تفاوت هوش مصنوعی و یادگیری ماشینی و یادگیری عمیق

هر چه تکنولوژی بیشتر پیش می رود، درک اصطلاحات جدید در آن سخت تر می شود. به همین دلیل شاید خیلی از افراد تفاوت هوش مصنوعی یعنی AI را با یادگیری ماشینی و یادگیری عمیق ندانند. برخی از افراد تصور می کنند این واژه ها یکسان هستند؛ شاید حوزه ای که این سه واژه از آن صحبت می کنند شبیه به هم باشد، اما معنای مخصوص به خودشان را دارند.

از طرف دیگر این روزها بسیاری از کمپانی های کوچک و بزرگ ادعا می کنند که از هوش مصنوعی در برنامه ها و خدمات خود استفاده می کنند. اما این موضوع در عمل به چه معناست؟! برای رسیدن به پاسخ این پرسش ها در این بخش همراه ما باشید.

تفاوت هوش مصنوعی با یادگیری ماشینی و عمیق

هوش مصنوعی یا Artificial Intelligence که به اختصار آن را AI می نامند، به طور کلی زمانی را توصیف می کند که یک دستگاه، عملکردهای شناختی انسان را تقلید کرده است. عملکردهای شناختی بخشی از پروسه ها و فرآیندهای مغزی هستند که ارتباط بین انسان ها را فراهم می کنند. مثلا یادگیری یا حل مسئله را باید در این دسته از عملکردها قرار داد.
در سطح خیلی ابتدایی، هوش مصنوعی را می توان صرفا یک قانون برنامه ریزی شده دانست که به ماشین می گوید در شرایط خاص، رفتار خاص داشته باشد. در حقیقت AI نمی تواند چیزی بیشتر از گزاره های شرطی باشد. گزاره ای که می گوید اگر p، آنگاه q.
گزاره های شرطی، قوانین ساده ای هستند که توسط انسان برنامه ریزی شدند. به عنوان مثال می توانید رباتی را در نظر بگیرید که در مسیری حرکت می کند. گزاره و برنامه ریزی آن به این صورت است:

«اگر مانعی در مسیر بود، متوقف شو. در غیر این صورت به حرکت ادامه بده.»
اما یادگیری ماشینی و یادگیری عمیق چه هستند؟! این علوم را باید زیرشاخه های هوش مصنوعی در نظر گرفت که در ادامه بیشتر آن ها را توضیح می دهیم.

یادگیری ماشینی در مقابل یادگیری عمیق

حالا که متوجه معنی هوش مصنوعی شده اید، تعریف این زیر شاخه ها ساده تر می شود.
• هوش مصنوعی برنامه ای است که می تواند احساس کند، استدلال داشته باشد، عمل کند و سازگاری یابد.

• یادگیری ماشینی یا Machine Learning الگوریتم هایی هستند که با گذشت زمان در معرض اطلاعات بیشتری قرار می گیرند و عملکرد آنها بهبود می یابد.
• یادگیری عمیق یا Deep Learning زیر مجموعه یادگیری ماشینی است که در آن شبکه های عصبی چند لایه، حجم گسترده ای از داده ها را فرا می گیرند.

یادگیری ماشینی فناوری جدیدی نیست!

یادگیری ماشینی را می توان یک سری الگوریتم در نظر گرفت که داده ها را تجزیه و تحلیل می کند، از آنها اطلاعات جدیدی یاد می گیرد و بر اساس بینشی که از آموخته ها به دست آورده، تصمیمات آگاهانه می گیرد.
یادگیری ماشینی امکان انجام وظایف اتوماسیون شده را در هر صنعتی فراهم می کند؛ از جستجوی بدافزارهای امنیتی گرفته تا پیش بینی وضعیت آب و هوا و کارگزاری های سهام.
البته باید گفت که یادگیری ماشینی برای این که به نتایج مطلوب برسد نیاز به ریاضیات پیچیده و کدگذاری های بسیاری دارد. هرچه اطلاعات بیشتری برای الگوریتم خود ارائه دهید، مدل بهتر می شود.

یادگیری ماشینی یک حوزه تقریبا قدیمی است و شامل روش ها و الگوریتم هایی است که ده ها سال وجود داشته اند. برخی از آنها حتی از دهه 1960 باقی مانده اند. به عنوان مثال الگوریتم های مربوط به طبقه بندی اطلاعات را باید نوعی از الگوریتم های ماشینی به حساب آورد.

چطور خطاها در فرآیند یادگیری ماشینی به حداقل می رسد؟

برای پیش بینی مدل ها در یادگیری ماشینی از مقادیر حقیقی زمینی استفاده می کنند. سپس پارامترهایی را تعیین می کنند تا هر دفعه خطای بین اندازه گیری و این مقدار کمتر شود. این روند ممکن است میلیون ها بار تکرار شود تا زمانی که پارامترهای تعیین کننده پیش بینی ها، آنقدر خوب باشند که تفاوت بین پیش بینی های مدل و برچسب های حقیقی تا حد ممکن کم باشد.

به طور کلی باید گفت مدل های یادگیری ماشینی، الگوریتم های بهینه سازی هستند. اگر آنها را درست تنظیم کنید، با حدس و حدس و دوباره حدس زدن خطاها را به حداقل می رسانند.

یادگیری عمیق Deep Learning و تفاوت با هوش مصنوعی

برخلاف یادگیری ماشینی، یادگیری عمیق یک زیرشاخه جوان و نو از هوش مصنوعی است که عملکردی مبتنی بر شبکه های عصبی مصنوعی دارد.
از آنجایی که الگوریتم های یادگیری عمیق برای یادگیری و حل مشکلات به داده نیاز دارند، می توانیم آن را زیرشاخه ای از یادگیری ماشینی هم بدانیم. اصطلاحات یادگیری ماشینی و یادگیری عمیق اغلب به صورت مترادف یکدیگر تلقی می شوند. با این حال این سیستم ها قابلیت های مختلف و مخصوص به خودشان را دارند.
یادگیری عمیق از ساختار چند لایه الگوریتم هایی به نام شبکه عصبی استفاده می کند. این شبکه های عصبی مصنوعی دارای قابلیت های منحصر به فردی هستند که مدل های یادگیری عمیق را قادر می سازند وظایفی را حل کنند که مدل های یادگیری ماشین هرگز نمی توانند حل کنند.

در حقیقت تمام پیشرفت های اخیر هوش مصنوعی را باید مدیون یادگیری عمیق دانست. بدون یادگیری عمیق، ماشین های خودران، ربات های چت یا دستیارهای شخصی مانند الکسا و سیری را هرگز نداشتیم؛ Google Translate بدوی باقی می ماند و Netflix تصوری از پیشنهاد فیلم یا سریال تلویزیونی نداشت.
حتی می توان تا آنجا پیش رفت که بگوییم انقلاب صنعتی جدید تحت تاثیر شبکه های عصبی مصنوعی و یادگیری عمیق است. یادگیری عمیق بهترین و نزدیک ترین رویکرد به هوش ماشینی واقعی است.

چرا یادگیری عمیق بهتر از یادگیری ماشینی است؟

اولین مزیت یادگیری عمیق نسبت به یادگیری ماشینی، عدم نیاز به استخراج ویژگی هاست. در یادگیری ماشینی مدل های مختلفی وجود دارد که همگی flat هستند. تخت بودن به این معنا است که الگوریتم ها نمی توانند به طور مستقیم روی داده های خام (فایل های csv، تصویر، متن و غیره) اعمال شوند. در واقع برای به کارگیری یادگیری ماشینی به یک مرحله به نام پیش پردازش برای استخراج ویژگی ها نیاز بود که معمولا بسیار پیچیده است و نیاز به دانش دقیق دارد. اما در یادگیری عمیق، شبکه های عصبی مصنوعی قادر به یادگیری ضمنی داده های خام هستند.
یکی دیگر از مزایای مهم یادگیری عمیق که آن را محبوب کرده، این است که توسط حجم گسترده ای از داده ها تامین می شود. عصر تکنولوژی بیگ دیتا، فرصت های زیادی را برای نوآوری های جدید در یادگیری عمیق فراهم می کند. مدل های یادگیری عمیق با افزایش داده های آموزشی، دقت خود را بالا می برند. در حالی که مدل های سنتی یادگیری ماشینی اینطور نیستند.

منبع:
https://builtin.com