یادگیری ماشینی،یادگیری عمیق و هوش مصنوعی؛ تفاوت‌های کلیدی

این اصطلاحات هوش مصنوعی اغلب به جای یکدیگر استفاده می شوند، اما یکسان نیستند. در اینجا به بیان تفاوت بین هوش مصنوعی[1]، یادگیری ماشینی[2] و یادگیری عمیق[3] می‌پردازیم.

هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق عباراتی رایج در فناوری اطلاعات سازمانی هستند و گاهی اوقات به جای یکدیگر استفاده می‌شوند، به خصوص زمانی که شرکت‌ها سعی در بازاریابی محصولات خود دارند. با این حال، این اصطلاحات نه تنها مترادف نیستند بلکه تمایزات مهمی میانشان وجود دارد.

هوش مصنوعی به شبیه سازی هوش انسان توسط ماشین‌ها اشاره دارد. این تعریف دائماً در حال تغییر است، زیرا همچنان که فناوری‌های جدید برای شبیه‌سازی بهتر انسان‌ها ایجاد می‌شوند، قابلیت‌ها و محدودیت‌های هوش مصنوعی نیز مجدداً مورد بررسی قرار می‌گیرد.

این فناوری‌ها شامل یادگیری ماشینی هستند. یادگیری عمیق، زیر مجموعه‌ای از یادگیری ماشینی؛ و شبکه های عصبی، زیر مجموعه‌‌ای از یادگیری عمیق است.

برای درک بهتر رابطه بین فناوری‌های مختلف، در اینجا مقدمه‌ای در مورد هوش مصنوعی در مقابل یادگیری ماشینی و یادگیری عمیق آورده شده است.

هوش مصنوعی چیست؟

اصطلاح هوش مصنوعی از دهه 1950 رایج شده و به طور خلاصه، مبارزه ما برای ساختن ماشین‌هایی را به تصویر می‌کشد که می‌توانند عامل سلطه انسان‌ بر زندگی روی کره زمین – هوش او – را به چالش بکشند. با این حال، مشخص شده است که تعریف هوش بسیار دشوار است، زیرا آنچه ما به عنوان هوشمندی درک می‌کنیم در طول زمان تغییر می‌کند.

هوش مصنوعی اولیه، برنامه‌های کامپیوتری مبتنی بر قوانین بودند که می‌توانستند تا حدودی مشکلات پیچیده را حل کنند. به جای اینکه نرم افزار هر تصمیمی را که قرار بود اتخاذ کند کدگذاری کند، برنامه به یک پایگاه دانش و یک موتور استنتاج مصلح می‌شد. توسعه‌دهندگان پایگاه دانش را با اطلاعات پر می‌کردند، و موتور استنتاج آن اطلاعات را برای رسیدن به نتایج جستجو می‌کرد.

اما این نوع از هوش مصنوعی محدودیت‌هایی داشت، به خصوص که به شدت به ورودی انسان متکی بود. سیستم‌های مبتنی بر قانون، فاقد انعطاف‌پذیری برای یادگیری و تکامل هستند و اکنون دیگر به سختی هوشمند در نظر گرفته می‌شوند.

الگوریتم‌های هوش مصنوعی مدرن می‌توانند از داده‌های پیشین بیاموزند و همین مسئله آنها را برای مجموعه‌ای از برنامه‌های کاربردی مانند روباتیک، ماشین‌های خودران، بهینه‌سازی شبکه برق و درک زبان طبیعی قابل استفاده می‌کند.

در حالی که AI گاهی اوقات عملکرد فوق بشری را در این زمینه‌ها به ارمغان می‌آورد، ما هنوز راه زیادی در پیش داریم تا هوش مصنوعی بتواند واقعاً با هوش انسانی رقابت کند.

در حال حاضر، هیچگونه هوش مصنوعی وجود ندارد که بتواند روشی را که انسان ها انجام می‌دهند با چند مثال بیاموزد. هوش مصنوعی برای درک هر موضوعی باید روی کوه‌هایی از داده‌ها آموزش ببیند. ما هنوز الگوریتم‌هایی نداریم که بتوانند درک خود را از یک موضوع به موضوع دیگر منتقل کنند. به عنوان مثال، اگر ما یک بازی مانند StarCraft را یاد بگیریم، می‌توانیم StarCraft II را به همان سرعت بازی کنیم. اما برای هوش مصنوعی، این یک دنیای کاملاً جدید است و باید آن را از ابتدا یاد بگیرد.

هوش انسان همچنین دارای توانایی پیوند معانی است. به عنوان مثال، کلمه انسان را در نظر بگیرید. ما می‌توانیم انسان‌ها را در عکس‌ها و فیلم‌ها شناسایی کنیم و هوش مصنوعی نیز این قابلیت را به دست آورده است. اما همچنین می‌دانیم که چه چیزی را باید از انسان توقع داشته باشیم: ما هرگز انتظار نداریم که یک انسان چهار چرخ داشته باشد و مانند یک ماشین دی اکسیدکربن منتشر کند. با این حال، به احتمال زیاد هیچ هوش مصنوعی حتی نمی تواند بگوید که چه مشکلی در جمله بالا که من نوشتم وجود دارد!

بنابراین، تعریف هوش مصنوعی همچون یک هدف متحرک است. وقتی الگوریتم‌های هوش مصنوعی آنقدر پیچیده شدند که از انسان های رادیولوژیست‌ خبره پیشی گرفتند، شگفت‌زده شدیم، اما بعداً از محدودیت‌های آن‌ها اطلاع یافته‌ایم. به همین دلیل است که ما اکنون بین هوش مصنوعی نحیف[4] فعلی و نسخه انسانی هوش مصنوعی که دنبال می‌کنیم (هوش عمومی مصنوعی) تمایز قائل می‌شویم. هر اپلیکیشن هوش مصنوعی که امروزه وجود دارد، در زیر مجموعه هوش مصنوعی نحیف قرار می‌گیرد که به آن هوش مصنوعی ضعیف نیز گفته می‌شود، در حالی که [5]AGI  (هوش مصنوعی عمومی) در حال حاضر فقط در حد تئوری است.

یادگیری ماشینی چیست؟

یادگیری ماشینی زیر مجموعه‌ای از هوش مصنوعی است. این یکی از الگوریتم‌های هوش مصنوعی است که ما برای تقلید از هوش انسانی ایجاد کرده‌ایم. نوع دیگر هوش مصنوعی، هوش مصنوعی نمادین یا هوش مصنوعی خوب قدیمی[6] (GOFAI) است، یعنی سیستم‌های مبتنی بر قانون شرطی if-then.

یادگیری ماشینی نقطه عطفی در توسعه هوش مصنوعی است. قبل از یادگیری ماشینی، ما سعی می‌کردیم تمام نکات و جزییات هر تصمیمی را که باید گرفته می‌شد به رایانه‌ها آموزش دهیم. این باعث می‌شد که فرآیند به طور کامل قابل مشاهده باشد و الگوریتم بتواند از پس بسیاری از سناریوهای پیچیده برآید. در پیچیده‌ترین شکل خود، هوش مصنوعی تعدادی از شاخه های تصمیم‌گیری را طی می کند و بهترین نتایج را پیدا می‌کند. اینگونه بود که Deep Blue توسط IBM  طراحی شد تا گری کاسپاروف را در شطرنج شکست دهد.

اما چیزهای زیادی وجود دارد که ما نمی‌توانیم از طریق الگوریتم‌های مبتنی بر قانون تعریف کنیم: به عنوان مثال، تشخیص چهره. یک سیستم مبتنی بر قانون باید اشکال مختلف مانند دایره‌ها را تشخیص دهد، سپس تعیین کند که چگونه آنها قرار گرفته‌اند و در چه حالت‌های دیگری قرار می‌گیرند تا یک چشم را تشکیل دهند. از برنامه نویسان نپرسید که چگونه برای تشخیص بینی کدنویسی کنند!

اینفوگرافیک توسعه هوش مصنوعی، یادگیری ماشین و یادگیری عمیق با نمادها و جدول زمانی

یادگیری ماشینی رویکردی کاملاً متفاوت دارد و به ماشین‌ها اجازه می‌دهد تا با مصرف مقادیر زیادی داده و شناسایی الگوها، خودشان یاد بگیرند. بسیاری از الگوریتم‌های یادگیری ماشین از فرمول‌های آماری و داده‌های بزرگ برای عملکرد استفاده می‌کنند، و می‌توان گفت آنچه که یادگیری ماشینی را در وهله نخست امکانپذیر کرده، پیشرفت‌های ما در جمع آوری کلان داده و داده‌های گسترده‌ بوده است.

برخی از الگوریتم‌های یادگیری ماشینی که برای طبقه‌بندی و رگرسیون استفاده می‌شوند عبارتند از رگرسیون خطی، رگرسیون لجستیک، درخت‌های تصمیم، ماشین‌های بردار پشتیبان، بیز ساده، k-نزدیک‌ترین همسایه، k-میانگین، جنگل تصادفی و الگوریتم‌های کاهش ابعاد.

یادگیری عمیق چیست؟

یادگیری عمیق زیر مجموعه‌ای از یادگیری ماشینی است که هنوز شامل اجازه دادن به ماشین برای استفاده از داده‌ها می‌شود، اما نقطه عطف مهمی در تکامل هوش مصنوعی به شمار می‌آید.

یادگیری عمیق بر اساس درک ما از شبکه های عصبی توسعه یافته است. ایده ساخت هوش مصنوعی بر اساس شبکه‌های عصبی از دهه 1980 مطرح شد. اما در سال 2012 بود که یادگیری عمیق واقعاً مورد توجه قرار گرفت. درست همانطور که یادگیری ماشینی، شکوفایی خود را مدیون حجم عظیمی از داده‌هایی است که ما تولید می‌کنیم، یادگیری عمیق نیز مدیون استفاده از توان محاسباتی ارزان قیمت‌تری است که در دسترس قرار گرفت (و همچنین پیشرفت‌هایی در الگوریتم های آن).

یادگیری عمیق نتایج بسیار هوشمندانه‌تری را نسبت به آنچه که در ابتدا با یادگیری ماشینی امکان‌پذیر بود، فراهم ساخته است. مثال تشخیص چهره قبلی را در نظر بگیرید: برای تشخیص چهره، چه نوع داده‌هایی باید به هوش مصنوعی بدهیم و چگونه باید یاد بگیرد که به دنبال چه چیزی باشد، با فرض اینکه تنها اطلاعاتی که می‌توانیم ارائه کنیم رنگ‌های پیکسل باشد؟

یادگیری عمیق از لایه‌های پردازش اطلاعات استفاده می‌کند و هر کدام به تدریج بازنمایی‌های پیچیده‌تری از داده‌ها را یاد می‌گیرند. لایه‌های اولیه ممکن است در مورد رنگ‌ها، لایه‌های بعدی در مورد اشکال، موارد زیر در مورد ترکیب آن اشکال و در نهایت، اشیاء واقعی یاد بگیرند. یادگیری عمیق پیشرفتی را در تشخیص اشیا نشان داد و اختراع آن به سرعت هوش مصنوعی را در چندین جبهه از جمله درک زبان طبیعی پیشرفت داد.

یادگیری عمیق در حال حاضر پیچیده ترین معماری هوش مصنوعی است که ما توسعه داده ایم. تعدادی از الگوریتم‌های یادگیری عمیق شامل شبکه‌های عصبی کانولوشن، شبکه‌های عصبی تکراری، شبکه‌های حافظه کوتاه‌مدت، شبکه‌های متخاصم مولد و شبکه‌های باور عمیق هستند.

تفاوت بین هوش مصنوعی با یادگیری ماشینی و یادگیری عمیق

برخلاف هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق تعاریف بسیار روشنی دارند. آنچه ما در نظر گرفتیم این است که تعریف هوش مصنوعی در طول زمان تغییر می‌کند. به عنوان مثال، تشخیص کاراکتر شی[7] قبلاً هوش مصنوعی در نظر گرفته می‌شد، اما دیگر اینطور نیست. با این حال، یک الگوریتم یادگیری عمیق که بر روی هزاران دستخط آموزش دیده و قادر به یادگیری تبدیل آن به متن باشد، طبق تعریف امروزی هوش مصنوعی در نظر گرفته می‌شود.

یادگیری ماشینی و یادگیری عمیق، برنامه‌های مختلف، از جمله برنامه‌های پردازش زبان طبیعی، برنامه‌های تشخیص تصویر و پلتفرم‌های طبقه‌بندی را قدرتمند می‌سازد. این فناوری‌ها شرکت‌ها را قادر می‌سازند تا با واگذاری کارهای روزمره و تکراری به ماشین‌های هوشمند، نیروی کار خود را برای پرداختن به مشاغل خلاقانه یا نیازمند تفکر بالا آزاد کنند.

یادگیری عمیق نوعی یادگیری ماشینی است که از شبکه‌های عصبی پیچیده برای تقلید هوش انسانی استفاده می‌کند. با توجه به این پیچیدگی، یادگیری عمیق معمولاً برای اجرا به سخت افزار پیشرفته‌تری نسبت به یادگیری ماشینی نیاز دارد. پردازنده‌های گرافیکی سطح بالا و دسترسی به مقادیر زیادی انرژی در اینجا مفید واقع می‌شوند.

مدل‌های یادگیری عمیق معمولاً می‌توانند سریع‌تر و مستقل‌تر از مدل‌های یادگیری ماشینی یاد بگیرند و بهتر می‌توانند از مجموعه داده‌های بزرگ استفاده کنند. برنامه‌هایی که از یادگیری عمیق استفاده می‌کنند می‌توانند شامل سیستم‌های تشخیص چهره، ماشین‌های خودران و تشخیص جعل باشند.

یادگیری ماشینی و یادگیری عمیق هر دو نشان دهنده نقاط عطف بزرگی در تکامل هوش مصنوعی هستند و احتمالاً بسیاری از موارد دیگر نیز برای حرکت به سمت AGI امروزی وجود خواهند داشت.

[1] Artificial Intelligence

[2] Machine Learning

[3] Deep Learning

[4] Narrow AI

[5] Artificial General Intelligence

[6] Good Old-Fashioned AI

[7] Object Character

ترجمه و تالیف: فروغ مروّج صالحی

نوشته: دیوید پیترسون