یادگیری ماشین یکی از آن عباراتی است که این روزها در حوزه‌های مختلفی با آن‌ها برخورد می‌کنیم. از صنعت موبایل گرفته تا خودروها، سیستم‌های امنیتی و تحقیقات علمی، هر روز کاربردهای تازه‌تری برای یادگیری ماشین معرفی می‌شوند. یادگیری ماشین یکی از شاخه‌های هوش مصنوعی محسوب می‌شود و در حال حاضر بسیاری از شرکت‌های بزرگ جهان منابع قابل توجهی را به توسعه سیستم‌های هوش مصنوعی با بهره‌گیری از یادگیری ماشین اختصاص داده‌اند.

بیش از ٦٠ سال است که هوش مصنوعی به‌عنوان یک فناوری واقعی از دنیای فیلم‌ها و داستان‌های علمی تخیلی خارج شده و تا امروز فراز و نشیب‌های فراوانی را پشت سر گذاشته است. طبیعی است که در طول این مسیر هوش مصنوعی گاهی اوقات به موضوع داغ خبرها تبدیل شده و گاهی اوقات نیز مورد بی‌توجهی قرار داشته است. با این‌حال، امروزه با گسترش انفجاری حوزه‌هایی مانند بیگ‌دیتا، پردازش موازی قدرتمند و الگوریتم‌های عصبی پیشرفته، شاهد خیزش تازه‌ای در هوش مصنوعی هستیم و بسیاری از بازیکنان بزرگ حوزه فناوری تلاش می‌کنند تا عنوان پیشتازی در این مسیر را به خود اختصاص دهند.

با وجود آن که هوش مصنوعی با شکل‌های گوناگونی در حوزه‌های مختلف خودنمایی می‌کند، اما با اطمینان می‌توان گفت که امروزه یادگیری ماشین پرکاربردترین مکانیزم برای دستیابی به هوش مصنوعی محسوب می‌شود.

همان‌طور که گفتیم یادگیری ماشین یکی از شاخه‌های هوش مصنوعی است. موتورهای مبتنی بر قاعده، الگوریتم‌های تکاملی و آمارهای بیزی همگی نمونه‌هایی از ابزارهای دستیابی به هوش مصنوعی هستند. بسیاری از برنامه‌های هوش مصنوعی اولیه مانند Deep Blue شرکت IBM (که گری کاسپاروف را در سال ١٩٩٧ شکست داد) مبتنی بر قاعده و وابسته به برنامه‌نویسی انسانی بودند. از سوی دیگر، یادگیری ماشین ابزاری است که کامپیوترها از طریق آن توانایی آموزش خودشان و همچنین تنظیم قواعد مورد استفاده‌شان را به‌دست می‌آورند. در سال ٢٠١٦، DeepMind شرکت گوگل توانست قهرمان جهان در بازی Go را با استفاده از یادگیری ماشین شکست دهد. Deep Mind این کار را با آموختن مجموعه بزرگی از حرکات حرفه‌ای انجام داد.

انواع مختلف یادگیری ماشین عبارتند از:

– یادگیری تحت نظارت: در Supervised Learning، مربی قواعد معینی را در اختیار کامپیوتر می‌گذارد که یک ورودی (مثلا یک ویژگی یک شی مانند «نرم») را به یک خروجی (خود شی، مانند پنبه) ارتباط می‌دهد.

– یادگیری بدون نظارت: در Unsupervised Learning، کامپیوتر ورودیها را دریافت کرده و باید خودش الگوهای موجود را کشف کند.

– تقویت یادگیری: در Reinforcement learning، یک سیستم کامپیوتری به‌طور پیوسته ورودی‌ها را دریافت کرده و هوش خود را نیز به‌طور پیوسته بهبود می‌بخشد. برای مثال، می‌توان به یک خودروی بدون راننده اشاره کرد که دائما ورودی مربوط به جاده را دریافت می‌کند.

برای آموزش الگوریتم‌های یادگیری ماشین، به حجم عظیمی از اطلاعات نیاز است. پیش از هر چیز، داده‌های آموزشی باید برچسب‌گذاری شوند (مانند موقعیت GPS الصاق شده به یک عکس). سپس، نوبت به طبقه‌بندی می‌رسد. این کار زمانی انجام می‌شود که ویژگی‌های شی مورد نظر برچسب‌گذاری شده و با مجموعه‌ای از قواعد که به یک پیش‌بینی منتهی می‌شوند، در سیستم قرار می‌گیرد. برای مثال، «قرمز» و «گرد» دو ورودی به سیستم هستند که به خروجی «سیب» منتهی می‌شوند. همچنین، یک الگوریتم یادگیری می‌تواند به حال خود رها شود تا قواعد خودش را ایجاد کند که وقتی با مجموعه بزرگی از اشیا مواجه می‌شود، اعمال خواهند شد. مثلا وقتی ماشین با چند سیب مواجه می‌شود، متوجه می‌شود که همه آن‌ها خصوصیات مشترکی مانند «گرد» و «قرمز» دارند.

یادگیری ماشین در بسیاری از موارد با «یادگیری عمیق» (Deep Learning) سر و کار دارد. یادگیری عمیق یک زیرمجموعه از یادگیری ماشین محسوب می‌شود و از الگوریتم‌هایی استفاده می‌کند که لایه‌بندی شده و یک شبکه را برای پردازش اطلاعات و رسیدن به پیش‌بینی‌ها تشکیل می‌دهند. نکته‌ای که یادگیری عمیق را متمایز می‌کند این است که سیستم می‌تواند به‌تنهایی کار یادگیری را انجام دهد و به آموزش انسانی نیاز ندارد.

واقعیت این است که یادگیری ماشین در دهه ١٩٩٠ به‌شدت محبوبیت پیدا کرد، اما بعدا این محبوبیت با کاهش مواجه شد، تا چند سال اخیر که شاهد بازگشت آن به تیترهای داغ هستیم. بعضی از رویدادهای مهم یادگیری ماشین در این مدت عبارتند از:

– Google Brain در سال ٢٠١١ ایجاد شد، یک شبکه عصبی عمیق که قادر بود اشیا را شناسایی و دسته‌بندی کند.

– الگوریتم DeepFace فیس‌بوک در سال ٢٠١٤ معرفی شد. این الگوریتم می‌توانست افراد را در یک مجموعه از عکس‌ها تشخیص دهد.

– آمازون در سال ٢٠١٥ پلتفرم یادگیری ماشین خود را راه‌اندازی کرد. مایکروسافت نیز یک جعبه ابزار یادگیری ماشین توزیع شده را در همین سال معرفی کرد.

– برنامه DeepMind گوگل با نام AlphaGo در سال ٢٠١٦ توانست Lee Sedol قهرمان جهان در بازی پیچیده Go را شکست دهد.

– گوگل در سال ٢٠١۷ اعلام کرد که ابزارهای یادگیری ماشین این شرکت قادر است بهتر از انسان گفتگوها را درک کرده و اشیا را در عکس‌ها تشخیص دهد.

گذشته از قدرت فوق‌العاده‌ای که یادگیری ماشین برای شکست انسان‌ها در بازی‌هایی مانند شطرنج، Go و Jeopardy از خود نشان داده است، این فناوری کاربردهای عملی فراوانی دارد. ابزارهای یادگیری ماشین برای ترجمه پیام‌ها، تشخیص چهره افراد در عکس‌ها و همچنین یافتن نقاطی در سراسر جهان که دارای ویژگی‌های جغرافیایی خاصی هستند، مورد استفاده قرار می‌گیرند. IBM Watson به پزشکان کمک می‌کند تا در مورد درمان سرطان تصمیم بگیرند. اتومبیل‌های خودران برای جمع‌آوری اطلاعات از محیط پیرامون، از یادگیری ماشین استفاده می‌کنند. از سوی دیگر، یادگیری ماشینی در مرکز تلاش‌های جلوگیری از کلاهبرداری قرار دارد. برای مثال، ثابت شده است که ترکیب یادگیری ماشینی بدون نظارت و تخصص انسانی می‌تواند در تشخیص تهدیدهای سایبری بسیار دقیق عمل کند.

به هر حال تقریبا هر سازمانی که بخواهد برای دستیابی به یک بینش داخلی از اطلاعات خود استفاده کند، روابط خود را با مشتریان تقویت نماید، سطح فروش خود را ارتقا دهد و یا شرایط رقابتی خود را در یک حوزه خاص حفظ کند، به یادگیری ماشین متکی خواهد بود. این فناوری در حوزه‌های مختلف دولتی، تجاری و آموزش کاربرد دارد و تقریبا هرکسی که بخواهد پیش‌بینی‌های آگاهانه‌ای انجام دهد و یک مجموعه داده به اندازه کافی بزرگ را در اختیار داشته باشد، می‌تواند از یادگیری ماشین برای رسیدن به اهداف خود بهره‌گیری کند.

دیدگاه‌ها

 
0 Comments
Inline Feedbacks
View all comments

مطالب مشابه