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.
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.
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.
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.
آلن تورینگ که یک ریاضیدان انگلیسی بود، برای اولین بار در سال 1950 "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 2001 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.
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:
یادگیری عمیق با این همه پیشرفت باز هم در مراحل ابتدایی است و در دهههای آینده جامعه جهانی را متحول میکند. ماشینهای 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.
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. کاربرد هوش مصنوعی در مدیریت کسب و کارها بسیار متنوع است و 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 115 هزار دلار در سال ذکر کرده است. طبق گفتههای سایت PayScale، متوسط حقوق یک متخصص دیپ لرنینگ بین 100-116 هزار دلار است. البته با بهبود سیستمها و ابزارهای یادگیری عمیق و گسترش آن در همه صنایع، رشد بیشتری را در سالهای آینده میبینیم.