گستره‌ای از فناوری‌ها
یادگیری ماشین در مرکز سیستم‌های هوش مصنوعی قرار دارد. یادگیری ماشین موضوعی است که در سیستم‌های هوش مصنوعی امروزه زیاد دیده می‌شود. چه سیستم‌های پیش‌بینی‌کننده که پیش‌بینی می‌کنند چه اتفاقی قرار است بیفتد، چه سیستم‌های پردازش زبان طبیعی که می‌توانند گفتار و متن را تقریبا در لحظه درک کنند، چه سیستم‌های بینایی ماشین که با دقتی فوق‌العاده بالا ورودی‌های تصویری را درک می‌کنند، و چه سیستم‌های بهینه‌سازی جستجو و بازیابی اطلاعات، همه آن‌ها مبتنی بر یادگیری ماشین هستند. در مقاله «هوش مصنوعی واقعا موجب انقلاب در فناوری شده است؟» به این موضوع پرداختیم که چرا هوش مصنوعی بزرگ‌ترین تحول فناوری است که دنیا تاکنون به خود دیده است. در این مقاله به تاثیر هوش مصنوعی در فرآیند یادگیری ماشین می‌پردازیم و به صورت دقیق بررسی می‌کنیم که ماشین‌ها چگونه یاد می‌گیرند.
ماشین به چه روش‌هایی یاد می‌گیرد؟
یکی از نقاط قوت یادگیری ماشین این است که انواع مختلفی از الگوریتم‌های یادگیری داریم که می‌توان از آن‌ها استفاده کرد از جمله الگوریتم‌های بانظارت، بدون نظارت، و تقویتی.
یادگیری بانظارت. این نوع الگوریتم‌ها یک مجموعه داده برچسب‌دار را می‌گیرند (داده‌هایی که سازمان‌دهی و توصیف شده‌اند)، ویژگی‌های مهمی که هر برچسب با آن‌ها تعریف می‌شود را به دست می‌آورند، و یاد می‌گیرند که آن ویژگی‌ها را در داده‌های جدید بیابند. پس برای مثال، شما می‌توانید تعداد زیادی تصویر با برچسب گربه به الگوریتم بدهید. الگوریتم یاد می‌گیرد که چطور گربه‌ها را تشخیص دهد، و اگر یک تصویر دیگر که کاملا متفاوت باشد به الگوریتم بدهید، گربه را در آن شناسایی می‌کند.
یادگیری بدون نظارت. این نوع الگوریتم‌ها هیچ نیازی به برچسب‌های ازپیش‌تعیین‌شده ندارند. آن‌ها داده‌های بدون برچسب را می‌گیرند، شباهت‌ها و ناهنجاری‌ها را تشخیص می‌دهند، و داده‌ها را در گروه‌های مختلف قرار می‌دهند. پس، مثلا به یک الگوریتم، تعداد زیادی از تصاویر گربه و سگ را بدون برچسب نشان می‌دهید، و الگوریتم در هر گروه، تصاویر با ویژگی‌های مشابه را قرار می‌دهد، بدون آن که از پیش بداند که در تصاویر سگ وجود داشته یا گربه.
یادگیری تقویتی. این الگوریتم با آزمون و خطا کار می‌کند، و با حلقه «پاداش» و «جریمه» به پیش می‌رود. داده‌ها به الگوریتم داده می‌شود و الگوریتم محیط را مانند یک بازی می‌بیند. هر بار که الگوریتم یک کار در این محیط انجام می‌دهد، به آن گفته می‌شود که بازی را برده یا باخته است. به این ترتیب، الگوریتم تصویری از حرکات منجر به موفقیت و حرکات منجر به شکست را می‌سازد. AlphaGo و AlphaZero از شرکت دیپ‌مایند نمونه‌های خوبی از یادگیری تقویتی هستند.
یک مزیت مهمی که یادگیری ماشین نسبت به سایر تکنیک‌ها دارد، این است که داده‌های «کثیف» را هم مدیریت می‌کند. داده‌های کثیف یعنی داده‌هایی که در آن‌ها رکوردهای تکراری وجود دارد، برخی فیلدها به درستی خوانده نشده‌اند، یا اطلاعات ناکامل، ناصحیح، یا قدیمی هستند. این داده‌ها مشکلات زیادی برای شرکت‌ها به وجود می‌آورند: اکثر مدیران به‌خوبی می‌دانند که کار با داده‌های کثیف می‌تواند ضربه مهمی به شرکتشان بزند. انعطاف‌پذیری یادگیری ماشین – این که می‌تواند به مرور زمان آموزش ببیند و بهتر شود – به این معنا است که داده‌های کثیف را می‌تواند با دقت بسیار بیشتری پردازش کند.
تشخیص حیوان از شیرینی چقدر سخت است؟ گاهی، بسیار سخت‌تر از چیزی که فکر می‌کنید. یکی از محبوب‌ترین مسائل در اینترنت، درباره شباهت‌های بین برخی حیوانات و غذاها است. مثلا برخی سگ‌ها شبیه شیرینی هستند، و در تصاویرشان، در نگاه اول نمی‌توان تشخیص داد که کدام، کدام است. اما برای هوش مصنوعی این‌طور نیست. اگر این تصاویر را به یک برنامه تشخیص تصویر بدهید، درمی‌یابید که این کار را با دقت بالایی برای شما انجام می‌دهد.
مغز مصنوعی
پشت بسیاری از پیشرفت‌های خارق‌العاده سال‌های اخیر، یک نوع بسیار پیشرفته و ظریف از سیستم‌های رایانشی قرار دارد؛ سیستمی که از عملکرد خود مغز الهام گرفته شده است. این سیستم‌ها شبکه‌های عصبی نام دارند و بسیاری از کارهای جدید هوش مصنوعی مبتنی بر آن هستند. یک شبکه عصبی از تعدادی از «گره‌های» متصل به هم ساخته شده که رفتار شبکه نورون‌ها در یک مغز واقعی را شبیه‌سازی می‌کنند. هر گره یک ورودی می‌گیرد، وضعیت درونی خود را تغییر می‌دهد، و یک خروجی تحویل می‌دهد. خروجی آن تبدیل به ورودی گره‌های بعدی می‌شود و کار به همین شکل ادامه می‌یابد. این تنظیمات پیچیده باعث می‌شود یک نوع بسیار قدرتمند از محاسبات به نام یادگیری عمیق شکل بگیرد.
در یادگیری عمیق، از چندین لایه فیلتر استفاده می‌شود تا سیستم بتواند ویژگی‌های مهم داده‌ها را پیدا کند. برای مثال، در تشخیص تصویر و تشخیص صدا، از یادگیری عمیق استفاده می‌شود. با یک شبکه عصبی، خروجی هر فیلتر ورودی بعدی می‌شود و هر فیلتر سطح انتزاع متفاوتی دارد. به این ترتیب، سیستم‌های یادگیری عمیق می‌توانند داده‌های بسیار بزرگ‌تری نسبت به روش‌های دیگر را پردازش کنند.
تشخیص چهره
شبکه‌های عصبی یادگیری عمیق، از لایه‌های خاصی استفاده می‌کنند تا شکل‌های پیچیده‌ای مانند چهره‌ها را بشناسند.
ما درباره چه نوع هوشی صحبت می‌کنیم؟
وقتی دانشمندان علوم داده (Data Scientists) و دیگران درباره هوش مصنوعی صحبت می‌کنند، از دو دسته‌بندی بهره می‌گیرند: هوش مصنوعی محدود، و هوش مصنوعی عمومی. یا هوش مصنوعی ضعیف و هوش مصنوعی قوی.
هوش مصنوعی ضعیف
این یعنی تفکر شبیه‌سازی‌شده. یعنی سیستمی که به ظاهر دارد هوشمند رفتار می‌کند، اما آگاهی‌ای درباره کارش ندارد. برای مثال، یک چت‌بات می‌تواند گفتگویی طبیعی را با انسان داشته باشد، اما حسی از این که چیست و چرا با شما صحبت می‌کند ندارد.
هوش مصنوعی قوی
این یعنی تفکر عملی. یعنی رفتار هوشمند، فکر کردن مانند یک انسان، با ذهنی آگاه و دارای نظر. برای مثال، وقتی دو انسان با هم صحبت می‌کنند، می‌دانند که چه کسی هستند، چه کار می‌کنند و چرا.
ابرهوش
اصطلاح ابرهوش به هوش مصنوعی عمومی و قوی گفته می‌شود که بتواند از هوش انسانی بالاتر برود؛ البته اگر بتواند.
هوش مصنوعی محدود
این یعنی هوش مصنوعی‌ای که تنها به یک وظیفه یا مجموعه‌ای از وظایف محدود است. برای مثال، قابلیت‌های کامپیوتر دیپ بلو IBM را در نظر بگیرید که توانست در سال 1997، گری کاسپاروف را در یک مسابقه شطرنج شکست دهد. اما آن کامپیوتر تنها به بازی شطرنج محدود بود و حتی نمی‌دانست چطور در یک بازی X-O برنده شود یا این که اصلا چطور بازی‌اش کند.
هوش مصنوعی عمومی
این هوش مصنوعی می‌تواند گستره‌ای وسیع از وظایف را در محیط‌های گوناگون انجام دهد. این به هوش انسان بسیار نزدیک‌تر است. DeepMind گوگل از یادگیری تقویتی استفاده کرده تا هوش مصنوعی‌ای بسازد که بتواند بازی‌های گوناگون زیادی را انجام دهد؛ بازی‌هایی که نیاز به مهارت‌های متفاوت دارند. هوش مصنوعی آن‌ها توانسته در 29 بازی کلاسیک آتاری، به سطح انسان برسد، آن هم در حالی که تنها پیکسل‌های روی صفحه را به عنوان ورودی گرفته است.
زمان یادگیری
مشخص است که بخش «یادگیری» در یادگیری ماشین، اهمیتی بنیادین دارد. همان‌طور که مغز انسان باید از کودکی آموزش ببیند تا اطلاعاتی که دریافت می‌کند را درک و پردازش کند، یک الگوریتم یا مدل یادگیری ماشین باید آموزش ببیند تا محیطش را درک کند. وقتی که شرکت‌ها کار آموزش را اشتباه انجام می‌دهند، ممکن است نتایج خجالت‌آوری حاصل شود. برای مثال، چت‌بات مایکروسافت به نام تای، قرار بود از شبکه‌های اجتماعی، صحبت کردن را یاد بگیرد. این هوش مصنوعی قرار بود مکالمه‌ای با زبان طبیعی با کاربران توییتر داشته باشد. اما چندین ترول اینترنتی به تای یاد دادند که فحش بدهد و حرف‌های نژادپرستانه بزند و مایکروسافت مجبور شد آن را به‌سرعت غیرفعال کند. این تجربه مایکروسافت نشان می‌دهد که باید در استقرار سیستم‌های هوش مصنوعی، مدیریت و کنترل قوی داشت.
اما انجام دادن درست کار آموزش، فراتر از ریاضیات پیشرفته است. یادگیری ماشین صنعتی، قابلیتی بین رشته‌ای است که ترکیبی از علوم داده، مهندسی، و طراحی تجربه کاربری به همراه دانش مرتبط از دامنه است. هیچ‌کدام از این قابلیت‌ها به‌تنهایی کافی نیستند.
جایگاه تجزیه و تحلیل کجاست؟
شاید سوال باید این باشد: هوش مصنوعی چه نقشی در تجزیه و تحلیل دارد؟
هر چه باشد، هدف تجزیه و تحلیل این است که از داده‌ها، بینش به دست بیاید، که هدف یادگیری ماشین هم همین است.
تجزیه و تحلیل و هر الگوریتم یادگیری ماشین که از آن پشتیبانی می‌کند، می‌تواند سطوح متفاوتی از پیچیدگی، بسته به میزان بینش مورد نیاز داشته باشد. پس، در سطوح ساده‌تر «تجزیه و تحلیل توصیفی» را داریم که در آن، داده‌های تاریخی تحلیل می‌شوند تا دریابیم که چه اتفاقی افتاده و چرا. بعد نوبت به «تجزیه و تحلیل پیش‌بینی‌کننده» می‌رسیم که در آن از داده‌ها برای پیش‌بینی این استفاده می‌شود که در آینده چه خواهد شد.
در نهایت، در بالاترین سطح، «تجزیه و تحلیل تجویزگر» را داریم که نه‌تنها پیش‌بینی می‌کند که چه اتفاقی خواهد افتاد، بلکه به شما می‌گوید که چه کار انجام دهید.
هوش مصنوعی و ربات
وقتی به هوش مصنوعی فکر می‌کنیم، ربات و رباتیک به ذهن می‌رسند. در تخیل عامه، این ربات می‌تواند شبیه ربات‌های فیلم‌های علمی تخیلی باشد.
در محیط تجاری، این می‌تواند به معنای اتوماسیون فرآیندهای تولیدی یا خدماتی با استفاده از ربات‌های مکانیکی باشد (مانند خطوط تولید خودرو) و با گذشت زمان، اتوماسیون فرآیندهای اداری و خدماتی با ورودی‌های دیجیتال و دستی هم بیشتر با ربات‌ها انجام خواهد شد. این کار «اتوماسیون رباتیک فرآیند» یا به اختصار RPA نامیده می‌شود.
RPA برای فرآیندهایی است که هیچ تغییری در آن‌ها ایجاد نمی‌شود، در نتیجه اصلا نیازی به «هوش» ندارد. برای مثال، اگر یک فرآیند تجاری شامل این شود که یک فرد به صورت دستی داده‌ها را از فرم استاندارد یک سیستم (مثلا سیستم کاغذی) به فرم استاندارد سیستم دیگری تبدیل کند، این فرآیند را می‌توان با شبیه‌سازی دکمه‌هایی که فرد می‌زند، از طریق RPA خودکار ساخت. یک شرکت از RPA در پردازش فاکتور مشتری استفاده کرد و نتیجه آن 70% صرفه‌جویی در زمان، 30% افزایش بهره‌وری و 100 % دقت در انجام کار بود.
تکنیک‌های هوش مصنوعی به شکل روزافزونی در زمینه «RPA شناختی» به کار گرفته می‌شوند. به این ترتیب، یک فرآیند با میزانی از تغییر را می‌توان خودکار ساخت، و این باعث می‌شود RPA میدان عمل بسیار گسترده‌تری پیدا کند. برای مثال، از یادگیری ماشین برای خواندن متن موجود در یک فایل تصویری توسط یک ماشین می‌توان استفاده کرد.
در واقع می‌توان گفت که RPA نقطه ایده‌آلی برای شروع سفر یک شرکت در هوش مصنوعی است. استفاده موفق از RPA به این معنا است که درک درست و مفصلی از فرآیندی که باید خودکار شود حاصل شده است. این کار اولین گام در طراحی یک راه حل اتوماسیون با هوش مصنوعی پیچیده‌تر و وسیع‌تر است. همچنین باید اطمینان حاصل شود که فرآیندهای موجود، که گاهی بهینه هم نیستند، به فرم دیجیتال صرفا بازسازی نمی‌شوند، بلکه بازمهندسی می‌شوند تا از نهایت قدرت هوش مصنوعی بتوان استفاده کرد.
یک نکته مهم: RPA و «RPA شناختی» فقط برای کاهش هزینه‌ها نیستند. با آن‌ها می‌توان به سطوح جدیدی از سازگاری و سرعت رسید، آن‌ها 24 ساعت 7 روز هفته در دسترس هستند و می‌توانند فرآیند را طبق نیاز، بزرگ یا کوچک سازند. باید همیشه در نظر داشت که RPA جانشین وظایف می‌شود، نه افراد. بسیاری از سازمان‌هایی که از RPA استفاده می‌کنند، نیروی کار خود را به جاهای دیگری می‌برند و ارزش بیشتری به شرکت می‌افزایند.
در یک نظرسنجی در سال 2017، مشخص شد که تنها 13 درصد از کارکنان نگران این هستند که اتوماسیون شغل آن‌ها را حذف کند. اما اثر RPA و هوش مصنوعی روی نیروی کار مساله حساسی است که باید با دقت آن را مدیریت کرد.
