در آینده نه چندان دور، دنیای تصویر شده توسط ربات، به شدت به توانایی ما برای استقرار موفقیت آمیز هوش مصنوعی (AI) متکی است. با این حال، تبدیل ماشین‌ها به دستگاه‌های تفکر آنقدرها هم که به نظر می‌رسد آسان نیست. هوش مصنوعی قوی تنها با یادگیری ماشین (ML) قابل دستیابی است که به ماشین‌ها کمک کند تا مانند انسان‌ها درک کنند.
یادگیری ماشین ممکن است گیج کننده باشد، بنابراین مهم است که با تعریف واضح این اصطلاح شروع کنیم:
یادگیری ماشین کاربردی از هوش مصنوعی است که به سیستم‌ها امکان می‌دهد بدون برنامه‌ریزی صریح، از تجربه یاد بگیرند و پیشرفت کنند. یادگیری ماشین بر توسعه برنامه‌های کامپیوتری تمرکز دارد که می‌توانند به داده‌ها دسترسی داشته باشند و از آن برای یادگیری خود استفاده کنند.

یادگیری ماشین، مشابه نحوه کسب دانش و درک مغز انسان، برای درک موجودیت‌ها، حوزه‌ها و ارتباطات بین آنها به ورودی‌هایی مانند داده‌های آموزشی یا نمودارهای دانش متکی است. با تعریف نهادها، یادگیری عمیق می تواند آغاز شود.
فرآیند یادگیری ماشین با مشاهدات یا داده هایی مانند مثال ها، تجربه مستقیم یا دستورالعمل آغاز می شود و به دنبال الگوهایی در داده ها می گردد تا بعد از آن بتواند بر اساس مثال های ارائه شده استنتاج کند. هدف اصلی ML این است که به رایانه‌ها اجازه دهد تا به طور مستقل و بدون دخالت یا کمک انسان یاد بگیرند و اقدامات را بر اساس آن تنظیم کنند.

یادگیری ماشین به عنوان یک مفهوم، مدت زیادی است که وجود داشته است. اصطلاح "یادگیری ماشین" توسط آرتور ساموئل، دانشمند کامپیوتر در IBM و پیشگام در هوش مصنوعی و بازی های رایانه ای ابداع شد. ساموئل یک برنامه کامپیوتری برای بازی Checkers طراحی کرد. هر چه برنامه بیشتر پخش شد، با استفاده از الگوریتم ها برای پیش بینی، بیشتر از تجربه یاد گرفت.
به عنوان یک رشته، یادگیری ماشین تجزیه و تحلیل و ساخت الگوریتم‌هایی را بررسی می‌کند که می‌توانند از داده‌ها یاد بگیرند و پیش‌بینی کنند.
ML ارزشمند است زیرا می تواند مشکلات را با سرعت و مقیاسی حل کند که توسط ذهن انسان به تنهایی قابل تکرار نیست. می توان ماشین ها را با مقادیر عظیمی از توانایی محاسباتی در پشت یک کار واحد یا چندین کار خاص، برای شناسایی الگوها و روابط بین داده های ورودی و خودکارسازی فرآیندهای معمول آموزش داد.

• داده‌ها کلید هستند: الگوریتم هایی که یادگیری ماشین را هدایت می کنند برای موفقیت بسیار مهم هستند. الگوریتم‌های ML یک مدل ریاضی را بر اساس داده‌های نمونه می‌سازند که به عنوان «داده‌های آموزشی» شناخته می‌شود تا پیش‌بینی‌ها یا تصمیم‌گیری‌ها را بدون برنامه‌ریزی صریح انجام دهد. این کار می‌تواند روندهایی را در داده‌ها نشان دهد که کسب‌وکارهای اطلاعاتی می‌توانند از آن برای بهبود تصمیم‌گیری، بهینه‌سازی کارایی و گرفتن داده‌های عملی در مقیاس‌های مختلف استفاده کنند.
• هدف، هوش مصنوعی است: یادگیری ماشین پایه و اساس سیستم‌هایی از هوش مصنوعی را فراهم می‌کند که فرآیندها را خودکار می‌کنند و مشکلات کسب‌وکار مبتنی بر داده را به‌طور مستقل حل می‌کنند. شرکت ها را قادر می سازد تا توانایی های انسانی خاصی را جایگزین یا تقویت کنند. چت‌بات ها، ماشین های بدون راننده و تشخیص گفتار، برنامه های رایج یادگیری ماشین هستند که ممکن است در دنیای واقعی بیابید.

یادگیری ماشین علمی تخیلی نیست. در حال حاضر توسط مشاغل در تمام بخش ها برای پیشبرد نوآوری و افزایش کارایی فرآیند به طور گسترده استفاده می شود. در سال ۲۰۲۱، ۴۱ درصد از شرکت‌ها در نتیجه همه‌گیری کرونا، راه‌اندازی هوش مصنوعی خود را تسریع کردند. این تازه واردان به ۳۱ درصد از شرکت‌هایی می‌پیوندند که پیش از این، هوش مصنوعی در حال تولید داشته‌اند یا به طور فعال فناوری‌های هوش مصنوعی را اجرا می‌کنند.

• امنیت داده: مدل‌های یادگیری ماشین می‌توانند آسیب‌پذیری‌های امنیتی داده‌ها را قبل از منقضی‌شدن شناسایی کنند. با نگاهی به تجربیات گذشته، مدل‌های یادگیری ماشین می‌توانند فعالیت‌های پرخطر آینده را پیش‌بینی کنند، بنابراین می‌توان ریسک‌ها را به طور فعال کاهش داد.
• امور مالی: بانک‌ها، کارگزاری‌های تجاری و شرکت‌های fintech از الگوریتم‌های یادگیری ماشین برای خودکارسازی معاملات و ارائه خدمات مشاوره مالی به سرمایه‌گذاران استفاده می‌کنند. بانک آمریکا از یک ربات چت به نام Erica برای خودکارسازی پشتیبانی مشتری استفاده می کند.
• مراقبت‌های بهداشتی: یادگیری ماشین برای تجزیه و تحلیل مجموعه‌های عظیم داده های مراقبت های بهداشتی برای تسریع در کشف درمان‌ها و بهبودی‌ها، بهبود نتایج بیمار، و خودکارسازی فرآیندهای معمول برای جلوگیری از خطای انسانی استفاده می‌شود. به عنوان مثال، واتسون IBM از داده کاوی برای ارائه داده‌هایی به پزشکان استفاده می‌کند که می‌توانند از آنها برای شخصی‌سازی درمان بیمار استفاده کنند.
• تشخیص تقلب: هوش مصنوعی در بخش مالی و بانکی برای تجزیه و تحلیل مستقل تعداد زیادی از تراکنش ها برای کشف فعالیت های جعلی در زمان واقعی استفاده می شود. شرکت خدمات فناوری Capgemini ادعا می کند که سیستم های تشخیص تقلب با استفاده از یادگیری ماشین و تجزیه و تحلیل، زمان بررسی تقلب را تا ۷۰٪ به حداقل می رساند و دقت تشخیص را تا ۹۰٪ بهبود می بخشد.
• خرده‌فروشی: محققان و توسعه‌دهندگان هوش مصنوعی از الگوریتم‌های یادگیری ماشین برای توسعه موتورهای توصیه هوش مصنوعی استفاده می‌کنند که بر اساس انتخاب‌های گذشته خریداران، و همچنین داده‌های تاریخی، جغرافیایی و جمعیتی، پیشنهادات محصول مرتبط را ارائه می‌دهند.

یادگیری ماشین مزایای واضحی را برای فناوری‌های هوش مصنوعی ارائه می‌کند. اما کدام رویکرد یادگیری ماشین برای سازمان شما مناسب است؟ روش های آموزش ML زیادی وجود دارد که می توان از بین آنها یکی را انتخاب کرد، از جمله:
• یادگیری تحت نظارت
• یادگیری بدون نظارت
• یادگیری نیمه نظارتی
بیایید ببینیم هر کدام چه چیزی برای ارائه دارند.

یادگیری تحت نظارت: کنترل بیشتر، bias کمتر
الگوریتم‌های یادگیری ماشین تحت نظارت، آنچه را در گذشته آموخته‌اند با استفاده از نمونه‌های برچسب‌گذاری شده برای پیش‌بینی رویدادهای آینده، روی داده‌های جدید اعمال می‌کنند. با تجزیه و تحلیل یک مجموعه داده آموزشی شناخته شده، الگوریتم یادگیری یک تابع استنباط شده برای پیش بینی مقادیر خروجی تولید می کند. این سیستم می تواند اهدافی را برای هر ورودی جدید پس از آموزش کافی فراهم کند. همچنین می تواند خروجی خود را با خروجی صحیح و در نظر گرفته شده مقایسه کند تا خطاها را بیابد و مدل را متناسب با آن اصلاح کند.
یادگیری بدون نظارت: سرعت و مقیاس
الگوریتم‌های یادگیری ماشین بدون نظارت زمانی استفاده می‌شوند که اطلاعات مورد استفاده برای آموزش نه طبقه‌بندی شده و نه برچسب‌گذاری شده باشد. یادگیری بدون نظارت مطالعه می کند که چگونه سیستم ها می توانند تابعی را برای توصیف یک ساختار پنهان از داده های بدون برچسب استنتاج کنند. در هیچ نقطه ای سیستم خروجی صحیح را با قطعیت نمی داند. در عوض، از مجموعه داده‌ها استنتاج می‌کند که خروجی باید چه باشد.
یادگیری تقویتی: نتایج پاداش
الگوریتم‌های یادگیری ماشین تقویتی یک روش یادگیری هستند که با ایجاد کنش‌ها و کشف خطاها یا پاداش‌ها با محیط خود در تعامل است. مرتبط ترین ویژگی های یادگیری تقویتی جستجوی آزمون و خطا و پاداش تاخیری است. این روش به ماشین‌ها و عوامل نرم‌افزار اجازه می‌دهد تا به طور خودکار رفتار ایده‌آل را در یک زمینه خاص تعیین کنند تا عملکرد آن را به حداکثر برسانند. بازخورد پاداش ساده - که به عنوان سیگنال تقویتی شناخته می شود - برای اینکه عامل یاد بگیرد کدام عمل بهترین است، لازم است.

مهم است که بفهمیم یادگیری ماشین چه کاری می تواند انجام دهد و چه کاری نمی تواند انجام دهد. همانطور که در انتقال خودکار هوش انسانی به ماشین ها مفید است، راه حلی عالی برای مسائل مربوط به داده های شما نیست. قبل از اینکه خیلی عمیق در استخر ML (یادگیری ماشین) شیرجه بزنید، کاستی های زیر را در نظر بگیرید:
• یادگیری ماشین مبتنی بر دانش نیست. برخلاف تصور رایج، یادگیری ماشین نمی تواند به هوش انسانی دست یابد. ماشین ها توسط داده ها هدایت می شوند، نه دانش انسانی. در نتیجه، «هوش» بر اساس حجم داده‌هایی که باید آن را آموزش دهید تعیین می‌شود.
• آموزش مدل های یادگیری ماشین دشوار است. هشتاد و یک درصد از دانشمندان داده اذعان دارند که آموزش هوش مصنوعی با داده ها دشوارتر از حد انتظار است. آموزش ماشین‌ها به زمان و منابع نیاز دارد. برای ایجاد مدل‌های داده، مجموعه داده‌های عظیمی مورد نیاز است و این فرآیند شامل پیش برچسب‌گذاری دستی و دسته‌بندی مجموعه‌های داده است. این تخلیه منابع می تواند تاخیر و تنگناهایی در پیشبرد طرح های ML ایجاد کند.
• یادگیری ماشین مستعد مشکلات داده است. نود و شش درصد از شرکت ها مشکلات مربوط به آموزش را با کیفیت داده ها، برچسب گذاری داده ها و ایجاد اعتماد به مدل تجربه کرده اند. این مشکلات مربوط به آموزش، دلیل اصلی توقف هفتاد و هشت درصد پروژه های ML قبل از استقرار است که باعث ایجاد یک آستانه فوق العاده بالا برای موفقیت ML شده است.
• یادگیری ماشین اغلب مغرضانه (Biased) است. سیستم های یادگیری ماشین برای کار در یک جعبه سیاه شناخته شده‌اند، به این معنی که شما هیچ دیدی نسبت به نحوه یادگیری و تصمیم گیری دستگاه ندارید. بنابراین، اگر شما یک نمونه از bias را شناسایی کنید، هیچ راهی برای شناسایی علت آن وجود ندارد. تنها راه شما این است که الگوریتم را با داده های اضافی دوباره آموزش دهید، اما این تضمینی برای حل مشکل نیست.

با وجود تمام کاستی‌هایش، یادگیری ماشین هنوز برای موفقیت هوش مصنوعی حیاتی است. با این حال، این موفقیت مشروط به رویکرد دیگری برای هوش مصنوعی خواهد بود که با نقاط ضعف آن مقابله کند، مانند مشکل "جعبه سیاه" که زمانی رخ می دهد که ماشین ها بدون نظارت یاد می گیرند. این رویکرد هوش مصنوعی نمادین یا روشی مبتنی بر قانون برای پردازش داده ها است. یک رویکرد نمادین از یک نمودار دانش، که یک جعبه باز است، برای تعریف مفاهیم و روابط معنایی استفاده می کند.
یادگیری ماشین و هوش مصنوعی نمادین با هم هوش مصنوعی ترکیبی را تشکیل می‌دهند، رویکردی که به هوش مصنوعی کمک می‌کند که نه فقط داده‌ها، بلکه زبان را نیز درک کند. با بینش بیشتر در مورد آنچه آموخته شد، این رویکرد قدرتمند نحوه استفاده از داده ها را در این امر مهم تغییر می دهد.

شرکت فناوران اینترنت اشیاء هیوا از سال ۱۳۹۷ با بهره‌گیری از دانش، تخصص و تجربه افراد توانمند در زمینه هوش مصنوعی و یادگیری ماشین فعالیت می کند.

سایت مرجع: expert.ai