تفاوت بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق

چگونه یادگیری ماشین، یادگیری عمیق و هوش مصنوعی را با یکدیگر اشتباه نگیریم.

“مطمئناً اکثر ما با اصطلاح “هوش مصنوعی” آشنا هستیم، همانطور در برخی از فیلم های معروف هالیوود مانند “The Matrix“، “The Terminator“، “Interstellar“، به آن اشاره شده و همچنین مورد توجه عمده قرار گرفته است. اگرچه فیلم ها و رمان های علمی تخیلی هالیوود هوش مصنوعی را به عنوان ربات هایی شبیه انسان نشان می دهند که قصد تصرف کره زمین را دارند، اما با این حال باید گفت که تحول واقعی فن آوری های هوش مصنوعی آنقدر هم هوشمندانه و یا ترسناک نیست. درعوض، هوش مصنوعی رشد چشمگیری برای ارائه و پیشنهاد مزایای مختلف در صنعت هایی مانند مراقبت های بهداشتی، خرده فروشی، تولید، بانکداری و موارد دیگر داشته است.“

نویسنده: امیررضا جهانی

هوش مصنوعی، یادگیری ماشین، یادگیری عمیق، علم داده از اصطلاحات رایج در این دوره بوده و همچنین دانستن آنچه که در مفاهیم آنها و تفاوت هایی که در بین آنها وجود دارد، بسیار بحث برانگیز و مهمتر از همیشه بوده است. اگرچه این اصطلاحات ممکن است به هم نزدیک باشند، اما بین آنها تفاوت هایی وجود دارد که برای درک بهتر می توانید تصویر زیر را مشاهده می‌‎کنید.

هوش مصنوعی(Artificial Intelligence)  چیست؟

از زمانی که سوال آلن تورینگ در سال 1950 با عنوان ” آیا یک ماشین می تواند فکر کند؟” بیان شد، بشر مدت هاست که در رابطه با ایجاد هوش مصنوعی، دچار نگرانی شده است. هوش مصنوعی دستگاه را قادر می سازد كه فكر كند، یعنی بدون هرگونه مداخله انسانی دستگاه قادر به تصمیم گیری خواهد بود. این یک حوزه گسترده ای از علوم کامپیوتر می باشد که باعث می‌شود  ماشین ها به نظر برسند که از هوش انسانی برخوردار هستند.

بنابراین این امر تنها برنامه نویسی رایانه برای رانندگی اتومبیل بدون دخالت انسان و با رعایت علائم راهنمایی و رانندگی نیست، بلکه این برنامه یاد می گیرد تا رفتاری چون انسان، مانند عصبانیت در حین رانندگی را داشته باشد.

انواع سیستم های هوش مصنوعی

سیستمهای هوش مصنوعی بر اساس توانایی آنها در تقلید از رفتارهای انسانی، سیستم سخت افزاری مورد استفاده در آنها برای انجام این نوع رفتار، کاربردهای متعدد آن ها در دنیای واقعی و همچنین بر اساس تئوری ذهن طبقه بندی می شوند.

با استفاده از این ویژگیها برای مقایسه، کلیه سیستمهای هوش مصنوعی واقعی و فرضی در یکی از این سه نوع قرار می گیرند:

ANI: هوش محدود مصنوعی (Artificial Narrow Intelligence)

هوش مصنوعی محدود همچنین به عنوان هوش مصنوعی ضعیف شناخته شده است و تنها نوع هوش مصنوعی است که امروزه در دنیای ما وجود دارد. هوش مصنوعی محدود هدف‌گرا است و برای انجام یک کار واحد برنامه‌ریزی می‌شود  و در انجام وظیفه خاصی که برای انجام آن برنامه‌ریزی شده بسیار هوشمندانه عمل می‌کند . برخی از نمونه های ANI شامل Siri (دستیار صوتی اختصاصی اپل برای کاربران)، سیستم خلبان خودکار در هواپیما، ربات های گفتگو، سیستم رانندگی خودکار در اتومبیل و غیره می باشد.

سیستم های محدود هوش مصنوعی مانند انسان ها آگاه و احساساتی نیستند و همچنین تحت تأثیر احساسات قرار نمی گیرند. آنها از داده های خاصی استفاده می‌کنند  و هیچ وظیفه دیگری که خارج از وظیفه طراحی شده را انجام نمی‌دهند.

AGI :هوش مصنوعی عمومی (Artificial General Intelligence)

هوش عمومی مصنوعی که همچنین به عنوان هوش مصنوعی قوی شناخته می‌شود، مفهومی است که در آن ماشین ها از هوش انسانی برخوردار هستند. ماشین ها توانایی یادگیری، درک و عمل به روشی را دارند که از یک انسان در شرایط معین قابل تشخیص نیست. هوش مصنوعی عمومی در حال حاضر وجود ندارد اما در بسیاری از فیلمهای علمی تخیلی هالیوود مورد استفاده قرار می گیرد که در آن انسان ها، با ماشین هایی که دارای هوشیاری و خودآگاهی هستند و همچنین تحت تأثیر احساسات قرار می گیرند، تعامل دارند.

با استفاده از هوش مصنوعی قوی قادر به ساخت ماشین هایی هستیم که بتوانند در شرایط نامشخص فکر کنند، همچنین در ایجاد استراتژی و انجام چندین کار نقش آفرینی کنند. آنها می توانند دانش قبلی خود را در تصمیم گیری به کار بگیرند تا به راه حل های نوآورانه، خلاقانه و غیر قراردادی برسند.

 ASI :سوپر هوش مصنوعی (Artificial Super Intelligence)

مطمئنا فیلمThe Terminator”” و ستاره این فیلم آرنولد شوارتزنگر را به خاطر دارید که در آن آگاهی ماشین جایگزین هوش انسانی در همه ابعاد شد. سوپر هوش مصنوعی، نوعی هوش مصنوعی فرضی است که ماشین ها قادر به نمایش هوشی فراتر از باهوش ترین انسان ها می باشند.

در این نوع هوش مصنوعی، جدا از داشتن هوش چند جانبه در انسان، ماشین ها از توانایی های بیشتری برای حل مسائل و تصمیم گیری برخوردار هستند که بسیار برتر از انسان خواهد بود. این نوع هوش مصنوعی می تواند تأثیر بسزایی در بشریت داشته باشد و چه بسا منجر به انقراض نژاد بشر از کره زمین شود.

یادگیری ماشین  (Machine Learning)چیست؟

یادگیری ماشین زیر مجموعه ای از هوش مصنوعی می باشد که از الگوریتم های یادگیری آماری، برای ساخت سیستم هایی با توانایی یادگیری و پیشرفت خودکار از تجربه کردن، بدون برنامه‌ریزی صریح و آشکار، استفاده می‌کند.

بیشتر ما از یادگیری ماشین در زندگی روزمره خود استفاده می‌کنیم. برای مثال سیستم‌های توصیه‌گر(recommendation systems) در Netflix، YouTube، Spotify و همچنین موتورهای جستجو نظیرGoogle  و Yahoo، دستیار های صوتی هوشمند همچون Google Home، Amazon Alexa شامل مواردی از یادگیری ماشین هستند که در زندگی روزمره ما کاربرد دارند. در یادگیری ماشین، الگوریتم را با ارائه داده‌های زیادی آموزش می‌دهیم و به آن اجازه می‌دهیم تا اطلاعات بیشتری در رابطه با اطلاعات پردازش شده کسب کند. الگوریتم های یادگیری ماشین را می توان به طور گسترده به سه دسته یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویتی تقسیم کرد.

یادگیری نظارت شده(Supervised Learning)

در یادگیری نظارت شده متغیرهای ورودی (X) و متغیر خروجی (Y) وجود دارند و بر اساس آنها از یک الگوریتم برای بدست آوردن یک تابع نگاشت از ورودی به خروجی استفاده می‌شود . به عبارت دیگر، یک الگوریتم با یادگیری نظارت شده، مجموعه شناخته شده ای از مجموعه داده های ورودی و همچنین پاسخ شناخته شده آن به داده ها را برای یادگیری مدل طبقه بندی و رگرسیون در اختیار می گیرد. سپس الگوریتم یادگیری یک مدل را برای ایجاد یک پیش بینی، برای پاسخ به داده های جدید یا مجموعه داده های آزمون، آموزش می دهد.

یادگیری بدون نظارت (Unsupervised Learning)

یادگیری بدون نظارت هنگامی مورد استفاده قرار می گیرد که داده های Label در دسترس نباشند. تمرکز اصلی آن کسب اطلاعات بیشتر در مورد داده ها، با استنباط الگوهای موجود در مجموعه داده‌ها، بدون مراجعه به خروجی های شناخته شده می باشد. این امر تحت عنوان عدم نظارت گفته می‌شود  چراکه الگوریتم ها به خودی خود باقی می مانند تا با پیدا کردن شباهت ها، تفاوت ها و الگوهای موجود در داده های نامرتب را گروه بندی کنند. یادگیری بدون نظارت بیشتر به عنوان بخشی از تجزیه و تحلیل داده های اکتشافی انجام می‌شود که بیشترین استفاده آن برای خوشه‌بندی اطلاعات و کاهش ابعاد است.

یادگیری تقویتی(Reinforcement Learning)

به زبان ساده، یادگیری تقویتی می تواند به عنوان یادگیری به همراه تعامل مداوم با محیط توضیح داده شود. این نوعی الگوریتم یادگیری ماشینی است که در آن یک عامل با استفاده‌ی مداومِ از بازخورد‌های موجود در اقدامات و تجربیات قبلی خود، از یک محیط تعاملی به روش آزمون و خطا، اقدام به یادگیری می‌کند . یادگیری تقویتی از روش پاداش و مجازات استفاده می‌کند ، که مدل در آن برای انجام اقدامات اشتباه مجازات شده و در صورت انجام اقدامات صحیح، پاداش دریافت می‌کند.

یادگیری عمیق (Deep Learning) چیست؟

یادگیری عمیق یک روش یادگیری ماشینی است که از روش فیلتر کردن اطلاعات توسط مغز انسان، الهام گرفته می‌شود  و اساساً یادگیری آن از طریق نمونه‌ها می باشد. همچنین به یک مدل کامپیوتری کمک می‌کند  تا توسط فیلتر کردن داده های ورودی از طریق لایه های موجود، اطلاعات را پیش بینی و طبقه بندی کند. از آنجا که یادگیری عمیق اطلاعات را به روشی مشابه با مغز انسان پردازش می‌کند ، بیشتر در برنامه هایی که معمولاً توسط افراد انجام می‌شود کاربرد دارد. نمونه این فن آوری در اتومبیل های بدون راننده است که به آنها امکان می دهد تا علامت توقف را تشخیص داده و بین محل عبور عابر پیاده و تیر چراغ برق، وجه تمایز قائل شوند. بیشتر روشهای یادگیری عمیق از معماری های شبکه عصبی استفاده می‌کنند ، بنابراین اغلب به آنها شبکه های عصبی عمیق گفته می‌شود .

یادگیری عمیق اساساً مغز انسان را تقلید می‌کند ، همچنین می تواند به عنوان یک معماری شبکه عصبی که شامل تعداد زیادی پارامتر و لایه است، تعریف شود. در ادامه به شرح سه معماری اساسی شبکه می پردازیم.

شبکه عصبی کانولوشن (Convolutional Neural Networks)

شبکه عصبی کانولوشن(CNN) در اصل یک شبکه عصبی مصنوعی است که بیشتر در زمینه بینایی کامپیوتر (Computer Vision)، برای تجزیه و تحلیل و همچنین طبقه بندی تصاویر مورد استفاده قرار می گیرد. این یک الگوریتم یادگیری عمیق است که تصویر ورودی را می گیرد و وزن ها و بایاس های موجود را به جنبه های مختلف و یا اشیاء موجود در تصویر اختصاص می دهد، به گونه ای که می تواند یکی را از دیگری متمایز کند. لایه های پنهان CNN به طور معمول از لایه های حلقوی، لایه های پولینگ (Pooling)، لایه های کاملاً متصل و لایه های عادی تشکیل
شده اند. معماری یک ConvNet شبیه به الگوی اتصال شبکه نورون ها در مغز انسان بوده و از تشکیلات قشر بصری (Visual Cortex) الهام گرفته شده است.

شبکه های عصبی برگشتی (Recurrent Neural Networks)

شبکه های عصبی برگشتی نوعی معماری شبکه عصبی است که در مشکلات پیش بینی توالی و همچنین در زمینه پردازش زبان طبیعی به شدت مورد استفاده قرار می گیرد. دلیل برگشتی نامیده شدن RNN ها این است که وظایف یکسانی را برای توالی هر عنصر انجام می دهند، به طوری که خروجی آن به محاسبات قبلی وابسته است. موضوعی دیگر در رابطه با RNN ها این است که آنها دارای “حافظه” می باشند که این امر سبب می‌شود  تا اطلاعات مربوط به آنچه تاکنون محاسبه شده است را ثبت و ضبط کنند.

برای کسب اطلاعات بیشتر در مورد RNN، لطفاً به مقاله زیر مراجعه کنید:

https://www.wildml.com/2015/09/recurrent-neural-networks-tutorial-part-1-introduction-to-rnns/

شبکه های عصبی بازگشتی (Recursive Neural Networks)

“یک شبکه عصبی بازگشتی نوعی شبکه عصبی عمیق است که با استفاده از به کار بردن همان مجموعه وزن ها، به صورت بازگشتی بر روی ورودی ساختاری ایجاد می‌شود . این امر برای تولید یک پیش بینی ساختاری با اندازه ای متغیر ساختار ورودی می باشد. “

یک شبکه عصبی بازگشتی بیشتر شبیه به یک شبکه سلسله مراتبی است که در واقع هیچ جنبه زمانی برای توالی ورودی وجود ندارد، اما ورودی باید بصورت سلسله مراتبی به روش درختی پردازش شود. در اینجا مثالی از نحوه عملکرد یک شبکه عصبی بازگشتی ارائه شده است که این روش یادگیری یک درخت تجزیه از یک جمله، با گرفتن خروجی عملیات به صورت بازگشتی که روی یک قطعه کوچکتر از متن انجام می‌شود را نشان می دهد.

در این مقاله سعی شده است تا تفاوت های بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق را با تعریف آنها و توضیح زیر شاخه های مختلف در هر موضوع را توضیح دهد. برای درک بهتر مطالب میتوانید کلیپهای کوتاه دوره یادگیری ماشین را نگاه کنید که در زیر یکی از ویدیوها را قرار داده ایم.

منبع