ماشین لرنینگ به زبان آدمیزاد؛ تفاوت یادگیری ماشین و دیپ لرنینگ چیست؟

آیا تا‌به‌حال فکر کرده‌اید که نتفلیکس چطور دقیقاً فیلمی را پیشنهاد می‌دهد که عاشقش می‌شوید؟ یا اینستاگرام چطور می‌فهمد که شما ویدیوهای گربه را دوست دارید، حتی اگر هرگز کلمه “گربه” را سرچ نکرده باشید؟ همه این‌ها زیر سر ماشین لرنینگ (Machine Learning) است.

امروزه همه جا صحبت از هوش مصنوعی است، اما اصطلاحات فنی مثل “یادگیری ماشین”، “دیپ لرنینگ” یا “شبکه‌های عصبی” می‌توانند گیج‌کننده باشند. نگران نباشید؛ قرار نیست در این مقاله فرمول ریاضی ببینید. ما می‌خواهیم با زبان ساده و مثال‌های روزمره، دریچه این تکنولوژی انقلابی را برای شما باز کنیم تا یک‌بار برای همیشه تفاوت ماشین لرنینگ و دیپ لرنینگ را درک کنید.

ماشین لرنینگ (Machine Learning) دقیقاً چیست؟

بیایید با یک مثال ساده شروع کنیم. فرض کنید می‌خواهید به یک کودک ۴ ساله یاد بدهید که “سیب” چیست. شما فرمول فیزیکی یا ساختار شیمیایی سیب را برای او توضیح نمی‌دهید. بلکه یک سیب قرمز به او نشان می‌دهید و می‌گویید: «این سیب است». سپس یک سیب سبز نشان می‌دهید، یک سیب زرد، یک سیب گاز زده و… .

بعد از دیدن ۱۰ مدل سیب مختلف، اگر کودک یک سیب پلاستیکی ببیند، احتمالاً می‌گوید: «این هم سیب است».

ماشین لرنینگ دقیقاً همین کار را با کامپیوترها انجام می‌دهد. در حالت عادی، برنامه‌نویسان باید خط‌به‌خط کد بنویسند و به کامپیوتر دستور دهند (مثلاً: اگر جسمی گرد و قرمز بود، بنویس سیب). اما در یادگیری ماشین، ما به کامپیوتر “داده” می‌دهیم (هزاران عکس سیب) و اجازه می‌دهیم خودش الگوها را پیدا کند.

به زبان ساده:

ماشین لرنینگ یعنی آموزش دادن به کامپیوتر برای یادگیری از تجربیات (داده‌ها)، بدون اینکه برای هر کار خاصی دقیقاً برنامه‌ریزی شده باشد.

انواع یادگیری ماشین (به زبان ساده)

برای درک بهتر، باید بدانید ماشین‌ها به سه روش اصلی یاد می‌گیرند:

1. یادگیری نظارت شده (مثل مدرسه): شما به کامپیوتر عکس گربه نشان می‌دهید و می‌گویید “این گربه است”. یعنی جواب را به او می‌دهید تا یاد بگیرد. (مثل معلمی که درس می‌دهد).

2. یادگیری نظارت نشده (مثل کشف کردن): شما هزاران عکس به کامپیوتر می‌دهید اما نمی‌گویید چه هستند. کامپیوتر خودش می‌فهمد که عکس‌های شماره ۱ تا ۱۰۰ شبیه هم هستند (گربه‌ها) و بقیه فرق دارند. این روش برای دسته‌بندی مشتریان در بازاریابی عالی است.

3. یادگیری تقویتی (مثل بازی ویدیویی): کامپیوتر کاری را انجام می‌دهد؛ اگر درست بود جایزه می‌گیرد (امتیاز مثبت) و اگر غلط بود تنبیه می‌شود. روبات‌هایی که راه رفتن یاد می‌گیرند از این روش استفاده می‌کنند.

دیپ لرنینگ (Deep Learning) چیست؟ مغز مصنوعی!

حالا که ماشین لرنینگ را فهمیدیم، دیپ لرنینگ یا یادگیری عمیق کجای ماجراست؟ تصور کنید ماشین لرنینگ یک “کلاس درس” است؛ در این صورت دیپ لرنینگ “دانشگاه هاروارد” آن کلاس است!

دیپ لرنینگ یکی از زیرشاخه‌های پیشرفته ماشین لرنینگ است که سعی دارد ساختار مغز انسان را شبیه‌سازی کند. مغز ما از میلیاردها نورون تشکیل شده که با هم در ارتباط‌اند. دیپ لرنینگ از شبکه‌های عصبی مصنوعی (Artificial Neural Networks) استفاده می‌کند که لایه‌لایه روی هم قرار گرفته‌اند.

چرا به آن “عمیق” می‌گویند؟

چون این شبکه‌های عصبی لایه‌های زیادی دارند. اطلاعات وارد لایه اول می‌شود، پردازش می‌شود، به لایه دوم می‌رود، پیچیده‌تر می‌شود و همین‌طور تا آخر. هرچه تعداد لایه‌ها بیشتر باشد، شبکه “عمیق‌تر” است و می‌تواند مسائل پیچیده‌تری را حل کند (مثل رانندگی خودکار یا تشخیص سرطان از روی عکس رادیولوژی).

تفاوت یادگیری ماشین و دیپ لرنینگ؛ جنگ اصلی!

اینجا همان‌جایی است که خیلی‌ها گیج می‌شوند. اگر هر دو یاد می‌گیرند، پس فرقشان چیست؟ بیایید با یک مثال ملموس تفاوت را بررسی کنیم: تشخیص چراغ قوه.

فرض کنید می‌خواهیم به کامپیوتر یاد بدهیم “چراغ قوه” را تشخیص دهد.

روش ماشین لرنینگ (کلاسیک):

شما به عنوان انسان باید به ماشین کمک کنید. شما باید ویژگی‌های چراغ قوه را برای الگوریتم تعریف کنید (به این کار Feature Extraction یا استخراج ویژگی می‌گویند).

• شما می‌گویید: «دقت کن! هر چیزی که دسته بلند دارد، سرش شیشه‌ای است و دکمه دارد، احتمالاً چراغ قوه است.»

• ماشین بررسی می‌کند و نتیجه را می‌گوید.

• مشکل: اگر یک چراغ قوه خیلی مدرن و عجیب باشد که دکمه نداشته باشد، ماشین لرنینگ معمولی احتمالاً گیج می‌شود چون شما آن ویژگی را تعریف نکرده بودید.

روش دیپ لرنینگ (پیشرفته):

در اینجا شما هیچ ویژگی‌ای تعریف نمی‌کنید! فقط ۱۰۰۰۰ عکس چراغ قوه به سیستم می‌دهید.

• شبکه عصبی خودش عکس را پیکسل به پیکسل بررسی می‌کند.

• لایه اول خطوط را می‌بیند.

• لایه دوم شکل‌های هندسی را می‌سازد.

• لایه سوم مفهوم “دسته” یا “نور” را درک می‌کند.

• سیستم خودش ویژگی‌های مهم را پیدا می‌کند (حتی ویژگی‌هایی که شاید به چشم انسان نیاید).

جدول مقایسه سریع

کاربردهای این تکنولوژی در زندگی روزمره شما

شاید فکر کنید این‌ها داستان‌های علمی-تخیلی است، اما شما هر روز با این تفاوت یادگیری ماشین و دیپ لرنینگ زندگی می‌کنید:

1. دستیارهای صوتی (Siri و Google Assistant): این‌ها از دیپ لرنینگ استفاده می‌کنند تا لهجه شما، لحن صدا و مفهوم جمله را درک کنند. ماشین لرنینگ معمولی هرگز نمی‌توانست پیچیدگی زبان انسان را به این خوبی بفهمد.

2. اسپم ایمیل: سرویس جیمیل از ماشین لرنینگ استفاده می‌کند تا بفهمد کدام ایمیل تبلیغاتی یا کلاهبرداری است و آن را به پوشه اسپم می‌فرستد.

3. ترجمه گوگل (Google Translate): قبلاً کلمه به کلمه ترجمه می‌کرد (ماشین لرنینگ ساده). الان کل جمله را می‌خواند و مفهوم را می‌رساند (دیپ لرنینگ).

4. ماشین‌های خودران: تسلا و گوگل از قدرتمندترین الگوریتم‌های دیپ لرنینگ استفاده می‌کنند تا در کسری از ثانیه عابر پیاده را از تیر چراغ برق تشخیص دهند.

کدام بهتر است؟ ماشین لرنینگ یا دیپ لرنینگ؟

این سوال مثل این است که بپرسید “چاقو بهتر است یا اره برقی؟”. بستگی دارد بخواهید سیب پوست بکنید یا درخت قطع کنید!

• اگر یک شرکت کوچک هستید، داده‌های زیادی ندارید و می‌خواهید رفتار مشتریان را پیش‌بینی کنید، ماشین لرنینگ بهترین، ارزان‌ترین و سریع‌ترین گزینه است.

• اگر در حال ساخت یک سیستم تشخیص چهره امنیتی هستید یا می‌خواهید یک چت‌بات هوشمند مثل ChatGPT بسازید، چاره‌ای جز استفاده از دیپ لرنینگ ندارید.

دیپ لرنینگ با وجود قدرت زیادش، یک “جعبه سیاه” است. یعنی گاهی اوقات حتی خودِ سازندگانش هم دقیقاً نمی‌دانند داخل شبکه عصبی چه اتفاقی افتاده که ماشین به این نتیجه رسیده است. اما در ماشین لرنینگ کلاسیک، مسیر تصمیم‌گیری شفاف‌تر است.

احتمالاً حالا که به انتهای مقاله رسیدیم، نگاهتان به گوشی موبایلتان عوض شده است. هر بار که قفل گوشی را با چهره باز می‌کنید یا آهنگی که اسپاتیفای پیشنهاد می‌دهد را گوش می‌کنید، دارید قدرت این تکنولوژی را لمس می‌کنید.

اما دنیای هوش مصنوعی پر از شگفتی‌های ترسناک و جذاب است. بعضی‌ها معتقدند دیپ لرنینگ در نهایت به قدری باهوش می‌شود که جای انسان را می‌گیرد، و برخی دیگر (مثل من) معتقدند این فقط یک ابزار است که ما را قدرتمندتر می‌کند.

نظر شما چیست؟ آیا تا به حال شده هوش مصنوعیِ اینستاگرام یا گوگل چیزی را به شما پیشنهاد دهد که تعجب کنید چطور شما را اینقدر خوب می‌شناسد؟ یا شاید سوتیِ خنده‌داری از ترجمه گوگل دیده‌اید؟

همین پایین در کامنت‌ها بنویسید که “هوشمندترین” یا “احمقانه‌ترین” رفتاری که از یک هوش مصنوعی دیده‌اید چه بوده؟ بیایید تجربیاتمان را مقایسه کنیم!