آینده پژوهی

نویسنده: نسرین نجفی پور

فروردین ۲, ۱۴۰۰
عظیم مدیا 8 مقالات 8 آینده پژوهی 8 دیپ لرنینگ چیست و چطور کار می‌کند؟

دیپ لرنینگ چیست و چطور کار می‌کند؟

دیپ لرنینگ

هوش مصنوعی و ماشین لرنینگ انقلاب بزرگی در صنعت و تکنولوژی روز دنیا ایجاد کرده‌اند. این حوزه‌های فناوری در بسیاری از صنایع وارد شده‌اند و تا چند سال دیگر نمی‌توان خیلی از کارها را بدون آن‌ها انجام داد. همه چیز به سمت هوشمند شدن پیش می‌رود و کشورهای توسعه‌یافته از این فناوری‌ها حتی در زندگی روزمره خود هم استفاده می‌کنند. هوشمندسازی خودروها و خانه‌های هوشمند مثال‌های ملموسی هستند. البته یادگیری ماشین بحث بسیار پیچیده و مفصلی است و نمی‌توان آن را به راحتی اجرایی کرد. با این حال در سال‌های اخیر پیشرفت زیادی داشته است. دیپ لرنینگ یا یادگیری عمیق شاخه‌ پیچیده‌تری از یادگیری ماشین است که کاربردهای زیادی هم در صنعت داشته است. در این مقاله می‌خواهیم بحث یادگیری عمیق به زبان ساده را برای شما مطرح کنیم تا با این موضوع بهتر آشنا شوید. پس با مقاله آموزش  deep learning

در عظیم مدیا همراه شوید.

در ادامه این مقاله می‌خوانید:

دیپ لرنینگ چیست؟

دیپ لرنینگ چیست | یادگیری عمیق

دیپ لرنینگ یا همان یادگیری عمیق زیر مجموعه ماشین لرنینگ است. این حوزه فناوری مبتنی بر یادگیری و بهبود خود‌به‌خودی با بررسی الگوریتم‌های رایانه است. ماشین لرنینگ از مفاهیم ساده‌تری استفاده می‌کند ولی یادگیری عمیق با شبکه‌های عصبی مصنوعی کار می‌کند و پیچیده‌تر است. در یادگیری عمیق شبکه‌هایی وجود دارد که برای تقلید از تفکر و یادگیری انسان طراحی شده‌اند. تا همین اواخر شبکه‌های عصبی قدرت محاسباتی محدودی داشتند و پیچیدگی خاصی نداشتند. با این حال پیشرفت در تجزیه و تحلیل بیگ دیتا اجازه داده است که شبکه‌های عصبی بزرگ‌تر و پیچیده‌تر، به کامپیوترها اجازه مشاهده، یادگیری و واکنش سریع‌تر از انسان‌ها را بدهند. یادگیری عمیق کاربرد زیادی در طبقه‌بندی تصاویر، ترجمه زبان و تشخیص گفتار داشته است. همچنین می‌تواند برای حل هرگونه مشکل، الگو شناسایی کند و بدون دخالت انسان کارها را انجام دهد. 

دیپ لرنینگ چگونه کار می‌کند؟

دیپ لرنینگ چطور کار می کند | کاربرد یادگیری عمیق

شبکه‌های عصبی مصنوعی که لایه‌های زیادی را در بر گرفته‌اند، یادگیری عمیق را هدایت می‌کنند. این شبکه‌های عصبی عمیق (DNN) نوعی شبکه‌ هستند که هر لایه از آن‌ها عملیات پیچیده‌ای مانند نمایش و تفکر انتزاعی را انجام می‌دهد. این کار به معنادار کردن تصاویر، صداها و متن کمک می‌کند.

شبکه‌های عصبی لایه‌هایی از گره هستند؛ دقیقا مثل مغز انسان که از سلول‌های عصبی تشکیل شده است. گره‌هایی که داخل لایه‌های منفرد هستند به لایه‌های مجاور متصل می‌شوند. عمق شبکه براساس تعداد لایه‌هایی که دارد تعیین می‌شود. یک نورون واحد در مغز انسان هزاران سیگنال از سلول‌های عصبی دیگر دریافت می‌کند. اما در یک شبکه عصبی مصنوعی، سیگنال‌ها بین گره‌ها حرکت می‌کنند و وزن‌های مربوطه را واگذار می‌کنند. گره‌ای که وزن‌ بیشتری دارد، تأثیر بیشتری روی لایه بعدی گره‌ها می‌گذارد. سپس لایه نهایی ورودی‌های وزنی را برای تولید یک خروجی جمع می‌کند.

سیستم‌های یادگیری عمیق به سخت‌افزار قدرتمندی احتیاج دارند؛ زیرا دارای مقدار زیادی داده در حال پردازش هستند که شامل چندین محاسبات ریاضی پیچیده است. با این وجود حتی با وجود چنین سخت‌افزار پیشرفته‌ای، محاسبات آموزش یادگیری عمیق ممکن است هفته‌ها طول بکشد.

سیستم‌های یادگیری عمیق برای بازگشت دقیق نتایج، به داده‌های زیادی نیاز دارند. بر این اساس، اطلاعات به عنوان مجموعه داده‌های عظیم تغذیه می‌شوند. شبکه‌های عصبی مصنوعی در زمان پردازش داده‌ها، می‌توانند داده‌ها را با پاسخ دریافت شده از یک سری سوالات باینری درست یا غلط شامل محاسبات ریاضی بسیار پیچیده طبقه‌بندی کنند. مثلا یک برنامه تشخیص چهره برای تشخیص لبه‌ها و خطوط صورت از تکنولوژی یادگیری استفاده می‌کند؛ سپس قسمت‌های قابل توجهی از چهره و در نهایت نمایش کلی چهره را تشخیص می‌دهد. برنامه با گذشت زمان خود را آموزش می‌دهد و احتمال پاسخ‌های صحیح افزایش می‌یابد. در این حالت برنامه تشخیص چهره به طور دقیق چهره‌ها را با گذشت زمان شناسایی می‌کند.

یک مثال واضح

شرکت هایی که از بیگ دیتا استفاده می‌کنند

بگذارید یک مثال شفاف‌ بزنیم؛ فرض کنید که یک شبکه عصبی می‌خواهد عکس‌هایی را که حاوی سگ است تشخیص دهد. دقت کنید که برخلاف تصورات ما همه سگ‌ها دقیقا شبیه به هم نیستند. علاوه بر این تصاویر سگ‌ها در زوایای مختلف و با نور و سایه مختلف گرفته شده‌اند. بنابراین باید یک مجموعه آموزشی از تصاویر – شامل بسیاری از نمونه‌های چهره سگ با برچسب “dog” – تهیه شود. همچنین یک سری تصویر از اشیایی که سگ نیستند با برچسب “not dog” تهیه شود. در نهایت تصاویری که وارد شبکه عصبی می‌شوند، به داده تبدیل می‌شوند. این داده‌ها از طریق شبکه حرکت می‌کنند و گره‌های مختلف وزن را به عناصر مختلف اختصاص می‌دهند. سپس لایه خروجی نهایی اطلاعات به ظاهر جدا شده – خزدار، پوزه، چهارپا و … – را جمع‌آوری می‌کند و خروجی موردنظر را ارائه می‌دهد: “سگ”.

اکنون پاسخی که از شبکه عصبی با برچسب تولید شده است، توسط انسان مقایسه می‌شود. اگر مطابقت داشته باشد، خروجی تأیید می‌شود. در غیر این صورت شبکه عصبی خطا را یادداشت می‌کند و وزن‌ها را تنظیم می‌کند. شبکه عصبی بارها و بارها وزنه‌های خود را تنظیم می‌کند و سعی می‌کند مهارت تشخیص سگ را بهتر کند. به این روش آموزش، یادگیری تحت نظارت می‌گویند. این روش زمانی اتفاق می‌افتد که شبکه‌های عصبی چیزی در مورد اینکه “چه چیزی” سگ را “می‌سازد” ندانند. بلکه باید با گذشت زمان الگوها را در داده‌ها تشخیص دهند و به تنهایی یاد بگیرند.

اما اصلا یادگیری عمیق از کی آغاز شده است؟ دوست دارید تاریخچه یادگیری عمیق را بدانید؟ پس ادامه مقاله را بخوانید.

ظهور یادگیری عمیق 

ظهور یادگیری عمیق | دیپ لرنینگ

آلن تورینگ که یک ریاضیدان انگلیسی بود، برای اولین بار در سال ۱۹۵۰ “ماشین یادگیری” هوشمند مصنوعی خود را پیشنهاد داد. همچنین آرتور ساموئل اولین برنامه یادگیری کامپیوتر را نوشت. برنامه او باعث شد تا کامپیوتر IBM در بازی چکرز بهتر بازی کند. در دهه‌های بعد از تکنیک‌های مختلف یادگیری ماشین استفاده می‌شد؛ اما پس از مدتی فراموش شد و به اصطلاح از مد افتاد. 

برخی از تکنیک‌های یادگیری ماشین مانند بینایی رایانه و تشخیص چهره پیشرفت رو به جلویی داشته‌اند. در سال ۲۰۰۱ یک الگوریتم یادگیری ماشین به نام Adaboost برای شناسایی چهره‌های درون تصویر (در زمان واقعی) ساخته شد. این الگوریتم تصاویر را از طریق مجموعه‌های تصمیم‌گیری مانند اینکه “آیا تصویر دارای یک نقطه روشن بین دو لکه تیره است؟ اگر اینطور است پس احتمالا نشان‌دهنده بینی است” فیلتر می‌کرد. همانطور که داده‌ای بیشتری بررسی می‌شدند، احتمال انتخاب چهره درست افزایش می‌یافت. این بخش از ماشین لرنینگ در صنعت کاربرد زیادی دارد و با استفاده از آن دستگاه‌های مفیدی اختراع شده است.

سرانجام با ورود واحد پردازش گرافیکی قدرتمند به بازار، شبکه‌های عصبی مصنوعی تا چندین سال موردعلاقه مردم نبودند. اما محققان جدید از قابلیت‌های سخت‌افزاری رایانه‌های رومیزی به جای ابر رایانه‌ها برای اجرا، دستکاری و پردازش تصاویر استفاده می‌کنند. در حال حاضر مهم‌ترین جهش رو به جلو برای شبکه‌های عصبی رخ داده است. دلیل آن هم معرفی مقادیر قابل توجهی از داده‌های دارای برچسب با ImageNet، پایگاه داده‌ای از میلیون‌ها تصویر دارای برچسب از اینترنت است. همچنین وظیفه دست و پاگیر برچسب‌گذاری دستی تصاویر با جایگزینی گسترده مردم جایگزین شد و تقریبا منبع نامحدودی از مواد آموزشی به شبکه‌ها سرازیر شده است. شرکت‌های فناوری طی سال‌های گذشته کتابخانه‌های یادگیری عمیق خود را به صورت منبع باز درآورده‌اند. مثلا می‌توان به Google Tensorflow، ماژول‌های منبع باز فیسبوک Torch ،Amazon DSSTNE در GitHub و همچنین Microsoft CNTK اشاره کرد.

کاربرد دیپ لرنینگ در عمل

کاربردهای دیپ لرنینگ

اما یادگیری عمیق چه تاثیری بر زندگی مردم داشته است؟ اینطور که مشخص است یادگیری عمیق راه خود را در همه جنبه‌های زندگی باز می‌کند. مثلا شبکه‌های اجتماعی مثل فیسبوک و اینستاگرام افرادی را که احتمالا می‌شناسید به شما معرفی می‌کنند. هوش مصنوعی این شبکه‌ها تا حدی قوی است که شرکت اینستاگرام با این وسعت خدمات و آپدیت‌های فوق‌العاده‌ای که هر روز ارائه می‌دهد، تنها چند صد کارمند دارد. این یعنی بیشتر کار اینستاگرام به عهده هوش مصنوعی است.

علاوه بر این:

  • دستیارهای دیجیتالی مانند Siri ،Cortana ،Alexa و Google از یادگیری عمیق برای پردازش زبان طبیعی و تشخیص گفتار استفاده می‌کنند؛
  • Skype مکالمات گفتاری را در لحظه ترجمه می‌کند؛
  • بسیاری از سیستم عامل‌های ایمیل مهارت بالایی در شناسایی پیام‌های اسپم – حتی قبل از رسیدن به صندوق ورودی – دارند؛
  • PayPal برای جلوگیری از کلاهبرداری در پرداخت‌ها از یادگیری عمیق استفاده می‌کند؛
  • برنامه‌هایی مانند CamFind به کاربران امکان عکس گرفتن از هر چیزی را می‌دهند؛
  • همچنین می‌توانند با فناوری جستجوی تصویری تلفن همراه، هویت آن شی را کشف کنند؛
  • خصوصا Google که از آموزش عمیق برای ارائه راه‌حل‌ها استفاده می‌کند؛
  • برنامه رایانه‌ای Google Deepmind’s AlphaGo اخیرا توانسته است قهرمان بازی‌های Go را شکست دهد؛
  • DeepMind’s WaveNet می‌تواند صدای انسان را طبیعی‌تر از هر سیستم گفتاری دیگری در بازار تقلید کند؛
  • Google Translate برای ترجمه زبان‌های صوتی و نوشتاری از یادگیری عمیق و تشخیص تصویر استفاده می‌کند؛
  • Google Planet می‌تواند مکانی را که عکس در آن‌جا گرفته شده است، مشخص کند؛
  • گوگل برای کمک به تولید برنامه‌های هوش مصنوعی، پایگاه داده نرم‌افزار یادگیری عمیق – Tensorflow – را ایجاد کرده است.

یادگیری عمیق با این همه پیشرفت باز هم در مراحل ابتدایی است و در دهه‌های آینده جامعه جهانی را متحول می‌کند. اتومبیل‌های هوشمند در سراسر جهان در حال آزمایش هستند. لایه‌های پیچیده شبکه‌های عصبی آموزش می‌بینند تا اشیا را برای تشخیص چراغ‌های راهنمایی و تنظیم سرعت هوشمند کنند. شبکه‌های عصبی در پیش‌بینی همه چیز از قیمت سهام گرفته تا آب و هوا مهارت پیدا می‌کنند. ارزش دستیارهای دیجیتال را در نظر بگیرید؛ آن‌ها می‌توانند زمان فروش سهام یا حتی زمان وقوع توفان‌ها را تشخیص دهند. برنامه‌های یادگیری عمیق حتی باعث نجات جان افراد می‌شوند؛ زیرا می‌توانند برنامه‌های درمانی مبتنی بر شواهد برای بیماران پزشکی طراحی کنند و به تشخیص زودهنگام سرطان کمک کنند.

تا اینجا اطلاعات خوبی در مورد دیپ لرنینگ یاد گرفتیم. برای آشنایی با تفاوت ماشین لرنینگ و دیپ لرنینگ مقاله ماشین لرنینگ را مطالعه کنید. اما این حوزه فناوری در چه مشاغلی کاربرد دارد و آینده شغلی آن چیست.

چشم‌انداز شغلی دیپ لرنینگ

باور کنید یا نه حوزه هوش مصنوعی و به خصوص یادگیری عمیق در صنعت کاربرد زیادی دارد و از طرفی متخصصان بسیار کمی دارد و به طور جدی با کمبود نیرو روبه‌رو است. البته هنوز خیلی از شرکت‌ها برنامه‌ای برای استخدام متخصصان یادگیری عمیق ندارند؛ اما در آینده‌ای نه چندان دور داشتن چنین متخصصان آموزش دیده‌ای به یک نیاز مهم برای سازمان‌های رقیب در صنعت هوش مصنوعی و فناوری‌های جدید تبدیل می‌شود.

البته هم‌اکنون در کشورهای پیشرفته مهندسان یادگیری ماشین تقاضای کاری زیادی دارند؛ زیرا هیچ کدام از دانشمندان داده و مهندسان نرم‌افزار با مهارت‌های لازم در زمینه ماشین لرنینگ آشنایی ندارند. از طرفی کاربرد یادگیری عمیق روز به روز بیشتر می‌شود. نقش مهندس یادگیری ماشین برای پر کردن این خلا خیلی مهم است. پس فرصت‌های شغلی و حقوق این متخصصان امیدوارکننده است و می‌توانند خود را در این زمینه به خوبی نشان دهند.

سایت Glassdoor متوسط دستمزد یک مهندس یادگیری ماشین را نزدیک به ۱۱۵ هزار دلار در سال ذکر کرده است. طبق گفته‌های سایت PayScale، متوسط حقوق یک متخصص دیپ لرنینگ بین ۱۰۰-۱۱۶ هزار دلار است. البته با بهبود سیستم‌ها و ابزارهای یادگیری عمیق و گسترش آن در همه صنایع، رشد بیشتری را در سال‌های آینده می‌بینیم.

جمع‌بندی

در این مقاله به آموزش دیپ لرنینگ پرداختیم و از انواع مثال‌ها برای فهم بهتر موضوع استفاده کردیم. احتمالا در آینده‌ای نه چندان دور هوش مصنوعی و یادگیری عمیق در اکثر جنبه‌های زندگی ما وارد می‌شود و نمی‌توانیم نبود این فناوری‌ها را در زندگی خود تصور کنیم. به نظر شما این تکنولوژی‌ها تا چه حد پیشرفت می‌کنند؟ ما هم در کشورمان می‌توانیم از آن‌ها استفاده کنیم؟ نظرات و سوالاتتان را با ما در میان بگذارید. ممنون که با ما همراه بودید.

 

نکات کلیدی

  • یادگیری عمیق که سریع‌ترین زمینه رشد در ماشین لرنینگ محسوب می‌شود، یک فناوری دیجیتال فوق‌العاده است و بسیاری از شرکت‌ها برای ایجاد مدل‌های تجاری جدید از آن استفاده می‌کنند؛
  • یادگیری عمیق با شبکه‌های عصبی مصنوعی کار می‌کند و بسیار پیچیده است؛
  • سیستم‌های یادگیری عمیق به سخت‌افزارهای قدرتمندی احتیاج دارند؛
  • “ماشین یادگیری” هوشمند مصنوعی برای اولین بار در سال ۱۹۵۰ توسط آلن تورینگ – یک ریاضیدان انگلیسی – ساخته شد؛
  • دیپ لرنینگ کاربردهای مختلفی مانند تشخیص چهره، دستیارهای دیجیتال، تشخیص هویت شی، تقلید صدای انسان و ترجمه دارد؛
  • فرصت‌های شغلی خوبی برای متخصصان یادگیری عمیق وجود دارد. 

سوالات پرتکرار

۱. یادگیری عمیق دقیقا چیست؟

یادگیری عمیق بر مبنای هوش مصنوعی (AI) است و از عملکرد مغز انسان در پردازش داده‌ها و ایجاد الگوهایی برای استفاده در تصمیم‌گیری تقلید می کند.

۲. یادگیری عمیق چیست و چگونه کار می‌کند؟

یادگیری عمیق زیرمجموعه یادگیری ماشین است. در واقع یک رشته مبتنی بر یادگیری و بهبود خود به خودی با بررسی الگوریتم‌های رایانه است. ماشین لرنینگ از مفاهیم ساده‌تری استفاده می‌کند؛ اما یادگیری عمیق با شبکه‌های عصبی مصنوعی کار می‌کند؛ شبکه‌هایی که به منظور تقلید از تفکر و یادگیری انسان طراحی شده‌اند.

۳. نمونه‌های دیپ لرنینگ چیست؟

یادگیری عمیق از داده‌های ساختاریافته و بدون ساختار برای آموزش استفاده می‌کند. نمونه‌های عملی یادگیری عمیق دستیاران مجازی، دید در اتومبیل‌های بدون راننده و شناسایی چهره است.

۴. چرا از یادگیری عمیق استفاده می‌کنیم؟

یکی از اصلی‌ترین مزایای یادگیری عمیق، توانایی حل مشکلات پیچیده‌ای است که نیاز به کشف الگوهای پنهان در داده‌ها یا درک عمیق روابط پیچیده بین تعداد زیادی از متغیرهای وابسته دارد.

پست‌های مرتبط

دیدگاه

۰ نظر

ارسال نظر

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *