یادگیری عمیق یاDeep Learning چیست؟

نقش هوش مصنوعی در یادگیری عمیق چیست؟
به یاد داشته باشید ، اولین مفهومی که درک آن مهم است این است که هوش مصنوعی هیچ ارتباطی با هوش انسانی ندارد. بله ، برخی از الگوریتمهای هوش مصنوعی برای شبیه سازی هوش انسانی مدل شده اند ، اما این فرآیند دقیقا همان است که گفته شد: شبیه سازی. هوش مصنوعی برای دستیابی به نتیجه ای که ممکن است ارتباطی با اهداف انسانی یا روش های دستیابی به آن داشته باشد یا حتی نداشته باشد، به الگوریتم هایی متکی است. با این حساب ، می توان هوش مصنوعی را از چهار منظر طبقه بندی کرد :
• مانند انسان رفتار کردن: وقتی کامپیوتر مانند انسان عمل می کند ،درواقع درحال انجام آزمون تورینگ Turing است که در آن کامپیوتر زمانی موفق می شود که تمایز بین کامپیوتر و یک انسان امکان پذیر نباشد. این گروه همچنین بیانگر تلقی رسانه ها و عامه مردم از هوش مصنوعی است. مشخص است که در اینجا فناوری هایی مانند پردازش زبان طبیعی (natural language processing )، بازنمود دانش (knowledge representation )، استدلال خودکار (automated reasoning ) و یادگیری ماشین به کار گرفته شده است (هر چهار مورد برای عبور از آزمون باید نقش داشته باشند).
تست تورینگ اولیه شامل هیچگونه تماس جسمی نبوده است. آزمایش جدیدتر که با نام آزمون Total Turing شناخته میشود  شامل تماس جسمی به صورت بررسی توانایی ادراکی است ، به این معنی که کامپیوتر برای موفقیت باید از بینایی ماشین (Computer Vision ) و رباتیک هم استفاده کند. تکنیک های مدرن بیشتر به دنبال رسیدن به هدف و نه تقلید کامل انسان ها هستند. به عنوان مثال ، برادران رایت با کپی کردن دقیق پرواز پرندگان موفق به ایجاد هواپیما نشدند. در عوض ، پرواز پرندگان به آنها ایده هایی ارائه داد که منجر به ایجاد دانش آیرودینامیک شد، که به نوبه خود در نهایت به پرواز انسان منجر شد. بنابراین هدف پرواز است. هم پرندگان و هم انسانها به این هدف می رسند، اما از رویکردهای مختلف استفاده می کنند .

• مانند انسان فکر کردن: وقتی کامپیوتر مانند انسان فکر می کند ، وظایفی را که برای موفقیت نیاز به هوشیاری از جانب انسان دارد (بر خلاف کارهای روزمره) مانند رانندگی با اتومبیل انجام می دهد. برای تعیین اینکه آیا یک برنامه مانند انسان فکر می کند ، شما باید روشی برای تعیین چگونگی فکرکردن انسان، که رویکرد مدل سازی شناختی آنرا بیان میکند، داشته باشید. این مدل به سه روش متکی است:
• درون گرایی: شناسایی و مستندسازی تکنیکهای مورد استفاده برای دستیابی به اهداف به کمک نظارت بر فرآیندهای اندیشه خود شخص.
• آزمایش روانشناختی: مشاهده رفتار یک شخص و اضافه کردن آن به بانک اطلاعاتی رفتارهای مشابه سایر افراد در مجموعه شرایط، اهداف، منابع و شرایط محیطی مشابه (به همراه موارد دیگر).
• تصویربرداری از مغز: نظارت بر فعالیت مغز به طور مستقیم از طریق ابزارهای مختلف مکانیکی، مانند سی تی اسکن ، PET ، MRI و MEG .

پس از ایجاد مدل، می توان برنامه ای نوشت که مدل را شبیه سازی کند. با توجه به میزان تنوع در فرآیند اندیشیدن انسانها و دشواری برای نمایش دقیق این فرآیندهای فکری به عنوان بخشی از یک برنامه، نتایج در بهترین حالت تجربی میباشند. این دسته از تفکرات انسانی اغلب در روانشناسی و زمینه های دیگر مورد استفاده قرار می گیرد که در آنها الگوسازی فرایند تفکر انسان برای ایجاد شبیه سازی های واقعی ضروری است.
• فکر کردن منطقی: مطالعه چگونگی تفکر انسان با استفاده از برخی معیارها، باعث ایجاد دستورالعملهایی میشود که رفتارهای معمول انسانی را توصیف می کند. فرد در هنگام پیروی از این رفتارها با تقریب خوبی منطقی تلقی می شود. کامپیوتری که فکر می کند با کمک رفتارهای ثبت شده توانایی تعامل با یک محیط مبتنی بر داده های موجود را بدست می آورد. هدف از این رویکرد حل مشکلات به شکل منطقی در صورت امکان است. در بسیاری موارد، این روش می تواند یک تکنیک پایه برای حل مشکل معرفی کند که با انجام اصلاحات موردنظر درنهایت مشکل را حل میکند. به عبارت دیگر ، حل یک مسئله روی کاغذ غالباً با حل آن در عمل متفاوت است ، اما چون نیاز به یک نقطه شروع است میتوان از تئوری شروع کرد.
• عملکرد منطقی: مطالعه چگونگی عملکرد انسان در شرایط معین تحت محدودیت های خاص، این امکان را به شما می دهد تا تعیین کنید که کدام تکنیک ها هم کارآمد و هم مؤثر هستند. همانند روش تفکر منطقی، عملکرد منطقی نیز در اصل به یک راه حل تئوری بستگی دارد که ممکن است در عمل مفید نباشد. با این حال ، عملکرد منطقی پایه ای را ارائه می دهد که براساس آن کامپیوتر می تواند با کمک آن در مسیر رسیدن به هدف حرکت کند.

یادگیری ماشین چگونه کار می کند؟
یادگیری ماشین یکی از زیر مجموعه های هوش مصنوعی است. در یادگیری ماشین ، هدف ایجاد شبیه سازی یادگیری در انسان است به گونه ای که یک برنامه بتواند با شرایط نامشخص یا غیر منتظره سازگار شود. برای انجام این کار، یادگیری ماشین از الگوریتمهایی برای تجزیه و تحلیل داده های گسترده استفاده میکند.

در حال حاضر، یادگیری ماشین نمی تواند نوعی از هوش مصنوعی که در فیلم ها نشان داده میشود ارائه دهد (یک دستگاه نمی تواند بطور شهودی مانند انسان قادر به یادگیری باشد). بلکه تنها می تواند انواع خاصی از یادگیری را در یک محدوده کم شبیه سازی کند. حتی بهترین الگوریتم ها نمی توانند بیاندیشند، احساس کنند یا هر شکلی از خودآگاهی و یا اراده ای آزاد را از خود نمایش دهند. درک خصوصیاتی که برای انسان ذاتی است به شکل ناامیدکننده ای برای ماشینها به دلیل محدودیت های ادراکی دشوار است. ماشین ها خودآگاه نیستند.
آنچه که یادگیری ماشین می تواند انجام دهد، انجام تجزیه و تحلیل های قابل پیش بینی با سرعتی بسیار بالاتر از انسانها میباشد. در نتیجه، یادگیری ماشین می تواند به انسان کمک کند تا کارآمدتر عمل کند. پس وضعیت فعلی هوش مصنوعی، توانایی انجام آنالیز عملکردی را دارد، اما انسان باید پیامدهای این تحلیل را به دقت بررسی کند و تصمیم گیری های اخلاقی و انسانی لازم را بر روی آن انجام دهد. درواقع لب کلام این است که یادگیری ماشین فقط بخشی یادگیری هوش مصنوعی را فراهم می کند، و این یادگیری به هیچ وجه هوش مصنوعی در سطح فیلمهایی که می بینید ارائه نمیدهد.
نکته اصلی سردرگمی بین دو عبارت یادگیری و هوش این است که افراد تصور می کنند صرفاً به دلیل این که یک ماشین در کار خود کم کم بهتر می شود (می تواند یاد بگیرد) بنابراین آگاه نیز است (دارای هوش است). به هیچ وجه چنین دیدگاهی در مورد یادگیری ماشین وجود ندارد. همین پدیده هنگامی اتفاق می افتد که افراد تصور می کنند کامپیوتر عمداً برای آنها مشکلاتی ایجاد می کند. کامپیوتر نمی تواند عواطفی اختصاص دهد و بنابراین فقط براساس ورودی ارائه شده و دستورالعمل موجود در یک برنامه برای پردازش آن ورودی عمل می کند. یک هوش مصنوعی کامل زمانی اتفاق می افتد که کامپیوتر ها در نهایت بتوانند ترکیب هوشمندانه ای را که توسط طبیعت استفاده می شود تقلید کنند به صورت زیر:
• ژنتیک: یادگیری آهسته از یک نسل به نسل دیگر
• تدریس: یادگیری سریع از منابع سازمان یافته
• اکتشاف: یادگیری خودجوش از طریق رسانه و تعامل با دیگران

برای اینکه مفاهیم یادگیری ماشین را مطابق با آنچه دستگاه در واقع می تواند انجام دهد قرار داد، باید کاربردهای خاص استفاده از یادگیری ماشین را بدانید. مشاهده موارد استفاده از یادگیری ماشین در خارج از محدوده ای که بسیاری جزو حوزه های هوش مصنوعی می دانند مفید است. در اینجا چند کاربرد برای یادگیری ماشین ذکر میشود که ممکن است با هوش مصنوعی ارتباطی نداشته باشد:
• کنترل دسترسی: در بسیاری موارد، کنترل دسترسی یک گزاره بله یا خیر است. کارت هوشمند یک کارمند دسترسی به منابع موردنظر را به همان روشی که مردم قرنها از کلیدها استفاده کرده اند ، عرضه می کند. بعضی از قفل ها این امکان را دارند که زمان و تاریخ دسترسی را تعیین کنند ، اما چنین کنترل کلی و بدون جزئیاتی واقعاً پاسخگوی همه نیاز نیست. با استفاده از یادگیری ماشین، می توان تعیین کرد که آیا یک کارمند میتواند براساس نقش و نیازش در یک پروژه به منبع مورد نظر دسترسی پیدا کند یا خیر. به عنوان مثال ، یک کارمند می تواند زمانی که آموزش نقش کلیدی در شغلش دارد، به اتاق آموزش دسترسی پیدا کند.
• محافظت از حیوانات: ممکن است در نگاه اول اقیانوس به اندازه کافی بزرگ به نظر برسد که حیوانات و کشتی ها بدون مشکل بتوانند با هم زندگی کنند. ولی متأسفانه ، بسیاری از حیوانات هر ساله مورد اصابت کشتی ها قرار می گیرند. یک الگوریتم یادگیری ماشین می تواند با یادگیری صداها و خصوصیات حیوان و کشتی، به کشتی ها کمک کند تا از حیوانات دوری کنند (کشتی برای ردیابی حیوانات از طریق صداهای آنها به سنسورهای شنود زیر آب نیاز دارد که با آن میتوان مسافت طولانی از کشتی را گوش کرد).
• پیش بینی زمان انتظار: بیشتر مردم دوست ندارند منتظر بمانند وقتی که هیچ تصوری از مدت انتظار ندارند. یادگیری ماشین به یک برنامه این امکان را میدهد تا زمان انتظار را بر اساس سطح پرسنل ، تعداد کارکنان ، پیچیدگی مشکلاتی که کارکنان سعی در حل آن دارند ، در دسترس بودن منابع و غیره تعیین کند.

منبع مقاله : سایت Dummies