ارتباط میان هوش مصنوعی و یادگیری ماشین

زمانی بود که واژه‌ی هوش مصنوعی را تنها در فیلم‌های علمی-تخیلی می‌شنیدیم. اکنون هوش مصنوعی از موضوع صرفا پژوهشی به موضوع کاربردی تبدیل شده است. پیشرفت‌های فناوری ما را به جایی رسانده است که کسب و کارهای مختلف نه تنها درباره هوش مصنوعی صحبت می‌کنند بلکه آن را در کسب و کار خود به کار می‌گیرند. هوش مصنوعی در زمینه‌های مختلف از بازی‌های رایانه‌ای تا نگهداری اطلاعات پیچیده محیط کار به کار می‌رود. مهندسان رایانه و دانشمندان در تلاش هستند رفتار هوشمندانه را در رایانه و دستگاه‌ها به وجود آورند. رایانه‌ها با رفتار هوشمندانه خواهند توانست در لحظه تصمیم‌گیری و اقدام کنند. با مجله‌ی فناوری‌های توان‌افزا و پوشیدنی همراه باشید.

ارتباط میان هوش مصنوعی و یادگیری ماشین
Supervised VS Unsupervised Learning

غول‌های فناوری همچون گوگل و فیسبوک سرمایه‌گذاری‌های عظیمی در زمینه‌ی یادگیری ماشین و هوش مصنوعی انجام داده‌اند و در محصولات خود نیز به کار گرفته‌اند. طی چند سال آینده محصولات مبتنی بر AI و ML یکی پس از دیگری روانه بازار خواهند شد.

هوش مصنوعی چیست؟

به گفته پژوهشگر دانشگاه استنفورد، John McCarthy “هوش مصنوعی دانش و مهندسی ساخت ماشین‌های هوشمند به خصوص برنامه‌های رایانه‌ای هوشمند است. هوش مصنوعی به فعالیت استفاده از رایانه در درک هوش انسان شباهت دارد. اما لزوما AI به روش‌هایی که از نظر زیستی قابل مشاهده هستند محدود نمی‌‎شود.”

به بیان ساده، هدف AI هوشمند کردن رایانه و برنامه‌های رایانه‌ای به گونه‌ای که رفتار ذهن انسان را تقلید کنند. مهندسی دانش (Knowledge Engineering) از بخش‌های اساسی پژوهش‌های AI به شمار می‌آید. ماشین‌ها و برنامه‌ها به اطلاعات انبوه درباره جهان نیازدارند تا بتوانند همانند انسان فکر و عمل کنند. AI باید به خصوصیات، دسته‌‌ها و اشیا و ارتباط میان آن‌ها دسترسی داشته باشد تا بتواند مهندسی دانش را پیاده‌سازی کند. هوش مصنوعی قضاوت عقلانی و قدرت حل مسئله و استدلال تحلیلی را در ماشین‌ها پایه‌گذاری می‌کند که کاری بسیار پیچیده و دشوار است.

شرکت‌ها و خدمات مبتنی بر AI به دو دسته خدمات عمودی و خدمات افقی دسته‌بندی می‌شوند.

هوش مصنوعی عمودی (Vertical AI)

خدمات عمودی بر شغلی واحد تمرکز دارد. به عنوان نمونه برنامه‌ریزی جلسات، اجرای کارهای تکراری به صورت خودکار از جمله خدمات AI عمودی به شمار می‌رود. بات‌های AI قادر هستند یک وظیفه را به بهترین حالت انجام دهند که ممکن است آن‌ها را با انسان اشتباه بگیریم.

هوش مصنوعی افقی (Horizontal AI)

خدمات AI افقی می‌تواند چندین کار را همزمان مدیریت کند. کورتانا و سیری و الکسا در طبقه‌بندی AI افقی قرار می‌گیرند. آنها چندین کار را انجام می‌دهند. پرسش‌های متنوعی درباره آب و هوا و دیگر موضوعات باید جواب دهند.

هوش مصنوعی با تجزیه و تحلیل نحوه‌ی کار مغز انسان شکل گرفت. AI در زمان حل مسئله و به کارگیری روش‌های تحلیلی و ایجاد الگوریتم‌های پیچیده برای اجرای وظیفه‌ای واحد از مغز انسان تقلید می‌کند. AI را می‌توان سامانه‌ی تصمیم‌گیری خودکار در نظر گرفت که به طور پیوسته و خودکار یاد می‌گیرد، سازگار می‌شود، پیشنهاد می‌دهد و در آخر وظیفه‌ای را انجام می‌دهد.

در هسته‌ی اصلی هوش مصنوعی به الگوریتم‌هایی نیاز است که از تجارب یاد بگیرد. این جایی است که یادگیری ماشین (Machine Learning) نقش پیدا می‌کند.

یادگیری ماشین

یادگیری ماشین، دانش طراحی و پیاده‌سازی الگوریتم‌ها است که قادر است از آنچه در گذشته اتفاق افتاده بیاموزد. اگر رفتارهایی در گذشته وجود داشته بنابراین می‌توان پیش‌بینی کرد ان رفتار در آینده نیز اتفاق می‌افتد یا نه. اگر رفتارهای گذشته نباشد پس پیش‌بینی هم وجود نخواهد داشت. با پیاده‌سازی ML قادر خواهیم بود مسئله‌های دشوار همچون تشخیص تقلب در کارت‌های بانکی (Credit card fraud detection)، تشخیص چهره و مسئله خودروهای خودران را حل کنیم. ML از الگوریتم‌های پیچیده استفاده می‌کند و به طور پیوسته بر داده‌های با حجم زیاد تکرار می‌شود. سپس الگوها در داده تجزیه و تحلیل می‌شود. بنابراین ماشین‌ها با کمک ML قادر هستند در موقعیت‌های گوناگون که حتی به طور مستقیم برنامه‌ریزی نشده‌اند، پاسخگو باشند.

ماشین‌ها از تجربه‌ها در گذشته می‌آموزند تا پاسخ قابل اعتمادی ارائه دهند. الگوریتم‌های ML از علم آمار و علوم رایانه بهره می‌گیرند تا خروجی‌های منطقی را پیش‌بینی کنند. سه حوزه‌ی اصلی در الگوریتم‌های ML وجود دارد:

۱) یادگیری نظارت شده (Supervised Learning)

در یادگیری نظارت شده؛ مجموعه‌داده‌های آموزشی برای سیستم فراهم می‌شود. الگوریتم‌های بر پایه یادگیری نظارت شده، داده‌ها را تجزیه و تحلیل می‌کند و از آن تابعی نتیجه‌گیری می‌کند. سپس این تابع برای داده‌های جدید به کار می‌رود. تشخیص تقلب کارت بانکی از جمله کاربردهای ML با یادگیری نظارت شده است.

ارتباط میان هوش مصنوعی و یادگیری ماشین
Recommendation engine

۲) یادگیری نظارت نشده (Unsupervised Learning)

الگوریتم‌های بر پایه یادگیری نظارت نشده بسیار دشوارتر هستند زیرا داده‌های آموزشی در دسترس نیست و از داده‌های بدون هیچ طبقه‌بندی استفاده می‌کند. هدف نهایی ماشین هوشمند نیز یادگیری بدون نظارت است. به دلیل نداشتن مجموعه داده آموزشی، راه حل از پیش تعیین شده درستی برای مسئله ارائه نمی‌شود. الگوریتم باید خودش داده‌های موجود را تجزیه و تحلیل کند و الگویی در داده بیابد. از کاربردهای ML با یادگیری بدون نظارت، سامانه‌های توصیه گر یا پیشنهادگر (Recommendation engine) است. این سامانه با تحلیل رفتار کاربر خود، اقدام به پیشنهاد مناسب‌ترین اقلام (داده، اطلاعات، کالا و…) می‌کند. این سامانه‌ها در همه سایت‌های تجارت الکترونیک کاربرد دارند. همچنین سامانه پیشنهاد دوستان در فیسبوک نیز از این نوع الگوریتم‌ها استفاده می‌کند.

۳) یادگیری تقویتی

الگوریتم‌های ML مبتنی بر یادگیری تقویتی به ماشین اجازه می‌دهد به طور خودکار، رفتار ایده‌آل مناسب مسئله موردنظر را تعیین کند به گونه‌ای که عملکرد آن حداکثر شود. یادگیری تقویتی با توصیف یک مسئله تعریف می‌شود نه با توصیف روش‌های یادگیری. هر روشی که برای حل مسئله موردنظر به خوبی عمل کند و به طور موثر و سریع خروجی را ارائه دهد، روش یادگیری تقویتی در نظر گرفته می‌شود. در یادگیری تقویتی، ماشین می‌آموزد چگونه در محیط با انجام اقدامات و دیدن نتایج رفتار کند.

تاکنون هوش مصنوعی و یادگیری ماشین به صنایع خدمات مشتری، تجارت الکترونیک، و دانش مالی وارد شده است.


بیشتر بخوانیم:

>>هفت ناتوانی هوش مصنوعی در بهداشت و درمان
>>فناوری ‌های تاثیر گذار بر هوش مصنوعی: از AI توضیح ‌پذیر تا محاسبات کوانتومی
>>Physical AI : تلاش برای دستیابی به ربات های هوشمند با همکاری میان رشته ای


منبع: business2community

«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوری‌های توان‌افزا و پوشیدنی) مجاز است»

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *