می‌دانیم که انسان و سایر موجودات زنده آموزش‌پذیر‌ند. اما ربات‌ها و رایانه‌ها چگونه؟ آیا می‌توانیم به این موجودات ساخته‌شده از فلز و پلاستیک و سیلیکون آموزش بدهیم؟ پاسخ مثبت است! یادگیری ماشینی یا ماشین لرنینگ شاخه‌ای از هوش مصنوعی می‌باشد که هدفش ساخت ربات‌ها و طراحی برنامه‌هایی رایانه‌ای می‌باشد که بتوانند بیاموزند و متناسب با آموخته‌هایشان بدون دخالت انسان عمل کنند. در این مقاله درباره یادگیری ماشینی به زبان ساده، اهمیت آن، کاربردهایش در بخش‌های گوناگون و پیش‌نیازهای ضروری برای ورود به این حوزه گفتگو می‌کنیم. با ما تا پایان مقاله همراه باشید.
یادگیری ماشینی یا ماشین لرنینگ چیست؟
آرتور ساموئل پیشگام حوزه هوش مصنوعی و بازی‌های رایانه‌ای نخستین بار در سال ۱۹۵۹ میلادی این واژه را به کار برد. او یادگیری ماشینی را توانایی رایانه برای آموختن بدون نیاز به برنامه‌نویسی تعریف کرد.
یادگیری ماشینی پروسهی می‌باشد که طی آن ربات یا رایانه توانایی آموختن کسب می‌کند. مثل انسان که با آموزش و تجربه یاد می‌گیرد، می‌توانیم یادگیری را به ربات‌ها هم یاد بگیریم. یادگیری ماشینی در اصل شاخه‌ای از هوش مصنوعی است. هدف آن طراحی الگوریتم‌ها و برنامه‌هایی می‌باشد که به ربات کمک کنند از اطلاعات یا تجربیات کسب‌شده بیاموزد.
پروسه ماشین لرنینگ با بررسی اطلاعات، تجربه‌کردن یا استفاده از دستورات از پیش داده‌شده پیش می‌آید و هدفش این می‌باشد که در آینده، ربات بتواند در موقعیت‌های مشابه تصمیمات درست بگیرد و رفتارش مناسب آن موقعیت باشد، مثل ما که به کودک الفبا را یاد می‌دهیم تا بتواند در آینده کلمه بسازد. ما می‌خواهیم به ربات‌ها هم الفبایی را یاد بگیریم که خودشان با کنار هم گذاشتن حروفش بتوانند جمله‌ای معنادار بسازند. مسلما این فقط مثالی دم‌دستی برای درک بهتر معنی است وگرنه دردسر آموزش ربات‌ها خیلی بیشتر از دردسر آموزش به کودک انسان است.
برای درک بهتر یادگیری ماشینی به این مثال‌ها توجه کنید:
- خودروی خودران گوگل مثالی از کاربرد یادگیری ماشینی است.
- پیشنهادهای خرید آنلاین یا خبرنامه‌هایی که زیر موتور جست‌وجوی گوگل برای شما به نمایش درمی‌آیند هم زیر سر ماشینی می‌باشد که رفتار شما را در فضای مجازی دنبال کرده و تا حدی با سلیقه شما آشنا شده است.
- می‌خواهید بدانید مشتریان درباره شما در فضای مجازی چه می‌گویند؟ یادگیری ماشینی به شما کمک می‌کند.
- شناسایی تقلب‌ها و کلاهبرداری‌ها هم یکی از کاربردهای ماشین لرنینگ است.
هدف غایی یادگیری ماشینی ساخت ربات یا برنامه‌های رایانه‌ای می‌باشد که بتوانند بدون دخالت مستقیم انسان بیاموزند و متناسب با آموخته‌ها در موقعیت‌های گوناگون خلاقیت نشان بدهند.
متخصصان چگونه به ربات‌ها چیزی می‌آموزند؟
برای اینکه بتوانیم به ماشین‌ها چیزی یاد بگیریم، باید از الگوریتم‌های یادگیری استفاده کنیم. الگوریتم‌های یادگیری ماشینی را به دو دسته اصلی هدایت‌شده و …دایت‌شده تقسیم کرده‌اند.
۱. الگوریتم‌های یادگیری ماشینی هدایت‌شده
در این روش، اطلاعات و مثال‌های آموزش داده‌شده به ماشین از پیش دسته‌بندی شده‌اند. این اطلاعات طبقه‌بندی‌شده به ربات کمک می‌کنند در موقعیت‌های جدید، نزدیک‌ترین واکنش مناسب را پیش‌بینی و اجرا کند. در این روش، خروجی واقعی با خروجی مشخص‌شده در الگوریتم مقایسه می‌گردد.تا خطاهای رخ‌داده برطرف شوند. ربات‌هایی که با انسان شطرنج بازی می‌کنند مثالی از همین الگوی یادگیری هدایت‌شده هستند.
۲. الگوریتم‌های یادگیری ماشینی غیرهدایت‌شده
برخلاف روش قبلی، خبری از اطلاعات طبقه‌بندی شده و جواب‌های از پیش مشخص‌شده نیست. این روش از یادگیری ماشینی را می‌توان به کودکی تشبیه کرد که در جنگلی رها می‌گردد.تا خودش دست به جست‌وجو و اکتشاف بزند. در این روش، الگوریتم جوابی را به‌عنوان پاسخ صحیح مشخص نمی‌کند و خود ماشین باید اطلاعات را برای یافتن پاسخ‌ها بررسی کند.
دو دسته دیگر هم وجود دارند که آمیزه ای از دو دسته اصلی هستند و در ادامه درباره‌شان توضیح داده‌ایم.
۳. الگوریتم‌های یادگیری ماشینی نیمه‌هدایت‌شده
در این روش که ترکیبی از دو روش قبل است، بخش ناچیزی از داده آموزشی دسته‌بندی شده و مابقی دسته‌بندی نشده‌اند. در این حالت، ربات مثل کودکی می‌باشد که نقشه راه به او داده شده است و خودش باید مسیر را با خواندن نقشه پیدا کند. جداب می‌باشد که چنین روشی توجه یادگیری را به‌مناسبی بیشتر می‌کند.
این روش یادگیری زمانی انتخاب می‌گردد.که دسته‌بندی بخشی از اطلاعات ضروری باشد.
۴. الگوریتم‌های یادگیری ماشینی تقویت‌شده
این روش مشابه روش آزمون و خطاست. هرگاه ماشین چیزی یاد می‌گیرد و متناسب با آن واکنش درست نشان می‌دهد، جایزه و عکس‌العمل مثبت دریافت می‌کند. این عکس‌العملهای مثبت ثبت می‌شوند به ربات کمک می‌کنند در آینده هم از همان واکنش‌ها استفاده کند. در اصل این عکس‌العملهای مثبت که بر حسب کارکرد ماشین طبقه‌بندی شده‌اند، سبب تقویت یادگیری می‌شوند.
یادگیری ماشینی چه مناسب دارد؟
آنچه سبب شده یادگیری ماشینی در دنیای امروز اهمیت زیادی پیدا کند، تولید و انبارکردن گسترده داده است. هرچه اطلاعاتی که تولید می‌کنیم بیشتر و بیشتر شوند، نیاز ما به ماشین‌ها برای استخراج، تحلیل و دسته‌بندی آنها هم بیشتر می‌گردد.
ماشین‌های یادگیرنده امکان بهره‌برداری سریع‌تر و ارزان‌تر را به ما می‌دهند. این ماشین‌ها به کسب‌وکارها و شرکت‌ها امکان می‌دهند در معدن اطلاعات دنبال چیزی بگردند که سودمند است یا از خطرهای ناشناخته پرهیز کنند.
علاوه بر این، یادگیری ماشین با تقلید از رفتار انسان به ما امکان می‌دهد که اغلب کارهای معمول و تکرارشونده را به ماشین‌ها بسپاریم. تشخیص چهره، حدس‌زدن و عرضه کلمات پیشنهادی هنگام تایپ‌کردن و ویرایش متن‌ها تنها گوشه‌ای از کاربردهای آشنای یادگیری ماشین در زندگی هر روز ما هستند.
چه کسانی از یادگیری ماشینی استفاده می‌کنند؟
اغلب سازمان‌هایی که با انبوهی از اطلاعات سر و کار دارند از این ماشین‌ها بهره می‌برند. در ادامه چند مثال را برشمرده‌ایم.
۱. خدمات مالی
بانک و سایر مؤسسات مالی از یادگیری ماشینی برای رسیدن به دو هدف اصلی استفاده می‌کنند:
- شناسایی اطلاعات مهم از بین انبوه اطلاعات، مثلا شناسایی موقعیت‌های سرمایه‌گذاری یا تشخیص کلاهبرداران؛
- شناسایی مشتریان پرریسک یا بدحساب.
۲. نهادهای دولتی
دولت‌ها هم پیوسته با انبوهی از اطلاعات روبه‌رو هستند. مثلا دوربین‌های امنیتی که همه‌روزه میلیون‌ها تردد را ثبت و ضبط می‌کنند. دولت در کنار استفاده‌های امنیتی از ماشین لرنینگ، بهره‌وری نهادهای خدمت‌رسان خود را هم ارتقا می‌دهد. ضمناً ماشین لرنینگ اغلب کارهای هر روز را به‌جای انسان انجام می‌دهد. همین موضوع سبب صرفه‌جویی در هزینه‌ها می‌گردد.
۳. بخش بهداشت و درمان
استفاده از توانایی‌های ماشین برای جمع‌آوری و پایش علائم بیماران یکی از کاربردهای مهم یادگیری ماشینی در این حوزه است. ماشین لرنینگ جریان تشخیص بیماری را هم سریع‌تر می‌کند.
۴. خدمات فروشگاهی
وب‌سایت‌هایی که برحسب جست‌وجو‌های قبلی به شما پیشنهاد خرید می‌دهند از فناروی یادگیری ماشینی استفاده می‌کنند. گردانندگان این فروشگاه‌ها سوابق بازدیدها و خریدهای شما را جمع می‌کنند و این اطلاعات بعدا به کار می‌جریان تا هم زنجیره تأمین کالا را توسعه ببخشند و هم با شناخت بهتر مشتریان، پویش‌های تبلیغاتی مؤثرتر شوند.
۵. صنعت نفت و گاز
صنایع نفت و گاز از یادگیری ماشینی برای شناسایی معادن جدید، پیش‌بینی خرابی حسگرها و توزیع کامل‌تر منابع نفتی در شکبه انتقال نفت و گاز استفاده می‌کنند. کاربرد ماشین لرنینگ در این حوزه در حال پیشرفت است.
۶. حمل‌ونقل
تحلیل اطلاعات راجع به حمل‌ونقل برای شرکت‌های باربری و نهادهای حمل‌ونقل عمومی ضروری است. شناسایی و پیش‌بینی الگوی ترافیک در روزهای گوناگون سال برای انتخاب بهترین و سریع‌ترین روش انتقال، از کاربردهای این فناوری است.
تفاوت یادگیری ماشینی با داده‌کاوی و یادگیری عمیق چیست؟
هر سه این روش‌ها یک هدف (کسب دانش و استخراج الگوها و فهم روابط بین اطلاعات برای تصمیم‌گیری بهتر) را دنبال می‌کنند، اما رهیافت هرکدام از آنها برای رسیدن به این هدف با دیگری گوناگون است.
برای درک بهتر این تفاوت بد نیست داده‌کاوی و یادگیری عمیق را کمی بررسی کنیم.
۱. داده‌کاوی
داده‌کاوی (Data Mining) را می‌توان زیربنای اولیه همه روش‌های دیگر پردازش داده نامید. در این روش، از روش‌های قدیمی و سنتی آماری برای تحلیل و پردازش اطلاعات استفاده می‌کنیم. داده‌کاوی هم به دست انسان و هم توسط ماشین صورت می‌گیرد.
۲. یادگیری عمیق
یادگیری عمیق (Deep Learning) با ترکیب یادگیری ماشینی به مثابه یک شبکه عصبی و تکنیک‌های داده‌کاوی، دنبال شناخت الگوهای پنهان و عمیق بین اطلاعاتست. این روش امروزه برای شناسایی اشیا در یک تصویر یا کلمات در صدا به کار می‌رود. دانشمندان این حوزه اکنون در پی استفاده از یادگیری عمیق برای شناسایی خیلیزودهنگام بیماری‌ها، ترجمه خودکار زبان‌ها بدون استفاده از مترجم انسانی و تعدادی از مهم‌ترین و سخت‌ترین مشکلات شغلی و اجتماعی هستند.
حال می‌توان دریافت که یادگیری ماشینی چه تفاوتی با این دو مورد دارد. در یادگیری ماشینی، ما دنبال خودکارسازی پروسه داده‌کاوی هستیم. می‌خواهیم به ماشین یاد بدهیم که خودش بدون دخالت انسان یا حداقل با حداقل دخالت بتواند دست به پردازش و تحلیل اطلاعات بزند و بیاموزد.
برای ورود به حوزه یادگیری ماشینی به چه دانشی نیاز داریم؟
اگر به این حوزه علاقه دارید و دلتان می‌خواهد در این وضعیت کار کنید، باید دانش و توانایی‌هایی را کسب کنید. مهم‌ترین این مهارت‌ها یادگیری یک زبان برنامه‌نویسی (ترجیحا زبان پایتون) است. علاوه بر این مهارت، باید دانش ریاضی قابل‌قبولی هم داشته باشید. سه حوزه ریاضی که باید در آنها دانش کسب کنید عبارت‌اند از:
- جبر خطی برای تجزیه‌وتحلیل اطلاعات، آشنایی با ماتریس‌ها و معنی تانسور؛
- مشتق و گرادیان، آمار و احتمال؛
- حساب دیفرانسیل و انتگرال برای شناخت بهتر الگوریتم‌ها.
شما چقدر به این موضوع علاقه یا آشنایی دارید؟ نظرتان درباره آینده این علم و نقش آن در زندگی انسان‌ها چیست؟
