نمونه های هوش مصنوعی
آشنایی با نمونه های هوش مصنوعی
نمونه های هوش مصنوعی
یادگیری عمیق از مفاهیم زاده‌شده از دل یادگیری ماشین است. شبکه‌های عصبی در چنین سبکی
از یادگیری به شبکه‌هایی گسترده توسعه می‌یابند و لایه‌های بسیار متعددی دارند. در یادگیری عمیق،
هر لایه توانایی بررسی و پردازش داده‌های بسیار عظیمی را خواهد داشت.
یادگیری عمیق، موجب شد تا کامپیوترهای امروزی به توانایی‌های مثال‌زدنی هوشمندی
و یادگیری دست پیدا کنند که نمونه‌هایی از هوش مصنوعی را
در تشخیص صحبت و بینایی کامپیوتری می‌بینیم.
پردازش تکاملی، یکی از حوزه‌های تحقیقات هوش مصنوعی محسوب می‌شود
که با پیشرفت شبکه‌های عصبی متولد شد. محققان، با تکیه بر نظریه‌های داروین
و مفاهیم جهش ژنتیکی، سبک جدیدی از هوش مصنوعی را مطرح می‌کنند.
چنین رویکردی موجب توسعه‌ی هوش مصنوعی با توانایی ساختن هوش مصنوعی دیگر شد.
استفاده از الگوریتم‌های تکاملی برای بهینه‌سازی شبکه‌های عصبی،
به عبارت Neuroevolution شناخته می‌شود و در توسعه‌ی
نسل‌های بعدی از سیستمهای هوشمند،
کارایی بسیاری خواهد داشت.
جدیدترین دستاوردها در حوزه هوش مصنوعی
در آزمایشگاه هوش مصنوعی اوبر رخ داد که از الگوریتم‌های ژنتیکی
برای آموزش شبکه‌های عصبی عمیق در جهت یادگیری پیشرفته استفاده کرد.
سیستمهای خبره، از مفاهیم دیگر توسعه‌‌یافته در مسیر هوش مصنوعی هستند.
این سیستمها با قوانینی برنامه‌ریزی می‌شوند که امکان تصمیم‌گیری براساس
مجموعه‌ای عظیم از داده را به آن‌ها می‌دهد. چنین رویکردی، رفتار ذهن انسان را در
حوزه‌ای خاص، شبیه‌سازی می‌کند.
از نمونه‌های سیستم خبره(هوش مصنوعی) می‌توان به خلبان خودکار در هواپیما اشاره کرد.
پردازنده‌های اختصاصی یادگیری ماشین
از دستاوردهای مهم سال‌های اخیر در حوزه‌ی هوش مصنوعی،
پیشرفت‌های یادگیری ماشین و خصوصا یادگیری عمیق، مهم‌ترین تأثیر را بر پیشرفت علم داشته‌اند.
بخش مهمی از دستاوردها، به‌خاطر ظهور مفاهیم کلان‌داده ممکن شد.
به‌علاوه، افزایش قدرت در حوزه‌ی رایانش موازی هم به سرعت گرفتن
توسعه‌ی فناوری کمک کرد. در رایانش موازی، خوشه‌هایی از پردازنده‌های
گرافیکی برای آموزشی سیستمهای یادگیری ماشین استفاده می‌شوند.
خوشه‌های پردازنده‌ی گرافیکی، سیستمهای قدرتمندتری در آموزش مدلهای
یادگیری ماشین هستند و امروزه بهصورت سرویس‌های ابری هم در اختیار
کارشناسان قرار دارند. با توسعه‌ی چنین مفاهیمی، ساخت تراشه‌های
اختصاصی برای اجرا و آموزش مدلهای یادگیری ماشین هم سرعت گرفت.
از میان پردازنده‌های اختصاصی می‌توان به واحد پردازشی تنسور (TPU)
محصول شرکت گوگل اشاره کرد که از کتابخانه‌ی نرم‌افزاری TensorFlow
ساخت همان شرکت، برای استخراج اطلاعات از داده استفاده می‌کند.
تراشه‌های اختصاصی گوگل نه‌تنها در پرورش مدلهای دیپ‌مایند
و گوگل برین کاربرد دارند، در کارایی‌های مرسوم‌تری همچون سرویس
ترجمه‌ای این شرکت یا شناسایی تصویر در جست‌وجوی عکس، دیده می‌شوند.
به‌علاوه کاربران عمومی نیز می‌توانند با سرویس‌های ابری
همچون TensorFlow Research Cloud مدلهای یادگیری
ماشین خود را با استفاده از پردازنده‌های گوگل توسعه دهند.
یادگیری تحت نظارت
یادگیری ماشینی تحت نظارت، یکی از مرسوم‌ترین روش‌های آموزش مدل‌ها محسوب می‌شود.
در چنین روشی، سیستم هوش مصنوعی با استفاده از مثال‌های متعدد برچسب‌گذاری‌شده،
تحت آموزش قرار می‌گیرد. داده‌های آموزشی می‌توانند مجموعه‌ای از تصاویر باشند
که محتوای آن‌ها، با برچسب اختصاصی مشخص شده باشد.
در نمونه‌های دیگر، شاهد استفاده از متونی برای آموزش هستیم
که با پاورقی‌های اختصاصی، موضوع اصلی آن‌ها تعیین می‌شود.
مدل یادگیری با بهره‌گیری از همین برچسب‌ها، برچسب‌گذاری روی داده‌های جدید را می‌آموزد.
آموزش دادن مدل ماشینی با بهره‌گیری از مثال،
با اصطلاح یادگیری تحت نظارت (Supervised Learning) شناخته می‌شود.
برای برچسب‌گذاری داده‌های اولیه، از کاربران انسانی استفاده می‌شود
که در پلتفرم‌‌هایی همچون Amazon Mechanical Turk استخدام می‌شوند.
آموزش مدلهای این‌چنینی، نیاز به پایگاه‌های عظیم داده دارد و
برخی اوقات برای یادگیری یک وظیفه‌ی به‌خصوص،
باید میلیون‌های مثال به الگوریتم تزریق شود.
دیتاست‌های آموزشی برای مدلهای یادگیری ماشین،
روز‌به‌روز بزرگ‌تر و در دسترس‌تر می‌شوند.
گوگل دیتاستی به‌نام Open Images دارد که ۹ میلیون تصویر را در اختیار کاربر قرار می‌دهد.
یوتیوب نیز مجموعه‌ای ای از ویدئوهای برچسب‌گذاری‌شده دارد
که شامل هفت میلیون ویدئوی است.
از دیتابیس‌های دیگر می‌توان به دیتاست پیش‌گام ImageNet اشاره کرد
که ۱۴ میلیون تصویر با دسته‌بندی مشخص را ارائه می‌کند.
حدود ۵۰ هزار نفر در توسعه‌ی این دیتاست نقش داشتند
که کامل شدنش دو سال طول کشید.
اکثر آن افراد، در پلتفرم آمازون استخدام شده بودند
که بررسی و دسته‌بندی برچسب‌گذاری تصاویر را برعهده داشتند.
با پیشرفت ابزارهای هوش مصنوعی، دست‌رسی به دیتاست‌های عظیم
برچسب‌گذاری شده، اهمیت کمتری نسبت به دست‌رسی به
قدرت پردازشی عظیم پیدا کرد. در سال‌های اخیر شبکه‌های موسوم به GAN
نشان دادند که سیستمهای یادگیری ماشین، تنها با دریافت داده‌های
محدود و کوچک، توانایی تولید داده‌های عظیم برای آموزش خود را دارند.
چنین رویکردی، احتمالا به توسعه‌ی مفهوم یادگیری نیمه نظارتی
منجر خواهد شد که در آن، سیستمها با دیتاست‌های
بسیار کوچک‌تر از دیتاست‌های امروزی، آموزش می‌بینند.
یادگیری بدون نظارت
یادگیری بدون نظارت، بدون نیاز به دیتاست‌های برچسب‌گذاری‌شده انجام می‌شود.
الگوریتم‌ها در چنین روندی از یادگیری، تلاش می‌کنند تا الگوی مشترک میان داده‌ها را بیابند.
درواقع آن‌ها به‌دنبال شباهت‌هایی می‌گردند که دسته‌بندی داده‌ها را راحت می‌کند.
به‌عنوان مثال می‌توان به دسته‌بندی میوه‌های هم‌وزن یا خودروهایی با ابعاد موتور برابر اشاره کرد.
یادگیری بدون نظارت، با هدف انتخاب داده‌‌ی خاص از میان دیتاست داده انجام نمی‌شود.
درواقع چنین الگوریتم‌هایی تنها تلاش می‌کنند تا داده‌های با مشخصات مشابه را پیدا کنند.
به‌عنوان مثالی کاربردی، می‌توان به فیدهای خبری اشاره کرد
که موضوع‌های مشابه را بهصورت روزمره در دسته‌های مشخص قرار می‌دهند.
یادگیری تقویت‌شده
یادگیری تقویت‌شده یا جایزه‌ای، شباهت زیادی به آموزش حیوانات خانگی دارد.
در چنین مدلی، سیستم به‌خاطر دستیابی به خروجی موردنظر،
پاداش دریافت می‌کند.
درنتیجه تلاش می‌کند تا پاداش خود را براساس داده‌های ورودی، به حداکثر برساند.
چنین روشی از آموزش، بیشتر با سعی و خطا انجام می‌شود
تا بیشترین پاداش درنهایت از میان گزینه‌های متعدد پیدا شود.
شبکه‌ی Deep Q گوگل یکی از مثال‌های معروف در یادگیری
تقویت‌شده محسوب می‌شود.
این شبکه تاکنون بازیکنان حرفه‌ای را در مسابقه‌های
گوناگون بازی ویدئویی شکست داده است.
سیستم مذکور، پیکسل‌های هر بازی را دریافت کرده
و مواردی همچون فاصله‌ی المان‌‌ها را در نمایشگر، تشخیص می‌دهد.
در ادامه، سیستم با مشاهده‌ی امتیاز هر بازی،
مدلی از انتخاب‌ها می‌سازد که بیشترین امتیاز را به‌‌همراه دارند.
منبع : سایت زومیت
ارائه : وب سایت شایگان آیتی ، شایگان سیستم