شبکه‌های هوش مصنوعی و آینده یادگیری عمیق

یادگیری عمیق (Deep Learning) زیرشاخه‌ای از یادگیری ماشینی است که از لایه‌های متعدد تبدیلات خطی به‌منظور پردازش سیگنال‌های حسی مانند صدا و تصویر استفاده می‌کند. ماشین در این روش هر مفهوم پیچیده را به مفاهیم ساده‌تری تقسیم می‌کند و با ادامه این روند به مفاهیم پایه‌ای می‌رسد که قادر به تصمیم‌گیری برای آن‌ها است و بدین ترتیب نیازی به نظارت کامل انسان برای مشخص کردن اطلاعات لازم ماشین در هرلحظه نیست. 
 
موضوعی که در یادگیری عمیق اهمیت زیادی دارد، نحوه ارائه اطلاعات است. ارائه اطلاعات به ماشین باید به نحوی باشد که ماشین در کمترین زمان، اطلاعات کلیدی را که می‌تواند با استناد به آن‌ها تصمیم بگیرد؛ دریافت کند.
 
 
هنگام طراحی الگوریتم‌های یادگیری عمیق می‌بایست به عوامل متغیر تأثیرگذار که اطلاعات مشاهده‌شده را توضیح می‌دهند؛ توجه کنیم، این عوامل معمولاً عوامل قابل‌مشاهده‌ای نیستند، بلکه عواملی هستند که بر روی دسته قابل‌مشاهده تأثیرگذار بوده یا زاده ساختارهای ذهنی انسان برای ساده‌تر کردن مسائل‌اند. برای مثال در هنگام پردازش گفتار عوامل متغیر تأثیرگذار می‌توانند لهجه گوینده، سن یا جنسیت او باشند. در هنگام پردازش تصویر یک ماشین، میزان درخشش خورشید یک عامل متغیر تأثیرگذار است.
 
 یکی از مشکلات هوش مصنوعی تأثیر زیاد عوامل متغیر تأثیرگذار بر روی اطلاعات دریافتی است. برای مثال بسیاری از پیکسل‌های دریافتی از یک ماشین قرمز در شب ممکن است سیاه دیده بشوند. برای حل این مشکلات بعضاً به درک بالای اطلاعات (در حدود انسان) نیازمندیم و درواقع گاهی یافتن نحوه مناسب نمایش اطلاعات به‌اندازه خود مسئله سخت و زمان‌بر است.
 
 
هوش مصنوعی مشکل خاصی دارد و آن‌هم به‌طور ویژه فقط به کاربران و انسان‌هایی که قصد استفاده از آن را دارند، مربوط است و از آن‌ها نشأت می‌گیرد. اخیراً آمازون تصمیم گرفت پرده از ابزار سری هوش مصنوعی خود بردارد. درحالی‌که آمازون همیشه برای تأمین منابع مدارهای جدید خود از این ابزار استفاده می‌کرده است.
 
 این غول اینترنتی شبکه‌های خود را به‌گونه‌ای آموزش داده است که بتوانند با مشاهده الگوهای موجود در رزومه‌هایی که در طول ۱۰ سال جمع‌آوری‌شده‌اند؛ امور محوله را به‌خوبی ساماندهی کنند. البته ازآنجایی‌که اغلب رزومه‌ها از طرف مردان بوده است الگوهای برداشته‌شده از آن‌ها بیشتر مردانه بوده و لذا شبکه به حالت حاکمیت مردانه درآمده است.
 
همین امر سبب شده، هوش مصنوعی حاکم بر این سیستم نامزدهای کاری مرد را ترجیح دهد و روزمه های دریافت شده‌ای که در آن‌ها جنسیت زن قیدشده باشد را کنار بگذارد. آیا این امر بدین معنی است که هوش مصنوعی به‌نوعی نسبت به جنسیت به‌صورت جانب‌داری رفتار می‌کند و یا اینکه آیا این رفتار نشان‌دهنده این است که یادگیری ماشینی هنوز هم محصولی از محیط پیرامون خود است؟
 
در اصل باید گفت که یادگیری عمیق عبارت است از تحلیل دیتایی که از قبل در دسترس است برای پیش‌بینی و درک آینده. لذا درصورتی‌که فرهنگ خاصی مورد تحلیل قرار گیرد کامپیوتر ممکن است حتی به تقویت آن فرهنگ نیز بپردازد. شرکت آمازون نیز یکی از جدیدترین نمونه‌هایی است که ثابت کرد چگونه این ماشین‌ها و هدایت‌کنندگان آن‌ها هنوز هم به یادگیری نیاز دارند.
 
با توجه به اینکه محتوای تصویری و به‌خصوص شناسایی صورت افراد هرروز بیش از گذشته در برنامه‌های کاربردی مختلف مورداستفاده قرار می‌گیرد، تأثیر دیتای متعصبانه و دارای جانبگیری از موضعی خاص می‌تواند اهمیت هدایت کردن این نوع مشکلات را به‌سوی مسیر صحیح، بیش‌ازپیش نمایان کند.
 در حال حاضر سیستم‌های آموزشی عمیق موردنیاز است تا بتوان اطمینان حاصل کرد که کامپیوترهای ما به دیتای صحیح دست پیدا می‌کنند. چراکه کیفیت خوب دیتا است که می‌تواند عملیات بهینه و منطقی را نتیجه دهد و سبب رشد و توسعه کسب‌وکارها شود و از سوی دیگر دیتای بدون کیفیت می‌تواند سبب رخ دادن عملیاتی شود که می‌تواند به ضرر کسب‌وکارها باشد.
 
سرمایه‌گذاری در هوش مصنوعی
 
برای استفاده بهینه از هوش مصنوعی در توسعه کسب‌وکارها مدیران باید اطمینان حاصل کنند که کارکنان مهارت‌های لازم برای سرمایه‌گذاری در این حوزه را کسب کرده‌اند.
 
دنیای ما امروزه در ۲.۵ کوئینتیلیون بایت دیتا در هرروز احاطه‌شده است، این مقیاس دیتا که برای یادگیری ماشینی غیرقابل استفاده است به علت فاقد شناسه و برچسب بودن یا فاقد ساختار مناسب بودن برای یادگیری نظارت‌شده نیز مناسب نمی‌باشد.
 
همچنین استفاده از مجموعه‌های کوچک دیتا در یادگیری ماشینی می‌تواند منجر به پدیده‌ای شود که بنابر آن دیتای محدود و کم به یک ماشین یاد می‌دهد که درختان را مشاهده کند، اما چوب درختان را نشناسد. مجموعه دیتای بزرگ‌تر و متنوع‌تر دیتایی هستند که در صورتی خواهان جلوگیری از محدودیت‌های دیتا و استفاده از یادگیری عمیق درروش موردنظر در آینده‌ای نزدیک باشیم، بیشتر به‌کارآمده و مناسب‌تر هستند.
 
برای مثال درصورتی‌که به دنبال آموزش دادن به یک شبکه به‌منظور شناسایی چهره‌های جذاب باشیم اما به این شبکه فقط صورت‌های سفید را نشان دهیم این ماشین یاد می‌گیرد که چهره‌های جذاب فقط می‌توانند چهره‌ای سفید باشند. این امر مسئله‌ای است که سال گذشته برنامه «فیس اپ» به‌نوعی با فیلتر عکس مخصوص خود از آن استفاده کرد و گزینه‌ای را ارائه داد که با استفاده از آن کاربر می‌توانست عکس خود را جذاب‌تر کند. با انتخاب این گزینه یکی از تغییراتی که روی عکس ایجاد می‌شد این بود که چهره فرد سفیدتر نشان داده می‌شد.
 
یادگیری نظارت‌شده در مقابل یادگیری نظارت‌نشده
 
در بسیاری از روش‌ها یک شبکه عصبی بیشتر شبیه بچه‌ای است که پاسخ‌های متفاوتی به یک نظارت هدایت‌شده و هدایت نشده می‌دهد. درصورتی‌که به یک کودک به‌سادگی اجازه دهید بدون هیچ‌گونه راهنمایی در یک مکان حرکت کند، او این کار را یاد خواهد گرفت. آنچه او می‌خواهد یاد بگیرد به‌صورت غیرقابل‌پیش‌بینی است. این روش در حقیقت یادگیری به روش غیر نظارت‌شده است؛ اما یادگیری نظارت‌شده که رایج‌ترین تکنیک آموزش در هوش مصنوعی است به معنی ارائه راهنمایی و نشان دادن مسیرها و جهت‌های حرکت به کودک اشاره‌شده، است تا بتواند هر چیزی را از روی تصاویر بشناسد و از طریق نشانه‌های مشخص مسیر موردنظر را پیدا کند.
 
تغییر مثبت در روش انجام وظایف
 
هوش مصنوعی، تغییرات مثبتی در روش انجام وظایف انسان ایجاد می‌کند. امروزه ماشین‌ها چنان برنامه‌ریزی‌شده‌اند که با استفاده از تکنیک‌های یادگیری نظارت‌شده می‌توانند حتی بهتر از انسان‌ها وظایف خود را درباره مسئولیت‌های شناختی به‌خوبی انجام دهند. یادگیری غیر نظارت‌شده به ماشین‌ها امکان می‌دهد به روش برنامه‌ریزی‌شده دیتای موردنیاز خود را کسب کنند و به دنبال الگوها بوده و اتصالاتی را ترسیم کنند و بدون نیاز به راهنما به نتایج مطلوب برسند. یادگیری غیر نظارت‌شده معمولاً نمی‌تواند دقت و کارآمدی یادگیری نظارت‌شده را داشته باشد و این در حالی است که یادگیری عمیق هنوز در مراحل اولیه شکوفایی خود قرار دارد و کارآمدی‌های خود را بروز نداده است.
 
به‌تدریج هوش مصنوعی و یادگیری عمیق امکان درک تصاویر بدون برچسب تعیین‌شده از قبل را نیز پیدا خواهد کرد. به‌محض عبور از این مرز فقدان دیتای مناسب برای یادگیری دیگر معنی خود را از دست خواهد داد و دیگر نیازی به اتکا به این نوع دیتا نیست.
 
پر کردن خلأهای دیتایی، راهی برای توسعه یادگیری عمیق
 
باید به این نکته توجه داشت که دیتای در دسترس، مشکلاتی دارد و از ویژگی¬های موردنیاز برای یادگیری عمیق برخوردار نیست. لذا به‌جای جمع‌آوری دیتای هر چه بیشتر، شاید آینده موفق یادگیری عمیق در یادگیری غیر نظارت‌شده نهفته باشد. گذشته از همه این مسائل شاید دغدغه اصلی ما در این دوران آموزش دادن اصول پایه هوش مصنوعی به فرزندانمان باشد اما مسئله مهم‌تر یادگیری و تجربه مسائل مهم این حوزه توسط خود ما هست.
 
اجرای موفق هوش مصنوعی در سه‌گام
 
موفقیت در یادگیری عمیق به میزان بسیار زیادی به کیفیت دیتای جمع‌آوری‌شده، نظم روند جمع‌آوری دیتا و علامت‌گذاری دیتایی بستگی دارد که برای آموزش به ماشین‌های ما و یادگیری اموری که باید توسط آن‌ها به‌صورت دقیق و منظم انجام شود، به کار گرفته می‌شود.
 
برای شکوفای و ظهور موفق یادگیری عمیق باید تمرکز اصلی بر وابستگی هرچه کمتر بر دیتای آموزشی و توجه بیشتر بر فن‌های یادگیری غیر نظارت‌شده‌ای متمرکز باشد که نه‌تنها به پردازش دیتا می‌پردازند بلکه رفتار یادگیری انسان‌ها را نسخه‌برداری و تکرار می‌کنند. تنها بدین طریق است که ما خواهیم توانست به ماشین‌های خود اجازه دهیم به‌جای ما فکر کنند.