هوش مصنوعی، یادگیری ماشین و یادگیری عمیق: چه تفاوتی دارند؟

این سه اصطلاح اغلب به جای یکدیگر به کار می‌روند و در اخبار هم تفاوت چندانی میان آن‌ها گذاشته نمی‌شود. اما در یک پروژه تفاوت آن‌ها اهمیت دارد. این سه، سه دایره تودرتو هستند. هوش مصنوعی بزرگ‌ترین دایره است، یادگیری ماشین درون آن قرار دارد و یادگیری عمیق درون یادگیری ماشین. اینکه یک ابزار در کدام دایره قرار می‌گیرد نشان می‌دهد به چه چیزی نیاز دارد (قاعده، داده یا حجم زیادی از داده و توان پردازشی) و در چه کارهایی می‌توان به آن اعتماد کرد.

هوش مصنوعی، یک هدف

هوش مصنوعی حوزه گسترده‌ای است که هدف آن انجام کارهایی توسط رایانه است که اگر انسان انجام دهد، آن را هوشمندانه می‌دانیم؛ مانند فهم زبان، تشخیص محتوای یک تصویر، برنامه‌ریزی یک مسیر یا تصمیم‌گیری بر اساس شواهد.

این اصطلاح چیزی درباره روش انجام کار نمی‌گوید. برای چند دهه بخش بزرگی از هوش مصنوعی به‌صورت دستی نوشته می‌شد. متخصصان دانش خود را به قاعده تبدیل می‌کردند («اگر دما از این مقدار بالاتر و فشار از آن مقدار کمتر بود، هشدار بده») و برنامه همان قاعده‌ها را اجرا می‌کرد. این سامانه‌های قاعده‌محور هنوز در بسیاری از جاها کار می‌کنند و برای مسئله‌ای محدود با قاعده‌های روشن، اغلب انتخاب درستی هستند، زیرا رفتار آن‌ها قابل پیش‌بینی است و بررسی آن‌ها آسان.

محدودیت این روش زمانی آشکار می‌شود که قاعده‌ها آن‌قدر زیاد باشند که نتوان آن‌ها را نوشت. کسی نمی‌تواند همه قاعده‌های تشخیص گربه از سگ در یک عکس را فهرست کند یا همه شیوه‌هایی را که یک مشتری ممکن است درباره تأخیر سفارش خود بپرسد، پیش‌بینی کند.

یادگیری ماشین، یادگیری از نمونه‌ها

یادگیری ماشین بخشی از هوش مصنوعی است که در آن قاعده‌ها به برنامه داده نمی‌شوند و برنامه آن‌ها را از نمونه‌ها یاد می‌گیرد. تعداد زیادی نمونه همراه با پاسخ درست به آن داده می‌شود، مانند درخواست‌های وام گذشته و اینکه بازپرداخت شده‌اند یا نه، یا ایمیل‌هایی که هرزنامه بودن یا نبودن آن‌ها مشخص است. الگوریتم یادگیری، مدل را آن‌قدر تنظیم می‌کند تا پاسخ‌های آن با این نمونه‌ها مطابقت پیدا کند. پس از آن مدل می‌تواند به نمونه‌های تازه‌ای که پیش‌تر ندیده است پاسخ دهد.

سه روش رایج یادگیری عبارت‌اند از:

• یادگیری با ناظر؛ هر نمونه پاسخ درست خود را همراه دارد. بیشتر کاربردهای کسب‌وکار در این دسته قرار می‌گیرند، مانند پیش‌بینی تقاضا، دسته‌بندی اسناد و برآورد قیمت.
• یادگیری بدون ناظر؛ نمونه‌ها پاسخی ندارند و مدل خودش به دنبال ساختار در داده‌ها می‌گردد، مانند گروه‌های مشتریان مشابه یا تراکنش‌های غیرعادی.
• یادگیری تقویتی؛ مدل اقدامی انجام می‌دهد، پاداش یا جریمه می‌گیرد و به‌تدریج یاد می‌گیرد کدام اقدام‌ها به نتیجه بهتری می‌رسند. این روش در بازی‌ها، کنترل ربات و بخشی از آموزش مدل‌های زبانی به کار می‌رود.

روش‌های کلاسیک یادگیری ماشین، مانند درخت تصمیم، مدل‌های خطی و گرادیان بوستینگ، برای بسیاری از مسئله‌هایی که با داده‌های جدولی سروکار دارند هنوز بهترین انتخاب هستند؛ یعنی داده‌هایی با سطر و ستون، مانند سوابق فروش یا خوانش حسگرها. آموزش این مدل‌ها سریع است، به سخت‌افزار سنگین نیاز ندارند و توضیح رفتار آن‌ها ساده‌تر است.

کیفیت یک مدل یادگیری ماشین بیش از هر چیز به داده‌های آن وابسته است. اگر نمونه‌ها کم یا نادرست باشند یا به موارد واقعی شباهت نداشته باشند، مدل نیز به همان شکل خطا خواهد کرد.

یادگیری عمیق، لایه‌های متعدد

یادگیری عمیق بخشی از یادگیری ماشین است که از شبکه‌های عصبی با لایه‌های متعدد استفاده می‌کند. هر لایه ورودی خود را به نمایشی کمی مفیدتر تبدیل می‌کند. در یک تصویر، لایه‌های نخست به لبه‌ها و رنگ‌ها واکنش نشان می‌دهند، لایه‌های بعدی به شکل‌ها و لایه‌های پایانی به اشیای کامل. واژه «عمیق» به همین تعداد لایه‌ها اشاره دارد و نه به درکی عمیق‌تر.

تفاوت مهم در عمل این است که یادگیری عمیق می‌تواند مستقیماً روی داده خام کار کند؛ یعنی پیکسل‌ها، امواج صوتی و متن. در روش‌های قدیمی‌تر، ویژگی‌ها باید ابتدا به دست انسان طراحی می‌شدند، مانند طول یک جمله یا تعداد لبه‌های یک تصویر. به همین دلیل پیشرفت‌های پانزده سال اخیر در این حوزه‌ها بر پایه یادگیری عمیق بوده است:

• تشخیص تصویر و بینایی ماشین (یکی از کاربردهای آن را در مقاله بینایی ماشین در کنترل کیفیت شرح داده‌ایم)
• تشخیص گفتار و تبدیل متن به گفتار
• ترجمه و مدل‌های زبانی، مانند مدل‌هایی که دستیارهای گفت‌وگوی امروزی بر پایه آن‌ها کار می‌کنند (مقاله مدل زبانی بزرگ چیست؟ را ببینید)

این روش هزینه‌هایی هم دارد. مدل‌های عمیق معمولاً به نمونه‌های بسیار بیشتری نیاز دارند و آموزش آن‌ها به پردازنده‌های گرافیکی (GPU) یا سخت‌افزار مشابه نیاز دارد. بررسی استدلال آن‌ها نیز دشوارتر است. یک شبکه عمیق ممکن است دقیق باشد، اما وقتی خطا می‌کند، توضیح علت آن آسان نیست.

جایگاه هوش مصنوعی مولد

هوش مصنوعی مولد، یعنی مدل‌هایی که متن می‌نویسند، تصویر می‌سازند یا گفتار تولید می‌کنند، دایره چهارمی نیست. این مدل‌ها کاربردی از یادگیری عمیق هستند که با حجم بسیار زیادی از متن یا تصویر آموزش دیده‌اند تا محتوای تازه‌ای از همان نوع تولید کنند. مدل‌های زبانی بزرگ مدل‌هایی از نوع یادگیری عمیق هستند که با روش‌های یادگیری ماشین آموزش دیده‌اند تا به هدف قدیمی هوش مصنوعی نزدیک شوند. پس هر سه اصطلاح هم‌زمان درباره آن‌ها صدق می‌کند.

یک پروژه به کدام نیاز دارد؟

انتخاب را بر اساس مسئله انجام دهید، نه بر اساس تازه‌ترین اصطلاح:

• قاعده‌های روشن و حاشیه خطای کم؛ یک سامانه قاعده‌محور یا نرم‌افزار معمولی. اگر بتوانید قاعده‌ها را بنویسید، اغلب به یادگیری نیازی ندارید.
• جدولی از سوابق گذشته و یک عدد یا دسته برای پیش‌بینی؛ یادگیری ماشین کلاسیک معمولاً نقطه شروع مناسبی است. این روش ارزان‌تر و سریع‌تر از یک مدل عمیق است و بررسی آن نیز آسان‌تر است.
• تصویر، صدا یا متن آزاد؛ یادگیری عمیق، معمولاً با تطبیق مدلی که پیش‌تر روی داده‌های مشابه آموزش دیده است، به جای آموزش یک مدل از صفر.
• کارهای زبانی، مانند پاسخ به پرسش‌ها یا نوشتن پیش‌نویس؛ یک مدل زبانی که اگر پاسخ‌ها باید درباره سازمان شما باشند، به اسناد خود سازمان متصل می‌شود (روش‌های این کار را در مقاله فاین‌تیون یا RAG؟ مقایسه کرده‌ایم).

در همه این موارد، کار را با داده‌هایی که واقعاً در اختیار دارید و روشی برای سنجش درستی نتیجه آغاز کنید. یک مدل ساده که صادقانه سنجیده شده باشد، از مدلی پیشرفته که کسی آن را روی موارد واقعی آزمایش نکرده، ارزشمندتر است.

سه برداشت نادرست رایج

• «هوش مصنوعی یعنی مدل زبانی.» مدل‌های زبانی یکی از انواع تازه هوش مصنوعی هستند. بیشتر هوش مصنوعی‌ای که در کارخانه‌ها، بانک‌ها و حمل‌ونقل به کار می‌رود، هنوز یادگیری ماشین کلاسیک یا سامانه‌های قاعده‌محور است.
• «داده بیشتر همیشه مشکل را حل می‌کند.» داده بیشتر تنها زمانی کمک می‌کند که درست باشد و به مواردی که مدل با آن‌ها روبه‌رو می‌شود شباهت داشته باشد. تکرار همان خطاها در مقیاسی بزرگ‌تر مشکلی را حل نمی‌کند.
• «شبکه عمیق می‌فهمد.» شبکه عمیق الگوهایی را پیدا می‌کند که در داده‌های آموزشی آن مفید بوده‌اند. وقتی موردی بیرون از این الگوها باشد، ممکن است با اطمینان کامل پاسخ نادرست بدهد.

برای گفت‌وگو درباره اینکه کدام‌یک از این رویکردها با مسئله سازمان شما تناسب دارد، با ما در تماس باشید.