یادگیری ماشینی از آنچه فکر می‌کنید به شما نزدیک‌تر است
اگر متولد دهه‌ی ۸۰ یا ۹۰ میلادی (دهه ۶۰ یا ۷۰ شمسی) باشید، به‌احتمال‌زیاد با شنیدن اصطلاح «یادگیری ماشینی» (Machine learning)، تصویر «آرنولد شوارتزنگر» (Arnold Schwarzenegger) در فیلم «ترمیناتور» (The Terminator) برایتان تداعی می‌شود.
کد خبر :
۳۹۹۲۱
بازدید :
۲۰۹۳
یادگیری ماشینی مفهومی علمی تخیلی نیست، بلکه یک ابزار واقعی است که شما احتمالا به‌طور روزانه با آن برخورد می‌کنید؛ حتی در گوشی هوشمندی که در حال حاضر در جیب شما قرار دارد.
به گزارش دیجی مگ، اگر متولد دهه‌ی ۸۰ یا ۹۰ میلادی (دهه ۶۰ یا ۷۰ شمسی) باشید، به‌احتمال‌زیاد با شنیدن اصطلاح «یادگیری ماشینی» (Machine learning)، تصویر «آرنولد شوارتزنگر» (Arnold Schwarzenegger) در فیلم «ترمیناتور» (The Terminator) برایتان تداعی می‌شود.
به نظر می‌رسد این اصطلاح به نظر مفهومی از آینده است که شاید مترادف با موضوعاتی همچون هوش مصنوعی و خیزش ماشین‌ها باشد. اما در واقع خیزش ماشین‌ها پیش‌ازاین آغاز شده است. یادگیری ماشینی مفهومی علمی تخیلی نیست، بلکه یک ابزار واقعی است که شما احتمالا به‌طور روزانه با آن برخورد می‌کنید؛ حتی در گوشی هوشمندی که در حال حاضر در جیب شما قرار دارد.
در این مقاله، تلاش می‌کنیم مفاهیم یادگیری ماشینی را اندکی شفاف‌تر کنیم و نشان دهیم چطور این تکنولوژی همین امروز بخش مهمی از زندگی شما را تشکیل داده است. امیدواریم بعد از خواندن این مقاله متوجه شوید که یادگیری ماشینی قصد ندارد بر ما مسلط شود و فقط برای کمک به ما اینجا است. حداقل تا الان.
یادگیری ماشینی چیست؟
برای این‌که به‌طور خلاصه و مفید از مفاهیم یادگیری ماشینی سر دربیاورید بهتر است به این اینفوگرافی سری بزنید. بااین‌حال، اگر حال و حوصله‌ی خواندن مطالب طولانی را ندارید باید گفت که یادگیری ماشینی همان هوش مصنوعی نیست، هرچند که این دو موضوع ارتباط نزدیکی با یکدیگر دارند. درواقع، یادگیری ماشینی با داده‌کاوی و تحلیل آماری هم وجوه مشترک زیادی دارد. هدف یادگیری ماشینی کمک به یک برنامه برای بهبود یک عملکرد خاص است. این کار اغلب از طریق جمع‌آوری و تجزیه‌وتحلیل مجموعه داده‌های بزرگی انجام می‌شود که منجر به پدیدار شدن الگوها خواهند شد.
به‌عنوان‌مثال فرض کنید قرار است با یک هوش مصنوعی در برنامه‌ی «واتس‌اپ» (WhatsApp) صحبت کنید. بسیاری از جنبه‌های رفتار چنین باتی را نمونه‌های از پیش برنامه‌ریزی‌شده‌ی هوش مصنوعی تشکیل می‌دهد. اما اگر این بات همچنین بتواند زبان مورد استفاده و پاسخ‌های شما را ارزیابی کند و سپس این اطلاعات را برای یافتن واژگان طبیعی‌تر و انسانی‌تر به کار ببرد، این فرآیند می‌تواند نمونه‌ای از یادگیری ماشینی باشد. برای مثال، چنین عملکردی می‌تواند با استفاده از پایگاه داده‌ای کار کند که از عبارات، پاسخ‌ها و تعاملات مرسوم تشکیل شده است. این عبارات و پاسخ‌ها می‌توانند به مرور زمان اضافه و تکرار شوند.
این فقط یک مثال فرضی بود، اما مثال‌های قابل‌توجه زیادی درزمینه‌ی یادگیری ماشینی وجود دارد که هر روزه با آن‌ها مواجه می‌شویم.
اسپاتیفای
«اسپاتیفای» (Spotify) مثال دیگری از چیزی است که شاید هر روز استفاده کنید و در همین حین بی‌وقفه داده‌هایی را درباره‌ی شما جمع‌آوری می‌کند. این سرویس از نوعی یادگیری ماشینی ابتدایی برای فهمیدن سلیقه‌ی موسیقی شما استفاده می‌کند. سپس می‌تواند پلی‌لیستی از آهنگ‌های پیشنهادی را برایتان ایجاد کند.
در این مقاله، تلاش می‌کنیم مفاهیم یادگیری ماشینی را اندکی شفاف‌تر کنیم و نشان دهیم چطور این تکنولوژی همین امروز بخش مهمی از زندگی شما را تشکیل داده است. امیدواریم بعد از خواندن این مقاله متوجه شوید که یادگیری ماشینی قصد ندارد بر ما مسلط شود و فقط برای کمک به ما اینجا است. حداقل تا الان.
یادگیری ماشینی چیست؟
برای این‌که به‌طور خلاصه و مفید از مفاهیم یادگیری ماشینی سر دربیاورید بهتر است به این اینفوگرافی سری بزنید. بااین‌حال، اگر حال و حوصله‌ی خواندن مطالب طولانی را ندارید باید گفت که یادگیری ماشینی همان هوش مصنوعی نیست، هرچند که این دو موضوع ارتباط نزدیکی با یکدیگر دارند. درواقع، یادگیری ماشینی با داده‌کاوی و تحلیل آماری هم وجوه مشترک زیادی دارد. هدف یادگیری ماشینی کمک به یک برنامه برای بهبود یک عملکرد خاص است. این کار اغلب از طریق جمع‌آوری و تجزیه‌وتحلیل مجموعه داده‌های بزرگی انجام می‌شود که منجر به پدیدار شدن الگوها خواهند شد.
این فقط یک مثال فرضی بود، اما مثال‌های قابل‌توجه زیادی درزمینه‌ی یادگیری ماشینی وجود دارد که هر روزه با آن‌ها مواجه می‌شویم.
اسپاتیفای
«اسپاتیفای» (Spotify) مثال دیگری از چیزی است که شاید هر روز استفاده کنید و در همین حین بی‌وقفه داده‌هایی را درباره‌ی شما جمع‌آوری می‌کند. این سرویس از نوعی یادگیری ماشینی ابتدایی برای فهمیدن سلیقه‌ی موسیقی شما استفاده می‌کند. سپس می‌تواند پلی‌لیستی از آهنگ‌های پیشنهادی را برایتان ایجاد کند.
اپلیکیشن‌های Deezer و Pandora هم از ویژگی‌های مشابهی استفاده می‌کنند. پیشنهادهای اسپاتیفای تا حدودی بر حسب ژانر و دیگر تقسیم‌بندی‌هایی کار می‌کند که احتمالا توسط یک انسان انجام شده است. بنابراین از این جنبه عملکرد آن یادگیری ماشینی محسوب نمی‌شود. سیستم‌های پیشرفته‌تر برای تشخیص سلیقه‌ی موسیقی شما به بررسی رفتار کاربران مشابه و آماری مانند گام، سرعت و طول آهنگ‌ها می‌پردازند.
جیمیل
به‌غیراز «جیمیل» (Gmail)، گوگل از یادگیری ماشینی در بسیاری از محصولاتش بهره می‌گیرد. در جیمیل، از یادگیری ماشینی برای دسته‌بندی ایمیل‌ها و فیلتر کردن «هرزنامه‌ها» (Spam) استفاده می‌شود. فیلترهای قدیمی هرزنامه، بر اساس کلیدواژه‌هایی کار می‌کردند که توسط برنامه‌نویسان به‌صورت دستی وارد شده بود.
جیمیل
به‌غیراز «جیمیل» (Gmail)، گوگل از یادگیری ماشینی در بسیاری از محصولاتش بهره می‌گیرد. در جیمیل، از یادگیری ماشینی برای دسته‌بندی ایمیل‌ها و فیلتر کردن «هرزنامه‌ها» (Spam) استفاده می‌شود. فیلترهای قدیمی هرزنامه، بر اساس کلیدواژه‌هایی کار می‌کردند که توسط برنامه‌نویسان به‌صورت دستی وارد شده بود.
ولی یادگیری ماشینی، این کار را با آموختن نحوه‌ی واکنش کاربران به انواع مختلف محتوا، یک گام جلوتر می‌برد. در نهایت الگوهایی پدیدار می‌شوند که به جیمیل امکان می‌دهد هوشمندانه بین نوع محتوایی که ما نمی‌خواهیم و نوعی که می‌خواهیم، تمایز قائل شود.
فیسبوک
مثال جالب‌تری از یادگیری ماشینی توانایی فیسبوک در شناسایی افراد و پیشنهاد دادن آن‌ها برای «تگ» (Tag) کردن در تصاویر است. طبیعتا این قابلیت، نتیجه‌ی جمع‌آوری اطلاعات از تعداد زیادی تگ مختلف است. با استفاده از این اطلاعات، برنامه می‌تواند الگوها را شناسایی کند. این اطلاعات ممکن است شامل چیزهایی مثل رنگ پوست، کنتراست و عرض بینی باشد. سپس الگوهای حاصل می‌تواند برای شناسایی افراد استفاده شود.
فیسبوک
مثال جالب‌تری از یادگیری ماشینی توانایی فیسبوک در شناسایی افراد و پیشنهاد دادن آن‌ها برای «تگ» (Tag) کردن در تصاویر است. طبیعتا این قابلیت، نتیجه‌ی جمع‌آوری اطلاعات از تعداد زیادی تگ مختلف است. با استفاده از این اطلاعات، برنامه می‌تواند الگوها را شناسایی کند. این اطلاعات ممکن است شامل چیزهایی مثل رنگ پوست، کنتراست و عرض بینی باشد. سپس الگوهای حاصل می‌تواند برای شناسایی افراد استفاده شود.
البته این فرآیند هنوز همیشه درست عمل نمی‌کند. برای مثال شاید برای شما هم پیش آمده باشد که فیسبوک پیشنهاد کند یکی از دوستانتان را روی یک ظرف میوه تگ کنید! به‌تدریج تکنولوژی مشابهی در دوربین‌های مداربسته استفاده خواهد شد که به دستگیری جنایتکاران و پیشنهاد محصولات مناسب به افراد در فروشگاه‌ها کمک می‌کند. بخش ترسناک قضیه این است که چنین کاری در حال حاضر آغاز شده است.
بینایی کامپیوتری و دستیاران دیجیتال
مثال قبلی نه‌تنها نمونه‌ای از یادگیری ماشینی بوده، بلکه یکی دیگر از زمینه‌های علم کامپیوتر را نشان می‌دهد: «بینایی کامپیوتری» (Computer vision). بینایی کامپیوتری چیزی است که واقعیت افزوده و واقعیت ترکیبی را ممکن کرده.
بینایی کامپیوتری و دستیاران دیجیتال
مثال قبلی نه‌تنها نمونه‌ای از یادگیری ماشینی بوده، بلکه یکی دیگر از زمینه‌های علم کامپیوتر را نشان می‌دهد: «بینایی کامپیوتری» (Computer vision). بینایی کامپیوتری چیزی است که واقعیت افزوده و واقعیت ترکیبی را ممکن کرده.
با این فناوری کامپیوتر می‌تواند یک تصویر را ببیند و محتویات آن را شناسایی کند. ممکن است روزی گوگل بتواند با اتکا به همین فناوری جست‌وجوهایش را به‌جای نام عکس‌ها، تماما بر اساس محتویات موجود در آن‌ها انجام دهد.
بینایی کامپیوتری تنها محصول یادگیری ماشینی نیست، ولی قسمت بزرگی از آن به یادگیری ماشینی متکی است. یادگیری ماشینی چیزی است که جمع‌آوری مجموعه داده‌های ضروری برای مسیریابی محیط اطراف را میسر می‌کند و درنهایت به ماشین‌ها اجازه می‌دهد اشیاء جدید را به‌درستی شناسایی کنند. قابلیت «بیکسبی ویژن» (Bixby Vision) در گلکسی اس ۸ تلاش می‌کند کاری شبیه به همین را انجام دهد. تکنیک‌های مشابهی برای بهبود تشخیص صدا هم استفاده می‌شود که به‌نوبه‌ی خود باعث رشد سرویس‌هایی مانند دستیار گوگل و سیری شده‌اند.
بینایی کامپیوتری تنها محصول یادگیری ماشینی نیست، ولی قسمت بزرگی از آن به یادگیری ماشینی متکی است. یادگیری ماشینی چیزی است که جمع‌آوری مجموعه داده‌های ضروری برای مسیریابی محیط اطراف را میسر می‌کند و درنهایت به ماشین‌ها اجازه می‌دهد اشیاء جدید را به‌درستی شناسایی کنند. قابلیت «بیکسبی ویژن» (Bixby Vision) در گلکسی اس ۸ تلاش می‌کند کاری شبیه به همین را انجام دهد. تکنیک‌های مشابهی برای بهبود تشخیص صدا هم استفاده می‌شود که به‌نوبه‌ی خود باعث رشد سرویس‌هایی مانند دستیار گوگل و سیری شده‌اند.
هردوی این نمونه‌ها نشان می‌دهند که چگونه یک تکنولوژی می‌تواند باعث پیشرفت تکنولوژی دیگری شود. بخش هیجان‌انگیز این موضوع این است که گوگل به توسعه‌دهندگان مجوز دسترسی به API فضای ابری بینایی کامپیوتری این شرکت به نام Cloud Vision را داده است؛ یعنی می‌توانید در اپلیکیشن‌هایی که می‌سازید از این تکنولوژی بهره ببرید.
تبلیغات
اگر مثالی از یادگیری ماشینی می‌خواهید که گویی واقعا از رمان «جورج اورول» (George Orwell) آمده، به تبلیغات بیندیشید. البته استفاده از یادگیری ماشینی در تبلیغات چیزی نیست که شما فکر می‌کنید. در بیشتر موارد، تبلیغات مربوط به چیزهایی که قبلا دیده‌اید (یا چیزهایی بسیار شبیه به چیزهایی که قبلا دیده‌اید) از شیوه‌های دیگری مانند «کوکی» (Cookie) استفاده می‌کنند. کوکی‌ها فایل‌هایی هستند که روی کامپیوتر شما ذخیره می‌شوند و به یک وب‌سایت اجازه می‌دهند شما را شناسایی کند؛ بنابراین در این بخش هیچ گونه یادگیری در کار نیست.
اما موقعیت آگهی و حتی رنگ و اندازه‌ی آن ممکن است نتیجه‌ی یادگیری ماشینی باشد. پلتفرم‌های تبلیغاتی «پرداخت به ازای کلیک» (pay per click) می‌توانند ببینند که تبلیغاتشان در چه موقعیت‌ها و به چه شکلی بیشترین کلیک را دریافت می‌کند؛ و سپس آن‌ها را جوری تنظیم کنند که بیشترین سود را برای کارفرما و شبکه‌ی تبلیغاتی داشته باشد.
اگر زیاد به اینترنت خیره شوی، اینترنت هم به تو خیره خواهد شد.
نتیجه
یادگیری ماشینی در زمینه‌هایی مانند تحقیقات و پزشکی هم فرصت‌هایی ایجاد کرده و آینده‌ی هیجان‌انگیزی در انتظار آن است. کامپیوترهای یادگیرنده ممکن است نخستین پله‌ی نردبان صعود ما به سمت «تکینگی فناوری» چراکه آن‌ها شیوه‌ی کسب‌وکار ما را تغییر می‌دهند و پیشرفت‌های عظیمی ایجاد می‌کنند که هیچ انسانی هرگز تصورش را هم نمی‌کرده است.
اگر زیاد به اینترنت خیره شوی، اینترنت هم به تو خیره خواهد شد.
نتیجه
یادگیری ماشینی در زمینه‌هایی مانند تحقیقات و پزشکی هم فرصت‌هایی ایجاد کرده و آینده‌ی هیجان‌انگیزی در انتظار آن است. کامپیوترهای یادگیرنده ممکن است نخستین پله‌ی نردبان صعود ما به سمت «تکینگی فناوری» چراکه آن‌ها شیوه‌ی کسب‌وکار ما را تغییر می‌دهند و پیشرفت‌های عظیمی ایجاد می‌کنند که هیچ انسانی هرگز تصورش را هم نمی‌کرده است.
اما یادگیری ماشینی همچنین پتانسیل زیادی برای زندگی روزمره‌ی ما دارد؛ در سرگرمی، خرید و ارتباطات. اثرات آن در حال حاضر در بسیاری از فعالیت‌های روزمره‌ی ما احساس می‌شود. شاید هیجان‌انگیزترین بخش ماجرا همین باشد.
۰
