یادگیری عمیق یا Deep Learning چیست؟

یادگیری عمیق یا Deep Learning چیست؟

سلام خدمت همه علاقمندان به تکنولوژی، با مقاله ای دیگر از مجموعه مقالات مجله رادیب در خدمت شما عزیزان هسیم. در طول دهه ی اخیر هیچکدام از  تکنولوژی ها مهم تر از هوش مصنوعی نبوده اند. چنانچه بسیاری از بزرگان فناوری آن را الکتریسیته ی جدید نامیده اند و گوگل و مایکروسافت تمام استراتژی های کسب و کارشان را به منظور پیشتاز بودن در زمینه ی هوش مصنوعی تغییر داده اند، در دهه ی پیش رو تمام تکنولوژی ها مرتبط با هوش مصنوعی در نظر گرفته خواهند شد و ما تمام این ها را مدیون یادگیری عمیق هستیم. 
یادگیری عمیق زمینه ای کاربردی از یادگیری ماشین است که به هوش مصنوعی اجازه می دهد اطلاعات و داده ها را  با تقلید از شبکه های عصبی مغز انسان مرتب سازی کند. به جای این که الگوریتم ها را به طرز ساده ای اجرا کنیم تا به رقابت بپردازند، یادگیری عمیق به ما اجازه می دهد که پارامتر های یک سیستم یادگیری را تغییر دهیم تا زمانی که نتایج دلخواهمان را در خروجی ببینیم.
جایزه ی آلن تورینگ 2019 (جایزه ای برای برترین ها در زمینه ی تحقیقات هوش مصنوعی) به سه نفر از تاثیرگذارترین معماران هوش مصنوعی اهدا شد :   Yan LeCun از فیسبوک،  Geoffrey Hinton از گوگل و   Yoshua Bengio از دانشگاه مونترال. این گروه سه نفره به همراه بسیاری دیگر از محققین هوش مصنوعی  در طی دهه ی گذشته ، الگوریتم ها، سیستم ها و تکنیک هایی را توسعه داده اند که محصولات و سرویس های مرتبط با هوش مصنوعی را گسترش یابند و باعث شده اند آنها در لیست خرید روزمره ی شما قرار بگیرند.

 

یادگیری عمیق Deep Learning

 

یادگیری عمیق، تکنولوژی شناسایی صورت تلفن همراه شما را قدرت می بخشد و دلیلی است که اپلیکیشن های سیری و الکسا صدای شما را می شناسند. این تکنولوژی باعث می شود  Microsoft Translator و Google Maps کار کنند. اگر به خاطر یادگیری عمیق نبود   Spotifyو Netflix هیچ سرنخی نداشتند که  شما چه چیزی را می خواهید بشنوید یا ببینید. 
این تکنولوژی چگونه کار میکند؟ بسیار ساده تر از آن چیزی که شما فکر می کنید: از الگوریتم هایی استفاده می کند تا جواب هایی را به صورت مجموعه از غربال ها به دست آورد. شما دسته ای از اطلاعات را در سمتی می گذارید و آنها در مجموعه ای از غربال ها (لایه های انتزاعی) می روند که اطلاعات خاصی را از آنها بیرون می کشد و به عنوان بینش درونی اصلاح شده آن را به خروجی می دهد. خیلی از این اتفاقات در آنچه که جعبه ی سیاه نامیده می شود اتفاق میفتد: جایی که الگوریتم ها اعداد را با روشی که نمی توان با ریاضیات ساده توصیف کرد، خرد می کنند. اما چون نتایج می توانند با چیزهایی که ما دوست داریم تنظیم شوند، وقتی پای یادگیری عمیق به میان می آید مهم نیست که آیا ما بتوانیم کاری را که انجام داده ایم نشان بدهیم یا نه. ما نیز در ربات هوشمند اینستاگرام مجبور به استفاده از الگوریتم های یادگیرنده شده ایم، تا همچنان ربات بتواند کار خود را بدون مشکل انجام دهد.
یادگیری عمیق مانند تکنولوژی هوش مصنوعی چیز جدیدی نیست. این واژه در دهه ی 1980  توسط دانشمندان کامپیوتر به کار رفت و تا سال 1986 گروهی از محققین به سرپرستی  Geffrey Hinton یک روش یادگیری بر اساس انتشار رو به عقب را به وجود آوردند که در ابتدای یک شبکه ی عصبی مصنوعی بدون سرپرستی قرار می گیرد . کمی بعد   Yann LeCun هوش مصنوعی را آموزش داد تا با استفاده از تکنیک های ساده ، نامه های دست نویسی شده را بازشناسایی کند. 

آموزش مقدماتی و کاربردی زبان برنامه نویسی پایتون (Python) را مشاهده کنید


اما از آنجا که ما افراد بالای سی سال می توانیم گواهی دهیم  Alexa و Siri در دهه ی 80 میلادی در دسترس نبودند  و ما هنوز  Google Photo را نداشتیم تا  تصاویر ما را ویرایش کند. یادگیری عمیق در معنای مفید هنوز راه بسیار درازی را در پیش داشت. اگرچه سرانجام سوپراستارهای نسل بعد هوش مصنوعی پیدا شدند  و به میدان آمدند. 
در سال 2009 که آغاز دوره ای جدید برای یادگیری عمیق بود،   Fei-Fei Li از استنفورد،   ImageNet را به وجود آورد : مجموعه ی داده ی آموزشی بزرگی که توسعه ی الگوریتم های بصری کامپیوتری را برای محققان ساده تر از گذشته  کرده بود و بی درنگ پارادایم های مشابهی برای پردازش زبان های طبیعی و دیگر بسترهای هوش مصنوعی را که امروزه برای ما پیش پا افتاده به نظر می رسند ، به وجود آورد. این کار باعث رقابت دوستانه بین تیم هایی از  سراسر دنیا شد تا ببینند کدام یک بهتر می توانند هوش مصنوعی را به طور دقیق آموزش دهند. 
بازی شروع شده بود. تا سال 2010 هزاران استارتاپ با تمرکز بر یادگیری عمیق به وجود آمده بودند و هر کمپانی مرتبط با تکنولوژی بزرگی از آمازون گرفته تا اینتل کاملا در فکر آینده بودند. هوش مصنوعی عاقبت از راه رسیده بود. فارغ التحصیلان دانشگاهی جوان با ایده های برجسته از کتابخانه های محوطه ی دانشگاهی به پست های شغلی مهم در گوگل و اپل راه یافتند. یادگیری عمیق آماده بود تا به یکی از پایه های اصلی تکنولوژی برای تمام مسائل مربوط به   Big Data تبدیل بشود. 
سپس در سال 2014   Ian Goodfellow  در شرکت اپل (بعدا در گوگل مشغول به کار شد.) شبکه ی مخالف مولد ( Generative Adversial Network ) را اختراع کرد که نوعی از شبکه های عصبی یادگیری عمیق بود که بازی موش و گربه را با خودش بازی میکرد و یک خروجی تحویل می داد که ادامه ای از ورودی آن بود . 

 

Generative Adversial Network

 

 وقتی شما می شنوید که هوش مصنوعی تابلویی را نقاشی کرده است احتمالا از همین الگوریتم   GAN استفاده کرده است که هزاران یا میلیون ها عکس از نقاشی های واقعی را می گیرد و تلاش می کند تا تمام آنها را فورا تقلید کند. یک توسعه دهنده  GAN را طوری  تنظیم می کند که شبیه یک سبک یک هنرمند  یا  هر هنرمند دیگری باشد. بنابراین چرت و پرت نامفهومی را بیرون نمی فرستد. و بعد از آن هوش مصنوعی سربه سر خودش می گذارد: نقاشی یی را آماده می کند و آن را با تمام نمونه های واقعی موجود در مجموعه داده هایش مقایسه می کند و  اگر نتواند تفاوت بین آنها را تشخیص دهد ، آن نقاشی به عنوان  خروجی انتخاب می شود. اگر متمایز کننده ی هوش مصنوعی بتواند نقاشی بدلی یی را که خودش ساخته تشخیص بدهد ، آن را از بین می برد و فرآیند دوباره آغاز می شود. این تکنولوژی در بسیاری از حوزه ها کاربردی است. 
الگوریتم Goodfellow  به جای اینکه نقاشی بکشد، به تکنولوژی پشتیبان  DeepFake  تبدیل شده است و مانند هر تکنولوژی دیگر مرتبط با هوش مصنوعی سعی دارد مرز میان آنچه را که ساخته ی بشر است و تولیدات هوش مصنوعی را کمرنگ کند. 
در طی پنج سال از زمان به وجود آمدن   GAN ما شاهد بوده ایم که هوش مصنوعی از حقه های معمولی  به جایی رسیده است که ماشین هایی را اختراع می کند که ویژگی های تمام عیار انسانی را داشته باشند. به کمک آموزش عمیق ،‌ شرکت  BostonDynamics ربات هایی با قابلیت حرکت کردن به طور اتوماتیک روی زمین فرش شده را توسعه داده است و شرکت  Skydioاولین هواپیمای بدون سرنشین با قابلیت مسیریابی واقعی را ساخته است. ما در مراحل نهایی برای تست های ایمنی ماشین های خودران و ربات های مختلف هستیم و بزودی این تکنولوژی ها در زندگی روزمره مان جای می گیرند. 
به علاوه، یادگیری عمیق در مرکز تلاش های فعلی برای به وجود آوردن general artificial intelligence است که به عنوان هوش مصنوعی در سطح انسانی شناخته شده، است. همچنان که بیشتر ما در رویای دنیایی که در آن ربات ها آشپزی و پیشخدمتی می کنند هستیم، محققان و توسعه دهندگان هوش مصنوعی در سراسر دنیا در تلاش هستند تا با تطبیق دادن تکنیک های یادگیری عمیق ماشین هایی بسازند که بتوانند فکر کنند. در حالیکه برایمان آشکار است که به چیزی بیشتر از یادگیری عمیق نیاز داریم تا    GIA برایمان محقق بشود ، با اینحال اگر یادگیری عمیق  و دانشمندان یادگیری ماشین در طی دهه ی گذشته نبودند، نمی توانستیم در دوران طلایی هوش مصنوعی باشیم. 
هوش مصنوعی دهه ی گذشته را تعریف کرد  و یادگیری عمیق هسته ی تاثیرات آن بود. مطمئنا کمپانی های  Big Dataبرای چند دهه از الگوریتم ها و هوش مصنوعی استفاده کرده اند تا بر دنیا فرمان برانند، اما ذهن و قلب های ما طبقه ی مصرف کننده توسط  صداهایی که در  Google Assistant و   Siri  و  Alexa    و دیگر دستیار های مجازی شنیده ایم، بیش از هر تکنولوژی دیگر هوش مصنوعی تسخیر شده است. 
دهه ی بعدی قطعا شاهد کلاس الگوریتم های جدیدی خواهیم بود که برای محاسبات لبه (بحث داغ این روزها) بهتر هستند و شاید برای مهار محاسبات کوانتومی استفاده شوند. اما مطمئن باشید ما همچنان از یادگیری عمیق در سال 2029  و آینده ی قابل پیش بینی در پیش رویمان استفاده خواهیم کرد.

منبع :‌ مجله رادیب

ثبت امتیاز برای این مطلب

احساست رو با بقیه تقسیم کن و امتیاز بده
( 16 امتیاز , میانگین امتیازات 4.93 از 5 میباشد )
مدت زمان لازم برای یادگیری لاراول

کسانی که این مقاله را خوانده اند مقالات زیر را هم دنبال کرده اند



 ورژن سیستم
  • سایت اصلی رادیب
  • آکادمی آموزش آنلاین رادیب
  • فایل مارکت رادیب
تازه ترین و محبوب ترین مقالات را از طریق شبکه های اجتماعی مجله رادیب دنبال کنید