نرم افزار اندروید کلوب مجله کلوب

مشاهده رپورتاژ آگهی

11:30 1399/07/8
یادگیری عمیق چیست؟ - هر آنچه که لازم است از یادگیری عمیق بدانید

یادگیری عمیق چیست؟

هوش مصنوعی و یادگیری ماشین سنگ بنای تحولات آینده و انقلاب بعدی به خصوص در زمینه محاسبات است. چنین فناوری‌هایی به کمک قابلیت تشخیص الگوها و داده‌هایی که از قبل به آن آموزش داده شده است، به پیش‌بینی نتایج آینده می‌پردازند. به عنوان مثال از کاربردهای این فناوی می‌توان به پیشنهاداتی که فروشگاه‌های آنلاین مانند آمازون هنگام خرید به کاربر می‌دهد و یا لیست تماشای پیشنهادی Netflix اشاره کرد که همه و همه از کاربردهای هوش مصنوعی است. اگرچه امروزه ماشین‌ها و دستگاه‌هایی که از اصول هوش مصنوعی استفاده می‌کنند با عنوان "هوشمند" یاد می‌شود، اما این سیستم‌ها به خودی خود قابلیت یادگیری ندارند و به مداخله برنامه نویسی انسانی نیاز دارند. دانشمندان داده، ورودی‌ها را برای آموزش سیستم آماده می‌کنند و متغیرهایی را که برای تجزیه و تحلیل و پیش‌بینی نیاز است انتخاب می‌کنند. در مقابل این یادگیری عمیق است که نقش مهمی ایفا می‌کند و آموزش و یادگیری سیستم را به صورت خودکار انجام می‌دهد.

یادگیری عمیق چیست؟

یادگیری عمیق را می‌توان به عنوان زیرمجموعه یادگیری ماشین در نظر گرفت. یادگیری عمیق (یا همان Deep learning) در حقیقت یک رشته مبتنی بر یادگیری است که به سیستم‌های هوشمند کمک می‌کند تا خودشان را به کمک الگوریتم‌های رایانه‌ای بهبود ببخشند. در مقابل یادگیری ماشین که از مفاهیم ساده‌تری استفاده می‌کند، یادگیری عمیق از شبکه‌های عصبی مصنوعی استفاده می‌کند که به منظور تقلید از شیوه‌ی تفکر و یادگیری انسان طراحی شده‌اند. تا همین اواخر، شبکه‌های عصبی مصنوعی از نظر قدرت محاسباتی دارای محدودیت‌هایی بودند و به نسبت پیچیدگی کمتری داشتند. با پیشرفت در تجزیه و تحلیل کلان داده‌ها و توانایی ایجاد شبکه‌های عصبی بزرگتر و پیچیده‌تر، به کامپیوترها این قابلیت داده شد تا بتوانند سریع‌تر از انسان‌ها کارهای پیچیده را مشاهده کنند، یاد بگیرند و واکنش نشان دهند. از یادگیری عمیق می‌توان در کارهای متفاوتی مثل طبقه‌بندی تصاویر، ترجمه و تشخیص گفتار کمک گرفت. هم‌چنین می‌توان از یادگیری عمیق برای حل هرگونه مشکل در شناسایی الگوها، بدون دخالت انسان، استفاده کرد.

شبکه‌های عصبی مصنوعی شامل تعداد بسیاری از لایه‌ها است که یادگیری عمیق را ممکن می‌کنند. شبکه های عصبی عمیق (Deep Neural Networks یا به اختصار DNN) نوع متقاوتی از شبکه‌ها هستند که هر لایه می‌تواند عملیات پیچیده‌ای را مانند نمایش و انتزاع به عهده بگیرد و می‌تواند تصویر، صدا و متن را معنا کند. یادگیری عمیق به عنوان حوزه‌ای که سریع‌ترین رشد را در یادگیری ماشین داشت شناخته می‌شود و به تعدد توسط کمپانی‌های بسیار بزرگ برای ایجاد مدل‌های جدید تجاری استفاده می‌شود.

یادگیری عمیق چگونه کار می‌کند؟

شبکه‌های عصبی مصنوعی، همانند مغز انسان که از نورون (سلول‌های عصبی) تشکیل شده، ‌از لایه‌هایی  دارای گره تشکیل شده‌اند. گره‌های درون هر لایه‌ی منحصر به فرد به لایه های مجاور متصل می‌شوند و گفته می‌شود که هر شبکه براساس تعداد لایه‌هایی که دارد عمیق‌تر خواهد شد. در مغز انسان یک نورون در هر لحظه هزاران سیگنال از سلول‌های عصبی دیگر دریافت می‌کند. در یک شبکه عصبی مصنوعی نیز سیگنال‌ها در بین گره‌ها حرکت می‌کنند و وزنه‌های مربوط به سیگنال را انتقال می‌دهند. گره‌ای که دارای وزن بالاتری باشد تأثیر بیشتری روی گره‌های لایه بعدی خواهد گذاشت. لایه نهایی ورودی‌های وزنی را برای تولید یک خروجی جمع‌آوری می‌کند. سیستم‌های یادگیری عمیق به سخت‌افزارهای قدرتمندی احتیاج دارند زیرا دارای مقدار زیادی داده در حال پردازش هستند که تعداد زیادی محاسبات ریاضی پیچیده را در برمی‌گیرد. حتی با وجود چنین سخت‌افزار‌های پیشرفته‌ای، فرآیند آموزش سیستم‌های یادگیری عمیق ممکن است هفته‌ها طول بکشد.

سیستم‌های یادگیری عمیق برای ارائه دقیق نتایج به داده‌های زیادی نیاز دارند. بر این اساس، اطلاعات به وسیله دیتاست‌های عظیم به سیستم داده می‌شود. در هنگام پردازش داده‌ها، شبکه‌های عصبی مصنوعی قادر به طبقه‌بندی داده‌ها بر اساس پاسخ‌هایی که از یک سری سوالات باینری درست یا غلط و شامل محاسبات ریاضی بسیار پیچیده دریافت می‌کنند، هستند. برای مثال یک برنامه تشخیص چهره با یادگیری و تشخیص لبه‌ها و خطوط صورت کار تشخیص را شروع می‌کند، سپس بخش‌های قابل توجهی از چهره‌ را یاد می‌گیرد و شناسایی می‌کند و در نهایت می‌تواند یک چهره را به صورت کامل شناسایی کند. با گذشت زمان برنامه خودش را آموزش می‌دهد و احتمال دریافت پاسخ‌های صحیح از برنامه افزایش می‌یابد. در این مثال، یک برنامه تشخیص چهره با گذشت زمان می‌تواند به طور دقیق چهره‌های مختلف را شناسایی کند.

بیایید با یک مثال این مسئله را شرح دهیم. برای نمونه در نظر بگیرید که هدف یک شبکه عصبی مصنوعی طراحی شده، شناسایی تصاویری است که حاوی یک سگ هستند. می‌دانیم که همه سگ‌ها دقیقاً شبیه به هم نیستند و با توجه به نژاد ظاهرشان تفاوت پیدا می‌کند. برای آموزش این شبکه نیاز است که تعداد زیادی تصویر از سگ‌های مختلف،‌ در زوایای مختلف و میزان نور و سایه متفاوت به سیستم ارائه شود. به این ترتیب یک مجموعه آموزشی بزرگ، که شامل تصاویر زیادی از چهره سگ‌های متفاوت و هر تصویر دارای برچسب "سگ" است به علاوه تصاویر اشیائی که سگ محسوب نمی‌شوند را با برچسب «سگ نیست»، برای یادگیری سیستم تهیه می‌شود. این تصاویر به شبکه عصبی مصنوعی به عنوان داده ارائه می‌شود. داده‌های ورودی از طریق گره‌های مختلف درون شبکه حرکت می‌کنند و هر گره متفاوت وزن به خصوصی را به عناصر مختلف اختصاص می‌دهد. لایه خروجی نهایی این اطلاعات به ظاهر بی‌ربط را جمع‌آوری می‌کند (برای مثال خزدار، دارای پوزه، چهار پا دارد و...) و در آخر خروجی مورد نظر و دقیقی را، که تشخیص یک سگ است،‌ ارائه می‌دهد.

شناسایی تصویر سگ به وسیله یادگیری عمیق

در آخر نیز پاسخ دریافت شده از شبکه عصبی مصنوعی با برچسبی که عامل انسانی بر روی تصاویر زده است، مقایسه می‌شود. اگر مطابقت داشته باشد که خروجی تأیید می شود، در غیر این صورت شبکه عصبی خطا را به خاطر می‌سپارد و در وزنه‌ها مجددا بازنگری می‌کند. شبکه عصبی با تنظیم مکرر وزنه‌های خود به دفعات زیاد، تلاش می‌کند تا مهارت خود را در تشخیص سگ بهبود ببخشد. این روش آموزش را یادگیری تحت نظارت می‌نامند و این سیستم حتی زمانی که به شبکه عصبی مصنوعی به صراحت گفته نشود که چه چیزی یک "سگ" را می‌سازد می‌تواند سگ را تشخیص دهد. چنین سیستم‌هایی باید با گذشت زمان الگوهای موجود در داده‌ها را تشخیص دهند و به تنهایی یادگیری داشته باشند.

یادگیری عمیق در عمل

جدا از اینکه یادگیری عمیق به سرویس‌هایی مثل نتفلیکس و آمازون و... کمک می‌کند تا پیشنهاداتی بر اساس علاقه کاربران به آن‌ها ارائه دهند، چه تاثیراتی می‌تواند بر زندگی انسان‌ها داشته باشد؟ همانطور که مشخص است یادگیری عمیق راه خود را به انواع برنامه‌های هوشمند در هر سایزی پیدا کرده است به طوری که استفاده از آن برای بسیاری از انسان‌ها به یک مسئله عادی تبدیل شده است. برای مثال امروزه هر کسی که از فیس‌بوک استفاده می‌کند،‌ می‌داند که این شبکه اجتماعی هنگام آپلود عکس‌های جدید، افراد درون عکس را شناسایی و برچسب‌گذاری می‌کند. دستیارهای هوشمند دیجیتالی همانند سیری، کورتانا، الکسا و Google Assistant برای پردازش زبان طبیعی و تشخیص گفتار از یادگیری عمیق استفاده می‌کنند. اسکایپ می‌تواند مکالمات گفتاری را لحظه به کمک یادگیری عمیق ترجمه کند. بسیاری از پلتفرم‌های ارسال و دریافت ایمیل به کمک هوش مصنوعی می‌توانند به صورت هوشمند پیام‌های اسپم را قبل از اینکه به صندوق ورودی ایمیل‌ها بروند شناسایی ‌کنند. همه‌ی این‌ها نمونه‌هایی از کاربرد یادگیری عمیق در زندگی روزمره ما انسان‌ها است.

لایه های یادگیری عمیق

یادگیری عمیق در حال حاضر در مراحل ابتدایی خود قرار دارد و با پیشرفتش در دهه‌های آینده جامعه بشری و دنیا را متحول خواهد کرد. در آینده از اتومبیل‌های خودران در سراسر جهان استفاده خواهد شد. شبکه‌های عصبی مصنوعی پیشرفته و گسترده‌ای با لایه‌های پیچیده در حال آموزش است تا این اتومبیل‌های خودران به درستی بتوانند اشیا،‌ چراغ‌های راهنمایی  و ... را تشخیص دهند و به تناسب آن‌ها سرعتشان را تنظیم کنند. شبکه‌های عصبی مصنوعی در آینده‌ای نزدیک در پیش‌بینی همه چیز، از قیمت سهام گرفته تا وضعیت آب و هوا پیشرفت خواهند کرد. دستیارهای هوشمند دیجیتال ارزشمندی را در نظر بگیرید که در مورد همه چیز اعم از پیش‌بینی زمان فروش سهام،‌ وضعیت آب و هوا هنگام خروج از خانه و... به شما مشاوره و راهنمایی درست و بر اساس تجزیه و تحلیل داده‌های موجود ارائه دهد. یادگیری عمیق حتی به وسیله بهبود در توانایی طراحی برنامه‌های درمانی مبتنی بر اطلاعات بیماران باعث نجات جان بسیاری از انسان‌ها نیز خواهد شد و به تشخیص زودهنگام سرطان کمک خواهد کرد.

چشم انداز شغلی

حوزه هوش مصنوعی در حال حاضر به طور جدی با کمبود نیرو مواجه است. با این حال بسیاری از کمپانی‌های بزرگ که به دنبال نوآوری و ربودن گوی سبقت از سایر رقبا هستند، در حال استخدام متخصصان هوش مصنوعی و به خصوص متخصصان یادگیری عمیق و یادگیری ماشین می‌باشند. یک مهندس یادگیری ماشین خلا توانایی‌های یک مهندس نرم‌افزار و دانشمند داده را برای کسب‌وکارها پر می‌کند. یادگیری عمیق از نظر فرصت های شغلی و حقوق نیز وضعیتی امیدوار کننده‌تر حتی به نسبت یادگیری ماشین دارد. طبق گزارشان ارائه شده توسط Glassdoor متوسط دستمزد یک مهندس یادگیری ماشین سالانه نزدیک به 115000 دلار ذکر شده است. با بهبود سیستم‌ها و ابزارهای یادگیری عمیق و گسترش آن در همه صنایع شاهد رشد چشم‌گیر این تکنولوژی در سال‌های آینده خواهیم بود.

سخن پایانی

همان‌طور که در بالا هم به آن اشاره شد، هوش مصنوعی و یادگیری عمیق در آينده‌ای نزدیک تحولات بسیاری را در زندگی اجتماعی انسان‌ها و همین‌طور فرآيندهای کسب‌وکارها ایجاد خواهد کرد. به این ترتیب داشتن درکی از یادگیری عمیق و تاثیراتی که بر زندگی انسان می‌گذارد مسئله مهمی برای همه خواهد بود.