این روزها هوش مصنوعی (AI) و یادگیری ماشینی (ML) و یادگیری عمیق (DL) با یگدیگر به اشتباه گرفته می‌شوند و باعث سردرگمی شده‌اند. مرز بین این سه زمینه هوش مصنوعی و یادگیری ماشینی و یادگیری عمیق برای افرادی که در همین حوزه فعالیت دارند کاملا روشن است. هوش مصنوعی حوزه وسیعی از دانش را در بر می‌گیرد. اما مرز بین این سه حوزه چیست؟

مقالات هوش مصنوعی رو به افزایش است و سرمایه‌گذاران در این حوزه به کشف فرصت‌ها می‌پردازند. مرز بین این سه زمینه هوش مصنوعی و یادگیری ماشینی و یادگیری عمیق برای افرادی که در همین حوزه فعالیت دارند کاملا روشن است. هوش مصنوعی حوزه وسیعی از دانش را در بر می‌گیرد. همه آنچه هوش مصنوعی کلاسیک و نمادین (Good Old-Fashioned AI) شناخته می‌شود تا ساختارهای پیوندگرا مثل یادگیری عمیق تحت پوشش علم هوش مصنوعی قرار می‌گیرند. یادگیری ماشینی زیرمجموعه‌ای از هوش مصنوعی به شمار می‌آید که به مطالعه الگوریتم‌های یادگیری و آموزش با کمک مجموعه‌‌ای از داده‌ها می‌پردازد. در طول زمان روشهایی مانند رگرسیون خطی (Linear Regression)، خوشه‌بندی K-Means، درخت تصمیم (Decision Trees)، جنگل تصادفی (Random Forest)، تحلیل مولفه‌های اصلی (PCA)، ماشین بردار پشتیبانی (SVM) و در آخر شبکه عصبی مصنوعی (ANN) توسعه پیدا کرد. شبکه عصبی مصنوعی حوزه‌ای است که پیدایش یادگیری عمیق از آن شروع شد.

گروهی از افرادی که در یادگیری ماشینی و شبکه عصبی مصنوعی فعالیت داشتند نخستین تصوری که از شاخه یادگیری عمیق بیان کردند این بود که چیزی جز شبکه عصبی مصنوعی با چندین لایه نیست و دردسترس قرار گرفتن داده‌های بیشتر و وجود موتورهای محاسباتی قوی مانند واحد پردازش گرافیکی (GPU) باعث موفقیت چشمگیر آن شده است. با این‌که پیشرفت یادگیری عمیق به وجود این دو عامل بسیار وابسته است ولی تصور این‌که یادگیری عمیق تنها روشی قوی‌تر از دیگر الگوریتم‌ها مانند SVM و Decision Trees است درست نیست.

همان‌طور که مارک اندرسون (Andreesen) می‌گوید: «نرم‌افزار دنیا را می‌بلعد»، یادگیری عمیق نیز یادگیری ماشینی را خواهد بلعید. دو نشریه‌ در زمینه یادگیری ماشینی این مفهوم را به خوبی توضیح می‌دهند. کریس منینگ (Chris Manning) متخصص حوزه پردازش زبان‌های طبیعی (NLP) در مورد «سونامی یادگیری عمیق» می‌نویسد چند سالی است که یادگیری عمیق در زمینه زبان‌شناسی رایانشی کاربرد دارد اما سال ۲۰۱۵ سالی است که این حوزه در کنفرانس‌های پردازش زبان‌های طبیعی نقش قابل توجهی داشته است.

Nicholas Paragios بیان می‌کند که یادگیری عمیق به خاطر پیچیدگی بسیار و درجه آزادی خیلی زیاد به داده عظیمی نیاز دارد. قدرت محاسباتی که به آن هم‌اکنون دست یافتیم می‌تواند همه مشکلات بینایی رایانه ناشی از نبود قدرت محاسباتی را حل کند و در پی آن یادگیری عمیق پیشرفت کند. یادگیری عمیق بر یادگیری ماشینی مسلط خواهد شد.

جالب است حتی شرکت پژوهشی گارتنر (Gartner) نیز میان یادگیری ماشینی و یادگیری عمیق تمایز قائل نشده است به طوری که در نمودار اشتیاق فناوری (Hype Cycle) سال ۲۰۱۶ گارتنر نیز ذکر نشده است. هدف این نمودار در مورد فناوری‌هایی است که هم اکنون مرکز توجه هستند یا این شرکت پیش بینی می‌کند که تاثیر زیادی در آینده صنعت IT خواهند داشت.

به هر حال با وجود نادیده گرفته شدن تاثیر حوزه یادگیری عمیق در آینده صنعت، این علم به رشد خود ادامه می‌دهد. این حوزه طی سال‌ها به روشها و ایده‌هایی رسیده است که همگی به صورت پراکنده به دست آمده‌اند. اکنون فعالان این حوزه تلاش می‌کنند که این الگوها و روشها به صورت یکپارچه به عنوان الگوهای طراحی یادگیری عمیق (Design Patterns of Deep Learning) در آیند.

اکنون یادگیری عمیق فراتر از شبکه عصبی مصنوعی و پرسپترون چند سطحی است و مجموعه‌ای از روش‌ها و ترفندهایی برای ایجاد ساختارهای الگوهای طراحی یادگیری عمیق به شمار می‌آید. سیستم‌های یادگیری ماشینی که اکنون تنها بخش کوچکی از آن را می‌شناسیم قدرتمند خواهند شد . یادگیری عمیق به ما اجازه می‌دهد که سیستم‌های یادگیری ماشینی با قابلیت پیش‌بینی داشته باشیم.

اگر علاقه‌مندید که بدانید زمینه یادگیری عمیق چگونه به شما کمک می‌کند به این لینک بروید.

در زمینه پیشرفت‌های هوش مصنوعی بیشتر بخوانید:
>>رونمایی از نخستین تراشه شبکه عصبی مبتنی بر فوتونیک
>>دستاورد تاریخی مایکروسافت با فناوری تشخیص گفتار محاوره همانند انسان
>>چگونه زنجیره‌ بلوکی می‌تواند بزرگترین ابررایانه جهان را بسازد

منبع: Medium