ماشین لرنینگ یا یادگیری ماشین چیست؟

بسیاری از ما آینده را با اربابان ربات و ماشینهایی تصور میکنیم که به اندازه کافی باهوش هستند تا خودشان را تکثیر کنند و برای تسلط بر کل جهان برنامهریزی سایت vector-robot کنند. آزیموو با کارهای ادبی خود پیشبینی و تصور کرد که اگر رباتها و ماشینهای هوشمند با انسانها همزیستی کنند، جهان چگونه خواهد بود. برای مثال فرانک روزبنلات در سال 1957، پرسپترون Mark1 را ساخت که یکی از اولین ماشینهای تشخیص تصویر و یکی از موفقترین کامپیوترهای عصبی (Neuro-Computer) بود. نحوه دستیابی به این اهداف، تفاوت میان الگوریتمها را مشخص میکند. چون نحوه طبقه بندی داده در اختیارشان قرار نمیگیرد. چون هر لایه قبل از رسیدن داده به لایه بعدی، عملیات خاصی را روی درونداد انجام میدهد. ما باید دادهها را با تمامی الگوریتمها اجرا کرده و آنها را تست کنیم. یادگیری ماشین روی انواع داده از جمله دادههای چند بعدی قابل اجرا است. این کامپیوترها، مدلهای یادگیری ماشین و الگوریتمها را به طور کارآمد اجرا میکنند.

«ماشین لرنینگ یا یادگیری ماشین، شامل آموزش کامپیوتر با کمک تعداد زیادی از نمونهها است؛ تا به طور خودکار براساس مقدار محدودی از دادههای وارده به اتخاذ تصمیمهای منطقی پرداخته و با به کارگیری این فرایند، آن را تقویت کند». طبق یک قاعده سرانگشتی اگر هوش مصنوعی بگوید که چه تصمیمی باید اتخاذ شود، این برنامه در خارج از حوزه هوش مصنوعی قرار میگیرد. سیستم یادگیری ماشین در این شرکت از یادگیری نظارت نشده استفاده میکند که مشابه سیستم ایمنی بدن انسان است. این فناوری برای توسعه سخت افزاری و نرم افزاری به ما کمک میکند. هر داستان خوب یک پیش زمینه ی داستانی دارد و برای هوش مصنوعی، پیش زمینه داستانی در ذهن فوقالعاده ریاضیدان، آلن تورینگ و دیگر اعضای باشگاه نسبت ( Ratio Club ) قرار داشت. هوش مصنوعی، یادگیری ماشین و یادگیری عمیق سه طبقه از علم کامپیوتر هستند که در درون یکدیگر جای میگیرند. به لطف مقدار زیادی کتاب و سریال درباره هوش مصنوعی، مردم در مورد نحوه ادغام هوش مصنوعی در دنیای واقعی صحبت میکردند. افرادی که با خواندن و دیدن این داستانهای علمی بزرگ شدند هرگز فکر نمیکردند که یک کنفرانس ویدیویی از طریق دستگاههای تلفن همراه، یک ربات جاروکش در خانه آن ها، صحبت با کامپیوتر یا دریافت پاسخ از یک کامپیوتر را تجربه کنند.

با این روش به خوبی میتوان تجارت الکترونیک را با یادگیری ماشین تقویت کرد. روش آموزش سوم هم با دادههای بدون برچسب سر و کار دارد. برای مثال Google Lens از این روش یادگیری برای شناسایی اشیاء از تصاویر ثابت و متحرک استفاده میکند. اخیراً مدارس چینی از این فناوری برای بهبود تمرکز دانش آموزان استفاده کردهاند. ماشین لرنینگ یا یادگیری ماشین بهترین ابزار آموزش در آینده است چون روشهای خلاقانهای را برای کمک به یادگیری دانش آموزان ارائه میکند. برخی از برنامههای یادگیری ماشین که تحت عنوان یادگیرندگان (Learners) شناخته میشوند؛ با مجموعه نسبتاً کوچکی از اطلاعات قابل آموزش هستند. در ادامه به برخی از این تعاریف اشاره میکنیم. این مفهوم در پزشکی، کسب و کار، بانکداری تا علم و فناوری کاربرد دارد. در واقع سابقه مفهوم یادگیری ماشین (Machine Learning) به چند دهه میرسد. در حال حاضر سه مدل یادگیری اصلی وجود دارد. در حال حاضر یادگیرندگان عمیق مثل Alpha Go گوگل و ربات Dota2 از یادگیری تقویتی استفاده میکنند.

فناوری یادگیری ماشین در حال توسعه است. به اعتقاد کارنگی ملون: «ریشه یادگیری ماشین به دنبال پاسخ این پرسش است که چگونه میتوانیم سیستمهای کامپیوتری بسازیم تا برحسب تجربه تقویت شوند و قواعد زیربنایی حاکم بر تمامی فرایندهای یادگیری کدامند؟ به کارگیری آنها هم برحسب نیازهای موجود صورت میگیرد. الگوریتمها را برحسب دقت نتایج انتخاب میکنیم. در ماشین لرنینگ یا یادگیری ماشین میتوان الگوریتمها را براساس نتایج دقیق انتخاب کرد. یادگیرنده در اینجا به دنبال الگوها است و طبقه بندیهای خودش را میسازد. در اینجا اپراتورها روی یادگیرنده نظارت نمیکنند تا عملکردها و خطاهایش را بررسی کنند. کودک در هر دو مورد خودش باید توپ را مجسم کند. هوش مصنوعی از اوایل دهه ۱۹۴۰ وجود داشته، اما تنها در دو دهه گذشته محبوبیت پیدا کرده است. به لحاظ علمی تعریف واحدی از ماشین لرنینگ یا یادگیری ماشین وجود ندارد. لب تاپها و GPU های زیادی در حوزه سخت افزاری وجود دارند که از شبکههای یادگیری عمیق و یادگیری ماشین در درونشان استفاده شده است. هرگاه که کاربر، بازی میخرد، فیلم تماشا میکند یا آهنگی را پخش میکند؛ الگوریتمهای یادگیری ماشین آن را ثبت کرده و به تحلیل دادهها و تگهای آن میپردازند و در نهایت محتوای مشابه را جستجو میکنند.

هنگامی که دادههای بیشتری به او بدهید، پروفایل مربوط به سگها را اصلاح کرده و تگهای جانبی برای تشخیص تصویر سگها از سایر اشیا و حیوانات را میسازد. مانند اینکه چطور مشاور Geordi La در فیلم Star Trek، راه را به دنیای معادل “واقعی” اش هموار کرده، در نهایت به نابینای از نظر قانونی دید بخشیده است. خب، مانند همه داستانهای علمی تخیلی، بستگی به نقطه نظر شخصی دارد که شما از آن نگاه میکنید. در حال حاضر اتوماسیون در همه جا حضور دارد. طبق گزارش فوربس، 82 درصد از پیشگامان بازاریابی در حال حاضر از یادگیری ماشین برای پیشرفت کسب و کارشان استفاده میکنند. داستانهایی در مورد ماشینهای هوشمند در گذشته، به آرامی کاربردهای واقعی در حال حاضر پیدا می کنند و این چیزی است که باید از آن سپاسگزار باشیم چون در نهایت، انسان در مقابل ماشینها نیست. با این حال انواع شناخته شدهای از سیستمهای یادگیری ماشین از یادگیری نظات نشده استفاده میکنند. از این رو پژوهشهای زیادی در این حوزه صورت میگیرد. از این رو برخی از دادهها را باید به طور مداوم به روزرسانی کرد. یادگیری ماشین مفهومی گسترده است و به راحتی در چند جمله خلاصه نمیشود؛ ولی برخی از افراد این کار را انجام دادهاند.پیاده سازی ماشین لرنینگ در حیطه انجام پروژه برنامه نویسی طبقه بندی میشود.

مککارتی، مینسکی و دیگر دانشمندان مشهور علوم کامپیوتر، برنامههای رایانهای هوش مصنوعی بسیاری را در قرن بیستم پیگیری و توسعه دادند. عبارات زیادی از جمله هوش مصنوعی و یادگیری عمیق هم حول یادگیری ماشین مطرح میشوند. در آینده یادگیری ماشین به فناوری برتر تبدیل خواهد شد. در چند سال اخیر، مفهوم ماشین لرنینگ یا یادگیری ماشین به موضوع داغی تبدیل شده است. یا اینکه آیا ماشینها به طور شهودی و خود خودآگاه مانند “آوا” در فیلم “Ex Machina” تبدیل خواهند شد، یا این چیزی مانند Samaritan خواهند شد که به هر حرکت ما نگاه میکند و تصمیمات ما را پیشبینی میکند؟ مایکروسافت و گوگل هم اخیراً برنامههایی را برای پیشرفت در حوزه یادگیری ماشین معرفی نمودهاند و در آینده نزدیک هم شاهد پیشرفتهای بیشتری خواهیم بود. در حین جستجوی کودک اگر به توپ نزدیک شود، با کلمه گرمتر و اگر از آن دورتر شود با کلمه سردتر او را تشویق یا تنبیه میکنید. از کودک میخواهید تا توپ را پیدا کند. الگوریتمها از روشهای مختلفی برای رسیدن به اهدافشان استفاده میکنند و براساس اثربخش بودن یا نبودن رویکردشان در دستیابی به نتایج نهایی، پاداش گرفته یا دچار خطا میشوند. الگوریتمهای مورد استفاده در شرکت امنیت سایبری Darktrace برای شناسایی حفرات امنیتی داخلی، یکی از انواع این آموزشها هستند.

این سازهها از سه لایه الگوریتمهای یادگیری ماشین تشکیل میشوند. تیم کارلنسر در این مقاله به بررسی مفهوم یادگیری ماشین و مزایا و معایب آن میپردازد. در حوزه فناوری یادگیری باید به مزایا و معایب این فناوری توجه کنیم. اگر بتوان این دادهها را به صورت دیجیتالی ذخیره کرد؛ میتوان آنرا در قالب الگوریتم یادگیری ماشین درآورد». این مدل به صورت الگوریتم Minimax تکامل پیدا کرد. گرههای عصبی در صورتیکه به صورت همزمان فعال شوند، قویتر میشوند و اگر به طور جداگانه فعال شوند، تضعیف میشوند. مطالعه و کار با داده هم حوزه مطالعاتی جداگانه محسوب میشود. از آنجا که شبکههای عصبی مصنوعی متداولتر از شبکههای عصبی عمیق هستند؛ پس یادگیری نظارت نشده به عنوان نوع نادری از آموزش محسوب میشود. قاعده نزدیکترین همسایگی، پدر بزرگ اپلیکیشن های نقشه نگار GPS امروزی محسوب میشود. مارسلو پلیلو یک دهه بعد در سال 1967 « قاعده نزدیکترین همسایگی» (nearest neighbor rule) را برای تشخیص الگو مطرح کرد.

بعد از این کار میتوانیم در مورد الگوریتم مناسب، تصمیم گیری کنیم. این مفاهیم یکسان نیستند؛ ولی در ارتباط با هم قرار دارند. ماشین لرنینگ یا یادگیری ماشین از مفاهیم و تکنولوژی های و از زمینه های هوش مصنوعی به شمار می رود. سادهترین شبکههای عصبی مصنوعی (ANN) شامل یک لایه واحد از الگوریتمهای یادگیری ماشین هستند. یادگیری ماشین به طراحی الگوریتمهای کارآمدتر در این حوزه کمک میکند. با کمک یادگیری ماشین قادر به طراحی کامپیوترهای بسیار پیشرفته هستیم. در واقع یادگیری ماشین، زیر مجموعه هوش مصنوعی و یادگیری عمیق هم زیر مجموعه یادگیری ماشین است. یادگیری عمیق، زیر مجموعه هوش مصنوعی و یادگیری ماشین است. یادگیری ماشین به عنوان زیر مجموعه هوش مصنوعی به طور خودکار قادر به اقدام است. مطلب پیشنهادی: آیا هوش مصنوعی یک تهدید برای بشر است؟ آموزش تقویتی برای به کارگیری هوش مصنوعی در مورد نحوه بازی کردن و پیروزی در بازیهایی مثل Go ، Chess، Dota2 یا Pac-Man مناسب است. از یادگیری ماشین تک لایه گرفته تا شبکههای عصبی عمیق، همگی نیازمند آموزش هستند.

پس یادگیری عمیق، برای رسیدن به تفسیر داده، نیازی به دادههای از قبل طبقه بندی شده ندارد. یادگیری نظارت نشده، نیازی به برچسب گذاری ندارد. به طور مکرر از ابزارها و دستگاههای متبنی بر الگوریتمهای یادگیری ماشین استفاده میکنیم. یادگیری ماشین در قالب مطالعه الگوریتمهای کامپیوتری تعریف میشود که به طور خودکار از طریق تجربه تقویت میشود. بسیاری از الگوریتمهای ماشین لرنینگ یا یادگیری ماشین بیشتر از حد انتظارتان وقت میبرند. این فرایند بسیار وقت گیر است. حتی اگر از بهترین الگوریتم استفاده کنید باز هم از وقت گیر بودنش شگفت زده میشوید. برای مثال اگر تصویری از یک سگ به او بدهید قادر به طبقه بندی نیست، چون هیچ دادهای ندارد که به او بگوید این تصویر سگ است. برای مثال این تصویر سگ یا گربه است. این سیستم برای تعیین کارش باید به درستی با دادههای درونداد آشنا شود. کودک در یادگیری نظارت نشده با کمک نقشه یا مسیرهای از پیش تعیین شده به دنبال توپ میرود. سیستمهای نظارت نشده و تقویتی با مدیریت دادهها بر اساس اهداف از پیش تعیین شده سر و کار دارند. در دهههای پیش رو هم شاهد اپلیکیشن های کاربردی در بازارهای مصرف کننده و شرکتی خواهیم بود.

هر چقدر بیشتر از این سرویس استفاده شود؛ سیستم هم بهتر یاد گرفته و علایق کاربر را بهتر پیش بینی میکند. از این رو باید نتایج هر الگوریتم را بررسی کنیم. از این رو کامپیوترتان به مصرف انرژی بیشتری نیاز دارد. این نوع یادگیری باعث مدرن سازی فناوری میشود. طراحی سیستمهای یادگیری ماشین که امروزه به کار میروند مبتنی بر مدل مغزی دونالد هب (Donald Hebb) در کتاب «سازماندهی رفتار» سال 1949 است. از تلویزیونها تا یخچالها، حالا میتوانید از وسائل الکتریکی خود سوال کنید که کدام فیلم خوب است یا دستور پخت غذای جوجه شما چیست و شما میتوانید انتظار پاسخ از آنها را داشته باشید. این قابلیتها سرعت پردازش این سیستمهای سخت افزاری را سریعتر میکند. بنابراین اتوماسیون به سرعت توسعه یافته و به طور کامل مبتنی بر آن زندگی میکنم. یادگیری تقویتی جدیدترین نوع آموزش سیستمهای یادگیری ماشین است و در سالهای اخیر، پژوهش روی آن افزایش یافته است. همچنین دادهها هم به فضایی بیشتر از فضای اختصاص یافته نیاز پیدا میکنند.

تمامی این کارها مبنای پژوهشهای بیشتر را فراهم کردند. آرتور ساموئل به عنوان برنامه نویس IBM و فردی پیشگام در حوزه هوش مصنوعی در سال 1952 عبارت یادگیری ماشین را ابداع کرد. اما با پیشرفت هوش مصنوعی و یادگیری ماشین، یک داستان علمیتخیلی جدید ساخته شدهاست. برای مثال خدمات زیادی از جمله شبکه پلی استیشن، نتفلیکس، اسپاتیفای و غیره از این نوع یادگیری برای تولید فهرستهای مبتنی بر اولویتهای کاربر، بهره میبرند. طبق تعریف MIT: «الگوریتمهای یادگیری ماشین از آمار و ارقام برای یافتن الگوهای درون حجم زیاد دادهها شامل اعداد، کلمات، تصاویر، کلیکها و غیره بهره میبرند. برای شناخت این فناوریها در وهله اول باید به طور دقیق با یادگیری ماشین آشنا شویم. برای مثال «اگر این اتفاق افتاد، آن کار را انجام بده». یادگیری نظارت شده یعنی داده و درونداد باید برچسب گذاری یا طبقه بندی شود تا الگوریتمها کارشان را به درستی انجام دهند. مدل یادگیری ماشین در حوزه خرید آنلاین به بررسی جستجوهای شما میپردازد. داده مهمترین بخش هر مدل یادگیری است. در واقع سابقه جستجو در حکم داده ای برای مدل یادگیری ماشین عمل میکند. ولی اغلب آنها برای عملکرد دقیق به حجم بالای داده نیاز دارند. هر چقدر مثالهای بیشتری در اختیارش قرار دهید به عملکرد بهتری میرسید.

نحوه عملکرد کامپیوتر رمزگردانی میشود. الگوریتم یادگیری ماشین برخلاف هوش مصنوعی نحوه تفسیر اطلاعات را بیان نمیکند. این مزایا، نحوه به کارگیری یادگیری ماشین به نفع خودمان را نشان میدهد. به طور کلی هوش مصنوعی مجموعهای از دستورالعملها است که نحوه اقدام و رفتار مشابه انسان را به کامپیوتر آموزش میدهد. سایر افراد هم از این قاعده برای تولید شبکههای عصبی پرسپترون چند لایه در دهه 1960 و Backpropagation در دهه 1970 استفاده کردند که از جانب پژوهشگران برای آموزش شبکههای عصبی دقیق به کار میرفت. در غیر اینصورت به نتایج متفاوتی از دادههای قدیمی و جدید میرسیم که نشانه خوبی نیست. پس باید منتظر دادههای جدید بمانید. هنگامی که سلولهای مغزی با الگویی تکراری فعال میشوند؛ سیناپسهای جدید شکل گرفته یا سیناپسهای موجود بزرگتر میشوند. به زبان ساده یادگیری ماشین علمیست که به ماشین ها یاد می دهد چطور چیزهای جدید یاد بگیرند. در میان بسیاری از آثار تخیلی، “I Robot” نوشته ی آیزاک آزیموو، که در سال ۱۹۵۰ منتشر شد، یکی از معروفترین و پذیرفته ترین کار هاست.

یکی از مزایای یادگیری ماشین، کار با داده است. ماشین لرنینگ یا یادگیری ماشین مزایای زیادی دارد. هنوز هم گزینش الگوریتم در یادگیری ماشین، فرایندی دستی است. اصل مشابهی در شبکه عصبی دیجیتال برقرار است. به کارگیری حجم زیاد دادهها وابسته به نوع یادگیری به کار رفته است. یادگیری ماشین در مراودات با مشتری، تشخیص بیماریها و ارتقای کسب و کارها نقش دارد. در یادگیری ماشین به طور دائم روی داده کار میکنیم. یادگیری ماشین مثل یک کودک باید با کمک پایگاه دادههای طبقه بندی شده یا درونداد (input)، آموزش ببیند. بروز خطا در حوزه آموزش و آزمودن داده، مشکلی جدی است. از مقدار زیاد داده برای آموزش و آزمودن استفاده میکنیم. سیستم ماشین لرنینگ یا یادگیری ماشین علاوه بر دادههای اولیه نیازمند آموزش است. به عبارت دیگر، علاوه بر معرفی داده، باید محتوای آن هم بیان شود. در طول چند دهه بعد، پیشگامان این حوزه از مدلهای هب و ساموئل استفاده کردند و در زمینههای مختلفی از آن استفاده کردند. این تعریف از جانب تام میشل ارائه شده است. درونداد (Input) از این لایهها عبور کرده و مشخصات یا تگهایی به هر کدامشان اضافه میشود. این سیستم آموزش، مشابه بازی سرد و گرم با کودکان است.

یادگیری نظارت شده عملکردی مشابه نامش ندارد. در عوض به اشکال یا رنگهای مشابه نگاه کرده و یک طبقه بندی اولیه میسازد. چیزهایی که در گذشته فقط داستانهای علمیتخیلی بودند بیش از حد واقعی شدهاند. امروزه شاهد اتوماسیون در هر بخشی از اقتصاد هستیم که نشان دهنده به کارگیری یادگیری ماشین است. شناخت مزایا و معایب یادگیری ماشین، کمک زیادی به شما میکند. معایب یادگیری ماشین، محدودیتها و عوارض جانبی آن را گوشزد میکند. این مفهوم قابلیت کار با هر نوع دادهای را دارد. او از تکنیک Alpha-Beta pruning استفاده کرد تا برد را بر اساس موضع قطعات و شانس پیروزی نمره گذاری کند. همانطور که مشکلات گذشته مانند ذخیره و داده محدود پاسخ داده شدند، نوآوریهای هوش مصنوعی یکی پس از دیگری ظاهر شدند. یادگیری ماشین قادر به پردازش و تحلیل دادههایی است که سیستم های عادی قادر به انجامش نیستند. سیستمهای ماشین لرنینگ یا یادگیری ماشین تک لایه، در به کارگیری درونداد بدون برچسب چندان کارآمد نیستند. با اینکه ماشین لرنینگ یا یادگیری ماشین در حدود چند دهه عمر دارد ولی تنها در سالهای اخیر در حوزه فناوری به طور عملی به کار گرفته شده است. یادگیری تقویتی هم تنها در یادگیرندگان عمیق به کار میرود. این مدلها شامل یادگیری نظارت شده، نظارت نشده و تقویتی هستند.

یادگیری تقویتی یکی از انواع یادگیری ماشین و مبتنی بر مفهوم مذکور است. یادگیری ماشین باعث صرفه جویی در انرژی و زمان میشود. یادگیری ماشین با به کارگیری در قالب اتوماسیون باعث تحول صنعت شده است. به طور کلی، یادگیرندگان عمیق در مقایسه با یادگیری ماشین تک لایه به درونداد بیشتری نیاز دارند. حدود ۶۰ سال طول کشید تا هوش مصنوعی به طور گسترده شناخته شود و محبوبیت پیدا کند. یادگیری ماشین الگو سازی هوش بشری توسط سیستم هوش مصنوعی است. شبکههای عصبی مصنوعی با کمک این اطلاعات بدون داشتن دستورالعملهای مشخص به نتایج و برونداد میرسند. این فرایند گاهی اوقات با بی ثباتی در دادهها همراه میشود. داده حجم زیادی دارد پس گاهی اوقات حذف خطاها تقریباً غیر ممکن میشود. این فرایند حتی با به کارگیری GPU ها هم گاهی اوقات طاقت فرسا میشود. اما آیا این میتواند یک داستان علمیتخیلی باقی بماند و یا در آینده واقعیت داشته باشد؟ یادگیری در شبکههای عصبی چگونه است؟ یادگیری ماشین، مزایای زیادی دارد. به چند مورد از مزایای مهم آن اشاره میکنیم. طبق تعریف دانشکده استنفورد: « یادگیری ماشین علم به کارگیری کامپیوتر بدون برنامه ریزی کردن آن است.