هوش مصنوعی چگونه تصمیم می‌گیرد؟ از داده تا پیش‌بینی

هوش مصنوعی چگونه تصمیم می‌گیرد؟ این پرسش به یکی از مهم‌ترین فرآیندهای یادگیری ماشین مربوط می‌شود؛ جایی که داده‌های خام به اطلاعات قابل استفاده تبدیل می‌شوند. در این قسمت بررسی می‌کنیم مدل هوش مصنوعی چگونه ویژگی‌ها را استخراج می‌کند، در مرحله آموزش الگوها را می‌آموزد و در مرحله استنتاج برای داده‌های جدید پیش‌بینی انجام می‌دهد. همچنین با تفاوت آموزش و استنتاج، مفهوم خطا، ارزیابی مدل و نقش داده در کیفیت تصمیم‌های هوش مصنوعی آشنا خواهیم شد.

خبرICT شما را دعوت می کند قسمت 19 را قبل از خواندن این قسمت مطالعه کنید: یادگیری تقویتی؛ وقتی ماشین از آزمون و خطا یاد می‌گیرد

مقدمه؛ وقتی هوش مصنوعی یک پاسخ می‌دهد، پشت پرده چه اتفاقی افتاده است؟

تصور کنید تصویری از یک گربه را به یک سامانه هوش مصنوعی نشان می‌دهید.

چند لحظه بعد، سامانه پاسخ می‌دهد:

«این تصویر متعلق به یک گربه است.»

اما این پاسخ چگونه تولید شده است؟

آیا هوش مصنوعی واقعاً گربه را می‌شناسد؟ آیا تصویر را مانند انسان می‌بیند؟ یا فرآیندی پیچیده از محاسبات ریاضی، پردازش داده و شناسایی الگوها پشت این پاسخ قرار دارد؟

برای پاسخ به این پرسش باید به یکی از پایه‌ای‌ترین مفاهیم هوش مصنوعی بازگردیم: مدل چگونه از داده یاد می‌گیرد و چگونه از آموخته‌های خود برای پیش‌بینی استفاده می‌کند؟

در قسمت نوزدهم مجموعه، با یادگیری تقویتی و شیوه یادگیری ماشین از طریق آزمون و خطا آشنا شدیم. دیدیم که یک عامل هوشمند می‌تواند با تعامل با محیط و دریافت پاداش، تصمیم‌های خود را بهبود دهد.

اما در بسیاری از کاربردهای هوش مصنوعی، مسئله به این شکل نیست.

گاهی هدف این است که یک تصویر را دسته‌بندی کنیم، قیمت یک خانه را پیش‌بینی کنیم، احتمال وقوع یک رویداد را تخمین بزنیم یا از میان چند گزینه، مناسب‌ترین پاسخ را انتخاب کنیم.

در چنین شرایطی، باید بدانیم مدل هوش مصنوعی چگونه از داده‌های گذشته استفاده می‌کند تا درباره داده‌های جدید نتیجه‌گیری کند.

هوش مصنوعی چگونه تصمیم می‌گیرد؟

برای درک این فرآیند، ابتدا باید یک نکته مهم را روشن کنیم:

مدل هوش مصنوعی معمولاً تصمیم خود را بر اساس محاسباتی که در زمان آموزش آموخته است تولید می‌کند؛ نه بر اساس درک انسانی از جهان.

در یادگیری ماشین، مدل یک ساختار ریاضی یا محاسباتی است که می‌تواند از داده‌ها الگوهایی را بیاموزد.

این الگوها در قالب پارامترهای مدل ذخیره می‌شوند. هنگامی که داده جدیدی به مدل داده می‌شود، مدل با استفاده از پارامترهای آموخته‌شده، خروجی تولید می‌کند.

برای مثال، یک مدل تشخیص تصویر می‌تواند با استفاده از ویژگی‌های تصویری مانند شکل، بافت، رنگ و الگوهای پیچیده‌تر، احتمال تعلق یک تصویر به دسته‌های مختلف را محاسبه کند.

این فرآیند را می‌توان به چهار مرحله اصلی تقسیم کرد:

این چهار مرحله یک نمای کلی از فرآیند هستند. در مدل‌های مختلف، جزئیات پردازش داده، استخراج ویژگی و تولید خروجی می‌تواند متفاوت باشد.

در ادامه، هر مرحله را دقیق‌تر بررسی می‌کنیم.

۱. داده؛ نقطه شروع تصمیم‌گیری هوش مصنوعی

مدل‌های یادگیری ماشین برای یادگیری الگوها به داده نیاز دارند.

داده‌ها می‌توانند شکل‌های مختلفی داشته باشند:

• تصاویر

• متن

• صدا

• ویدئو

• اطلاعات عددی

• داده‌های حسگرها

• اطلاعات مربوط به رفتار کاربران

برای مثال، اگر بخواهیم مدلی برای پیش‌بینی قیمت خانه طراحی کنیم، می‌توانیم اطلاعاتی مانند متراژ، تعداد اتاق‌ها، موقعیت مکانی و سن ساختمان را در اختیار آن قرار دهیم.

مدل با بررسی نمونه‌های گذشته تلاش می‌کند رابطه میان این اطلاعات و قیمت خانه را یاد بگیرد.

اما کیفیت داده‌ها اهمیت بسیار زیادی دارد.

اگر داده‌های آموزشی ناقص، نامتوازن یا دارای خطا باشند، مدل ممکن است الگوهای نادرستی یاد بگیرد.

به همین دلیل، پیش از آموزش مدل معمولاً باید داده‌ها بررسی، پاک‌سازی و آماده‌سازی شوند.

داده خام با داده قابل استفاده چه تفاوتی دارد؟

فرض کنید اطلاعات قیمت خانه‌ها را در یک فایل جمع‌آوری کرده‌ایم.

در این فایل ممکن است برخی قیمت‌ها ثبت نشده باشند، واحد متراژ خانه‌ها متفاوت باشد یا اطلاعات مربوط به یک خانه چند بار تکرار شده باشد.

اگر این داده‌ها بدون بررسی وارد فرآیند آموزش شوند، کیفیت یادگیری مدل می‌تواند کاهش پیدا کند.

بنابراین، آماده‌سازی داده یکی از مراحل مهم توسعه سامانه‌های یادگیری ماشین است.

البته تمام مدل‌ها به یک نوع آماده‌سازی نیاز ندارند. برخی شبکه‌های عصبی می‌توانند از داده‌های نسبتاً خام، مانند تصاویر یا متن، ویژگی‌های مناسب را در طول آموزش یاد بگیرند.

۲. ویژگی (Feature) چیست و چرا اهمیت دارد؟

ویژگی، اطلاعاتی است که برای توصیف یک نمونه و کمک به پیش‌بینی مدل استفاده می‌شود.

برای مثال، در مسئله پیش‌بینی قیمت خانه، ویژگی‌ها می‌توانند شامل موارد زیر باشند:

در این مثال، قیمت خانه چیزی است که می‌خواهیم پیش‌بینی کنیم؛ بنابراین به آن متغیر هدف (Target) گفته می‌شود.

ویژگی‌ها اطلاعاتی هستند که مدل برای تخمین مقدار هدف از آن‌ها استفاده می‌کند.

در مدل‌های کلاسیک یادگیری ماشین، مهندسان معمولاً ویژگی‌ها را به‌صورت دستی انتخاب یا طراحی می‌کنند.

اما در بسیاری از مدل‌های یادگیری عمیق، شبکه عصبی می‌تواند ویژگی‌های مفید را از داده‌های ورودی به‌صورت خودکار یاد بگیرد.

برای مثال، در تشخیص تصویر، لایه‌های ابتدایی شبکه ممکن است الگوهای ساده‌تری مانند لبه‌ها را تشخیص دهند و لایه‌های عمیق‌تر ترکیب‌های پیچیده‌تری از این الگوها را بیاموزند.

این موضوع یکی از دلایل مهم توانایی شبکه‌های عصبی عمیق در پردازش تصاویر، صدا و متن است.

۳. آموزش مدل؛ زمانی که ماشین الگوها را یاد می‌گیرد

پس از آماده‌سازی داده‌ها، مرحله آموزش (Training) آغاز می‌شود.

در این مرحله، مدل تلاش می‌کند پارامترهای خود را به شکلی تنظیم کند که خروجی آن با هدف مورد انتظار هماهنگ‌تر شود.

برای مثال، در یک مدل پیش‌بینی قیمت خانه، مدل ابتدا ممکن است قیمت را با خطای زیادی پیش‌بینی کند.

سپس با بررسی تفاوت میان مقدار پیش‌بینی‌شده و مقدار واقعی، پارامترهای خود را اصلاح می‌کند.

این فرآیند بارها تکرار می‌شود تا مدل بتواند الگوهای موجود در داده‌های آموزشی را بهتر یاد بگیرد.

خطا (Loss) چیست؟

خطا یا Loss معیاری است که نشان می‌دهد خروجی مدل تا چه اندازه با مقدار مورد انتظار تفاوت دارد.

برای مثال، فرض کنید قیمت واقعی یک خانه ۵ میلیارد تومان باشد، اما مدل قیمت آن را ۴ میلیارد تومان پیش‌بینی کند.

اختلاف میان این دو مقدار می‌تواند مبنای محاسبه خطا قرار گیرد.

در مسائل مختلف، تابع خطا متفاوت است.

برای نمونه:

• در رگرسیون، از معیارهایی مانند میانگین مربعات خطا (MSE) استفاده می‌شود.

• در دسته‌بندی، از توابعی مانند Cross-Entropy استفاده می‌شود.

• در مدل‌های مولد، تابع هدف ممکن است ساختار پیچیده‌تری داشته باشد.

هدف آموزش معمولاً بهینه‌سازی یک تابع هدف مشخص است؛ اما کاهش خطا روی داده‌های آموزشی به‌تنهایی تضمین نمی‌کند که مدل در داده‌های جدید نیز عملکرد مناسبی داشته باشد.

به همین دلیل، ارزیابی مدل اهمیت زیادی دارد.

۴. استنتاج (Inference)؛ وقتی مدل آموزش‌دیده پاسخ می‌دهد

پس از آموزش، مدل می‌تواند برای داده‌های جدید استفاده شود.

این مرحله را استنتاج (Inference) می‌نامند.

در استنتاج، مدل معمولاً پارامترهای آموزش‌دیده خود را تغییر نمی‌دهد؛ بلکه داده جدید را دریافت می‌کند و با استفاده از آموخته‌های قبلی، خروجی تولید می‌کند.

برای مثال، یک مدل تشخیص تصویر پس از آموزش روی مجموعه‌ای از تصاویر گربه و سگ، می‌تواند تصویری جدید را دریافت کند و احتمال تعلق آن به هر دسته را تخمین بزند.

این مرحله در بسیاری از کاربردهای روزمره هوش مصنوعی رخ می‌دهد؛ از تشخیص چهره و ترجمه ماشینی تا پاسخ‌گویی مدل‌های زبانی.

این دو مرحله از نظر محاسباتی و عملیاتی تفاوت دارند.

آموزش ممکن است به منابع محاسباتی زیادی نیاز داشته باشد، درحالی‌که استنتاج می‌تواند با توجه به اندازه مدل و سخت‌افزار، بسیار سریع‌تر انجام شود.

البته در برخی سامانه‌ها، مدل می‌تواند پس از استقرار نیز به‌روزرسانی شود؛ اما این فرآیند با استنتاج معمولی تفاوت دارد.

آیا هوش مصنوعی واقعاً تصمیم می‌گیرد یا فقط پیش‌بینی می‌کند؟

این پرسش یکی از موضوعات مهم در درک رفتار مدل‌های هوش مصنوعی است.

در بسیاری از کاربردها، مدل ابتدا یک پیش‌بینی یا امتیاز تولید می‌کند. سپس یک سامانه دیگر یا یک قانون تصمیم‌گیری، بر اساس آن خروجی اقدام مناسب را انتخاب می‌کند.

برای مثال، یک مدل تشخیص تقلب ممکن است احتمال تقلب در یک تراکنش را تخمین بزند.

اما تصمیم درباره مسدودکردن تراکنش می‌تواند به عوامل دیگری نیز وابسته باشد؛ مانند آستانه تعیین‌شده، قوانین کسب‌وکار، میزان ریسک و بررسی انسانی.

بنابراین، پیش‌بینی و تصمیم‌گیری همیشه یکسان نیستند.

در برخی مدل‌ها، خروجی مستقیماً یک اقدام است؛ اما در بسیاری از سامانه‌ها، تصمیم نهایی حاصل ترکیب مدل، قواعد و محدودیت‌های دیگر است.

این تمایز به‌ویژه در حوزه‌هایی مانند پزشکی، امور مالی، حمل‌ونقل و مدیریت زیرساخت اهمیت دارد.

چرا ارزیابی مدل هوش مصنوعی ضروری است؟

فرض کنید یک مدل روی داده‌های آموزشی عملکرد بسیار خوبی دارد؛ اما هنگامی که با داده‌های جدید روبه‌رو می‌شود، اشتباهات زیادی مرتکب می‌شود.

این وضعیت می‌تواند نشانه‌ای از بیش‌برازش (Overfitting) باشد.

بیش‌برازش زمانی رخ می‌دهد که مدل به‌جای یادگیری الگوهای قابل تعمیم، بیش از حد با ویژگی‌های خاص داده‌های آموزشی سازگار شود.

برای بررسی عملکرد واقعی مدل، معمولاً داده‌ها به بخش‌های آموزشی، اعتبارسنجی و آزمون تقسیم می‌شوند.

تقسیم‌بندی مناسب داده‌ها کمک می‌کند عملکرد مدل را واقع‌بینانه‌تر ارزیابی کنیم.

البته در مسائل مختلف، روش ارزیابی می‌تواند متفاوت باشد. برای مثال، در داده‌های زمانی باید مراقب باشیم که اطلاعات آینده به‌صورت ناخواسته وارد فرآیند آموزش نشود.

جمع‌بندی؛ از داده تا تصمیم

هوش مصنوعی برای تولید پیش‌بینی یا تصمیم، از فرآیندی محاسباتی استفاده می‌کند که در آن داده‌ها پردازش می‌شوند، مدل الگوهای موجود را می‌آموزد و سپس از پارامترهای آموزش‌دیده برای تولید خروجی استفاده می‌کند.

در این مسیر، ویژگی‌ها اطلاعات مهم را در اختیار مدل قرار می‌دهند، تابع خطا به آموزش کمک می‌کند و استنتاج امکان استفاده از مدل برای داده‌های جدید را فراهم می‌سازد.

اما یک نکته مهم را نباید فراموش کرد:

خروجی یک مدل هوش مصنوعی لزوماً معادل یک تصمیم نهایی یا یک حقیقت قطعی نیست.

کیفیت داده‌ها، طراحی مدل، روش آموزش، معیارهای ارزیابی و شرایط استفاده، همگی بر کیفیت خروجی تأثیر می‌گذارند.

درک این فرآیند به ما کمک می‌کند نه‌تنها از هوش مصنوعی استفاده کنیم، بلکه محدودیت‌ها و نقاط ضعف آن را نیز بهتر بشناسیم.

در قسمت بیست‌ویکم چه می‌خوانیم؟

حالا که می‌دانیم مدل هوش مصنوعی چگونه از داده‌ها به پیش‌بینی می‌رسد، پرسش مهم دیگری مطرح می‌شود:

اگر یک مدل بتواند الگوها را از داده‌ها یاد بگیرد، آیا می‌تواند محتوای جدیدی تولید کند؟ آیا تولید متن، تصویر، صدا و ویدئو نیز بر اساس همین اصول انجام می‌شود؟

در قسمت بیست‌ویکم مجموعه آموزشی هوش مصنوعی، به سراغ یکی از مهم‌ترین موضوعات دنیای امروز می‌رویم:

هوش مصنوعی مولد (Generative AI) چیست و چگونه محتوای جدید تولید می‌کند؟

در این قسمت با مدل‌های مولد، تفاوت آن‌ها با مدل‌های پیش‌بینی‌کننده، مدل‌های زبانی بزرگ (LLM)، تولید تصویر و مفهوم توکن آشنا خواهیم شد.

هوش مصنوعی مولد چیست؟ چگونه ماشین محتوای جدید تولید می‌کند؟ — قسمت بیست‌ویکم

سؤالات متداول درباره تصمیم‌گیری هوش مصنوعی

۱. هوش مصنوعی چگونه تصمیم می‌گیرد؟

مدل هوش مصنوعی معمولاً با استفاده از الگوهایی که در مرحله آموزش از داده‌ها یاد گرفته است، خروجی تولید می‌کند. این خروجی می‌تواند پیش‌بینی، امتیاز، دسته‌بندی یا پیشنهاد یک اقدام باشد.

۲. تفاوت آموزش و استنتاج در هوش مصنوعی چیست؟

آموزش مرحله‌ای است که مدل پارامترهای خود را از داده‌ها یاد می‌گیرد. استنتاج مرحله‌ای است که مدل آموزش‌دیده از پارامترهای خود برای تولید خروجی روی داده‌های جدید استفاده می‌کند.

۳. ویژگی (Feature) در یادگیری ماشین چیست؟

ویژگی اطلاعاتی است که یک نمونه را توصیف می‌کند و برای پیش‌بینی مدل استفاده می‌شود. برای مثال، متراژ و تعداد اتاق‌ها می‌توانند ویژگی‌های یک خانه باشند.

۴. آیا مدل هوش مصنوعی همیشه پاسخ درست می‌دهد؟

خیر. مدل ممکن است به دلیل داده‌های نامناسب، محدودیت‌های معماری، بیش‌برازش یا تغییر شرایط محیطی، خروجی اشتباه تولید کند.

۵. آیا تصمیم‌گیری هوش مصنوعی همان پیش‌بینی است؟

خیر. پیش‌بینی معمولاً تخمین یک مقدار یا احتمال است، درحالی‌که تصمیم‌گیری می‌تواند علاوه بر پیش‌بینی، قوانین، محدودیت‌ها، هزینه‌ها و اهداف را نیز در نظر بگیرد.

۶. استنتاج در یادگیری ماشین چیست؟

استنتاج مرحله استفاده از مدل آموزش‌دیده برای تولید خروجی روی داده‌های جدید است. برای مثال، تشخیص یک تصویر جدید توسط مدل آموزش‌دیده، نمونه‌ای از استنتاج است.

۷. چرا ارزیابی مدل هوش مصنوعی اهمیت دارد؟

ارزیابی کمک می‌کند بفهمیم مدل تا چه اندازه روی داده‌های جدید عملکرد مناسبی دارد و آیا می‌تواند الگوهای آموخته‌شده را به شرایط جدید تعمیم دهد یا خیر.