نیازمند آن است تا پارامترهای زیادی را درک کند (البته وجود پارامترهای زیاد باعث می‌شود که خطای زیادی در نتیجه‌ٔ نهایی ظاهر شود). برای مثال، یک الگوریتم یادگیری ژرف می‌تواند طوری برنامه‌ریزی شود که بیاموزد گربه‌ها چه شکلی‌اند. برای انجام چنین کاری، به مجموعه‌ای عظیم از دیتاست‌های مربوط به تصاویری که فقط گربه در آن‌ها وجود دارد نیاز داریم تا سیستم بتواند کوچکترین جزئیات را هم بیاموزد و بتواند میان گربه‌سانانی مانند یوزپلنگ، ببر و … با گربه تمایز قائل شود.
همان‌طور که پیش از این گفتیم، در ماه مارس 2016 هوش مصنوعی توانست به موفقیتی بزرگ دست پیدا کند؛ این موفقیت زمانی حاصل شد که یک سیستم توانست با استفاده از یادگیری ژرف، Lee Sedol را در 4 دور از 5 دور مسابقه Go شکست دهد. روشی که این سیستم مبتنی بر آن طراحی شده بود از این قرار است که با ترکیب درخت جستجوی Monte-Carlo با شبکهٔ عصبی عمیق کار می‌کرد. شبکهٔ عصبی این سیستم بر اساس تکنیک Supervised با استفاده از مجموعه‌ای عظیم از دیتاست‌های مربوط به حرکات افراد حرفه‌ای در این بازی و همچنین با آموختن چیزهایی از بازی Self-play توانست در مقابل بزرگترین حریف خود در جهان -یعنی Lee Sedol- به موفقیت چشمگیری برسد (منظور از تکنیک Supervised این است که شبکهٔ عصبی با استفاده از یکسری داده‌های برچسب گذاری شده مبنی بر اینکه کدام حرکت درست است و کدام حرکت غلط اصطلاحاً آموزش داده شده بود).
یادگیری عمیق موارد استفادهٔ زیادی هم در حوزهٔ کسب‌وکار دارد؛ به طور مثال، این سیستم‌ها می‌توانند مجموعه‌ای عظیم (منظور از مجموعهٔ عظیم می‌تواند شامل چند میلیون تصویر باشد) از دیتاست‌ها را دریافت کنند که برای مثال سیستم باید بر اساس آن‌ها یک کاراکتر خاص را شناسایی کند. علاوه بر این، جستجوهایی که بر اساس متن صورت می‌گیرند، سیستم‌های کشف تقلب، سیستم‌های کشف اِسپم، تشخیص دست‌خط، جستجو بر اساس تصویر، تشخیص صدای انسان، استخراج اطلاعات از تصاویر مربوط به خیابان (تگ‌گذاری قسمت‌هایی از تصویر به عنوان مکان‌هایی خاص برای مثال فروشگاه مواد غذایی، بانک و …) و ترجمهٔ متن را هم می‌توان به عنوان سایر کاربردهای این حوزه در نظر گرفت.
جالب است بدانیم یکی از شرکت‌هایی که در این عرصه پیشگام می‌باشد، گوگل است که با بهره‌گیری از یادگیری ژرف توانسته است تعدادی از سیستم‌هایی که عملکردشان دستورالعمل-محور بود را با یادگیری ژرف جایگزین نماید.
ذکر این نکته هم خالی از لطف نیست که سیستم‌های مبتنی بر یادگیری ژرف به خطا بسیار حساس‌اند؛ به عنوان مثال، زمانی که سیستم تشخیص چهرهٔ گوگل شروع به فعالیت کرد، تصویر بسیاری از افراد سیاه‌پوست را به عنوان گوریل تگ کرد! البته این یک نمونه از مشکلاتی است که اگر دیتاست شامل کلیهٔ مواردی که ممکن است سیستم با آن مواجه شود نباشد، قطعاً با خطاهای عظیمی همچون چیزی که برای گوگل اتفاق افتاد مواجه می‌شود.
