آیا می‌دانستید Artificial Intelligence ،Machine Learning و Deep Learning چه تفاوت‌هایی با یکدیگر دارند؟

آیا می‌دانستید Artificial Intelligence ،Machine Learning و Deep Learning چه تفاوت‌هایی با یکدیگر دارند؟

در دنیای کنونی که هر روز شاهد پیشرفت‌های زیادی در حوزه‌های مختلف هوش‌مصنوعی 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 بعضا 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. با سکان آکادمی همراه باشید.

هوش مصنوعی (Artificial Intelligence)
Artificial Intelligence عبارت است از تفکر موجود در پس مجموعه‌ای از روش‌ها که مربوط است به حوزهٔ هوشمندسازی کامپیوتر‌ها. 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 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 Amazon 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 (AGI) ،Super Intelligence AI تقسیم می‌شوند.

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 حوزه Narrow AI هستند (البته همهٔ مواردی که برای این حوزه ساخته شده‌اند، برای انجام دادن وظیفهٔ خاصی طراحی شده‌اند.) به طور کلی، تمرکز Artificial General Intelligence هم 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 ماشینی (Machine Learning یا ML)
یادگیری‌ماشینی 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 چیز یاد می‌گیرند. این تکنیک قابل اعتمادترین ابزار هوش‌مصنوعی 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 از آن اطلاعات بیاموزند.

مواردی که در حال حاضر ماشین لرنینگ در آن‌ها مورد استفاده قرار می‌گیرد عبارت است 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 مجموعه‌ای از دستور العمل‌ها را انجام دهند تا کار خاصی انجام شود، ماشین لرنینگ به سیستم اجازه می‌دهد تا به صورت خودکار بیاموزد تا با تشخیص الگوهایی که در میان اطلاعات وروردی دارد به صورت خودکار اقدام به پیش‌بینی نماید.

با وجود این‌که Deep Blue و Deep Mind هر دو سیستم‌هایی بر اساس هوش‌مصنوعی 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 اقدام به یادگیری از دیتاست (مجموعه داده) عظیمی از مجموعه حرکاتی که افراد حرفه‌ای انجام داده بودند به صورت خودکار 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 سیلیکون ولی همچون مایکروسافت، آمازون، آی‌بی‌ام، گوگل، اچ‌پی و ... معرفی شده‌اند که قابلیت استفاده در کاربرد‌های تجاری و علمی را دارا می‌باشند.

یادگیری ژرف (Deep Learning)
یادگیری ژرف 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. یادگیری ژرف هزینه‌‌های زیادی در بر دارد به طوری که نیازمند به دیتاست‌های عظیمی است تا بتواند آموزش ببیند.

علاوه بر این، یادگیری ژرف نیازمند آن است که 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 … تمایز قائل شود.

همان‌طور که پیش از این گفتیم، در ماه مارس 2016، هوش‌مصنوعی توانست به موفقیتی بزرگ دست پیدا کند؛ این موفقیت زمانی حاصل شد که یک سیستم یادگیری ژرف 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 این سیستم با ترکیب درخت جستجوی Monte-Carlo با شبکهٔ عصبی عمیق کار می‌کرد. شبکهٔ عصبی این سیستم بر اساس تکنیک Supervised -یعنی 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- 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.

یادگیری ژرف موارد استفاده زیادی هم در حوزهٔ کسب و کار دارد؛ به طور مثال، این سیستم‌ها می‌توانند مجموعه‌ای عظیم -منظور از مجموعه 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 اسپم، تشخیص دست‌خط، جستجو بر اساس تصویر، تشخیص صدای انسان، استخراج اطلاعات از تصاویر مربوط به خیابان (تگ گذاری قسمت‌هایی از تصویر به عنوان مکان‌هایی خاص برای مثال فروشگاه مواد غذایی، بانک و …) و ترجمه 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، شرکت گوگل است که با بهره‌گیری از یادگیر ژرف توانسته است تعدادی از سیستم‌هایی که عملکردشان دستور العمل-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 چهره 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 کلیه مواردی که ممکن است سیستم با آن مواجه شود نباشد قطعاً با خطاهای عظیمی همچون چیزی که برای گوگل اتفاق افتاد مواجه می‌شود.

البته برخی افراد نیز بر این باور اند که یادگیری ژرف بیش از حد بزرگنمایی شده است؛ برای مثال، سیستم هوش مصنوعی Sundown از ترکیب تکنیک‌های ماشین لرنینگ و الگوریتم‌های Policy Graph توانسته به بهترین سطح از سیستم‌های تعامل خودکار با مشتری دست پیدا کند )لازم به ذکر است که این سیستم از یادگیری ژرف استفاده نمی‌کند.(

اکنون نوبت شما است که دیدگاه‌های خود را نسبت به هوش‌مصنوعی، یادگیری ماشینی و یادگیری ژرف برای ما بیان کنید؛ به نظر شما تا چه حد این‌گونه سیستم‌ها می‌توانند به نژاد بشر کمک کنند تا در نهایت راحت‌تر زندگی کند؟ به نظر شما آیا این‌گونه سیستم‌ها یا در کل AI می‌تواند برای انسان مخاطره آمیز باشد یا صرفاً از آن برای کمک به انسان استفاده می‌شود؟ نظرات و دیدگاه‌های خود را با سایر کاربران سکان آکادمی به اشتراک بگذارید.

منبع