یادگیری ماشین چیست؟
یادگیری ماشین شاخه ای از هوش مصنوعی (AI) و علوم رایانه ای (کامپیوتری ) است که بر استفاده از داده ها و الگوریتم ها برای تقلید از شیوه یادگیری انسان تمرکز دارد و به تدریج دقت آن را بهبود می بخشد.
IBM دارای سابقه غنی در زمینه یادگیری ماشین (ادراک ماشین) است. یکی از آنها ، آرتور ساموئل ، برای ایجاد اصطلاح "یادگیری ماشین" با تحقیقات خود درباره بازی چکرز اعتبار دارد. رابرت نیلی ، استاد چکرز خودی ، بازی را در رایانه IBM 7094 در سال 1962 انجام داد و در مقابل کامپیوتر شکست خورد. در مقایسه با آنچه امروزه می توان انجام داد ، این موفقیت تقریباً بی اهمیت به نظر می رسد ، اما این یک نقطه عطف بزرگ در زمینه هوش مصنوعی محسوب می شد. طی چند دهه آینده ، پیشرفت های تکنولوژیکی در زمینه ذخیره سازی و قدرت پردازش ، برخی از محصولات خلاقانه ای را که امروزه می شناسیم و دوست داریم ، مانند موتورهای جستجوی اینترنتی یا اتومبیل های خودران فعال کرده است.
یادگیری ماشین(ادراک ماشین) جزء مهمی از زمینه رو به رشد علم داده است. با استفاده از روش های آماری ، الگوریتم ها آموزش داده می شوند تا طبقه بندی ها یا پیش بینی ها را انجام دهند و بینش های کلیدی را در پروژه های داده کشف کنند. این بینش ها بعداً باعث تصمیم گیری در برنامه ها و مشاغل می شود و به طور ایده آل بر معیارهای کلیدی رشد تأثیر می گذارد. با گسترش و بزرگ شدن داده های عظیم ، تقاضای بازار برای دانشمندان داده افزایش می یابد و از آنها خواسته می شود در شناسایی مرتبط ترین سوالات تجاری و متعاقباً داده ها برای پاسخ به آنها کمک کنند.
یادگیری ماشین(ادراک ماشینی) در مقابل یادگیری عمیق ماشینی در مقابل شبکه های عصبی مصنوعی
از آنجا که از یادگیری عمیق و یادگیری ماشینی به جای یکدیگر استفاده می شود ، باید به تفاوت های ظریف بین این دو توجه کرد. یادگیری ماشین ، یادگیری عمیق و شبکه های عصبی همگی زیر شاخه های هوش مصنوعی هستند. با این حال ، یادگیری عمیق در واقع زیر شاخه ای از یادگیری ماشین (ادراک ماشین )است و شبکه های عصبی زیر شاخه ای از یادگیری عمیق هستند.
نحوه تفاوت یادگیری عمیق و یادگیری ماشینی در نحوه یادگیری هر الگوریتم است. یادگیری عمیق بخش زیادی از ویژگی های استخراج این فرآیند را بدون الزام می کند ، برخی از مداخلات دستی مورد نیاز انسان را حذف کرده و امکان استفاده از مجموعه داده های بزرگتر را فراهم می کند. همانطور که لکس فریدمن در این سخنرانی دانشگاه MIT یادآوری می کند (یادگیری عمیق را می توان "یادگیری ماشینی مقیاس پذیر" در نظر گرفت . یادگیری ماشینی کلاسیک یا "غیر عمیق" بیشتر وابسته به مداخله انسان برای یادگیری است. متخصصان انسانی مجموعه ای از ویژگی ها را برای درک تفاوت بین ورودی داده ها تعیین می کنند، که معمولاً برای یادگیری به داده های ساختارمندتری نیاز دارند.
یادگیری ماشینی "عمیق" می تواند از مجموعه داده های دارای برچسب ، که به عنوان یادگیری تحت نظارت نیز شناخته می شود ، برای اطلاع از الگوریتم خود استفاده کند ، اما لزوماً به مجموعه داده برچسب زده شده نیاز ندارد. این می تواند داده های بدون ساختار را به صورت خام (مانند متن ، تصاویر) وارد کند و می تواند مجموعه ای از ویژگی ها را که دسته های مختلف داده ها را از یکدیگر متمایز می کند ، به طور خودکار تعیین کند. برخلاف یادگیری ماشینی ، برای پردازش داده ها نیازی به مداخله انسان نیست و به ما این امکان را می دهد که یادگیری ماشین را به شیوه های جالب تری مقیاس بندی کنیم. یادگیری عمیق و شبکه های عصبی در درجه اول باعث پیشرفت سریع در زمینه هایی مانند بینایی(کنترل و رصد با دوربین) رایانه ، پردازش زبان طبیعی و تشخیص گفتار می شوند.
شبکه های عصبی یا شبکه های عصبی مصنوعی (ANN) شامل لایه های گره ای هستند که شامل یک لایه ورودی ، یک یا چند لایه مخفی و یک لایه خروجی هستند. هر گره یا نورون مصنوعی به دیگری متصل می شود و وزن و آستانه مربوطه را دارد. اگر خروجی هر گره جداگانه از مقدار آستانه مشخص شده باشد ، آن گره فعال می شود و داده ها را به لایه بعدی شبکه ارسال می کند. در غیر این صورت ، هیچ داده ای به لایه بعدی شبکه منتقل نمی شود. "عمیق" در یادگیری عمیق فقط اشاره به عمق لایه ها در یک شبکه عصبی مصنوعی است. یک شبکه عصبی مصنوعی که شامل بیش از سه لایه است - که شامل ورودی ها و خروجی ها می شود - می تواند یک الگوریتم یادگیری عمیق یا یک شبکه عصبی عمیق تلقی شود. یک شبکه عصبی که فقط دو یا سه لایه دارد فقط یک شبکه عصبی اساسی است.
نحوه کار یادگیری ماشینی
UC Berkeley الگوریتم یادگیری ماشین را به سه قسمت اصلی تقسیم می کند.
فرایند تصمیم گیری: به طور کلی ، الگوریتم های یادگیری ماشین برای ایجاد تحلیل آینده نگرانه یا طبقه بندی استفاده می شود. بر اساس برخی از داده های ورودی ، که می توانند برچسب گذاری شوند ، الگوریتم شما برآوردی در مورد الگویی در داده ها ایجاد می کند.
یک تابع خطا: یک تابع خطا برای ارزیابی پیش بینی مدل استفاده می شود. اگر نمونه های شناخته شده ای وجود داشته باشد ، یک تابع خطا می تواند مقایسه ای را برای ارزیابی صحت مدل انجام دهد.
یک فرایند بهینه سازی مدل: اگر مدل بتواند بهتر با نقاط داده مجموعه آموزش داده شده مطابقت داشته باشد ، وزن ها به گونه ای تنظیم می شوند تا اختلاف بین مثال شناخته شده و برآورد مدل کاهش یابد. الگوریتم این فرایند ارزیابی و بهینه سازی را تکرار می کند و وزن ها را به طور خودکار به روز می کند تا آستانه دقت برآورده شود.
روش های یادگیری ماشین
طبقه بندی کننده های یادگیری ماشین به سه دسته اصلی تقسیم می شوند:
یادگیری ماشین تحت نظارت
یادگیری تحت نظارت ، که به آن یادگیری ماشینی تحت نظارت نیز می گویند ، با استفاده از مجموعه داده های دارای برچسب برای آموزش الگوریتم هایی برای طبقه بندی داده ها یا پیش بینی دقیق نتایج تعریف می شود. همانطور که داده های ورودی به مدل وارد می شوند ، وزن خود را تنظیم می کند تا مدل به طور مناسب نصب شود. این امر به عنوان بخشی از فرایند اعتبار سنجی متقابل برای اطمینان از اجتناب از مدل بیش از حد یا عدم تناسب رخ می دهد. یادگیری تحت نظارت به سازمان ها کمک می کند تا انواع مختلفی از مشکلات دنیای واقعی را در مقیاس بزرگ حل کنند ، مانند طبقه بندی هرزنامه ها در یک پوشه جداگانه از صندوق ورودی شما. برخی از روشهای مورد استفاده در یادگیری تحت نظارت شامل شبکه های عصبی ، رگرسیون خطی ، رگرسیون لجستیک ، ماشین بردار پشتیبان (SVM) و موارد دیگر است.
یادگیری ماشینی بدون نظارت
یادگیری بدون نظارت ، که به عنوان یادگیری ماشین بدون نظارت نیز شناخته می شود ، از الگوریتم های یادگیری ماشین برای تجزیه و تحلیل و دسته بندی مجموعه داده های بدون برچسب استفاده می کند. این الگوریتم ها الگوهای پنهان یا گروه بندی داده ها را بدون نیاز به دخالت انسان کشف می کنند. توانایی آن در کشف شباهت ها و تفاوت ها در اطلاعات ، آن را به راه حل ایده آل برای تجزیه و تحلیل داده های اکتشافی ، استراتژی های فروش متقابل ، تقسیم بندی مشتری ، تشخیص تصویر و الگو مصنوعی تبدیل می کند. همچنین از آن برای کاهش تعداد ویژگی های یک مدل از طریق کاهش ابعاد استفاده می شود. تجزیه و تحلیل مولفه های اصلی (PCA) و تجزیه مقدار واحد (SVD) دو رویکرد رایج برای این منظور هستند. الگوریتم های دیگر مورد استفاده در یادگیری بدون نظارت شامل شبکه های عصبی ، خوشه بندی k-means ، روشهای خوشه بندی احتمالی و موارد دیگر است.
یادگیری نیمه نظارت شده
یادگیری نیمه سرپرستی یک محیط شاد بین یادگیری تحت نظارت و بدون نظارت ارائه می دهد. در طول آموزش ، از مجموعه داده های دارای برچسب کوچکتر برای راهنمایی طبقه بندی و استخراج ویژگی از یک مجموعه داده بزرگتر و بدون برچسب استفاده می کند. یادگیری نیمه نظارت می تواند مشکل نداشتن داده های دارای برچسب کافی (یا عدم توانایی برچسب زدن اطلاعات کافی) را برای آموزش الگوریتم یادگیری تحت نظارت حل کند.
تقویت یادگیری ماشین
یادگیری ماشین تقویتی یک مدل یادگیری ماشین رفتاری است که شبیه یادگیری تحت نظارت است ، اما الگوریتم با استفاده از داده های نمونه آموزش داده نشده است. این مدل با استفاده از آزمون و خطا یاد می گیرد. دنباله ای از نتایج و استدلال های موفقیت آمیز در قالب الگوریتم تقویت می شود تا بهترین توصیه یا خط مشی برای یک مشکل معین تدوین شود.
سیستم IBM Watson® که برنده چالش ریسک پذیری در سال ۲۰۱۱ مثال خوبی است. این سیستم از یادگیری تقویتی برای تصمیم گیری در مورد تلاش برای پاسخگویی (یا همان س questionال) استفاده می کند ، کدام مربع را روی صفحه انتخاب می کند و چقدر شرط می بندد .
موارد استفاده از یادگیری ماشین در دنیای واقعی
در اینجا فقط چند نمونه از یادگیری ماشین وجود دارد که ممکن است هر روز با آن روبرو شوید:
تشخیص گفتار: همچنین به عنوان تشخیص خودکار گفتار (ASR) ، تشخیص گفتار رایانه ای یا تبدیل گفتار به متن شناخته می شود و این یک قابلیت است که از پردازش زبان طبیعی (NLP) برای پردازش گفتار انسان در قالب نوشتاری استفاده می کند. بسیاری از دستگاه های تلفن همراه تشخیص گفتار را در سیستم های خود برای انجام جستجوی صوتی گنجانده اند ، به عنوان مثال. Siri - یا Alexa
خدمات به مشتریان: ربات های چت آنلاین در طول سفر مشتری جایگزین نمایندگان انسانی می شوند.
آنها به سوالات متداول (سوالات متداول) در مورد موضوعاتی مانند حمل و نقل پاسخ می دهند ، یا مشاوره شخصی ارائه می دهند ، محصولات را به فروش می رسانند یا معیارهایی را برای کاربران پیشنهاد می دهند ، و نگرش ما را در مورد مشارکت مشتری در وب سایت ها و شبکه های اجتماعی تغییر می دهند. به عنوان مثال می توان به ربات های پیام رسان در سایت های تجارت الکترونیک با عوامل مجازی ، برنامه های پیام رسانی ، مانند Slack و Facebook Messenger و کارهای متداولی را در تلفن همراه توسط دستیاران مجازی و دستیارهای صوتی انجام داد.
بینایی رایانه ای: این فناوری هوش مصنوعی رایانه ها و سیستم ها را قادر می سازد تا اطلاعات معنی داری را از تصاویر دیجیتالی ، فیلم ها و سایر ورودی های بصری بدست آورند و بر اساس این ورودی ها ، می توانند اقدامی انجام دهند. این توانایی در ارائه توصیه ها آن را از کارهای تشخیص تصویر متمایز می کند. دید رایانه ای که از شبکه های عصبی مصنوعی پیچیده استفاده می کند ، دارای برچسب گذاری عکس در رسانه های اجتماعی ، تصویربرداری رادیولوژی در مراقبت های بهداشتی و اتومبیل های خودران در صنعت خودرو است.
موتورهای توصیه: با استفاده از داده های رفتار مصرف گذشته ، الگوریتم های هوش مصنوعی می توانند به کشف روندهای داده ای کمک کنند که می تواند برای توسعه استراتژی های فروش متقابل بصورت موثرتر مورد استفاده قرار گیرد. این مورد برای ارائه توصیه های اضافی مربوط به مشتریان در حین فرایند خرید برای خرده فروشان آنلاین استفاده می شود.
معاملات خودکار سهام: سکوهای معاملاتی با فرکانس بالا که برای بهینه سازی سبد سهام طراحی شده اند ، هزاران یا حتی میلیون ها معامله در روز بدون دخالت انسان انجام می دهند.
چالش های یادگیری ماشین
با پیشرفت فناوری یادگیری ماشین ، مطمئناً زندگی ما آسان تر گردیده است. با این حال ، پیاده سازی یادگیری ماشین در مشاغل نیز نگرانی های اخلاقی زیادی را در مورد فن آوری های هوش مصنوعی ایجاد کرده است. برخی از این موارد عبارتند از:
سردرگمی قانونی و اخلاقی تکنولوژیکی
در حالی که این موضوع توجه عمومی را به خود جلب می کند ، بسیاری از محققان نگران این نیستند که هوش مصنوعی در آینده در رقابتی سهمگین از هوش انسانی پیشی بگیرد. یادگیری ماشینی به عنوان فوق هوش نامیده می شود ، که نیک باستروم آن را "عقلی می نامد که در بسیاری از زمینه ها از بهترین مغز انسانها بسیار برتر است ، از جمله خلاقیت علمی ، خرد عمومی و مهارتهای اجتماعی" تعریف می کند. علیرغم پذیرفتن این واقعیت که هوش مصنوعی قوی و ابر هوش در جامعه قریب الوقوع نیست و سال ها تا رسیدن به کمال در آن فاصله وجود دارد.، ایده آن با توجه به استفاده از سیستم های خودران ، مانند اتومبیل های خودران ، سوالات جالبی را ایجاد می کند. این غیر واقعی است که تصور کنیم یک ماشین بدون راننده هرگز تصادف نمی کند ، اما در این شرایط چه کسی مسئول است؟ آیا هنوز هم باید به دنبال خودروهای خودران باشیم ، یا ادغام این فناوری را محدود کرده و تنها وسایل نقلیه نیمه خودران ایجاد می کنیم که ایمنی رانندگان را افزایش می دهد؟ هیئت منصفه هنوز در این باره صحبت نمی کند ، اما اینها انواع بحث های اخلاقی هستند که با توسعه فناوری جدید و مبتکرانه هوش مصنوعی در حال انجام است.
تاثیر هوش مصنوعی بر مشاغل
در حالی که بسیاری از تصورات عمومی در مورد هوش مصنوعی بر از دست دادن شغل متمرکز است ، این نگرانی احتمالاً باید بازنگری شود. با هر فناوری مخرب و جدید ، می بینیم که تقاضای بازار برای نقش های شغلی خاص تغییر می کند. به عنوان مثال ، وقتی به صنعت خودرو نگاه می کنیم ، بسیاری از تولیدکنندگان ، مانند GM ، تمرکز خود را بر روی تولید خودروهای برقی گذاشته اند تا با طرح های سبز هماهنگ شوند. صنعت انرژی از بین نمی رود ، اما منبع انرژی در حال تغییر از مصرف سوخت به یک صنعت برقی است. هوش مصنوعی باید به گونه ای مشابه مورد بررسی قرار گیرد ، جایی که هوش مصنوعی تقاضای مشاغل را به حوزه های دیگر منتقل می کند. با رشد و دگرگونی داده ها هر روز باید افرادی برای مدیریت این سیستم ها کمک کنند. هنوز باید منابع لازم برای رسیدگی به مشکلات پیچیده تر در صنایعی وجود داشته باشد که به احتمال زیاد تحت تأثیر تغییرات ناشی از تقاضای شغل قرار می گیرند ، مانند خدمات به مشتریان. جنبه مهم هوش مصنوعی و تأثیر آن بر بازار کار ، کمک به افراد برای انتقال خود به این مناطق جدیدمهارت شغلی به دلیل تقاضای بازار خواهد بود.
حریم خصوصی
حریم خصوصی در زمینه حفظ حریم خصوصی داده ها ، حفاظت از داده ها و امنیت داده ها مورد بحث قرار می گیرد و این نگرانی ها به سیاست گذاران اجازه داده است در سال های اخیر در اینجا گام های بیشتری بردارند.
به عنوان مثال ، در سال 2016 ، قانون GDPR برای محافظت از داده های شخصی افراد در اتحادیه اروپا و منطقه اقتصادی اروپا ایجاد شد و به افراد کنترل بیشتری بر داده های خود می دهد. در ایالات متحده ، ایالت های جداگانه در حال تدوین سیاست هایی هستند ، مانند قانون حفظ حریم خصوصی مصرف کنندگان در کالیفرنیا (CCPA) ، که بر اساس آن مشاغل باید مصرف کنندگان را در مورد جمع آوری داده های خود آگاه کنند. این قانون اخیر شرکت ها را مجبور کرده است تا در مورد نحوه ذخیره و استفاده از داده های شناسایی شخصی (PII) تجدید نظر کنند. در نتیجه ، سرمایه گذاری در حوزه امنیت به عنوان یک اولویت فزاینده برای مشاغل در نظر گرفته شده است زیرا آنها به دنبال از بین بردن هرگونه آسیب پذیری و فرصت برای نظارت ، هک و حملات سایبری هستند.
تعصب و تبعیض
موارد تبعیض در تعدادی از سیستم های هوشمند سوالات اخلاقی زیادی را در مورد استفاده از هوش مصنوعی مطرح کرده است. چگونه می توانیم از تعصب و تبعیض در امان بمانیم در حالی که داده های آموزش به خودی خود می تواند به جهت گیری منجر شود؟ در حالی که شرکت ها معمولاً در مورد تلاش های خودکار خود نیت های خوب دارند ، رویترز برخی از پیامدهای پیش بینی نشده استفاده از هوش مصنوعی در شیوه های استخدام را برجسته می کند. در تلاش برای خودکارسازی و ساده سازی یک فرایند ، آمازون به طور ناخواسته نامزدهای احتمالی شغلی را از نظر جنسیت برای نقش های فنی مجدد بازنگری کرد و در نهایت مجبور شدند پروژه را کنار بگذارند. از آنجا که رویدادهایی مانند این ظاهر می شود ، Harvard Business Review سئوالات دیگری را در مورد استفاده از هوش مصنوعی در شیوه های استخدام ایجاد کرده است ، مانند این که هنگام ارزیابی یک نامزد برای یک نقش ، باید از چه داده هایی استفاده کنید.
تعصب و تبعیض محدود به عملکرد منابع انسانی نیز نمی شود. این را می توان در تعدادی از برنامه ها در نرم افزار تشخیص چهره گرفته تا الگوریتم های رسانه های اجتماعی یافت.
با آگاهی بیشتر کسب و کارها از خطرات ناشی از هوش مصنوعی ، این بحث در مورد اخلاق و ارزش های هوش مصنوعی نیز فعال تر شده است. به عنوان مثال ، سال گذشته ، مدیرعامل IBM ، آرویند کریشنا ، اظهار داشت که IBM محصولات تشخیص و تجزیه و تحلیل صورت IBM را به پایان رسانده است و تأکید کرد که "IBM قاطعانه مخالف است و استفاده از هیچگونه فناوری ، از جمله فناوری تشخیص چهره ارائه شده توسط سایر فروشندگان ، را برای تجمیع داده ها رد نمی کند. نظارت ، پروفایل نژادی ، نقض حقوق و آزادیهای اساسی بشر ، یا هر هدفی که با ارزشها و اصول اعتماد و شفافیت ما سازگار نباشد.
مسئوليت
از آنجا که هیچ قانون قابل توجهی برای تنظیم شیوه های به کار بردن هوش مصنوعی وجود ندارد ، هیچ مکانیزم اجرایی واقعی برای اطمینان از تمرین هوش مصنوعی وجود ندارد. انگیزه های کنونی برای شرکتها برای پیروی از این دستورالعملها پیامدهای منفی یک سیستم هوش مصنوعی غیر اخلاقی و زیان هایی که در نهایت به بار می آورد است. برای پر کردن شکاف ، چارچوب های اخلاقی به عنوان بخشی از همکاری بین اخلاق شناسان و محققان برای اداره ساخت و توزیع مدل های هوش مصنوعی در جامعه پدیدار شده است. با این حال ، در حال حاضر ، اینها فقط برای راهنمایی هستند و تحقیقات نشان می دهد که ترکیب مسئولیت توزیع شده و عدم پیش بینی پیامدهای بالقوه لزوماً برای جلوگیری از آسیب به جامعه موثر نیست.
منبع: www.ibm.com/cloud/learn/machine-learning