مفاهیم و کاربردهای یادگیری عمیق به زبان ساده

22 سپتامبر 2018

اگر کمی اهل خواندن و پیگیری اخبار تکنولوژی باشید، احتمالا بارها عباراتی مانند یادگیری عمیق به گوشتان خورده است. این روزها تقریبا در تمام بخش‌های تکنولوژی، می‌توانیم حضور همه‌جانبه هوش مصنوعی، یادگیری ماشینی یا یادگیری عمیق را مشاهده کنیم. روزبه‌روز حضور این فناوری‌ها بیشتر از گذشته می‌شود و تأثیر آن‌ها فقط محدود به دنیای تکنولوژی نیست، بلکه این فناوری‌ها مواردی مانند اقتصاد جهانی و حتی کلیت جوامع را تحت تأثیر قرار می‌دهند. به همین خاطر سوالی که در اینجا مطرح می‌شود این است که ماهیت این فناوری‌های دقیقا چیست و عملکرد آن‌ها چگونه است؟

در ادامه به‌صورت مختصر و مفید و به زبانی ساده، به مفاهیم و کاربردهای یادگیری عمیق می‌پردازیم. با ما همراه باشید.

چرا حالا؟

یادگیری عمیق

هوش مصنوعی فناوری جدیدی نیست و سابقه آن به دهه ۵۰ میلادی برمی‌گردد. اما حالا قدرت پردازشی بیشتری در دسترس افراد قرار دارد و این قدرت فزاینده قابلیت‌هایی از هوش مصنوعی را عملی کرده که تا همین چند سال پیش امکان‌پذیر نبوده است. بخش زیادی از این موضوع، به بهبود قدرت پردازشی سرویس‌های ابری برمی‌گردد و بخشی از آن هم مربوط به پیشرفت‌های حاصل شده در زمینه‌ی تراشه‌ها است. به همین خاطر روزبه‌روز به تعداد شرکت‌هایی که به ساخت و بهره‌گیری از قطعات اختصاصی مربوط به هوش مصنوعی روی می‌آورند، افزوده می‌شود.

هوش مصنوعی برای اینکه بتواند عملکرد قابل توجهی داشته باشد، به قدرت پردازشی بسیار زیادی نیاز دارد که حالا این امر امکان‌پذیر شده است. در درجه‌ی اول، هوش مصنوعی یعنی داده و در دو سال اخیر این فناوری حجم انبوهی از داده‌های جدید را تولید کرده است. در دنیای هوش مصنوعی، داده طلا است، نفت است، جنس با ارزشی است که جایگزین ندارد.

در این بین، چیزی که باعث شده هوش مصنوعی به یک پدیده فراگیر بدل شود، ارائه الگوریتم‌های هوش مصنوعی به عنوان سرویس است. بسیاری از غول‌های تکنولوژی، الگوریتم‌های هوش مصنوعی را از طریق API ها ارائه می‌دهند که رابط بین کاربر و پلتفرم‌های ابری محسوب می‌شوند. با وجود این پیشرفت‌های به دست آمده، هنوز هم بخش زیادی از کارهای مربوط به فناوری باید توسط انسان‌ها انجام شود.

یادگیری عمیق

دلیل این موضوع به عملکرد کلی یادگیری ماشینی برمی‌گردد؛ برای اینکه هوش مصنوعی بتواند کار خود را به‌درستی انجام دهد، باید داده‌های صحیح و مشخصی به آن داده شود که بخش اعظم این کار نیازمند حضور متخصصین است. این فرایند همچنان به‌شدت وقت‌گیر و پر هزینه است و همین موضوع یکی از دلایل ارزشمند بودن داده محسوب می‌شود.

مهم‌ترین بخش یادگیری عمیق همین داده است. این روزها دسترسی به سرویس‌های هوش مصنوعی دیگر کار سختی نیست، همه هم می‌توانند با صرف هزینه از قدرت پردازشی بسیار بالایی بهره ببرند، اما این داده است که عمدتا از جانب پلتفرم‌های مختلف به دست می‌آید و ارزش بسیار زیادی دارد.

مانند کشورهایی که از منابع طبیعی زیادی بهره می‌برند، برخی از پلتفرم‌ها هم سرشار از داده‌های ارزشمند هستند. این کمپانی‌ها با بهره‌گیری از این داده‌های به‌دست آمده، در انقلاب هوش مصنوعی می‌توانند بیشترین سود را کسب می‌کنند.

یادگیری ماشینی و یادگیری عمیق

با وجود ارائه این توضیحات، هنوز تعریف واضحی را از این موضوع ارائه نداده‌ایم. یادگیری ماشینی، که یادگیری عمیق زیرشاخه‌ی آن محسوب می‌شود، فرایندی است که ماشین‌ها را به ابزارهای هوشمندتری بدل می‌کند. مشخصا، این روشی است که ماشین‌ها بدون دخالت یا هدایت انسان می‌توانند کارهای مختلفی را «یاد» بگیرند. با بهره‌گیری از این فناوری، ماشین‌ها می‌توانند موارد مختلفی را بشناسند، کارهای متنوعی را انجام دهند، پیش‌بینی کنند و انجام دیگر کارهای از این قبیل.

یادگیری عمیق

یادگیری عمیق مهم‌ترین زیرشاخه‌ی یادگیری ماشینی محسوب می‌شود که همانند مغز انسان، مبتنی بر شبکه‌های عصبی است. شبکه‌های عصبی را به‌عنوان لایه‌های نرم‌افزاری در نظر بگیرید که روی یکدیگر گرفته‌اند. به‌عنوان مثال، فرض کنید که یک شیء روبروی شما قرار دارد، این شیء گرد است، نارنجی است و متوجه می‌شوید که یک نوع میوه محسوب می‌شود؛ بنابراین با توجه به این موارد نتیجه می‌گیرید که شیء مذکور یک پرتغال است. برای رسیدن به تک‌تک این نتیجه‌گیری‌ها باید توابع نرم‌افزاری خاصی مورد استفاده قرار بگیرد که با همکاری با یکدیگر به نتیجه نهایی دست پیدا کنند.

چرا اهمیت یادگیری عمیق رو به افزایش است؟

یادگیری عمیق بهترین راه برای پردازش حجم انبوهی از داده‌ها است. این فناوری، راه‌های مختلفی را برای یادگیری ماشین‌ها امکان‌پذیر می‌کند و به همین خاطر این فناوری اهمیت بسیار زیادی دارد.

بیشتر اوقات، این فرایند از طریق «یادگیری تحت نظارت» انجام می‌شود که در این روش، تنها داده‌های از پیش مشخص شده مورد پردازش قرار می‌گیرند. با این حال، روش‌های دیگری هم وجود دارد که قابلیت‌های زیادی را به ارمغان می‌آورند.

https://poulstar.com/wp-content/uploads/2018/09/Deep-Learning-1.jpg

یادگیری بدون نظارت – در این روش، افراد داده‌ها را دسته‌بندی نمی‌کنند. در عوض، متخصصین حجم انبوهی از داده‌ها را روانه سیستم‌ها می‌کنند و این سیستم‌ها از طریق پیدا کردن الگوها، می‌توانند این موارد را دسته‌بندی کنند.

یادگیری تقویتی – در این روش، سیستم اگر بتواند به هدف موردنظر دست پیدا کند پاداش می‌گیرد و در غیر این صورت مجازات می‌شود. در این روش مثلا وقتی که یک سیستم موقعیت مقاله را در صفحه اصلی سایت مشخص می‌کند، در صورت کلیک کاربر بر مقاله مذکور، پاداش دریافت می‌کند و کلیک نکردن هم مساوی با مجازات سیستم است.به همین خاطر سیستم یاد می‌گیرد که انواع و اقسام مقاله‌ها در کدام بخش سایت قرار دهد.

شبکه‌های رقابتی – در این نوع سیستم‌ها، دو نوع هوش مصنوعی مختلف به رقابت با یکدیگر می‌پردازند و یکی از آن‌ها مرتبا داده‌های تقلبی ایجاد می‌کند و سیستم دیگر باید این داده‌های جعلی را تشخیص بدهد. به‌عنوان مثال، فرض کنید که یک الگوریتم ویدیوهای تقلبی از افراد مشهور را ایجاد می‌کند و یک الگوریتم دیگر وظیفه شناسایی این ویدیوهایی جعلی را برعهده دارد. هرچند چنین فرایندی می‌تواند هوش مصنوعی باهوش و خلاقی را به ارمغان بیاورد، اما پتانسیل زیادی هم برای سوءاستفاده دارد و مخاطرات آن نباید نادیده گرفته شود.

سخن آخر

این روزها در تمام بخش‌های تکنولوژی صحبت از قابلیت‌های هوش مصنوعی است و این سروصدا منجر به ایجاد ترس هم می‌شود. ترس از اینکه هوش مصنوعی شغل‌های انسان‌ها را بگیرد یا به ما آسیب برساند. این ترس‌ها-به‌خصوص در زمینه‌ی شغل‌ها-بی‌پایه نیستند و تا حدی حقیقت دارند.

هوش مصنوعی پتانسیل این را دارد که شغل‌های زیادی را تصاحب کند. اما، هوش مصنوعی شغل‌های جدیدی را هم ایجاد خواهد کرد، شغل‌هایی که هنوز نمی‌توانیم وجود آن‌ها را تصور کنیم. علاوه بر این، هوش مصنوعی به ما کمک می‌کند که به انسانیت خود نزدیک‌تر شویم و به جای انجام کارهای تکراری که مناسب ماشین‌ها است، کارهای خلاقانه‌ای را انجام دهیم.

البته هنوز موانع زیادی بر سر راه این فناوری‌ها قرار دارند. داده‌های امروزی هنوز تمیز و مرتب نیستند، الگوریتم‌ها هم همچنان در مراحل ابتدایی خود قرار دارند و برای بهره‌گیری از یادگیری عمیق به قدرت پردازشی بسیار زیادی نیاز داریم. با این حال، نباید پتانسیل‌های هیجان‌انگیز یادگیری عمیق را فراموش کنیم و باید بگوییم این فناوری می‌تواند جهان اطراف ما را تا حد زیادی متحول کند.