از آموختن که سخن گفته می‌شود، از هوش هم باید گفت. یادگیری و هوش در موجودات زنده، نسبت مستقیمی با یکدیگر دارد همچنین ماشین‌ها و تجهیزاتی که بخشی از فرآیند عملیاتی‌ خودکار باستفاده می‌کنند، از همین الگو بهره می‌برند.

انجام فرآیندهای نیازمند استفاده از هوش مصنوعی در دستگاه‌های پیشرفته نیز با با فرآیند یادگیری عمیق ممکن می‌شود؛ فرآیندی که جزو عملکردهای هوش مصنوعی است و نحوه فعالیت مغز انسان در پردازش داده‌ها و ایجاد الگوهایی برای استفاده در تصمیم گیری را تقلید می کند.

یادگیری عمیق زیرمجموعه ای از یادگیری ماشین در هوش مصنوعی است که دارای شبکه هایی است که قادر به یادگیری بدون نظارت از داده های بدون ساختار یا بدون برچسب هستند. همچنین به عنوان یادگیری عصبی عمیق یا شبکه عصبی عمیق شناخته می شود.

چگونه یادگیری عمیق کار می کند

یادگیری عمیق همزمان با دوران دیجیتال تکامل یافته است که منجر به انفجار داده ها در همه اشکال و از هر منطقه از جهان شده است. این داده ها که به سادگی به عنوان داده های بزرگ شناخته می‌شوند از منابعی مانند رسانه های اجتماعی، موتورهای جستجوی اینترنتی، سیستم عامل های تجارت الکترونیک و سینماهای آنلاین و غیره گرفته بهره برده‌اند.

این حجم عظیم از داده ها به آسانی قابل دسترسی هستند و می توان آنها را از طریق برنامه های نرم‌افزاری مانند محاسبات ابری به اشتراک گذاشت.

با این حال، داده ها که به طور معمول بدون ساختار هستند ، بسیار گسترده هستند به طوری که ده ها سال طول می کشد تا انسان ها بتوانند آن را درک کرده و اطلاعات مربوطه را استخراج کنند. این‌جاست که هوش مصنوعی و یادگیری عمیق به یاری می‌آید.

یادگیری عمیق در مقابل یادگیری ماشین

یکی از رایج ترین تکنیک های هوش مصنوعی که برای پردازش داده های بزرگ استفاده می شود، یادگیری ماشین یک الگوریتم خود سازگار است که تجربیات و الگوهای بهتری را با تجربه یا با داده های جدید اضافه می کند.

اگر یک شرکت پرداخت دیجیتالی بخواهد وقوع یا احتمال تقلب در سیستم خود را تشخیص دهد، می تواند از ابزارهای یادگیری ماشین برای این منظور استفاده کند. الگوریتم محاسباتی ساخته شده در یک مدل رایانه ای، تمام معاملات روی بستر دیجیتال را پردازش می کند، الگوهایی را در مجموعه داده ها پیدا می کند و هرگونه ناهنجاری را تشخیص می‌دهد.

یادگیری عمیق نیز زیر مجموعه‌ای از یادگیری ماشین است که سلسله‌ای از شبکه‌های عصبی مصنوعی را برای انجام فرآیند یادگیری ماشین استفاده می‌کند. شبکه‌های عصبی مصنوعی مانند مغز انسان ساخته شده‌اند و گره‌های عصبی مانند یک شبکه به هم متصل شده‌اند. در حالی که برنامه‌های سنتی تجزیه و تحلیل داده ها را به صورت خطی انجام می دهند، عملکرد سلسله مراتبی سیستم های یادگیری عمیق، ماشین‌ها را قادر می سازد تا داده ها را با رویکرد غیر خطی پردازش کنند.

یک مثال یادگیری عمیق

با استفاده از سیستم تشخیص تقلب که در بالا با یادگیری ماشین ذکر شد، می توان یک مثال یادگیری عمیق ایجاد کرد. اگر سیستم یادگیری ماشینی مدلی با پارامترهای ایجاد شده بر اساس تعداد دلارهایی که کاربر ارسال یا دریافت می کند ایجاد کند ، روش یادگیری عمیق می تواند بر اساس نتایج ارائه شده توسط یادگیری ماشین شروع به کار کند.

هر لایه از شبکه عصبی خود بر روی لایه قبلی خود با داده های اضافی مانند خرده فروش، فرستنده، کاربر، رویداد رسانه های اجتماعی، امتیاز اعتباری، آدرس رایانه‌ای و بسیاری از ویژگی های دیگر که در صورت پردازش توسط انسان ممکن است سال‌ها طول بکشد ایجاد می شود.

الگوریتم های یادگیری عمیق آموزش می بینند که نه تنها الگوهایی از همه معاملات ایجاد کنند ، بلکه باید بدانند چه زمانی الگویی به نیاز به یک تحقیق کلاهبرداری اشاره می کند. لایه نهایی یک سیگنال به یک تحلیلگر منتقل می کند که ممکن است حساب کاربر را مسدود کند تا زمانی که تمام تحقیقات در حال انجام نهایی شود.

یادگیری عمیق در همه صنایع برای تعدادی از کارهای مختلف استفاده می شود. برنامه های تجاری که از تشخیص تصویر استفاده می‌کنند، سیستم عامل های منبع باز با برنامه های توصیه کننده مصرف کننده و ابزارهای تحقیقات پزشکی که امکان استفاده مجدد از داروها برای بیماری های جدید را بررسی می کنند، چند نمونه از یادگیری عمیق است.

توسعه یادگیری عمیق با تجهیزات ایران‌ساخت

در کشورمان نیز شرکت‌های دانش‌بنیان و فناور که از هوش مصنوعی بهره می‌برند، فناوری یادگیری عمیق را توسعه می‌دهند. کار یادگیری عمیق را به شکلی نواورانه ممکن کرده اند، امکان بررسی الگوهای رفتاری کاربران، تشخیص هویت و شناخت عکس‌العمل‌های محیطی، به کمک یادگیری ماشین در خدمات و محصولات مختلفی مورد استفاده قرار می‌گیرد.

این فناوری و طرح‌های نوآورانه مرتبط با یادگیری عمیق توسط ستادهای توسعه فناوری معاونت علمی و فناوری ریاست جمهوری مورد حمایت قرار می‌گیرند و این نوآوری‌ها تا کنون زمینه‌ساز رونق محصولاتی در حوزه‌های سلامت، حمل و نقل پیشرفته و تجهیزات صنعتی کارایی خود را نشان داده‌اند.

مرکز ارتباطات و اطلاع رسانی معاونت علمی و فناوری ریاست جمهوری

#24