تفاوت هوش مصنوعی (AI)، یادگیری ماشین (ML) و یادگیری عمیق (DL) در اینه که:
- هوش مصنوعی یک حوزه گسترده‌ست،
- یادگیری ماشین یکی از روش‌های ساخت سیستمهای هوش مصنوعیه
- و یادگیری عمیق هم نوعی یادگیری ماشینه که از شبکههای عصبی چندلایه استفاده می‌کنه.
برای اینکه رابطه‌شون رو راحت‌تر متوجه بشی، سه دایره تودرتو رو تصور کن:
- دایره بزرگ‌تر هوش مصنوعیه،
- دایره داخلش یادگیری ماشینه
- و دایره کوچک‌تر، یادگیری عمیق.
اما این تفاوت در عمل چه اهمیتی داره؟ چرا برای حل یک مسئله، گاهی از یادگیری ماشین سنتی استفاده می‌کنیم و گاهی سراغ یادگیری عمیق می‌ریم؟
بیا در ادامه این مطلب از آکادمی پاکراه، با چند مثال ساده از دنیای کسب‌وکار، این سه مفهوم رو بشناسیم.
هوش مصنوعی، یادگیری ماشین و یادگیری عمیق چه رابطه‌ای دارند؟
برای ساخت سیستمهای هوش مصنوعی، همیشه لازم نیست از یادگیری ماشین استفاده کنیم. چون هوش مصنوعی حوزه بزرگ‌تریه و روش‌های مختلفی رو در بر می‌گیره.
هوش مصنوعی (Artificial Intelligence یا AI) حوزه‌ای از علوم رایانه‌ست که به ساخت سیستم‌هایی برای انجام کارهایی مثل تشخیص الگو، استدلال، حل مسئله و درک زبان می‌پردازه؛ کارهایی که معمولاً به توانایی‌های هوشمندانه نیاز دارن.
در بعضی روش‌های هوش مصنوعی، متخصصان دانش و قواعدی رو به سیستم می‌دن تا براساس اون‌ها مسئله‌ای رو بررسی کنه.
مثلاً یک سیستم خبره می‌تونه از قواعد تخصصی برای تشخیص احتمالی مشکل یک دستگاه استفاده کنه، بدون اینکه خودش از نمونه‌های قبلی یاد گرفته باشه.
اما در یادگیری ماشین (Machine Learning یا ML)، به‌جای مشخص‌کردن تمام قواعد، از دادهها برای آموزش مدل استفاده می‌کنیم.
یادگیری عمیق (Deep Learning یا DL) هم یکی از روش‌های یادگیری ماشینه که از شبکههای عصبی عمیق برای یادگیری الگوها استفاده می‌کنه.
رابطه این سه مفهوم:
هر مدل یادگیری عمیق، نوعی یادگیری ماشینه و هر مدل یادگیری ماشین هم در حوزه هوش مصنوعی قرار می‌گیره.
اما برعکسش درست نیست؛ همه سیستمهای هوش مصنوعی از یادگیری ماشین استفاده نمی‌کنن و همه مدل‌های یادگیری ماشین هم عمیق نیستن.
یادگیری ماشین چیست و چه کاربردی دارد؟
یادگیری ماشین یا ماشین لرنینگ (Machine Learning) روشی از هوش مصنوعیه که در اون، مدل با بررسی دادهها الگوهایی رو یاد می‌گیره تا بتونه اطلاعات جدید رو دسته‌بندی کنه یا نتیجه‌ای رو پیش‌بینی کنه.
در واقع لازم نیست تمام قواعد تصمیم‌گیری رو خودمون بنویسیم. مدل با کمک نمونه‌های آموزشی، رابطه‌هایی رو از دادهها یاد می‌گیره.
فرض کن یک فروشگاه لباس داری و می‌خوای فروش ماه آینده رو پیش‌بینی کنی.
اطلاعات فروش ماه‌های گذشته رو جمع کردی؛ مثلاً تعداد لباس‌های فروخته‌شده، قیمت محصولات، تخفیف‌ها و فصل فروش.
حالا یک مدل یادگیری ماشین رو با این اطلاعات آموزش می‌دی.
مدل با بررسی اطلاعات گذشته و مقدار فروش واقعی هر ماه، ممکنه الگوهایی پیدا کنه؛ مثلاً متوجه بشه فروش بعضی لباس‌ها در فصل‌های مشخص بیشتر بوده.
بعد اطلاعاتی مثل ماه آینده و تخفیف‌های برنامه‌ریزی‌شده رو به مدل می‌دی تا تعداد تقریبی فروش رو پیش‌بینی کنه.
تفاوت مهم اینجاست که تو عدد فروش ماه آینده رو به مدل نگفتی؛ مدل براساس الگوهایی که از نمونه‌های قبلی یاد گرفته، اون رو تخمین زده.
البته پیش‌بینی همیشه درست نیست و وجود یک رابطه در دادهها هم لزوماً به معنی علت و معلول بودن اون نیست.
از یادگیری ماشین برای کارهای دیگه‌ای هم استفاده می‌شه؛ مثل تشخیص ایمیل‌های اسپم، گروه‌بندی مشتریان و پیشنهاد محصولات متناسب با رفتار خرید.
انواع یادگیری ماشین کدام‌اند؟
مدل‌های یادگیری ماشین همیشه به یک شکل آموزش نمی‌بینن. سه روش رایج عبارت‌اند از:
| روش یادگیری | توضیح ساده |
|---|---|
| یادگیری نظارت‌شده (Supervised Learning) | مدل با نمونه‌هایی آموزش می‌بینه که پاسخ درستشون مشخصه؛ مثل اطلاعات فروش گذشته همراه با تعداد واقعی محصولات فروخته‌شده. |
| یادگیری بدون نظارت (Unsupervised Learning) | مدل بدون داشتن دسته‌بندی از قبل مشخص‌شده، الگوها یا گروه‌های مشابه رو پیدا می‌کنه؛ مثل گروه‌بندی مشتریان براساس رفتار خرید. |
| یادگیری تقویتی (Reinforcement Learning) | سیستم با انجام کارهای مختلف و دریافت بازخوردی مثل پاداش، یاد می‌گیره چه تصمیم‌هایی در طول زمان نتیجه بهتری دارن. |
برای اینکه دقیق‌تر بدونی مدل چطور آموزش می‌بینه و خطاهاش رو کاهش می‌ده، مقاله هوش مصنوعی چگونه کار میکند؟ رو بخون.
حالا که مفهوم یادگیری ماشین رو فهمیدیم، ببینیم یادگیری عمیق چه ویژگی متفاوتی داره.
یادگیری عمیق چیست و چرا به آن عمیق می‌گویند؟
یادگیری عمیق (Deep Learning یا DL) یکی از روش‌های یادگیری ماشینه که از شبکههای عصبی با چندین لایه محاسباتی استفاده می‌کنه.
اما شبکه عصبی چیه؟
به زبان ساده، شبکه عصبی از واحدهای محاسباتی متصل به هم تشکیل شده که اطلاعات رو پردازش می‌کنن. این شبکه هنگام آموزش، تنظیمات خودش رو تغییر می‌ده تا الگوهای مفیدی رو از دادهها یاد بگیره.
بیا با یک مثال ببینیم این لایه‌ها چه کمکی می‌کنن.
فرض کن در یک کارخانه تولید بطری می‌خوای سیستمی بسازی که تشخیص بده درِ کدوم بطری‌ها درست بسته نشده.
از بطری‌ها عکس می‌گیری و تصاویر نمونه‌های سالم و معیوب رو برای آموزش آماده می‌کنی.
در بعضی روش‌های سنتی یادگیری ماشین، ممکنه لازم باشه ابتدا ویژگی‌هایی مثل فاصله درِ بطری تا بدنه یا زاویه قرارگرفتن اون رو از تصویر استخراج کنی و بعد به مدل بدی.
اما یک شبکه عصبی عمیقِ مناسب می‌تونه هنگام آموزش، بسیاری از ویژگی‌های موردنیاز رو از تصاویر یاد بگیره.
مثلاً بعضی لایه‌های شبکه ممکنه الگوهای سادهای مثل لبه‌ها رو تشخیص بدن. لایه‌های بعدی می‌تونن از ترکیب این الگوها، ویژگی‌های پیچیده‌تری مثل شکل و موقعیت درِ بطری رو یاد بگیرن.
در نهایت، مدل با استفاده از الگوهای آموخته‌شده، سالم یا معیوب بودن بطری رو پیش‌بینی می‌کنه.
حالا دلیل نام‌گذاری مشخص می‌شه: کلمه «عمیق» به وجود لایه‌های متعدد محاسباتی در شبکه عصبی اشاره داره.
البته همه شبکههای عصبی دقیقاً مثل مثال بطری عمل نمی‌کنن و هر شبکه عصبی سادهای هم لزوماً یادگیری عمیق محسوب نمی‌شه.
یادگیری عمیق به معنی هوشمندتر بودن یا درست‌تر جواب‌دادن نیست؛ فقط نوع خاصی از ساختار و روش یادگیری رو توصیف می‌کنه.
تفاوت هوش مصنوعی، یادگیری ماشین و یادگیری عمیق با یک مثال
تا اینجا جایگاه و تعریف سه مفهوم رو شناختیم. حالا یک مسئله مشترک رو بررسی کنیم تا تفاوت روش‌ها روشن‌تر بشه.
فرض کن در یک شرکت خدماتی می‌خوای سیستمی داشته باشی که پیام‌های دارای نشانه نارضایتی رو شناسایی کنه تا تیم پشتیبانی زودتر اون‌ها رو بررسی کنه.
این دو پیام رو ببین:
پیام اول: «تعمیرکار هنوز نیومده، سه روزه منتظرم.»
پیام دوم: «تعمیرکار هنوز نیومده، چون قرارمون برای فرداست.»
هر دو درباره نیومدن تعمیرکار هستن. اما پیام اول نشانه احتمالی نارضایتیه، درحالی‌که پیام دوم لزوماً چنین معنایی نداره.
هدف ما در هر سه روش، بررسی همین متن‌ها و شناسایی پیام‌هاییه که احتمالاً نیاز به پیگیری دارن.
۱. تشخیص پیام‌های نارضایتی با هوش مصنوعی قانون‌محور
فرض کن یک سیستم خبره داریم که کارشناسان پشتیبانی، مجموعه‌ای از قواعد تخصصی برای بررسی پیام‌ها در اون تعریف کردن.
مثلاً سیستم می‌تونه عبارت‌های مربوط به انتظار طولانی، انجام‌نشدن خدمت یا درخواست پیگیری رو بررسی کنه.
اگر پیام شامل نشانه‌هایی از انتظار طولانی و انجام‌نشدن خدمت باشه، طبق قواعد تعریف‌شده برای بررسی بیشتر علامت‌گذاری می‌شه.
در مقابل، اگر پیام درباره قرار آینده باشه، سیستم می‌تونه با قواعد مرتبط، اون رو از پیام‌های تأخیر احتمالی جدا کنه.
در این روش، کارشناسان قواعد تشخیص رو طراحی می‌کنن و سیستم براساس اون‌ها پیام‌ها رو بررسی می‌کنه؛ بدون اینکه لزوماً از پیام‌های قبلی یاد بگیره.
البته هر برنامه سادهای که چند شرط داره، هوش مصنوعی محسوب نمی‌شه. منظور اینجا سیستم خبره‌ایه که از مجموعه‌ای از قواعد و دانش تخصصی استفاده می‌کنه.
۲. تشخیص پیام‌های نارضایتی با یادگیری ماشین سنتی
حالا فرض کن تعدادی پیام قبلی مشتریان رو داریم که کارشناسان مشخص کردن کدوم نشانه نارضایتی داشته و کدوم نداشته.
به‌جای نوشتن تمام قواعد، یک مدل یادگیری ماشین رو با این نمونه‌ها آموزش می‌دیم.
اما کامپیوتر چطور از متن برای یادگیری استفاده می‌کنه؟
یکی از روش‌ها اینه که متن رو به ویژگی‌های عددی تبدیل کنیم.
ویژگی (Feature) یعنی اطلاعاتی که مدل برای بررسی و تشخیص از اون استفاده می‌کنه.
مثلاً می‌تونیم وجود عبارت «سه روزه منتظرم» رو به‌صورت عدد نمایش بدیم:
| وضعیت عبارت در پیام | عدد |
|---|---|
| وجود دارد | ۱ |
| وجود ندارد | ۰ |
حالا این اعداد به‌تنهایی مشخص نمی‌کنن پیام شکایته یا نه.
مدل با بررسی پیام‌های آموزشی یاد می‌گیره وجود این عبارت، همراه با سایر ویژگی‌ها، چقدر با نارضایتی مشتری ارتباط داره.
مثلاً ممکنه یاد بگیره ترکیب عبارت‌های مربوط به انتظار طولانی و انجام‌نشدن خدمت، بیشتر در پیام‌های نارضایتی دیده می‌شه.
به این ترتیب، ما ویژگی‌ها رو آماده کردیم، اما مدل رابطه بین اون‌ها و نوع پیام رو از نمونه‌های قبلی یاد گرفته.
البته این فقط یک روش ساده برای نمایش متنه. روش‌های سنتی پیشرفته‌تر می‌تونن از ترکیب و ترتیب واژه‌ها هم استفاده کنن.
۳. تشخیص پیام‌های نارضایتی با یادگیری عمیق
حالا همون دو پیام رو با یک شبکه عصبی عمیق بررسی می‌کنیم.
در این روش، لزوماً لازم نیست خودمون فهرستی از عبارت‌های نارضایتی رو به‌عنوان ویژگی اصلی طراحی کنیم.
مدل می‌تونه هنگام آموزش، نمایش‌های عددی پیچیده‌تری از متن یاد بگیره؛ نمایش‌هایی که ارتباط واژه‌ها و بخش‌های مختلف جمله رو هم در بر می‌گیرن.
مثلاً در دو پیام قبلی، عبارت «تعمیرکار هنوز نیومده» مشترکه.
اما عبارت «سه روزه منتظرم» می‌تونه نشانه تأخیر باشه، درحالی‌که «قرارمون برای فرداست» معنای متفاوتی داره.
یک مدل عمیق مناسب که با نمونه‌های مرتبط آموزش دیده، ممکنه با بررسی ارتباط بخش‌های جمله، این تفاوت رو تشخیص بده.
این به معنی فهم قطعی منظور مشتری نیست. مدل عمیق هم ممکنه اشتباه کنه و روش‌های سنتی هم می‌تونن بعضی ارتباط‌های زبانی رو بررسی کنن.
تفاوت اصلی اینه که در بسیاری از روش‌های یادگیری عمیق، مدل می‌تونه بخش بیشتری از ویژگی‌ها و نمایش‌های پیچیده موردنیاز رو هنگام آموزش از خود دادهها یاد بگیره.
یک تفاوت مهم رو به خاطر بسپار:
در سیستم خبره قانون‌محور، متخصصان دانش و قواعد تشخیص رو تعریف می‌کنن.
در یادگیری ماشین سنتی، مدل از ویژگی‌های آماده‌شده دادهها الگو یاد می‌گیره.
در یادگیری عمیق، شبکه عصبی می‌تونه نمایش‌های پیچیده‌تری رو در طول آموزش از دادهها یاد بگیره.
یادگیری عمیق خودش نوعی یادگیری ماشینه، نه فناوری جدا از اون.
این مثال فقط درباره تشخیص نشانه‌های احتمالی نارضایتی در متن بود. برای اینکه بفهمیم واقعاً تأخیری اتفاق افتاده یا نه، ممکنه لازم باشه اطلاعات درخواست و زمان حضور تعمیرکار رو هم بررسی کنیم.
تفاوت یادگیری ماشین و یادگیری عمیق چیست؟
در مثال قبلی دیدیم که یکی از تفاوت‌های مهم روش‌های سنتی و عمیق، شیوه آماده‌سازی و یادگیری ویژگی‌هاست.
به انتخاب و آماده‌کردن ویژگی‌هایی که مدل از اون‌ها استفاده می‌کنه، مهندسی ویژگی (Feature Engineering) می‌گن.
در بسیاری از روش‌های سنتی، متخصص باید زمان بیشتری برای طراحی یا آماده‌سازی این ویژگی‌ها صرف کنه. در یادگیری عمیق، شبکه می‌تونه بخش بیشتری از ویژگی‌های پیچیده رو هنگام آموزش یاد بگیره.
البته تفاوت‌ها فقط به این مورد محدود نمی‌شن.
| معیار | یادگیری ماشین سنتی | یادگیری عمیق |
|---|---|---|
| ساختار مدل | مدل‌هایی مثل رگرسیون خطی و درخت تصمیم | شبکههای عصبی عمیق |
| یادگیری ویژگی‌ها | معمولاً نیاز بیشتر به انتخاب و آماده‌سازی ویژگی‌ها | یادگیری خودکارتر ویژگی‌های پیچیده |
| مقدار داده | بسیاری از روش‌ها با داده کمتر هم قابل استفاده‌اند | آموزش مدل‌های بزرگ از ابتدا معمولاً داده بیشتری می‌خواد |
| قدرت پردازش | بسیاری از مدل‌ها با منابع معمولی اجرا میشن | مدل‌های بزرگ معمولاً پردازش بیشتری نیاز دارن |
| کاربردهای رایج | پیش‌بینی و دسته‌بندی داده‌های جدولی | پردازش پیچیده تصویر، متن و صدا |
| توضیح نتیجه | بعضی مدل‌ها ساده‌تر قابل توضیحن | توضیح تصمیم‌های بعضی شبکههای عمیق دشوارتره |
این جدول تفاوت‌های رایج رو نشون می‌ده، نه قانون‌های همیشگی.
برای مثال، یادگیری عمیق همیشه به داده اختصاصی بسیار زیاد نیاز نداره. گاهی می‌تونیم از مدل‌های ازپیش‌آموزش‌دیده استفاده کنیم.
همچنین روش‌های سنتی فقط برای داده‌های جدولی نیستن و یادگیری عمیق هم محدود به تصویر، متن و صدا نمی‌شه.
یادگیری ماشین بهتر است یا یادگیری عمیق؟
هیچ‌کدوم در همه شرایط بهتر نیستن. انتخاب روش مناسب به مسئله، دادهها، هزینه و نتیجه‌ای که انتظار داریم بستگی داره.
مثلاً برای پیش‌بینی فروش یک فروشگاه با استفاده از اطلاعات جدولی، ممکنه یک مدل سنتی یادگیری ماشین هم نتیجه مناسبی بده.
اما برای تشخیص ایرادهای ظریف از روی تصاویر محصولات، استفاده از یک مدل یادگیری عمیقِ مناسب می‌تونه انتخاب خوبی باشه.
پس قبل از انتخاب، سه سؤال مهم داریم:
۱. می‌خوایم چه مسئله‌ای رو حل کنیم؟
- پیش‌بینی فروش از روی اطلاعات جدولی یا بررسی تصاویر، متن و صدا؟
۲. چه داده و امکاناتی داریم؟
- اطلاعات کافی برای آموزش مدل داریم؟ می‌تونیم از مدل آماده استفاده کنیم؟ هزینه اجرا و نگهداری چقدره؟
۳. چه نتیجه‌ای برامون مهمه؟
- فقط دقت مهمه یا سرعت، هزینه و امکان توضیح تصمیم‌ها هم اهمیت داره؟
در نهایت باید مدل‌های مناسب رو با داده‌های آزمایشی بررسی کنیم.
مثلاً در تشخیص نارضایتی مشتری، فقط تعداد پیام‌هایی که درست دسته‌بندی شدن مهم نیست؛ اینکه سیستم چند پیام واقعاً مهم رو شناسایی نکرده هم اهمیت داره.
هدف استفاده از پیشرفته‌ترین مدل نیست؛ هدف انتخاب روشی‌یه که مسئله رو در شرایط واقعی بهتر حل کنه.
ChatGPT در کدام دسته قرار می‌گیرد؟
ChatGPT یک سیستم هوش مصنوعیه که بخش اصلی توانایی زبانی اون بر مدل‌های زبانی بزرگ مبتنی بر یادگیری عمیق استواره. بنابراین به هر سه حوزه هوش مصنوعی، یادگیری ماشین و یادگیری عمیق مربوط می‌شه.
برای آشنایی بیشتر، مقاله مدل زبانی بزرگ چیست؟ رو بخون.
جمع‌بندی؛ تفاوت هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
حالا اگر اسم هوش مصنوعی، یادگیری ماشین یا یادگیری عمیق رو شنیدی، می‌دونی درباره سه مفهوم هم‌سطح صحبت نمی‌کنیم.
یادگیری ماشین یکی از روش‌های هوش مصنوعیه و یادگیری عمیق هم بخشی از یادگیری ماشینه.
شناخت این تفاوت کمک می‌کنه وقتی می‌خوای از هوش مصنوعی استفاده کنی، فقط دنبال اسم یک فناوری نباشی؛ بلکه ببینی چه مسئله‌ای داری و کدوم روش با امکانات و نیازت سازگارتره.
روی دکمه «مشاوره آنلاین» کلیک کنید تا مهندس ایمان پاکراه و تیم آکادمی پاکراه به‌صورت آنلاین و کاملاً رایگان راهنمایی‌تان کنند.
مشاوره آنلاین