هوش مصنوعی: تفاوت بین یادگیری ماشین و یادگیری عمیق

هوش مصنوعی ، یا هوش مصنوعی ، به بخشی مهم و جدایی ناپذیر جامعه مدرن ما تبدیل شده است. طبق گفته فوربس ، حتی در حدود دو سال پیش در سال 2017 ، 51٪ از شرکتهای مدرن قبلاً هوش مصنوعی را پیاده سازی می کنند که خود این صنعت 16 میلیارد دلار ارزش دارد. پیش بینی می شود که این رشد از نظر نمایی بیشتر شود و تا سال 2025 به 190 میلیارد دلار برسد.

دو تا از مؤثرترین انواع هوش مصنوعی امروزه سیستم های یادگیری ماشینی و یادگیری عمیق است. اما این دو دقیقاً چیست؟ و برای آن موضوع ، چگونه هوش مصنوعی را در متن این دو تعریف کنیم؟

هوش مصنوعی چیست؟

در ورود رسمی فرهنگ لغت آکسفورد در سال 2019 ، آمده است که هوش مصنوعی "تئوری و توسعه سیستم های رایانه ای است که قادر به انجام کارهایی هستند که به طور عادی نیاز به هوش انسانی دارند"

به عبارت دیگر ، هوش مصنوعی اطلاعات را به روشی مشابه شما و من تفسیر می کند ، آیا برای تشخیص تصویر ، تشخیص گفتار یا برخی از سیستم های تصمیم گیری خودکار دیگر لازم است. یک مثال بسیار ساده از هوش مصنوعی ، حریف رایانه بازی بازی است. به منظور ایجاد توالی از تصمیمات و وظایف به منظور مشارکت پخش کننده ، از داده های بازی و همچنین ورودی از بازیکن استفاده می کند. هوش مصنوعی از اوایل دهه 1950 معرفی شده است ، اما واقعاً در دهه 70 و 80 ، هنگامی که رایانه های شخصی و کنسول های بازی شروع به ساختن هوش مصنوعی یک نیاز اساسی برای عملکردهای خود کردند ، شروع به خاموش کرد.

نمونه های دیگر هوش مصنوعی در زندگی روزمره ما ممکن است شامل موارد زیر باشد:

  1. شبیه ساز
  2. دستگاه های هوشمند
  3. رباتهای بورس
  4. تشخیص داده ها (گفتار ، صدا ، صورت و غیره)

امروزه بسیاری از سیستم های هوش مصنوعی تقریباً در هر برنامه کاربردی مورد استفاده قرار می گیرند که از داده هایی مانند نرم افزار مدیریت ، الگوریتم های توصیه ، تحلیل رسانه ها یا حتی دستیاران صوتی استفاده می شود. در واقع ، حتی برنامه های ردیابی ساده هم اکنون از AI استفاده می کنند. به عنوان یک قاعده کلی ، اگر یک فرآیند اتمام کار نسبتاً پیچیده ای وجود داشته باشد که نیاز به اجرای منظم و بدون مداخله مستقیم انسان داشته باشد ، به احتمال زیاد هوش مصنوعی در آن خواهد بود.

یادگیری ماشینی چیست؟

یادگیری ماشینی نوعی هوش مصنوعی (و بنابراین زیر مجموعه ای از آن) است که در تجزیه و تحلیل داده های داده شده به منظور انطباق با آن و تصمیم گیری هوشمندانه کافی تخصص دارد. به عبارت ساده تر ، این هوش مصنوعی ساخته شده است تا موارد زیادی را مشاهده و مورد توجه قرار دهد ، و سپس بر اساس اطلاعات دریافتی ، یک یا چند دوره عملی را انجام دهد.

وظایف معمول یادگیری ماشین امروز می تواند دارای موارد زیر باشد:

  1. توصیه های پیوند
  2. تعدیل محتوا
  3. نتایج جستجو نمایش داده می شود
  4. سررسیدهای زمان بندی (در رسانه های اجتماعی)

یک سیستم یادگیری ماشینی قادر است حجم عظیمی از داده ها را در مدت زمان کوتاه تجزیه و تحلیل کند ، و راه حل ها یا نتیجه گیری از آن ایجاد کند. این الگوریتم خود را برای ارائه تفسیرهای دقیق ، بسیار بیشتر از آنچه انسانها می توانند با همان محدودیتهای زمانی انجام دهند ، بهینه می کند. به عنوان مثال ، ما می خواهیم به طور خودکار مشخص کنیم که آیا ایمیل خاصی اسپم است یا نه. یک سیستم یادگیری ماشینی برای پیدا کردن الگویی که به شما در تعیین ایمیل اسپم کمک می کند ، هزاران هزاران ایمیل دیگر از طریق هزاران ایمیل گشت و گذار است. آنگاه طبقه بندی ناخوشایندی از هرزنامه و ایمیل معمولی را ارائه می دهد ، داده هایی که از آن می توانست دوباره استفاده کند تا حتی الگوی بیشتری را پیدا کند که به آن کمک کند تا حتی بیشتر به تجزیه و تحلیل خود بپردازد.

وقتی به داده های جدیدتر و جدیدتری داده می شود ، سیستم های یادگیری ماشین می توانند الگوریتم های آن را سازگار و به روز کنند تا در کارهایی که انجام می دهند نیز بهتر شوند. یا حداقل ، احتمال اشتباه را به حداقل برسانید. این همان چیزی است که باعث می شود یادگیری ماشین در دوره فعلی داده محور ما بسیار مهم باشد.

Deep Learning چیست؟

هنوز هم یادگیری عمیق زیر مجموعه دیگری است ، این بار از یادگیری ماشین است. طراحی اولیه سیستم های یادگیری عمیق بر اساس مغز ارگانیک است. در حالی که ما حافظه های جدیدی را با استفاده از یک شبکه پیچیده از الگوهای عصبی شکل می دهیم ، این نوع سیستم با استفاده از یک شبکه عصبی مصنوعی ، که از لایه های بیشماری از الگوریتم تشکیل شده است ، وب تصمیمات پیچیده خود را بافته می کند.

چند سیستم یادگیری عمیق بسیار قابل توجه عبارتند از:

  1. واتسون (شکست دهندگان در Jeopardy!)
  2. AlphaGo (بازیکن حرفه ای گو ، لی سدول در مارس 2016 را شکست)
  3. Deepfake (تولید نماینده های واقع بینانه اما مصنوعی از افراد واقعی)
  4. OpenAI Five (یک پروژه یادگیری عمیق بازی ، بازیکن DOTA طرفدار DOTA آخرین سال 2017 را شکست)

برخلاف سیستمهای استاندارد یادگیری ماشین ، که هنوز هم می تواند عملکرد خوبی داشته باشد حتی با وجود داده های نسبتاً اساسی داده ، یک سیستم یادگیری عمیق با شروع به معنای واقعی کلمه از ابتدا شروع می شود. این "دوره مهلک" آن مشخص می شود ، جایی که چند نسل اول هوش مصنوعی آن فقط پس از یک دوره اقتباس از چندین نسل شکست خورده بی شمار ، نتایج واقعی را شروع می کنند.

با رسیدن به سطح نسبتاً پیچیده ای از کارآیی ، سیستم های یادگیری عمیق به سادگی شروع به غلبه بر همه چیزهای دیگر قبل از آن می کنند. به عنوان مثال AlphaGo ، DeepMind قبل از شروع کار خود با ضرب و شتم بازیکنان حرفه ای Go ، با بازی میلیون ها بار در برابر خودش ، شروع به استفاده از مجموعه اولیه 160،000 مسابقه Go آماتور کرد.

سیستم های یادگیری عمیق ، بر خلاف سایر سیستم های یادگیری ماشین که قبلاً طراحی شده اند ، برای تولید داده به شدت به ضرب های ماتریسی اعتماد می کنند. به همین ترتیب ، GPU های تجاری معمولاً بهترین سخت افزار برای این سیستم ها هستند ، زیرا آنها قادر به ارائه نیازهای پردازش موازی سطح بالا هستند که برای حفظ کارایی لازم هستند.

هوش مصنوعی استاندارد و یادگیری ماشین

اگرچه هوش مصنوعی و یادگیری ماشین برای بسیاری از کاربردهای متداول قابل تعویض است ، اما توجه به این نکته مهم است که یادگیری ماشین یک ویژگی بسیار متمایز دارد: سازگاری. این بدان معنی است که می آموزد. ممکن است برخلاف هوش مصنوعی از قبل ساخته شده ، اشتباهات اولیه زیادی را انجام دهد ، اما به گونه ای طراحی شده است که از آنها بیاموزد ، از آنها ساخته شود و درنهایت هرچه را که برای بهینه سازی طراحی شده است برتری بخشد.

از جنبه طراحی ، یادگیری ماشین نیز این مزیت را دارد که با ساخت اولیه آن درگیر نباشیم. یک هوش مصنوعی معمولی برای هر موقعیتی که ممکن است توسعه دهنده پیش بینی کند ، نیاز به برنامه نویسی تخصصی یا دستورالعمل های خاص دارد. اما یک سیستم یادگیری ماشینی می تواند به سادگی بر روی یک درخت تصمیم ، به علاوه یک استاندارد یادگیری یا دو ، و همچنین توانایی پردازش لازم عمل کند ، و سپس راه خود را برای پیشرفت و پیشرفت بهتر در کار خود انجام دهد.

اهمیت تمایز سیستمهای یادگیری ماشینی از این واقعیت ناشی می شود که ما هنوز از هوش مصنوعی معمولی چنین سیستم هایی در سایر وظایف و تکالیف مهمتر امروز استفاده می کنیم. بعلاوه ، شما ضرورتاً به خودکار کردن تصمیمات مدیریت فایل ، به سیستمهای یادگیری ماشین نیاز نخواهید داشت. با همان شیوه ، ممکن است درست نباشد که چیزی را به عنوان یک سیستم تشخیص گفتار پیچیده "صرفاً هوش مصنوعی" طبقه بندی کنیم ، و بنابراین ما آن را به درستی طبقه بندی می کنیم.

یادگیری ماشین و یادگیری عمیق

شاید مهمترین تمایزی که ما باید یاد بگیریم تفاوت بین یادگیری ماشین و یادگیری عمیق است. اول از همه ، همانطور که قبلاً ذکر شد ، یادگیری عمیق یادگیری ماشین IS ، از نظر فنی یک نوع یا زیر مجموعه آن است. با این حال ، یادگیری ماشین همیشه یادگیری عمیق نیست. این تمایز تا حد زیادی به نحوه ساخت هر دو ربط دارد.

یادگیری ماشینی در همان محیط رایانه ای که بسیاری از نرم افزارهای ما طی چند دهه گذشته ساخته شده اند ، ساخته شده است. به این ترتیب ، به شکلی ، خطی است و حتی اگر برای انطباق با قانون مور ساخته شده باشد ، هنوز هم با درختان و الگوریتم های تصمیم خود محدود شده است. از طرف دیگر ، یادگیری عمیق ، تمام الگوریتم های آن را در یک شبکه عصبی مضطرب می کند. این برنامه برای محاسبات موازی سطح بالا طراحی شده است ، چیزی که اکنون می توانیم بعنوان نسل بعدی در یادگیری ماشین در نظر بگیریم.

یک روش نسبتاً قابل اطمینان برای تعیین اینکه آیا یک سیستم یادگیری عمیق استفاده می شود ، ارزیابی پیچیدگی کار AI است. معمولاً هر چه متغیرهای غیر عددی و دلخواهی در نظر گرفته شوند ، احتمالاً سیستم یادگیری عمیق بیشتر است. به عنوان مثال ، توصیه های Netflix به اندازه ترجمه زبان پیچیده نیست ، حتی اگر آنها از داده های جمع آوری شده از کل پایگاه اینترنتی اینترنت یاد بگیرند. این تمایز می تواند برای دو کار مشابه ، مانند دو سیستم خود رانندگی جداگانه اعمال شود. آن چیزی که بیشتر به داده های حسگر خرد می کند باید سیستم یادگیری عمومی ماشین باشد ، با یادگیری عمیق که احتمالاً بیشتر به نشانه های محیطی قابل مشاهده در انسان اعتماد می کند ، چیزی شبیه آنچه در حال حاضر تسلا در حال توسعه است.

صرف نظر از اینکه تمایز مشخص است یا خیر ، کاملاً مسلم است که یادگیری عمیق آینده است. با این حال ، برای اهداف ما ، جدا کردن یادگیری عمیق از هوش مصنوعی در یادگیری ماشین استاندارد برای درک اینکه تفاوت واقعاً چقدر متفاوت است ، و اینکه واقعاً چقدر پیشرفته است ، ضروری است. با وجود اینکه هنوز در مراحل توسعه خود قرار دارد ، تقریباً با همه چیزهایی که قبل از آن پیش آمد ، غیرقابل مقایسه است.

یک باراک اوباما جعلی با بیان چند جمله کوتاه در یک زمینه به همان اندازه جعلی ممکن است برای بیننده عادی غیرممکن به نظر برسد ، اما برای ما که از قبل تمایز را درک کرده ایم ، می دانیم که این تنها یک از امکانات گسترده چنین فناوری تغییر بازی است. .

مسابقه بزرگ ویتنام AI

آیا می خواهید در مورد هوش مصنوعی بیشتر بدانید؟ کامبریا در حال هدایت Vietnam AI Grand Challenge 2019 است ، یک سری هکاتون که ماموریت آن آموزش مربیان جوان AI است. Grand Challenge با همکاری دولت ویتنام ، McKinsey & Company و VietAI بهترین استعداد هوش مصنوعی این کشور را برای حمایت از شرکت های ویتنام و در سطح جهان در طراحی دستیار مجازی نهایی AI جمع می کند.

نحوه مشارکت:
 1. در سکوی کامبریا ثبت نام کنید: https://bounty.kambria.io/
 2. برای اطلاعات مربوط به رویدادهای آینده ، صفحه فیس بوک Grand Challenge را دنبال کنید: https://www.facebook.com/VietnamAIGC/

روز شنبه ، 1 ژوئن 2019 ، کامبریا یک کارگاه آموزشی را در دا ننگ با نام "دستیار مجازی شخصی خود را از ابتدا" ایجاد کنید تا آموزش و آموزش را برای شرکت کنندگان در مسابقه بزرگ ویتنام AI ارائه دهد. برای اطلاعات بیشتر در مورد کارگاه اینجا را کلیک کنید. فضا به 40 شرکت کننده محدود است ، بنابراین حتما به زودی ثبت نام کنید!

در اصل در کامبریا منتشر شد.