هوش مصنوعی (AI)چگونه کار می کند؟

رابطه بین هوش مصنوعی و یادگیری ماشینی/یادگیری عمیق

اصطلاح "هوش مصنوعی" (AI ) برای اولین بار توسط دانشمندعلوم کامپیوتر آمریکایی جان مک کارتی در سال 1956 استفاده شد. اخیراً هوش مصنوعی نتایج تحقیقاتی قابل توجهی را تولید کرده و در حال رشد وپیشرفت است.

اگرچه هیچ تعریف ثابتی از "AI " وجود ندارد، اما این مفهوم گسترده ،شامل برنامه هایی است که به روشی مشابه فرآیندهای فکری انسان عمل می کنند، یا پردازش اطلاعات و فناوری که انسان ها آن را هوشمند می دانند علاوه بر کلمه ""AI، کلماتی مانند "آموزش ماشینی" و "یادگیری عمیق" نیز این روزها اغلب استفاده می شود و این سه کلمه با هم رابطه ای دارند که در نمودار زیر نشان داده شده است.

شکل 1: رابطه بین یادگیری ماشین و یادگیری عمیق

یکی از روش های یادگیری ماشینی «یادگیری عمیق» است. یادگیری عمیق، یادگیری ماشینی است که از یک شبکه عصبی (سیستم کامپیوتری که ساختار مغز انسان را تقلید می کند) استفاده می کند که از لایه های زیادی تشکیل شده است.

به عنوان مثال، در یادگیری ماشینی، با وارد کردن تعداد زیادی عکس از هویج و سیب زمینی در رایانه، کامپیوتر الگوها و قوانینی را کشف می کند که بین هویج و سیب زمینی تمایز قائل می شود. اگر انسان از قبل به رایانه دستور دهد که "روی رنگ" تمرکز کند، می تواند به راحتی بین هویج و سیب زمینی تمایز قائل شود، اما یادگیری عمیق می تواند این "تمرکز روی رنگ" را بیشتر بهبود بخشد. رایانه به طور خودکار یاد می گیرد که چه چیزی خوب پیش می رود. یادگیری عمیق یکی از روش های یادگیری ماشینی است، اما یک پیشرفت بزرگ این است که می تواند ویژگی های خاص یک شی را به تنهایی و بدون نیاز به دستورالعمل های انسانی کشف کند.

با این حال، مشکل یادگیری عمیق این است که درک چرایی هوش مصنوعی چنین تصمیماتی برای انسان دشوار است.

یادگیری ماشین چگونه از داده ها استفاده می کند؟

در یادگیری ماشینی گفته می شود که داده مهم است. بنابراین، مراحل (فرایند) خاص چیست و چگونه از داده ها استفاده می شود؟ در درک این نکته مهم است:

اول، یادگیری ماشینی را می توان به طور کلی به دو فرآیند تقسیم کرد: یادگیری و استنتاج، و هر فرآیند اساسا از داده های متفاوتی استفاده می کنند.

یادگیری فرآیند تجزیه و تحلیل داده های ورودی و ایجاد الگوهایی است که به رایانه اجازه می دهد تمایز ایجاد کند. این الگوی تثبیت شده "مدل آموزش دیده" نامیده می شود.

استنتاج فرآیند وارد کردن داده ها به یک مدل آموزش داده شده است که از طریق یک فرآیند یادگیری ایجاد می شود.استنتاج به دنبال الگوهای تعیین شده، و در واقع ایجاد تمایز بین داده هاست.

به این ترتیب، دو نوع داده در یادگیری ماشین استفاده می شود: داده های مورد استفاده در فرآیند یادگیری و داده های مورد استفاده در فرآیند استنتاج. در اینجا از اولی به عنوان «داده های یادگیری» و ازدومی به عنوان «داده های استنتاج» یاد خواهیم کرد.

داده های آموزشی و داده های استنتاج باید در قالبی مناسب برای یادگیری و استنتاج باشد. به عنوان مثال، اگر می خواهید تصویری از هویج را آموزش دهید و پرتقال نیز در تصویر گنجانده شده است، ممکن است نتواند یادگیری یا استنباط مورد نظر را انجام دهد. به همین دلیل لازم است پرتقال نارنجی را از تصویر حذف کنید. به این کار، پردازش یا پیش پردازش داده ها برای یادگیری و استنتاج گفته می شود، اما این بخش گاهی اوقات می تواند در هنگام استفاده از داده ها برای یادگیری ماشین به یک مانع تبدیل شود. این به این دلیل است که برای استفاده از آن برای یادگیری ماشینی، فقط جمع آوری داده ها کافی نیست.

شکل 2: فرآیند استفاده از داده ها در یادگیری ماشینی

سه روش یادگیری  ماشین - "یادگیری تحت نظارت"، "یادگیری بدون نظارت"، "یادگیری تقویتی"

هستند.

برای مثال، فرض کنید ما توانستیم بین گربه‌ و گربه‌های دیگر تمایز قائل شویم، بدون اینکه نیازی به ارائه اطلاعات «این یک گربه» برای تصاویر گربه‌ها باشد که به عنوان داده‌های آموزشی استفاده می‌شوند. این نوع روش یادگیری «یادگیری بدون نظارت» نامیده می شود. سه نوع اصلی روش یادگیری ماشینی وجود دارد: یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویتی.

یادگیری نظارت شده از داده های آموزشی با برچسب پاسخ های صحیح استفاده می کند. به عبارت دیگر، تصویر یک گربه را با عبارت "" This is a cat برچسب گذاری می کنیم، داده ها را وارد می کنیم و اجازه می دهیم یاد بگیرد. این به مدل آموزش دیده اجازه می دهد تا به عنوان داده های استنباط، تشخیص دهد که آیا تصویر یک حیوان ،گربه است یا خیر.

"یادگیری بدون نظارت" از داده های آموزشی بدون برچسب زدن پاسخ های صحیح استفاده می کند. به عبارت دیگر، اطلاعات مربوط به گربه بودن آن با وارد کردن داده های تصویر گربه داده می شود. وقتی یک مدل آموزش دیده تصویری از یک حیوان را به عنوان داده استنتاج دریافت می کند، نمی تواند بگوید که گربه است یا نه(زیرا برچسب گربه را دریافت نکرده است)، اما می تواند بین گربه ها و سایر موجودات تمایز قائل شود.

در «یادگیری تقویتی»، رایانه آزمایش‌هایی را در یک چرخه خاص به عنوان داده‌های یادگیری انجام می‌دهد و با تکرار فرآیند ارزیابی رفتارهای مطلوب به عنوان خوب (رفتارهای پاداش‌دهنده)یادگیری صورت می گیرد، به فرزندتان اجازه دهید یاد بگیرد که آیا این یک رفتار بلندمدت خوب است یا خیر. به عنوان مثال، یک ربات برای راه رفتن دوپا به طور مکرر ،سرعت راه رفتن و نحوه خم کردن پاهای خود را آزمایش می کند و هنگامی که مسافت طولانی را طی کرده است، جایزه می دهد، در نتیجه بهترین راه رفتن را بدون افتادن یاد می گیرد.

.....دریافت متن کامل به صورت فایل پی دی اف 1403..........

همچنین ببینید

.......OPEN AI.........

برای بیان نظرات خود باماتماس بگیرید

وبرای بیان نظرات خود باماتماس بگیرید