«یادگیری ماشین» به زبان ساده/ ماشین‌ها چطور یاد می‌گیرند؟!

خبرگزاری آنا- نوید فرخی: این روزها در کنار اصطلاح پرتکرار «هوش مصنوعی» چند عبارت دیگر را نیز اینجا و آنجا می‌شنویم که به نظر واژگانی تخصصی می‌رسند. هوش مصنوعی این اواخر سروصدای زیادی به پا کرده و به خصوص از نقطه‎‌نظر افرادی که تا حدودی از دنیای فناوری دور هستند، ممکن است یک پدیده نوظهور به نظر برسد. با این حال اهل فن می‌دانند که هوش مصنوعی دهه‌ها قدمت دارد و صرفاً «روش تحقق و پیاده‌سازی» یک سیستم هوشمند است که در سال‌های اخیر پیشرفت کرده و به‌روزرسانی شده است. عباراتی که این روزها زیاد می‌شنویم نیز در واقع تکنیک‌ها و فناوری‌هایی است که باعث ساخت این ماشین‌های هوشمند شده‌اند. یکی از رایج‌ترین عبارات، اصطلاح «یادگیری ماشین» است.

یادگیری ماشین (Machine Learning) به زبان ساده روش قدرتمندی است که به «کامپیوترها» اجازه می‌دهد تا از «داده‌ها» مطالب جدید بیاموزند، درست همانطور که ما از رخدادهای پیرامون خود کسب تجربه می‌کنیم. در دوره‌های پیشین برنامه‌نویس‌ها می‌بایست هر چیزی را از طریق دستورالعمل‌های خاص به ماشین دیکته کنند. با این حال کامپیوتر در روش یادگیری ماشین می‌تواند خودش بعد از دریافت داده‌ها به تنهایی راه‌حل‌ (بعضاً جدید) مسائل را پیدا کند!

بیشتر بخوانید

آنا گزارش می‌دهد؛

تاریخچه مختصری از هوش مصنوعی/ چگونه به اینجا رسیدیم و به کجا می‌رویم؟

هوش مصنوعی فریبکار می‌شود

کدام الگوریتم‌های هوش مصنوعی برای مدیریت پروژه استفاده می‌شود

برای اینکه ذهنیت درستی از روش یادگیری ماشین داشته باشید، تصور کنید می‌خواهید به فرزندتان یاد دهید که پرنده چیست. شما برای این کار کافی است تصاویر تعدادی پرنده را به او نشان دهید. فرزندتان قاعدتاً بعد از دیدن چندین عکس پرنده می‌تواند مدتی بعد وقتی در خیابان با یک گنجشک روبرو شد، تشخیص دهد که یک پرنده دیده است. یادگیری ماشین نیز به همین شیوه کار می‌کند و کامپیوتر‌ها از طریق داده‌ها یاد می‌گیرند که مسائل آتی را تحلیل کنند.

یادگیری ماشین چگونه کار می‌کند؟

روش یادگیری ماشین را در ساده‌ترین تعریف ممکن می‌توان به یافتن الگو در داده‌ها خلاصه کرد. در روش یادگیری ماشین به جای اینکه به کامپیوترها دستورالعمل‌های دقیق هر مرحله ارائه شود، خود کامپیوتر از طریق یادگیری داده‌ها می‌تواند نتایج را پیش بینی کند و الگوها را تشخیص دهد. با این حال کامپیوترها به اشکال مختلفی این کار را انجام می‌دهند.

 یادگیری از طریق مثال: یکی از روش‌های رایج یادگیری ماشین، روش یادگیری بانظارت (supervised learning) نام دارد. در این متد به کامپیوتر مثال‌های زیادی نشان می‌دهیم. به عنوان مثال، برای اینکه کامپیوتر تفاوت بین گربه و سگ را تشخیص دهد، تصاویر زیادی را به آن نشان می‌دهیم که با عنوان «گربه» یا «سگ» برچسب‌گذاری شده‌اند. آنگاه کامپیوتر با مطالعه ویژگی‌های جاندار (مانند شکل، رنگ یا الگوی اندام) متوجه می‌شود که چه چیزی یک گربه را از سگ متفاوت می‌کند. به این ترتیب وقتی در آینده جلوی کامپیوتر تصویری را گذاشتیم می‌تواند حدس دقیقی داشته باشد.

یادگیری ماشین کمک می‌کند مشکلات را به طور موثرتری حل کنیم. برخی از کارهای روزمره وجود دارد که انجام دستی آنها برای انسان بسیار خسته‌کننده یا حتی غیرممکن است (مانند غربال کردن حجم عظیم داده‌ها برای یافتن یک الگوی خاص). یادگیری ماشین کمک می‌کند که کامپیوترها این کار را سریع‌تر و دقیق‌تر برایمان انجام دهند.

یافتن خودکار الگو: نوع دیگر یادگیری، روش یادگیری بدون نظارت (Unsupervised Learning) نامیده می‌شود. اینجا دیگر تصاویر برچسب‌گذاری‌شده را به کامپیوتر نشان نمی‌دهیم. در عوض انتظار داریم کامپیوتر بتواند به خودی‌خود داده‌ها را معنا کند! تصور کنید عکس یک سبد میوه را به کامپیوتر می‌دهید اما در مورد نام میوه‌ها چیزی به کامپیوتر نمی‌گویید. شما می‌گذارید کامپیوتر خودش انواع میوه را احتمالاً از طریق دسته‌بندی براساس اندازه یا رنگ تشخیص دهد. این نوع یادگیری به یافتن الگو و روابط پنهان در داده‌ها کمک می‌کند.

 یادگیری از طریق آزمون و خطا: روش مشهور دیگر یادگیری تقویتی (Reinforcement Learning)  نام دارد. یادگیری تقویتی مانند آموزش به حیوانات خانگی است. وقتی گربه خانگی‌تان کارش را درست انجام دهد به او پاداش می‌دهید و احتمالاً اگر خطایی از او سر بزند، جریمه‌اش می‌کنید. کامپیوتر در این نوع یادگیری با آزمایش‌های گوناگون از انسان بازخورد می‌گیرد و در نتیجه به واسطه فیدبک‌ها یاد می‌گیرد چه چیز درست است و چه غلط! این نوع یادگیری ماشین برای کارهایی که یک «ورودی» مستقیماً با «خروجی» مرتبط است (مانند بازی شطرنج یا آموزش راه رفتن به یک ربات) بسیار کاربردی است.

نمونه‌های روزمره یادگیری ماشین

شاید با خود فکر کنید که هوش مصنوعی و یادگیری ماشین صرفاً در آزمایشگاه‌ها و دانشگاه‌ها و پژوهشگاه‌ها مورد استفاده قرار می‌گیرد و چیز پیچیده‌ای است که خیلی به کار مردم عادی نمی‌آید، اما سخت در اشتباهید! این فناوری درست مانند بسیاری دیگر از ابعاد هوش مصنوعی در حال حاضر بخشی از زندگی روزمره من و شما را تشکیل می‌دهد.  

فیلتر اسپم: تا به حال به این مسئله توجه کردید که ایمیلتان چطور به صورت خودکار هرزنامه‌ها را در یک پوشه جداگانه قرار می‌دهد؟ سرویس‌دهنده پست الکترونیک شما برای تشخیص اینکه کدام ایمیل هرزنامه است و کدام ایمیل واقعی است، از یادگیری ماشین استفاده می‌کند. در واقع الگو ایمیل‌های هرزنامه، مانند استفاده از کلمات خاص یا آدرس‌های قلابی تشخیص داده می‌شود و از آن برای جلوگیری از رسیدن پیام‌ها به صندوق ورودی شما استفاده می‌شود.

پیشنهاد فیلم و کتاب: پلتفرم‌هایی مانند نت‌فلیکس یا آمازون از روش یادگیری ماشین برای پیشنهاد فیلم‌ و کتاب به شما استفاده می‌کنند. این پلتفرم‌ها آنچه را که قبلاً مطالعه یا تماشا کرده‌اید تجزیه‌وتحلیل می‌کنند و از آن داده برای پیش‌بینی آنچه احتمالاً در آینده خواستارش هستید استفاده می‌کنند.

چرا یادگیری ماشین اهمیت دارد؟

یادگیری ماشین به این علت مهم است که کمک می‌کند مشکلات را به طور موثرتری حل کنیم. برخی از کارهای روزمره وجود دارد که انجام دستی آنها برای انسان بسیار خسته‌کننده یا حتی غیرممکن است (مانند غربال کردن حجم عظیم داده‌ها برای یافتن یک الگوی خاص). یادگیری ماشین کمک می‌کند که کامپیوترها این کار را سریع‌تر و دقیق‌تر برایمان انجام دهند.

برای مثال در حوزه مراقبت‌های بهداشتی، یادگیری ماشین به پزشکان کمک می‌کند تا با الگوهایی تصاویر پزشکی را شناسایی کنند و بیماری‌ها را زودتر از موعد تشخیص دهند. یادگیری ماشین در امور مالی، برای پیش‌بینی تغییرات بازار سهام استفاده می‌شود. همچنین کلید پیشرفت فناوری‌هایی مانند خودران‌ها در این است که ماشین یاد می‌گیرد محیط اطراف را «ببیند» و بر اساس آنچه مشاهده کرد تصمیم بگیرد.