خانه > مقالات > هوش مصنوعی

تفاوت میان هوش مصنوعی، یادگیری ماشین و یادگیری عمیق

امیرحسین فرحزادی  

همگی ما با هوش مصنوعی آشنایی داریم و با فیلم هایی نظیر نابودگر و ماتریکس به آن علاقه مند شدیم. اخیرا علاوه بر هوش مصنوعی مفاهیمی نظیر “یادگیری ماشین” و “یادگیری عمیق” هم مطرح شده اند که گاها حتی به جای یکدیگر مورد استفاده قرار می گیرند. بنابراین این مقاله تلاش می کند علاوه بر شفاف سازی، تعاریف و ویژگی های صحیح این تکنولوژی ها را نیز بیان کند. در انتها به تاثیرات مهم ترکیب هوش مصنوعی و اینترنت اشیا پرداخته می شود.

تفاوت هوش مصنوعی، یادگیری ماشین و یادگیری عمیق در چیست؟
در سال ۱۹۵۶ جان مک کارتی اولین تعریف از هوش مصنوعی را ارائه داد. ” هوش مصنوعی شامل ماشین هایی می شود که توانایی انجام کارهایی را دارند که تنها با ویژگی هوش انسان قابل اجرا هستند”. در حالی که این تعاریف کلی است ولی، شامل مواردی همچون برنامه ریزی، یادگیری زبان، تشخیص اشیا و صدا، یادگیری و حل کردن مشکلات است. هوش مصنوعی در ۲ شاخه عمومی و محدود دسته بندی می شود. دسته عمومی شامل تمام ویژگی های هوش انسان خواهد بود که شامل توانایی های فوق الذکر می شود. دسته محدود شامل برخی از قابلیت های هوش انسان خواهد بود و درحالی که در انجام آنها بسیار دقیق و عالی عمل می کند، در مورد ویژگی های دیگر عملکرد مناسبی ندارد. به عنوان مثال یک دستگاه اختصاصی تشخیص تصویر در دسته محدود قرار می گیرد.
در بطن عملیات، یادگیری ماشین به زبان ساده راهی جهت دستیابی به هوش مصنوعی محسوب می شود. آرتور ساموئل در سال ۱۹۵۹ در مورد یادگیری ماشین تعریفی ارائه کرد. ” توانایی یادگیری ماشین بدون برنامه ریزی صریح آن “. همانطور که می بینید دستیابی به هوش مصنوعی بدون یادگیری ماشین امکان پذیر است ولی نیازمند میلیون ها خط کد به همراه قوانین و درخت های تصمیم گیری پیچیده است. بنابراین به جای برنامه نویسی تمام جزییات با استفاده از دستورهای مشخص جهت انجام عملیات، یادگیری ماشین استفاده می شود تا با استفاده از یک الگوریتم یادگیر عملیات را فرا بگیرد. فرآیند یادگیری شامل تزریق حجم داده ای بسیار زیاد به الگوریتم است تابه آن اجازه دهیم به مرور خود را بهبود و تنظیم کند. به عنوان مثال استفاده از یادگیری ماشین طی سال های گذشته باعث شده تا بهبود چشمگیری را در بینایی کامپیوتر شاهد باشیم (قابلیت تشخیص اشیا در تصاویر و ویدیوها). در اینجا صدها، هزاران و حتی ممکن است میلیون ها تصویر که در آن انسان ها وجود دارند برچسب گذاری می شوند. سپس در بین همان تصاویر آنهایی گربه است را مجدد برچسب گذاری شوند. سپس، الگوریتم تلاش می کند تا مدلی را بسازد که از طریق آن به شکل دقیق وجود و یا عدم وجود انسان یا گربه را تشخیص دهد. زمانی که دقت تشخیص به سطح مطلوب رسید، وقت آن است که ماشین قابلیت تشخیص نژاد یا چهره گربه ها را قرا بگیرد.

یادگیری عمیق یکی از چندین روش ممکن جهت انجام یادگیری ماشین است. روش های دیگری نظیر درخت یادگیری، برنامه نویسی منطقی القائی، خوشه بندی، تقویت یادگیری، شبکه های بیزی و غیره نیز مورد استفاده قرار می گیرند. یادگیری عمیق الهام گرفته از ساختار و توابع مغز است. شبکه عصبی مصنوعی مجموعه الگوریتم هایی هستند که در واقع تلاش می کنند تا از ساختار بیولوژیکی مغز تقلید کنند. در شبکه های عصبی مصنوعی، نورون ها دارای لایه های گسسته و همچنین ارتباطات با دیگر نورون ها هستند. هر لایه یک ویژگی خاص را جهت یادگیری بر می گزیند. برای مثال می توان تشخیص لبه و یا انحنا در یک تصویر را نام برد. این لایه های متعدد در واقع منشا نام گذاری یادگیری عمیق بوده اند زیرا عمق از طریق بکارگیری چندین لایه ایجاد می شود.

هوش مصنوعی و اینترنت اشیا جدایی ناپذیر بنظر می رسند
ارتباط بین هوش مصنوعی و اینترنت اشیا شبیه رابطه بدن و مغز است. بدن انسان به عنوان ورودی، حواسی همچون بینایی، شنوایی و لامسه را دریافت می کند. مغز انسان داده های ورودی را پردازش و آنها را تبدیل به اطلاعاتی همچون تشخیص شی و صدا می کند. سپس ذهن انسان تصمیم می گیرد که به داده های ورودی را با حرکت بدن یا صحبت کردن پاسخ بدهد. تمامی حسگرهایی که اینترنت اشیا را شکل می دهند شبیه به بدن ما هستند، آنها داده های خامی که در دنیای واقعی یا خارج جریان دارند را جمع آوری می کنند. هوش مصنوعی همانند مغز ما عمل می کند، روی داده ها پردازش انجام می دهد و تمیم می گیرد پس از پردازش چه عملیاتی روی آن انجام دهد. از طرف دیگر دستگاه های متصل در اینترنت اشیا همچون بدن انسان عمل می کنند، در واقع عملیات های فیزیکی و برقراری ارتباط میان یکدیگر بر عهده آنهاست.
ارزش و آتیه اینترنت اشیا و هوش مصنوعی بهم وابسته است. یادگیری ماشین و یادگیری عمیق باعث رشد و جهش قابل توجه هوش مصنوعی در طی سال های اخیر شده است. همان طور که بیان شد، این ۲ تکنیک نیازمند حجم بالایی از داده جهت کارکرد مناسب هستند. این حجم داده توسط تعداد بسیار زیادی از گره های اینترنت اشیا از محیط جمع آوری می شوند و هر روزه شاهد گسترش این نوع شبکه ها و گره ها هستیم. بنابراین اینترنت اشیا به بهبود عملکرد هوش مصنوعی کمک می کند. کارایی بهتر هوش مصنوعی همچنین پذیرش عمومی و نمایان سازی پتانسیل های اینترنت اشیا را سهل تر می کند. به این طریق چرخه ای خواهیم داشت که از گردش آن هر دو تکنولوژی بهره مند خواهند شد. نتیجتا بکارگیری هوش مصنوعی اینترنت اشیا را کارا و مفید می کند. از دیدگاه صنعتی، تعبیه هوش مصنوعی کمک می کند تا زمان نگهداری و تعمیرات ماشین آلات پیشبینی شود و یا فرآیند تولید بررسی و تحلیل شود تا به حداکثر بهره وری، درآمد و صرفه جویی برسیم. در سمت مصرف کنندگان، به جای تلاش کردن در جهت انطباق افراد با تکنولوژی می توان تکنولوژی ها را منطبق با سبک زندگی افراد توسعه داد. به جای کلیک کردن، تایپ کردن و جستجو کردن خیلی بهتر می شود اگر موارد مورد نیاز را از ماشین ها درخواست کرد. امور مورد نیاز می تواند همچون درخواست اطلاع رسانی پیشبینی وضعیت آب و هوا و یا انجام عملیاتی مانند خاموش کردن ترموستات، قفل کردن درها، خاموش کردن لامپ ها و غیره باشند.

پیشرفت های تکنولوژیکی همگرا این موضوع را ممکن ساخته
کوچک شدن چیپ های کامپیوتری و پیشرفت تکنیک های ساخت به معنای کاهش هزینه ها و قدرت بیشتر حسگرها است. ارتقا عملکرد باتری ها همچنین این مفهوم را می رساند که اشیا و حسگرها می توانند سالیان متمادی بدون نیاز به اتصال به منابع انرژی فعالیت خود را ادامه دهند. اتصالات بیسیم که با ظهور تلفن های هوشمند بیش از پیش مورد توجه قرار گرفته اند این امکان را فراهم می کنند که حجم بالایی از داده با هزینه پایین منتقل شوند و در صورت نیاز در فضای ابری و سرور ها مورد استفاده قرار گیرند. در انتها مفاهیم پردازش لبه و ابری تقریبا فضای نامتناهی برای ذخیره سازی داده و همچنین توان پردازشی نامحدودی برای اجرای برنامه ها در اختیار قرار می دهند.

قطعا نگرانی هایی در مورد تاثیر هوش مصنوعی بر جامعه و افراد برای آینده وجود دارد و با سرعت گرفتن رشد هوش مصنوعی و اینترنت اشیا یک مورد قطعی است و آن هم این است که این تاثیرات بر روی زندگی افراد و جامعه بسیار عمیق و ژرف خواهد بود.


منابع