هرکسی که ریاضیات دبیرستان را گذرانده باشد، می‌داند که انسانها خیلی با کامپیوترهای کامل فرق دارند. هر چند که ریاضی ممکن است سخت باشد، اما هنوز ما در نوع شناخت الگو که برای دهه‌های زیادی رایانه‌ها در آن ناتوان بودند، برتری داریم. یک کودک می‌تواند، سگ‌ها را، علی رغم نژادهای مختلف آنها، به عنوان سگ بشناسد، در حالی که رایانه ها هنوز از ما می‌خواهند که وقتی در یک نیمه یک فیلم در Netflix هستیم، به روز رسانی کنیم.
 
هنوز مغز انسان الهام بخش الگوریتم‌های قدرتمند پیشرفت‌های امروزی در هوش مصنوعی است: شبکه‌های عصبی. شبکه‌های عصبی پیچیده با بسیاری از لایه‌های پردازش همچنین به عنوان شبکه‌های عصبی عمیق شناخته می‌شوند، و آنها الگوریتم‌های یاد گیری عمیق را که در پشت برخی از کارهای مقدماتی هوش مصنوعی قرار دارد، قدرت می‌دهند.
 

الهام مغز

آخرین دانسته‌های ما این است که مغز انسان - کامپیوتر داخلی ما - با انتقال تکانه‌های الکتریکی بین یک سری از سلول‌های تخصصی به نام نورون‌ها، که توسط مسیرهایی معروف به سیناپس به هم متصل هستند، کار می‌کند. این تکانه‌های الکتریکی فرمتی است که در آن مغز ما اطلاعات را رمز گذاری می‌کند. هنگامی که اطلاعات از میان مغز عبور می‌کند، انتخاب‌های مختلف نورون‌ها برای اداره این اطلاعات "فعال می‌شوند"، که تقریباً هر جنبه ای از افکار، اعمال و رفتار ما را تعیین می‌کنند.
 
برخی از الگوریتم‌های پر کاربرد هوش مصنوعی از این اثر متقابل نورون‌ها و اطلاعات، یعنی "شبکه عصبی" شخصی ما الهام گرفته شده است. از این رو فقط مناسب است که از آنها به عنوان شبکه‌های عصبی مصنوعی یاد شود. این مدل‌های هوش مصنوعی تقریبی از نورون‌ها، واحدهای محاسبه فردی دارند، که با هم کار می‌کنند تا لایه‌هایی را ایجاد کنند که بین آنها اطلاعات در فرایند تجزیه و تحلیل و تصمیم گیری منتقل می‌شود. این شبکه‌های عصبی مصنوعی از اوایل این دهه که آغاز رونق پیشرفته هوش مصنوعی بود، دستاوردهای اولیه‌ای را در هوش مصنوعی به وجود آوردند.
 

لایه‌های معنا

تمایل به این وجود دارد که استعاره شبکه عصبی خیلی دور از شبکه عصبی انسان در نظر گرفته شود - حتی اگر شبکه‌های عصبی از مغز انسان الهام گرفته شوند، مدلهای هوش مصنوعی مانند داده‌های ما فکر نمی‌کنند یا پردازش نمی‌کنند. معماری شبکه عصبی پیامدهای مفیدی در نحوه پردازش داده‌های مدلهای هوش مصنوعی دارد. مغز انسان بسیار پیچیده است، بارها پیچیده تر از حتی گسترده‌ترین شبکه عصبی که اکنون در حال استفاده است، و انسان‌ها مهارت‌های تخصصی‌ای دارند که طی هزاره‌های تکامل توسعه یافته‌اند. مدل‌های هوش مصنوعی الگوریتم‌ها، توابع ریاضی هستند. گفتن این که "فکر می‌کنند" نادرست است - بلکه آنها می‌آموزند.
 
معماری شبکه عصبی پیامدهای مفیدی در نحوه پردازش داده‌های مدلهای هوش مصنوعی دارد. مرحله اول فرآیند به عنوان لایه ورودی شناخته می‌شود (که در آن داده‌ها را به هوش مصنوعی ارائه می دهیم) و پس از آن لایه پنهان (جایی که شبکه عصبی آنالیز خود را انجام می دهد) و لایه خروجی (جایی که نتایج حاصل از آن را ارائه می‌دهد) قرار دارد.
 
یک شبکه عصبی مصنوعی تنها با یک یا چند مورد از این لایه‌های پنهان آنچه را که به عنوان یاد گیری ماشین شناخته می‌شود انجام می‌دهد. اما هنگامی که لایه‌های پنهان بسیاری وجود دارد، می‌توانند آنالیزی عمیق‌تر و پیچیده‌تر - یادگیری عمیق - را انجام دهند و بنا بر این یک شبکه عصبی عمیق به وجود می‌آید. حال بیایید بررسی کنیم که یاد گیری عمیق به چه معنی است.
 

آنالیز دستگاه عمیق‌تر

یک شبکه عصبی عمیق می‌تواند نسبت به شبکه‌های عصبی کمتر پیشرفته قضاوت‌های بسیار بررسی شده‌تر و دقیق‌تری داشته باشد زیرا می‌تواند سطح تجزیه و تحلیل بیشتری را اعمال کند. انواع بسیاری از شبکه‌های عصبی وجود دارد، از جمله شبکه‌هایی که فقط به یک جهت می‌روند، و یک لایه اطلاعات را به مرحله بعد منتقل می‌کند، و آنهایی که از حلقه‌ها یا اشکال دیگر ارتباط بین لایه‌ها استفاده می‌کنند و دارای نوعی "حافظه" هستند که به آنها امکان می‌دهد با گذشت زمان تصمیماتی بگیرند.
 
از آن جا که یک شبکه عصبی عمیق با مقادیر زیادی از داده‌های از پیش برچسب زده شده آموزش دیده است، هنگامی که داده‌های جدید و بدون برچسب دریافت می‌کند، می‌داند که برای طبقه بندی آن باید به دنبال چه چیزی باشد. یاد گیری عمیق به این ترکیب بستگی دارد: دانش گسترده و یک شبکه عصبی عمیق که بتوان با آن این دانش را اداره کرد و اطلاعات جدید را پردازش نمود.
 

برنامه‌های کاربردی دنیای واقعی شبکه‌های عصبی عمیق

شبکه‌های عصبی عمیق در صدر فناوری‌هایی مانند تشخیص چهره و صدا و در هر زمینه‌ای قرار دارند که به تجزیه و تحلیل و طبقه بندی داده‌های حسگر مانند تصاویر ثابت یا جریان های ویدئویی و صوتی می‌پردازد. از دستیاران مجازی فعال شده با گفتار گرفته تا وسایل نقلیه خودران، اگر یک فن آوری هوش مصنوعی نیاز به آموزش استفاده از کوه‌هایی داده از دنیای فیزیکی داشته باشد تا بتواند مهارت داشته باشد، احتمالاً از نوعی شبکه عصبی عمیق استفاده می‌کند.
 
این مدل‌های ریاضی پیچیده در حال تغییر صنایع و بخش‌ها در همه زمینه‌ها هستند. در زمینه پزشکی، آنها با تجزیه و تحلیل عکس از لکه‌های بیماران، برای شناسایی علائم سرطان و بیماری‌های دیگر ایجاد شده‌اند. شبکه‌های عصبی عمیق با داشتن بسیاری از تصاویر دارای برچسب ملانومای بدخیم و همچنین تصاویر مربوط به خال‌های خوش‌خیم، آموزش دیده‌اند و به نحو زیادی ماهر شده‌اند و تفاوت زیادی را تشخیص می‌دهند. این از آن نوع کارهایی است که یاد گیری عمیق در آن برتری دارد.
 
نمونه‌های بی شمار دیگری وجود دارد. هوش‌های مصنوعی بیمه و دارایی از دانش آموخته شده خود در مورد ادعاهای جعلی و قانونی برای کمک به کارکنان شناسایی تقلب استفاده می‌کنند. به همین ترتیب، تولید کنندگان هم اکنون می‌توانند مسائل مربوط به کیفیت محصول را متوجه و حتی پیش بینی کنند. و، در حوزه خرده فروشی، یاد گیری عمیق می‌تواند نسبت به گذشته پیش بینی‌های بسیار دقیق‌تری از تقاضای آینده داشته باشد. در این زمینه‌ها برنامه‌های بیشتر و بیشتر همیشه ظاهر می‌شوند.
 

کاوش در حوزه‌های جدید

علاوه بر کمک به درک دنیای خود و تسهیل پیشرفت‌ها و نو آوری‌ها در زندگی، یاد گیری عمیق حتی به ما کمک می‌کند تا در باره جهان فرازمینی اطلاعات بیشتری کسب کنیم.
 
اختر فیزیکدانان با کمک یاد گیری عمیق، "لنزهایی گرانشی" را کشف می‌کنند که به آنها امکان می‌دهد بیشتر به فضا نگاه کنند و عالم ما را در عمق بیشتر از آنچه تاکنون ممکن بود درک کنند. هوش مصنوعی به گونه‌ای خستگی ناپذیر وظیفه‌ای بسیار بزرگ را برای دانشمندان انسانی به عهده گرفته است و با سرعت و دقت زمینه جدیدی را پوشش می‌دهد.
 
منبع:
والری بیکرت ELEMENT AI