هوش مصنوعی (Artificial Intelligence) یکی از تکنولوژی‌های متحول‌کننده‌ی زندگی انسان در سال‌های اخیر بوده است. ماشین لرنینگ یکی از شاخه‌های مختلف هوش مصنوعی است که درواقع اساس و شکل ابتدایی آن نیز محسوب می‌شود. بقیه پیشرفت‌های حاصل‌شده در AI همگی بر پایه یادگیری ماشین حاصل شده‌اند. هدف ماشین لرنینگ به زبان ساده ، تقلید فرآیند یادگیری ذهن انسان با استفاده از الگوریتم‌ها و تغذیه‌ی آن‌ها با داده‌های مختلف است.
گفته می‌شود که AI و در مرکز آن، یادگیری ماشینی ، به‌کلی شکل زندگی انسان در آینده نزدیک را عوض خواهند کرد. هر روز، اخبار تازه‌ای از این صنعت شنیده می‌شود و از هم اکنون نیز می‌توانیم حضور آن را در اطرافمان از گوشی‌های موبایل، صنعت آموزش، موتورهای جستجو تا خودروهای خودران احساس کنیم. شرکت‌های مهمی ازجمله IBM، اپل، آمازون، مایکروسافت و تسلا از توسعه‌دهندگان یا مصرف‌کنندگان دستاوردهای این حوزه هستند.
اما سازوکار عملکرد ماشین لرنینگ چیست؟ این تکنولوژی چه کاربردهایی دارد و انواع مختلف آن کدامند؟ در این مقاله به این سوالات پاسخ خواهیم داد. برای این منظور ابتدا لازم است نگاه دقیق‌تری به تعریف این فناوری داشته باشیم. با ما همراه شده و با یکی از تکنولوژی‌های پیشرو در آینده‌ی نزدیک آشنا شوید.
یادگیری ماشین (Machine Learning) یا ML برای اولین بار در دهه‌ی ۱۹۵۰ توسط آرتور ساموئل (Arthur Samuel) از پیشگامان هوش مصنوعی تعریف شد. در طول این چند دهه و با توجه به پیشرفت‌های حاصل‌شده تعریف ماشین لرنینگ به زبان ساده به شرح زیر درآمده است:
زیرشاخه‌ای از هوش مصنوعی و علم داده (Data Science) که هدفش تولید ماشین‌هایی با توانایی تقلید رفتارهای هوشمند انسان است. چنین ماشینی خواهد توانست در برخورد با مسائل و موقعیت‌های جدید، بر اساس تجارب و داده‌های از پیش دانسته‌اش، تجزیه و تحلیل و تصمیم‌گیری کند. درباره این که علم داده چیست هم باید بدانید تا بهتر این مطالب را درک کنید.
عملکرد Machine Learning در اساس وابسته به الگوریتم‌هایی است که رفتار برنامه را بر اساس داده‌های در دسترس و منطق‌های ریاضی تعیین می‌کنند. این تکنولوژی درواقع به‌عنوان جایگزینی برای برنامه‌نویسی‌های سنتی مطرح شده و کامپیوتر را هرچه بیشتر ازنظر منطقی و آنالیز داده‌های جدید، تقویت می‌کند.
علاوه بر این توانمندی‌ها، انواع برنامه‌های ML توانایی بهبود و تصحیح عملکرد خود را نیز دارند. به‌این‌ترتیب آن‌ها به‌مرور دقیق‌تر و سریع‌تر شده و می‌توانند آنالیزهای عمیق‌تری ارائه کنند. این کار با یک تابع خطا (Error Function) انجام می‌شود. درحقیقت، ماشین لرنینگ با ترکیب داده‌ها در الگوریتم‌ها تلاش می‌کند الگوهای ممکن را پیش‌بینی کرده و اهدافی مانند طبقه‌بندی داده‌ها را دنبال کند.
یادگیری ماشین معمولا تنها توان انجام آنالیزهای ساده، تکی و غیرهمزمان را دارد. بهبود فرآیند عملکرد این ماشین‌ها به نظارت انسانی نیاز دارد. تحقق این اهداف در شکل پیشرفته‌تر ML، یعنی دیپ لرنینگ دنبال می‌شود که از الگوریتم‌های شبیه‌سازی‌شده از شبکه عصبی انسان استفاده می‌کند.
یادگیری ماشین چطور کار می کند؟
اما مراحل ساخت یک مدل ماشین لرنینگ چیست؟ متخصصان این فرآیند را طی چهار مرحله‌ای انجام می‌دهند که در ادامه آن‌ها را بررسی می‌کنیم.
انتخاب و آماده سازی مجموعه داده آموزشی
انواع ماشین لرنینگ برای تنظیم پارامترهای مدل‌های خود به داده‌های ابتدایی نیاز دارند که نماینده‌ی داده‌هایی هستند که قرار است در ادامه نیز با آن‌ها کار کنند. این داده‌ها به دو صورت برچسب‌گذاری‌شده یا بدون برچسب به ماشین ارائه می‌شوند.
داده‌های برچسب‌گذاری‌شده دارای طبقه‌بندی و اطلاعات متمایزکننده‌ی از پیش تعیین‌شده هستند. آن‌ها به دو دسته‌ی آموزشی به‌منظور آموزش مدل و آزمایشی به‌منظور ارزیابی اولیه تقسیم می‌شوند. درصورت تغذیه‌ی اولیه مدل ماشین لرنینگ با داده‌های بدون برچسب‌گذاری، وظیفه استخراج ویژگی‌ها و دسته‌بندی آن‌ها برعهده خود مدل یادگیری خواهد بود.
انتخاب الگوریتم عمل کننده بر داده ها
از الگوریتم‌های مختلفی برای توسعه‌ی ماشین لرنینگ استفاده می‌شود که مهم‌ترین آن‌ها عبارتند از:
- شبکه‌ی عصبی (Neural Networks)
- رگرسیون خطی (Linear Regression)
- رگرسیون منطقی (Logistic Regression)
- طبقه‌بندی (Classification)
- قوانین تلازمی (Association Rules)
- خوشه‌بندی (Clustering)
- درخت تصمیم (Decision Trees)
- جنگل تصادفی (Random Forest)
در یک برنامه‌ی ماشین لرنینگ یک یا چند مورد از این الگوریتم‌ها استفاده می‌شود. انتخاب الگوریتم به نوع داده‌ها اعم از برچسب‌گذاری‌شده یا نشده، مقدار و حجم آن‌ها و ماهیت مسئله بستگی دارد.
آموزش الگوریتم
منظور از آموزش الگوریتم ماشین لرنینگ چیست؟ این مرحله به تغذیه‌ی الگوریتم با داده‌های آموزشی و استخراج تدریجی نتایج مورد انتظار اشاره دارد. این فرآیند با تغییر تدریجی پارامترها همراه بوده و هدفش، افزایش هرچه بیشتر دقت و سرعت عملکرد مدل است. این مرحله، شامل فرآیندهای تکراری بوده و از روش‌های مختلف بهینه‌سازی عملکرد الگوریتم‌ها نیز استفاده می‌کند. روش‌های بهینه‌سازی معمولا بدون دخالت انسان انجام می‌شوند؛ اما همانطورکه در ادامه خواهیم گفت نظارت بر آن با یا بدون دخالت انسان انجام می‌شود.
استفاده از مدل و بهبود آن
در آخرین مرحله از توسعه‌ی یک مدل Machine Learning، نوبت به تغذیه‌ی الگوریتم با داده‌های جدید و آزمایشی می‌رسد. طی این فرآیند، عملکرد مدل، بهبود یافته و دقت آن افزایش می‌یابد. داده‌های جدید ابتدا با سرعت اندک به ماشین داده شده و بسته به کاربرد ماشین لرنینگ و ماهیت مسئله‌ای که برای آن طراحی شده است، متفاوت هستند.
انواع چهارگانه ماشین لرنینگ
اما معیار دسته‌بندی انواع ML در هوش مصنوعی چیست؟ پاسخ‌های متفاوتی برای این سوال وجود دارد؛ اما می‌توان گفت که اصلی‌ترین معیار، روش آموزش یا ترنینگ (Training) ماشین است. بر این اساس هر کدام از انواع ML ویژگی‌های خاصی دارند که در ادامه آن‌ها را بیان می‌کنیم.
یادگیری ماشینی نظارت شده
روش آموزش تحت نظارت (Supervised Learning) را بیشتر از هرچیز می‌توان به رابطه‌ی بین معلم و دانش‌آموز تشبیه کرد. در این مدل، الگوریتم ماشین لرنینگ به نیروی انسانی برای طبقه‌بندی داده‌ها و نظارت بر عملکرد صحیح الگوریتم نیاز دارد. داده‌های موردنیاز در این روش، برچسب‌گذاری‌شده هستند. یادگیری نظارت‌شده عمدتا از دو نوع الگوریتم طبقه‌بندی یا Classification و رگرسیون یا مشابه آن‌ها استفاده می‌کند.
یادگیری بدون نظارت
روش یادگیری بدون نظارت (Unsupervised) به داده‌های برچسب‌گذاری‌شده نیازی نداشته و خودش می‌تواند طبقه‌بندی داده‌ها را انجام دهد. مدل توسعه‌یافته به این روش برای طبقه‌بندی داده‌ها از الگوها، ویژگی‌ها و ساختارهای پنهان مشترک استفاده می‌کند. بنابراین، چنین ماشینی به هیچ نمونه داده‌ای نیاز ندارد. یادگیری بدون نظارت از الگوریتم‌های خوشه‌بندی و قوانین تلازمی و مشابه آن‌ها استفاده می‌کند.
یادگیری نیمه نظارتی
منظور از یادگیری نیمه‌نظارت‌شده (Semi-supervised) در ماشین لرنینگ به زبان ساده ، ترکیبی از روش‌های نظارت‌شده و غیرنظارت‌شده است. هدف از به‌کارگیری یادگیری ماشینی نیمه‌نظارت‌شده، رفع نقاط ضعف این دو روش است. در این روش از هر دو نوع داده برچسب‌گذاری‌شده و بدون برچسب برای آموزش و تغذیه الگوریتم‌ها استفاده می‌شود. هرچند که حجم داده‌های بدون برچسب در آن بیشتر است. طبقه‌بندی محتوای وب، تجزیه‌وتحلیل گفتار در دستیارهای مجازی و طبقه‌بندی اسناد متنی چند کاربرد ماشین لرنینگ نیمه‌نظارت‌شده هستند.
یادگیری تقویتی
ماشین لرنینگ توسعه‌یافته با روش یادگیری تقویتی (Reinforcement)، بر اساس دریافت بازخورد از داده‌های بدون برچسب جدید (غیرآموزشی) کار می‌کند. بازخوردها به دو نوع مثبت و منفی تقسیم می‌شوند. در این روش، ماشین موردنظر، با مشاهده‌ی نتایج حاصل از اعمالی که قبلا انجام داده است، یاد می‌گیرد. سرعت یادگیری این ماشین به دلیل محدودیت به تجربه‌های خودش کند است؛ اما عمق و دقت نتایج آن به تدریج بسیار بیشتر از روش‌های قبلی خواهد شد.
هشت نمونه کاربرد ماشین لرنینگ
در سال‌های اخیر، انواع ماشین لرنینگ را در صنایع و تکنولوژی‌ها مختلف از بسیار روزمره و کاربردی تا بسیار تخصصی دیده‌ایم. هشت کاربرد ماشین لرنینگ مهم عبارتند از:
- خودروهای خودران؛ در این خودروها که شرکت‌های تسلا و Waymo از پیشگامان آن‌ها هستند، از یادگیری ماشین در تشخیص موانع، علائم رانندگی و غیره و عکس‌العمل مناسب در برابر آن‌ها استفاده می‌شود.
- امنیت سایبری؛ وب‌سایت‌ها با استفاده از تجزیه‌وتحلیل ماشین‌های ML می‌توانند ورودهای مشکوک، تهدیدهای داخلی، APT یا حملات Zero-day را متوجه شوند.
- دستیارهای هوشمند مجازی؛ سیری متعلق به اپل، الکسا متعلق به آمازون و دستیار گوگل، شناخته‌شده‌ترین دستیارهای مجازی هستند که از الگوریتم‌های ml برای آنالیز دستورهای گفتاری و جستجوهای‌شان استفاده می‌کنند.
- پیشنهادهای محتوایی شبکه‌های اجتماعی؛ اینستاگرام، یوتیوب، آمازون، نتفلیکس برای پیشنهادهای خود به کاربران با توجه به علاقه‌مندی‌هایشان از یادگیری ماشین استفاده می‌کنند.
- تشخیص هویت؛ نهادهای امنیتی و تکنولوژی‌های مرتبط با این حوزه، مانند دوربین‌های مداربسته از ماشین لرنینگ برای تشخیص چهره‌ی افراد، دیگر ویژگی‌های بیومتریک، شمارش و غیره استفاده می‌کنند.
- اپلیکیشن‌های نقشه؛ گوگل استریت‌ویو، ویز و اپلیکیشن‌های تاکسی آنلاین با استفاده از مدل‌های Machine Learning برای بررسی وضعیت جاده‌ها استفاده می‌کنند.
- آموزش؛ کاربرد ماشین لرنینگ در اتوماسیون امور آموزشی، ارزیابی وضعیت فراگیران، دسته‌بندی رفتاری آن‌ها و شخصی‌سازی آموزش گسترده است.
- پزشکی؛ گجت‌های مراقبت بهداشتی، داده‌های دریافتی از حسگرهای خود را با استفاده از الگوریتم‌های ML مدل‌سازی کرده و بر اساس آن‌ها گزارش می‌دهند.
کاربرد ماشین لرنینگ در اقتصاد، نرم‌افزارهای ترجمه، داروسازی، خرده‌فروشی، بلاک چین و صنعت گردشگری نیز گسترده است.
ماشین لرنینگ؛ بازیگر قطعی دنیای آینده
آینده ماشین لرنینگ چیست؟ این سوال بسیاری از افرادی است که تلاش می‌کنند تصوری از دنیای آینده داشته و امروز نیز در زندگی و کار خود، بر لبه‌ی تکنولوژی حرکت کنند. همانطورکه گفتیم یادگیری ماشینی به‌طورخلاصه کامپیوتر را قادر به یادگیری و تقلید سازوکار ذهن و منطق انسان در شرایط تازه می‌کند. ماشین‌های توسعه‌یافته با این تکنولوژی به روش‌های مختلفی آموزش می‌بینند تا به‌مرور یاد بگیرند با هر داده‌ای چطور رفتار کرده و چه نتایجی یا پیش‌بینی‌هایی ارائه کنند. یادگیری هرچه بیشتر در مورد این تکنولوژی و نتایج آن ازجمله هوش مصنوعی، برای همه‌ی کسب‌وکارها ضروری است.
