تاریخ انتشار : ۱۴۰۲/۷/۲۱
مدتهاست که ماشینها هم به لطف هوش مصنوعی میتوانند مانند انسان یاد بگیرند و برخی از وظایف را بدون نیاز به کنترل و نظارت انسان انجام دهند؛ اما آنها چگونه توانستهاند به چنین توانایی بزرگی دست پیدا کنند؟ پاسخ این سؤال، بهرهمندی از فناوری یادگیری ماشینی است. در ادامه به صورت ساده با این فناوری و کاربرد آن در تکنولوژی آشنا میشوید.
یادگیری ماشینی (Machine learning) یکی از فناوریهای زیرمجموعه هوش مصنوعی است. این فناوری امکان یادگیری خودکار را برای ماشینها فراهم میکند. در ضمن به آنها کمک میکند تا عملکردشان را بر اساس تجارب قبلی خود بدون نیاز به دریافت برنامهای اختصاصی برای انجام یک کار خاص بهبود دهند. به عنوان مثال تشخیص یک بخش خاص در تصویر مانند تشخیص یک حیوان را دقیقتر میکند. هدف اصلی استفاده از یادگیری ماشینی توسعه دستهای از برنامههای کامپیوتری است که بتوانند به دادهها دسترسی پیدا کنند و با آنها خود را آموزش دهند.
اجازه دهید موضوع را سادهتر کنیم. کامپیوترها نمیتوانند مانند انسان هر کاری را بهراحتی انجام دهند و حتی برای انجام کارهای ساده هم نیازمند به برنامهنویسی و دریافت دستورالعمل هستند؛ بنابراین باید وقت زیادی را صرف ارائه دستورات به کامپیوترها کنیم؛ طبیعتاً در صورت تمایل برای استفاده گسترده از کامپیوتر برای انجام وظایف مختلف، چنین کاری غیرممکن یا در بهترین حالت فوقالعاده دشوار میشود (مخصوصاً زمانی که بخواهیم کارهای بسیار پیچیدهای را به کامپیوترها بسپاریم)؛ اما با استفاده از یادگیری ماشینی میتوان نیاز دستگاهها را برطرف و به آنها کمک کرد تا خودشان اطلاعات لازم را برای انجام وظایف مختلف فرا گیرند.
دستگاههای دارای فناوری یادگیری ماشینی میتوانند تا حدود قابلتوجهی مانند انسان هوشمند شوند و برخی از تواناییهای او را تقلید کنند؛ مثلاً میتوانند یک صحنه بصری یا متنی در یک زبان طبیعی را تشخیص یا حتی حرکات فیزیکی انجام دهند؛ حتی در سطوح پیشرفت میتوانند مانند انسان مشکلات را حل کنند.
فناوری یادگیری ماشینی از نظر نحوه کار چهار دسته قابلتقسیم است:
در این روش مدلهای یادگیری ماشینی با مجموعه دادههای دارای برچسب آموزش داده میشوند. این کار به توانایی یادگیری مدلها با گذشت زمان و افزایش دقت خود کمک میکند؛ مثلاً اگر بخواهیم از یادگیری ماشینی نظارت شده برای تشخیص سوژهای در عکس استفاده کنیم، باید ابتدا الگوریتمهایی را که میخواهیم از آنها استفاده کنیم، با دادههایی که انسان آنها را برچسب گذاری کرده، آموزش دهیم، سپس خود الگوریتمها تشخیص میدهند چگونه سوژه مورد نظر را (مثلاً یک گربه) در تصویر تشخیص دهند؛ منظور از برچسب گذاری دادهها توسط انسان، مشخص کردن نوع آنها به دست او است؛ مثلاً انسان شکل گربه را برای الگوریتم یادگیری ماشینی مشخص میکند.
در این روش مدل با اطلاعاتی که نه برچسبگذاری و نه دستهبندی شدهاند، آموزش داده میشود. از مدل یادگیری ماشینی بدون نظارت میتوان برای تشخیص دادههای پنهان در میان دادههای بدون ساختار استفاده کرد؛ مثلاً چنین مدلی میتواند در میان اطلاعات مرتبط با فروش آنلاین جستجو کند و نوع خاصی از خریداران یا سایر اطلاعات را تشخیص دهد.
در این روش هم از اطلاعات برچسبگذاری شده و هم از اطلاعات بدون برچسب برای آموزش استفاده میشود؛ معمولاً بخش کمی از اطلاعات مورداستفاده برای آموزش، دارای برچسب و بخش عمدهای از آنها بدون برچسب هستند؛ مثلاً میتوان از یادگیری ماشینی نیمه نظارتی برای دستهبندی متون در گروههای از پیش تعیینشده استفاده کرد. این روش معمولاً برای افزایش دقت یادگیری ماشینی استفاده میشود.
در این شیوه یادگیری ماشینی از اصل آزمونوخطا و پاداش دادن برای کار درست استفاده میشود. یادگیری ماشینی تقویتی میتواند جهت آموزش یک دستگاه برای انجام بازی یا آموزش هوش مصنوعی خودروی خودران استفاده شود. مدل آموزشدیده با این روش برای انجام وظیفه خود، از روش آزمونوخطا استفاده میکند تا به نتیجه برسد و زمانی که کاری را درست انجام دهد، این موضوع به آن اطلاع داده میشود که حکم دریافت پاداش را دارد. با چنین تکنیکی مدل بهمرور زمان یاد میگیرد برای رسیدن به نتیجه، چه کاری را باید انجام دهد.
فناوری یادگیری ماشینی را میتوان به شیوه دیگری نیز تقسیمبندی کرد که به شرح زیر است:
یادگیری ماشینی باعث ایجاد چند فناوری دیگر شده است که در حقیقت فناوریهای زیرمجموعه آن محسوب میشوند. این تکنولوژیها به شرح زیر هستند:
این فناوری جهت آموزش سیستمهای کامپیوتری برای پردازش دادهها به روشی مانند روش مغز انسان برای انجام این کار استفاده میشود. یادگیری عمیق یک ساختار چند لایه از الگوریتمهای هوش مصنوعی برای ایجاد یک شبکه عصبی مصنوعی استفاده میکند که خودش میتواند یاد بگیرد و تصمیمگیری کند. سیستمهای کامپیوتری با کمک شبکه عصبی مصنوعی میتوانند در پردازش دادهها از روش مغز انسان برای پردازش اطلاعات ورودی تقلید کنند.
این فناوری زیرمجموعه یادگیری ماشینی برای فهم و تشخیص زبان انسان و آنچه میگوید و مینویسد، استفاده میشود. این فناوری تشخیص گفتار و نوشتار زبانهای مختلف توسط ماشین و واکنش به این نوع از دادههای ورودی را امکانپذیر کرده است. در فرایند فناوری پردازش زبان طبیعی، گفتار یا نوشتار انسان به اعداد و دادههای قابلدرک توسط ماشین تبدیل میشوند. مدلهای هوش مصنوعی مولد ساختهشده برای ایجاد عکس بر اساس متن و همچنین مدلهای ساختهشده برای نگارش متن، از این فناوری برای پردازش و تشخیص متن نوشتهشده توسط کاربر در مدل استفاده میشود. فناوری پردازش زبان طبیعی برای ترجمه ماشینی متنی و گفتاری و همچنین تشخیص فرمانهای صوتی توسط دستیاران دیجیتال صوتی مثل گوگل اسیستنت، سیری و آمازون الکسا نیز استفاده میشود.
در این فناوری هزاران یا حتی میلیونها گره پردازشی به یکدیگر متصل و در چند لایه سازماندهی میشوند. به این ترتیب یک شبکه ایجاد میشود. هر یک از گرههای پردازشی این شبکه که از آنها بهعنوان سلول نیز یاد میشود، ورودیها را پردازش میکنند و خروجی خود را به سایر گرههای شبکهها ارسال میکنند.
خروجیها در سراسر گرههای پردازشی شبکه منتقل میشوند و هر یک از گرهها دادههای ورودی خود را به شکل متفاوتی پردازش میکنند. اگر یک شبکه عصبی برای تشخیص وجود داشتن یا نداشتن بخش خاصی در یک تصویر (مثلاً اینکه گربه در تصویر وجود دارد یا ندارد) آموزش دیده باشد، زمانی که تصویری را وارد آن میکنیم، تمام گرهها اطلاعات را ارزیابی میکنند و به این نتیجه میرسند که آیا گربه در تصویر وجود دارد یا نه.
این فناوری در دنیای امروزی در حوزه رسانه و ارائه محتوا، تحلیل دادهها، بانکداری، اتوماسیون سازی، حملونقل، پزشکی، تجارت و مدیریت منابع انسانی کاربردهای گستردهای دارد. مهمترین کاربردهای یادگیری ماشینی به شرح زیر هستند:
پلتفرمهای ارائهدهنده محتوای ویدیویی مثل یوتیوب با استفاده از الگوریتمهای یادگیری ماشینی به هر کاربر بر اساس آنچه معمولاً مشاهده میکند، محتوای پیشنهادی برای تماشا ارائه میدهند. در برخی از فروشگاههای اینترنتی بزرگ نیز کالاهای مختلف بر اساس کالاهایی که مشتری قبلاً آنها را جستجو کرده یا خریده یا از آنها بازدید کرده، برای بازدید یا خرید به مشتری پیشنهاد میشوند. فیدهای خبری نیز اخبار جدید را بر اساس نوع اخباری که معمولاً کاربر دنبال یا جستجو میکند، به کاربران خود پیشنهاد میدهند. در تمام این موارد و موارد مشابه، محصول از الگوریتمهای هوش مصنوعی برای پیشنهاد محتوا یا کالا و خدمات استفاده میشود.
با ترکیب فناوری یادگیری ماشینی با الگوریتمهای تشخیص چهره، میتوان تشخیص چهره افراد یا پلاک خودروها در تصاویر را امکانپذیر کرد.
دستگاههای دارای سیستم یادگیری ماشینی میتوانند الگوهایی مثل نحوه صرف هزینه توسط افراد یا اطلاعات مرتبط با فروشگاههایی را که معمولاً افراد از آن خرید میکنند، آنالیز و با این روش برداشت وجه از کارت اعتباری افراد بدون اطلاع آنها یا دزدی پول در بین برداشتهای مجاز را تشخیص دهند. شبکههای عصبی نیز میتوانند برداشتهای مجاز از برداشتهای غیرمجاز را تشخیص دهند.
امروزه در بخش پشتیبانی و خدمات مشتری آنلاین بسیاری از کسبوکارهای مدرن، بهجای انسان از چتبات برای پاسخگویی به سؤالات متداول استفاده میشود. الگوریتمهای موجود در این چتباتها برای یادگیری و کسب اطلاعات لازم برای ارائه پاسخ مناسب به مشتریان، از اطلاعات و صداهای ضبطشده استفاده میکنند. چتباتها در این فرآیند از فناوریهای یادگیری ماشینی و پردازش زبان طبیعی کمک میگیرند.
اجرا و کنترل بسیاری از قابلیتهای خودروهای خودران هوشمند مثل هدایت خودرو، مسیریابی خودکار، ترمزگیری هوشمند، تشخیص عابر پیاده، تشخیص موانع اطراف و میزان فاصله با آنها و… نیازمند استفاده از هوش مصنوعی و یادگیری ماشینی است.
سیستمهای یادگیری ماشینی میتوانند برای بررسی تصاویر پزشکی (سونوگرافی، سی تی اسکن، ام آر آی و…) به منظور تشخیص به موقع بیماریهای کشنده مثل سرطان و بیماریهای قلبی آموزش داده شوند.
یادگیری ماشینی میتواند به شیوههای مختلف عملکرد بخش مدیریت روابط مشتری (CRM) را برای ارائه خدمات سریع به حجم گستردهای از مشتریان تقویت کند؛ مثلاً با این فناوری میتوان ایمیلها، سؤالات و تقاضاهای ارسالشده از سوی مشتریان را بررسی کرد تا موارد مهم برای پاسخگویی فوری در اولویت قرار داده شوند. در ضمن میتوان برای ارائه اطلاعات مورد درخواست مشتریان نیز از این فناوری استفاده کرد.
یادگیری ماشینی میتواند اطلاعات انبوهی از رزومههای افراد متقاضی کار را بررسی و افراد واجد شرایط را انتخاب یا به کارفرما پیشنهاد دهد؛ بنابراین کارفرمایان با استفاده از این ابزار میتوانند به میزان زیادی در وقت خود صرفهجویی کنند.
این فناوری توانایی تشخیص موقعیت مکانی لحظهبهلحظه خودرو و بررسی محیط اطراف خودرو با استفاده از سنسورهای قابلنصب روی خودرو و همچنین بررسی مدتزمانی که خودروها در روزهای قبل در مکانهای مشخص در ترافیک گیر کردهاند، وضعیتهای ترافیکی مختلف مثل ترافیک سنگین، نیمه سنگین و روان را پیشبینی کند. در ضمن یادگیری ماشینی میتواند با بررسی مرتب اطلاعات بهروزرسانی شده در پایگاه داده سازمانهای راهنمایی و رانندگی، عملکرد خود در پیشبینی وضعیت ترافیک را بهتر کند.
با آموزش شبکههای عصبی دارای حافظه بلندمدت برای بررسی بلندمدت اطلاعات بازار سهام، میتوان از یادگیری ماشینی برای پیشبینی وضعیت این بازار در آینده و همچنین دریافت پیشنهاد خرید یا فروش سهام کمک گرفت.
حتماً شما هم متوجه شدهاید که ایمیلهای مهم و ایمیلهای اسپم در حساب ایمیل شما از یکدیگر جدا و تنها ایمیلهای مهم در اینباکس نمایش داده میشوند. اجرای این قابلیت مفید به لطف استفاده از یادگیری ماشینی امکانپذیر شده است
از دیگر کاربردهای فناوری یادگیری ماشینی میتوان به موارد زیر اشاره کرد:
برای ایجاد یک مدل یادگیری ماشینی مناسب و آموزش آن به شکل صحیح، اصول مهم زیر باید در نظر گرفته شود:
اطلاعات مورداستفاده برای آموزش مدلهای یادگیری ماشینی، باید کامل، بهروز، شفاف، همهجانبه و فاقد دادههای غیرضروری باشند. چنانچه این اطلاعات ویژگیهای مذکور را نداشته باشند، تشخیصها و پیشبینیهای ارائهشده توسط مدلها، غیردقیق یا نادرست میشوند و حتی ممکن است مدلها تصمیمات اشتباهی بگیرند.
اطلاعات مورداستفاده برای آموزش هوش مصنوعی نه باید خیلی سطحی و کم و نه باید خیلی پیچیده و گسترده باشند. چنانچه اطلاعات خیلی سطحی و کم باشند مدل نمیتواند پیشبینیهای درستی را ارائه دهد و دچار خطا میشود
از سوی دیگر چنانچه اطلاعات مورداستفاده برای آموزش، خیلی پیچیده و زیاد باشند، ممکن است مدل متعصبانه عمل کند؛ مثلاً فرض کنید یک مدل برای تشخیص سگ، گربه و خرگوش در تصاویر، آموزش داده میشود و برای آموزش آن از ۱۰۰۰ تصویر گربه، ۱۰۰۰ تصویر سگ، ۱۰۰۰ تصویر ببر و ۴۰۰۰ تصویر خرگوش استفاده شود. در این صورت ممکن است مدل گربههای موجود در تصویر را بهعنوان خرگوش تشخیص دهد!
در هنگام آموزش مدلهای یادگیری ماشینی باید درباره نوع اطلاعات مورداستفاده، از نظر اخلاقی و انسانی حساسیت بالایی به خرج داد. اطلاعات مورداستفاده برای این کار، نباید باعث شود در هنگام استفاده از مدلها، شاهد مشکلات مرتبط با تبعیض جنسیتی، نژادپرستی، تعصبگرایی و انتخاب متعصبانه و نادیده گرفتن یا کماهمیتی به اقلیتها و افراد دچار مشکل خاص باشیم. متأسفانه به دلیل اینکه انسانها مدلهای یادگیری ماشینی را آموزش میدهند، در بسیاری از موارد در هنگام استفاده از این مدلها، با مشکلات مذکور مواجه شدهایم.
هرچقدر برای آموزش یک مدل هوش مصنوعی وقت بیشتری را صرف کنیم و اطلاعات بهروزتر کاملتری را در این فرایند به کار بگیریم، شاهد نتیجه بهتری خواهیم بود. همچنین باید پیچیدگی مدل را تا میزان مناسب و تا جایی که مشکلآفرین نشود، تقویت کرد. همانطور که گفتیم سادگی و پیچیدگی بیش از حد مدل، عملکرد آن را کاملاً تحت تأثیر منفی قرار میدهد.
ارسال نظر
هیچ نظری درباره این مقاله ثبت نشده است.