هوش مصنوعی در مقابل یادگیری ماشین: تفاوت چیست؟

هوش مصنوعی و یادگیری ماشین، اصطلاحاتی است که در چند سال اخیر در صنعت فناوری پیشرفت کرده اند اما منظورشان چیست؟ هر کسی که به طور جزئی با فضاهای علمی تخیلی آشنایی داشته باشد، احتمالا ایده ای درباره AI داشته باشد، هرچند ممکن است چیز متفاوتی از چیزی که امروز در میان ما است، ببیند.

این دو اصطلاح اغلب با یکدیگر ترکیب می شوند و به طور نامناسبی جایگزین استفاده می شوند، به ویژه توسط بخش های بازاریابی که می خواهند تکنولوژی خود را پیچیده تر جلوه کنند. در حقیقت، هوش مصنوعی و یادگیری ماشین بسیار متفاوت از هم هستند و پیامدهای بسیار متفاوت برای آنچه که کامپیوترها می توانند انجام دهند و چگونه با ما تعامل دارند.

همه چیز از شبکه عصبی شروع می شود

یادگیری ماشین پارادایم محاسباتی است که منجر به رشد داده های بزرگ و هوش مصنوعی می شود. این به دلیل توسعه شبکه های عصبی و یادگیری عمیق است. به طور معمول این امر به عنوان تقلید از شیوه ای که انسان ها می آموزند، توصیف شده است که اشتباه است. یادگیری ماشین در واقع مربوط به تحلیل آماری و یادگیری تکراری است.

به جای ایجاد یک برنامه سنتی شامل اظهارات منطقی و الگوریتم تصمیم گیری (if, and, or, etc)، یک شبکه عصبی به طور خاص برای آموزش و یادگیری با استفاده از یک شبکه موازی نورون ساخته شده است که هر کدام برای یک هدف خاص طراحی شده اند.

ماهیت هر یک از شبکه های عصبی خاص می تواند بسیار پیچیده باشد، اما کلیدی برای عملکرد آنها، استفاده از وزن (یا عوامل اهمیت) به برخی صفات ورودی است. با استفاده از شبکه های مختلف وزن و لایه ها، ممکن است یک احتمال یا تخمینی ایجاد کنید که ورودی شما با یک یا چند خروجی تعریف شده مطابقت دارد.مشکل این نوع محاسبات، همانند برنامه نویسی منظم، وابستگی آن به برنامه نویس انسانی است و تنظیم مجدد تمام این وزن برای اصلاح دقت خروجی می تواند زمان زیادی را برای انسان انجام دهد. یک شبکه عصبی به عنوان قلمرو یادگیری ماشین تغییر می یابد و یک حلقه بازخورد اصلاحیه معرفی می شود.

با نظارت بر خروجی، مقایسه آن با ورودی، و به تدریج افزایش وزن نرون، یک شبکه می تواند خود را برای بهبود دقت آموزش دهد. بخش مهم در اینجا این است که یک الگوریتم یادگیری ماشینی قادر به یادگیری و عمل بدون برنامه نویسان است که هر گونه امکان را در مجموعه داده مشخص می کند. لازم نیست قبلا همه شکل های ممکن برای یک گل را در الگوریتم یادگیری ماشینی قرار دهید که برای پیدا کردن آنچه که گل باید به نظر برسد را در نظر داشته باشد.

دانشگاه استنفورد یادگیری ماشینی را “علم به دست آوردن اطلاعات رایانه بدون توضیح صریح” توصیف می کند

آموزش یک شبکه می تواند به روش های مختلفی انجام شود، اما همه آنها شامل یک رویکرد تکراری نیروی بی رحم برای به حداکثر رساندن دقت خروجی و آموزش مسیرهای بهینه از طریق شبکه می باشد. با این حال، این خودآموزی هنوز فرآیند کارآمدتری نسبت به بهینه سازی الگوریتم با دست است و این الگوریتم ها را قادر می سازد تا در مقادیر بسیار سریعتر داده ها را در زمان های بسیار سریعتر مرتب سازی کند.

پس از آموزش، یک الگوریتم یادگیری ماشین قادر به مرتب سازی ورودی های نام تجاری جدید از طریق شبکه با سرعت و دقت زیادی است. این امر یک فناوری ضروری برای تشخیص تصاویر کامپیوتر، تشخیص صدا، پردازش زبان و همچنین پروژه های تحقیقاتی علمی است. شبکه های عصبی در حال حاضر محبوب ترین روش برای انجام عمیق یادگیری هستند، اما روش های دیگری نیز برای دستیابی به یادگیری ماشین وجود دارد، اگر چه روش فوق توضیح داده شده در حال حاضر بهترین ما است.

یادگیری ماشینی چیست و چه نیست

یادگیری ماشینی یک روش پردازش هوشمندانه است، اما هیچ هوش واقعی ندارد. یک الگوریتم لازم نیست دقیقا بداند که چرا خود تصحیح می کند، فقط در آینده می تواند در این ضمینه دقیق ترباشد. با این حال، هنگامی که الگوریتم آموخته است، می توان آن را در سیستم هایی که در واقع به نظر می رسد دارای اطلاعات هستند استفاده شود. یک روش خوب برای تعریف هوش مصنوعی، استفاده از یادگیری ماشین است که انسان را به روش قاطعانه هوشمند تقلید می کند.

یک الگوریتم یادگیری ماشینی که می تواند از طریق یک پایگاه داده تصاویر را تجزیه  وتحلیل کند  و مورد  اصلی را در تصویر شناسایی کند، واقعا به نظر نمی رسد هوشمندانه باشد، زیرا این اطلاعات را به شیوه ای انسانی پردازش نمی کند، پیاده سازی الگوریتم مشابه در یک سیستم با دوربین و بلندگو، که می تواند اشیاء قرار داده شده در مقابل خود را شناسایی کند و نام آنها را به سرعت و به طور ناگهانی بیان کند، بسیار هوشمندتر به نظر می رسد. حتی هوشمندتر اگر آن را قادر به بیان تفاوت بین غذاهای سالم و ناسالم کند.

تعریف خوبی از AI یک ماشین است که می تواند وظایف مشخصه هوش انسانی، مانند یادگیری، برنامه ریزی، و تصمیم گیری را انجام دهد

هوش مصنوعی را می توان به دو دسته عمده تقسیم کرد: کاربردی  و عمومی. هوش مصنوعی کاربردی در حال حاضر بسیار قابل اجرا است  و بیشتر نزدیک به مثال های یادگیری ماشینی مرتبط است که برای انجام وظایف خاص طراحی شده است. هوش مصنوعی می تواند سهام تجاری، مدیریت ترافیک در یک شهر هوشمند انجام دهد یا کمک به تشخیص بیماری ها باشد. تا این لحظه محدوده استفاده از این نوع کاربرد ها برای هوش مصنوعی محدود است و هنوز برای افزایش مهارت های کاربردی دربهبود عملکرد AI راه زیادی باقی مانده است.

هوش مصنوعی عمومی، همانطور که از نامش بر می آید، وسیع تر و تواناتر است،  می تواند طیف گسترده ای از وظایف را مدیریت کند، تقریبا هر مجموعه داده ای را درک می کند، و به نظر می رسد که گسترده تر و درست مثل انسان ها رفتار می کند. AI عمومی می تواند بیرون از محدوده تعریف شده به دانش خود بیافزاید، که به طور بالقوه منجر به رشد در توانایی های خود می شود. شاید جالب باشد که بدانید، اولین کشف یادگیری ماشینی، منعکس کننده ایده چگونگی توسعه مغز و یادگیری افراد است. یادگیری ماشین، به عنوان بخشی از یک سیستم پیچیده بزرگ، برای دستیابی به نرم افزار و ماشین آلات قادر به انجام وظایف مشخص و قابل مقایسه با هوش انسانی است.

حال و آینده

با وجود تمام اصطلاحات بازاریابی و بحث فنی، یادگیری ماشینی هوش مصنوعی در در نرم افزارهایی اینجا هستند.هنوز با زندگی در کنار AI عمومی فاصله زیادی داریم، اما اگر از Google Assistant  یا الکسای آمازون استفاده می کنید، شما در حال حاضر با یک شیوه کاربردی AI همکاری می کنید. یادگیری ماشینی مورد استفاده برای پردازش زبان یکی از عوامل کلیدی دستگاه های هوشمند امروز است، هرچند که آنها به اندازه کافی هوشمند نیستند تا بتوانند به تمام سوالات شما پاسخ دهند.

خانه هوشمند آخرین مورد استفاده آنها است. یادگیری ماشینی در حال حاضر در قلمرو داده های بزرگ استخدام شده است و این موارد استفاده نیز به طور فزاینده ای در قلمرو AI نفوذ کرده است. گوگل از آن برای موتور جستجو استفاده می کند. فیس بوک از آن برای بهینه سازی تبلیغات استفاده می کند. بانک شما احتمالا از آن برای جلوگیری از تقلب استفاده می کند.

شما در زندگی روزمره خود از کدام استفاده میکنید؟