سفری از مفاهیم پایه تا پیشرفته هوش مصنوعی

قسمت هشتم: چه‌طور ماشین‌ها از داده‌ها یاد می‌گیرند؟

یادگیری ماشین یعنی انتقال مسئولیت یافتن قوانین از انسان به ماشین. انسان‌ها در بسیاری از مسائل (مثل تشخیص غده سرطانی در عکس‌های پزشکی یا پیش‌بینی ترافیک شهری) آن‌قدر با داده‌های پیچیده روبرو هستند که نمی‌توانند قانون مشخصی برای آن بنویسند. یادگیری ماشین این گره را باز می‌کند، چرا که ماشین می‌تواند الگوهایی را ببیند که فراتر از قدرت تحلیل ذهن انسان است.

در قسمت هفتم، ما به زیربنای مستحکم هوش مصنوعی یعنی مثلث طلایی (داده، الگوریتم و مدل) پرداختیم. دانستیم که «داده» همان تجربه خام است، «الگوریتم» روش یادگیری ماشین است و «مدل» محصول نهایی یا همان خرد استخراج‌شده‌ای است که ماشین برای تصمیم‌گیری استفاده می‌کند.

حالا در این قسمت، سرویس آموزش هوش مصنوعی از خبر ICT می‌خواهیم به قلب تپنده هوش مصنوعی سفر کنیم: یادگیری ماشین دقیقاً چگونه رخ می‌دهد؟

تحقیق و تدوین : مهدی گمرکی

یادگیری؛ فراتر از برنامه‌نویسی سنتی

در دنیای نرم‌افزارهای سنتی، برنامه‌نویس به کامپیوتر می‌گوید: «اگر این اتفاق افتاد، آن کار را انجام بده». یعنی همه‌چیز بر اساس دستورات صریح پیش می‌رود. اما در یادگیری ماشین، ما دیگر به ماشین نمی‌گوییم چه کار کند؛ بلکه ابزاری در اختیارش می‌گذاریم تا خودش الگوها را کشف کند.

تصور کنید می‌خواهید به یک کودک یاد بدهید «سیب» چیست. شما برای او قوانین ریاضی پیچیده تعریف نمی‌کنید؛ فقط به او تعداد زیادی سیب (در رنگ‌ها و اندازه‌های مختلف) نشان می‌دهید و می‌گویید: «این سیب است». پس از مدتی، مغز کودک الگوها را می‌فهمد (گرد بودن، ساقه داشتن، رنگ‌های خاص). یادگیری ماشین دقیقاً همین‌طور عمل می‌کند.

فرآیند کشف در یادگیری ماشین ؛ ماشین چگونه به «فهم» می‌رسد؟

این فرآیند طی چند مرحله کلیدی انجام می‌شود:

۱. تغذیه با نمونه‌ها: در ابتدای کار، حجم عظیمی از داده‌ها (مثلاً هزاران عکس از سیب) به الگوریتم داده می‌شود.

۲. حدس و خطا: در مراحل اولیه، ماشین هیچ شناختی ندارد و ممکن است اشتباه کند. اما الگوریتم به ماشین اجازه می‌دهد که «حدس بزند» و سپس با مقایسه حدس خود با واقعیت، میزان خطا را بسنجد.

۳. اصلاح مسیر: این مرحله، حیاتی‌ترین بخش است. الگوریتم با استفاده از ریاضیات، پارامترهای داخلی (مدل) را ذره‌ذره تغییر می‌دهد تا در حدس بعدی، خطای کمتری داشته باشد. این چرخه هزاران و میلیون‌ها بار تکرار می‌شود تا مدل به دقتی قابل قبول برسد.

یک مثال ملموس: آموزش رانندگی به ماشین

فرض کنید می‌خواهیم به ماشین یاد دهیم که چگونه بین خطوط رانندگی کند. ما به او هزاران ساعت ویدئو از رانندگی رانندگان ماهر می‌دهیم.

• در ابتدا: ماشین به‌طور تصادفی فرمان را می‌چرخاند و مدام از جاده خارج می‌شود.
• در حین یادگیری: هر بار که ماشین از جاده خارج می‌شود، الگوریتم یک «سیگنال خطا» دریافت می‌کند. ماشین متوجه می‌شود که این حرکت به خروج از جاده منجر شده است.
• در پایان: پس از تکرار بسیار، ماشین دیگر نیازی به فکر کردن درباره تک‌تک حرکات ندارد؛ او «الگو» را یاد گرفته است. حالا می‌تواند در مسیری که تا به حال ندیده، به‌درستی فرمان را کنترل کند.

چرا یادگیری ماشین انقلابی است؟

یادگیری ماشین یعنی انتقالِ مسئولیت یافتن قوانین از انسان به ماشین. انسان‌ها در بسیاری از مسائل (مثل تشخیص غده سرطانی در عکس‌های پزشکی یا پیش‌بینی ترافیک شهری) آن‌قدر با داده‌های پیچیده روبرو هستند که نمی‌توانند قانون مشخصی برای آن بنویسند. یادگیری ماشین این گره را باز می‌کند، چرا که ماشین می‌تواند الگوهایی را ببیند که فراتر از قدرت تحلیل ذهن انسان است.

 قسمت بعد:

در قسمت نهم، وارد دسته‌بندی‌های اصلی یادگیری ماشین می‌شویم. خواهیم دید که ماشین‌ها به روش‌های مختلفی یاد می‌گیرند؛ گاهی با راهنمایی مستقیم ما (یادگیری با ناظر)، گاهی با کاوش آزادانه در داده‌ها (یادگیری بدون ناظر) و گاهی از طریق آزمون و خطا و دریافت پاداش (یادگیری تقویتی). منتظر باشید!

تحقیق و تدوین : مهدی گمرکی

مشاوره تجارت الکترونیکی