هوش مصنوعی، یادگیری ماشین و یادگیری عمیق سه مفهوم هم‌ردیف نیستند. هوش مصنوعی حوزهٔ گسترده‌تر است؛ یادگیری ماشین زیرمجموعهٔ آن و یادگیری عمیق زیرمجموعهٔ یادگیری ماشین است. بنابراین یک مدل یادگیری عمیق، هم‌زمان در هر سه دسته قرار می‌گیرد. تفاوت این نام‌ها به دامنهٔ مفهوم و روش ساخت سیستم مربوط است.
برای مثال، پیشنهاد کالا در فروشگاه اینترنتی ممکن است با یک مدل یادگیری ماشین انجام شود، درحالی‌که خواندن متن عکسِ فاکتور با یک مدل یادگیری عمیق انجام شود. هر دو می‌توانند بخشی از یک سامانهٔ هوش مصنوعی باشند. شناخت این رابطه کمک می‌کند هنگام انتخاب ابزار، سفارش پروژه یا شروع یادگیری، انتظار دقیق‌تری داشته باشیم.
رابطهٔ هوش مصنوعی، یادگیری ماشین و یادگیری عمیق چیست؟
این سه اصطلاح را مانند سه محدودهٔ تو‌در‌تو در نظر بگیرید:
- هوش مصنوعی یا AI: محدودهٔ بزرگ‌تر، شامل روش‌هایی برای انجام کارهایی مانند استدلال، برنامه‌ریزی، یادگیری و تشخیص الگو.
- یادگیری ماشین یا ML: بخشی از هوش مصنوعی که در آن مدل، الگوها را از داده‌های آموزشی یاد می‌گیرد.
- یادگیری عمیق یا DL: بخشی از یادگیری ماشین که از شبکه‌های عصبی دارای چندین لایه برای یادگیری بازنمایی داده‌ها استفاده می‌کند.
هر روش یادگیری عمیق، نوعی یادگیری ماشین است؛ اما یادگیری ماشین روش‌های دیگری مانند درخت تصمیم و رگرسیون هم دارد. هوش مصنوعی نیز به یادگیری از داده محدود نمی‌شود و روش‌هایی مانند جست‌وجو و استدلال مبتنی بر قواعد را در بر می‌گیرد. پس مقایسهٔ این سه نام باید با حفظ رابطهٔ زیرمجموعه‌ها انجام شود.
هوش مصنوعی؛ حوزه‌ای گسترده‌تر از یادگیری ماشین
هوش مصنوعی به طراحی سیستم‌هایی می‌پردازد که بتوانند وظایفی مانند حل مسئله، تشخیص تصویر یا پردازش زبان را انجام دهند. استفاده از این اصطلاح به معنی داشتن آگاهی یا فکر کردن به شیوهٔ انسان نیست. یک سیستم می‌تواند در یک کار مشخص موفق باشد و در موقعیتی خارج از همان کار ناتوان بماند.
برای نمونه، یک برنامهٔ شطرنج می‌تواند با بررسی حرکت‌های ممکن و ارزیابی موقعیت‌ها، حرکت مناسبی انتخاب کند. چنین برنامه‌ای می‌تواند بدون آموزش یک مدل یادگیری ماشین ساخته شود. در مقابل، نسخه‌های دیگری از برنامه‌های بازی از یادگیری ماشین هم استفاده می‌کنند؛ نام کاربرد، روش پیاده‌سازی آن را به‌تنهایی مشخص نمی‌کند.
اگر می‌خواهید ابتدا با دامنهٔ این حوزه آشنا شوید، مقالهٔ هوش مصنوعی چیست؟ نقطهٔ شروع مناسبی است.
یادگیری ماشین؛ یاد گرفتن الگو از داده
در یادگیری ماشین، به‌جای نوشتن یک قاعده برای تک‌تک حالت‌ها، الگوریتم را با داده آموزش می‌دهیم. حاصل آموزش، مدلی است که می‌تواند برای ورودی‌های تازه خروجی تولید کند؛ مثلاً احتمال خرید یک کالا را برآورد کند یا یک پیام را دسته‌بندی کند. برنامه‌نویسی، آماده‌سازی داده و بررسی نتیجه همچنان بر عهدهٔ تیم پروژه است.
فرض کنید فروشگاهی می‌خواهد فروش هفتهٔ آینده را تخمین بزند. می‌توان اطلاعاتی مانند فروش هفته‌های گذشته، تعطیلات، تخفیف‌ها و موجودی کالا را به یک مدل داد. مدل رابطهٔ این ورودی‌ها با فروش را از نمونه‌های گذشته یاد می‌گیرد. قابل اعتماد بودن پیش‌بینی باید روی داده‌هایی بررسی شود که در آموزش استفاده نشده‌اند.
روش‌های رایج این حوزه شامل یادگیری نظارت‌شده، بدون نظارت و تقویتی است. در روش نظارت‌شده، نمونه‌ها پاسخ مشخص دارند؛ مثلاً مبلغ فروش واقعی کنار اطلاعات هر هفته ثبت شده است. در خوشه‌بندیِ بدون نظارت، هدف پیدا کردن گروه‌ها یا الگوهای داده است. در یادگیری تقویتی، یک عامل با بازخوردِ حاصل از عمل‌های خود آموزش می‌بیند.
یادگیری عمیق؛ شبکهٔ عصبی با لایه‌های متعدد
یادگیری عمیق از شبکه‌های عصبی عمیق استفاده می‌کند. در این شبکه‌ها، لایه‌ها نمایش ورودی را مرحله‌به‌مرحله تبدیل می‌کنند. برای مثال در یک مدل تصویری، بعضی لایه‌ها می‌توانند الگوهایی مانند لبه و بافت را استخراج کنند و لایه‌های بعدی از ترکیب آن‌ها برای تشخیص ساختارهای پیچیده‌تر استفاده کنند.
این ویژگی برای کار با تصویر، صدا و متن کاربرد دارد. در یک فروشگاه، تشخیص متن روی عکسِ رسید یا دسته‌بندی عکسِ کالا می‌تواند از مدل عمیق استفاده کند. بااین‌حال انتخاب روش به کیفیت داده، شرایط واقعی تصویر و هدف پروژه بستگی دارد؛ صرفِ تصویری بودن مسئله، استفاده از یادگیری عمیق را اجباری نمی‌کند.
آموزش مدل‌های بزرگ از صفر معمولاً داده و توان محاسباتی زیادی می‌خواهد. اما در بسیاری از پروژه‌ها می‌توان از مدل ازپیش‌آموزش‌دیده و یادگیری انتقالی استفاده کرد. اجرای یک مدل آماده نیز با آموزش آن از صفر هزینهٔ یکسانی ندارد. نیاز به GPU باید بر اساس اندازهٔ مدل، زمان پاسخ و محیط اجرا سنجیده شود.
مقایسهٔ AI، ML و DL در یک نگاه
در ستون یادگیری ماشین، برای روشن شدن مقایسه، نمونه‌های غیرعمیق آمده‌اند؛ یادگیری عمیق خودش داخل همان حوزه قرار دارد.
| موضوع | هوش مصنوعی | یادگیری ماشین | یادگیری عمیق |
|---|---|---|---|
| جایگاه | حوزهٔ گسترده‌تر | زیرمجموعهٔ هوش مصنوعی | زیرمجموعهٔ یادگیری ماشین |
| روش | جست‌وجو، قواعد، یادگیری و روش‌های دیگر | یادگیری الگو از داده؛ مانند رگرسیون یا درخت تصمیم | یادگیری با شبکه‌های عصبی چندلایه |
| نمونه | برنامه‌ریزی حرکت در یک بازی با الگوریتم جست‌وجو | پیش‌بینی فروش از جدول سوابق سفارش‌ها | خواندن متنِ عکس فاکتور با یک مدل عمیق |
| کار تیم | تعریف مسئله، قواعد و معیار موفقیت | انتخاب داده، ساخت ویژگی‌ها و ارزیابی مدل | همان مراحل، همراه با انتخاب یا تنظیم شبکهٔ عصبی |
تعداد داده، هزینه و دقت را نمی‌توان فقط از نام این دسته‌ها نتیجه گرفت. ممکن است یک مدل ساده برای یک جدول کوچک مناسب‌تر باشد، یا استفاده از یک مدل عمیق آماده برای یک مسئلهٔ تصویری نتیجهٔ بهتری بدهد. تصمیم باید با آزمون روی دادهٔ همان مسئله گرفته شود.
یک فروشگاه چگونه از این روش‌ها استفاده می‌کند؟
فرض کنید یک فروشگاه اینترنتی سه نیاز دارد. هر نیاز می‌تواند راهکار متفاوتی داشته باشد، درحالی‌که همه در یک محصول نرم‌افزاری کنار هم کار می‌کنند:
- پیشنهاد کالای مرتبط: مدل می‌تواند از سابقهٔ خرید و مشاهدهٔ کالاها الگو بگیرد. یک روش یادگیری ماشین غیرعمیق ممکن است برای شروع کافی باشد.
- خواندن رسیدهای تصویری: یک مدل یادگیری عمیق آماده می‌تواند بخشی از فرایند استخراج متن باشد؛ مبلغ، شناسه و سایر خروجی‌های حساس باید کنترل شوند.
- پاسخ‌گویی و اجرای کار: دستیار می‌تواند اطلاعات سفارش را از سامانه بخواند و پاسخ بسازد، اما اجازهٔ لغو سفارش یا بازپرداخت همچنان با قواعد و سطح دسترسی کنترل شود.
در چنین پروژه‌ای، مدل تنها یک جزء است. اتصال به داده‌های درست، کنترل دسترسی، ثبت خطا و مسیر بازبینی انسانی نیز اهمیت دارند. در مقالهٔ اتوماسیون کسب‌وکار با هوش مصنوعی، انتخاب فرایند مناسب برای شروع را بررسی کرده‌ایم.
هوش مصنوعی مولد در این رابطه کجا قرار می‌گیرد؟
«مولد» به نوع کارِ سیستم اشاره دارد: تولید محتوایی مانند متن، تصویر یا صدا. بسیاری از مدل‌های مولدِ امروزی بر پایهٔ یادگیری عمیق ساخته می‌شوند و درنتیجه در حوزهٔ یادگیری ماشین و هوش مصنوعی هم قرار می‌گیرند. این نام، یک شاخهٔ هم‌ردیف و جدا از آن سه محدوده نیست.
برای مثال، دستیار گفت‌وگویی مبتنی بر یک مدل زبانی بزرگ از مدل عمیق استفاده می‌کند، اما نرم‌افزارِ کاملِ دستیار می‌تواند بخش‌های دیگری مانند جست‌وجوی اسناد و قواعد دسترسی هم داشته باشد. نمایش یک پاسخ تازه به معنی آموزش دوبارهٔ مدل با همان مکالمه نیست؛ آموزش و به‌روزرسانی مدل فرایند جداگانه‌ای است.
برای پروژهٔ کسب‌وکار کدام روش مناسب‌تر است؟
ابتدا خروجی مورد نیاز را مشخص کنید. «هوش مصنوعی می‌خواهیم» برای تعریف پروژه کافی نیست؛ «می‌خواهیم درخواست‌های پشتیبانی بر اساس موضوع دسته‌بندی شوند» هدف قابل بررسی‌تری است.
- وضعیت فعلی را اندازه بگیرید: کار اکنون چقدر زمان می‌برد و چه نوع خطایی دارد؟
- داده را بررسی کنید: چه نمونه‌هایی دارید، پاسخ درست آن‌ها مشخص است و اجازهٔ استفاده از آن‌ها را دارید؟
- یک راهکار پایه بسازید: روش ساده‌تر یا یک مدل آماده را امتحان کنید تا مبنایی برای مقایسه داشته باشید.
- روی نمونه‌های تازه ارزیابی کنید: دقت، سرعت، هزینه و پیامد خطا را با هم بسنجید؛ از دادهٔ آزمون برای تنظیم مکرر مدل استفاده نکنید.
یک مدل پیچیده‌تر زمانی ارزش دارد که در شرایط واقعی بهبود قابل اندازه‌گیری ایجاد کند. برای مسائل تصویری، مقالهٔ سنجش دقت مدل بینایی ماشین نشان می‌دهد چرا یک درصد کلی برای قضاوت کافی نیست. برای بررسی مسئله و داده‌های پروژه نیز می‌توانید صفحهٔ خدمات هوش مصنوعی و اتوماسیون داپا را ببینید.
برای یادگیری از کجا شروع کنیم؟
برای شروع عملی، آشنایی با Python، کار با داده و مفاهیم پایهٔ آمار مفید است. یک پروژهٔ کوچک مانند پیش‌بینی یک مقدار یا دسته‌بندی پیام‌ها انتخاب کنید. آماده‌سازی داده، جدا کردن دادهٔ آموزش و آزمون و تحلیل خطاها را یاد بگیرید؛ سپس برای مسئله‌ای متناسب، سراغ شبکه‌های عصبی و یک مدل ازپیش‌آموزش‌دیده بروید.
لازم نیست پیش از ساخت اولین پروژه بر همهٔ شاخه‌های هوش مصنوعی مسلط شوید. تمرکز روی یک مسئلهٔ محدود کمک می‌کند رابطهٔ داده، مدل و ارزیابی را در عمل ببینید. برای انتخاب ابزار نیز راهنمای ابزارهای تحلیل داده از Excel تا Python را بخوانید.
پرسش‌های متداول
آیا یادگیری ماشین و هوش مصنوعی یک چیزند؟
یادگیری ماشین یکی از زیرمجموعه‌های هوش مصنوعی است. هوش مصنوعی روش‌هایی مانند جست‌وجو و استدلال مبتنی بر قواعد را هم شامل می‌شود که لزوماً از داده آموزش نمی‌بینند.
آیا هر شبکهٔ عصبی، یادگیری عمیق محسوب می‌شود؟
شبکه‌های عصبی می‌توانند کم‌عمق یا عمیق باشند. در یادگیری عمیق از شبکه‌هایی با چندین لایهٔ پنهان استفاده می‌شود. تعداد لایه‌های بیشتر نیز به‌تنهایی تضمین‌کنندهٔ نتیجهٔ بهتر نیست.
آیا یادگیری عمیق همیشه دقیق‌تر از روش‌های دیگر است؟
نتیجه به مسئله، داده و روش ارزیابی بستگی دارد. برای بعضی داده‌های جدولی، روش‌های غیرعمیق انتخاب مناسبی هستند. روش‌ها را باید با معیار یکسان و روی نمونه‌های دیده‌نشده مقایسه کرد.
آیا برای استفاده از یادگیری عمیق باید مدل را از صفر آموزش بدهیم؟
می‌توان از مدل آماده استفاده کرد یا آن را با داده‌های مرتبط تنظیم کرد. مناسب بودن این انتخاب به کاربرد، مجوز مدل، کیفیت خروجی و محدودیت‌های اجرای پروژه بستگی دارد.
