«هوش مصنوعی» (Artificial Intelligence | AI) و «یادگیری عمیق» (Deep Learning) در حوزه‌های مختلف نظیر فناوری اطلاعات، مهندسی، پزشکی، تجارت، کشاورزی، حمل و نقل کاربرد وسیعی دارند. بسیاری از سازمان‌ها به استفاده از ابزارهای هوشمند رو آورده‌اند و از مزیت‌های آن‌ها در دستیابی به سوددهی بیشتر بهره می‌برند. AI و یادگیری عمیق تا حد بسیاری به هم مرتبط هستند اما نباید به اشتباه این دو حیطه را یکسان تلقی کرد. مطلب حاضر از مجله فرادرس را به تفاوت هوش مصنوعی و یادگیری عمیق اختصاص دادیم و فرق آن‌ها را از جنبه‌های مختلف بررسی می‌کنیم.

در ابتدای مطلب، به نحوه پیدایش حوزه‌های هوش مصنوعی و یادگیری عمیق می‌پردازیم و مفاهیم آن‌ها را به زبان ساده توضیح می‌دهیم و به کاربردهای آن‌ها اشاره می‌کنیم. سپس به ۱۰ تفاوت هوش مصنوعی و یادگیری عمیق خواهیم پرداخت تا علاقه‌مندان به درک عمیقی از این حیطه‌ها دست پیدا کنند.

هوش مصنوعی و یادگیری عمیق چطور شکل گرفتند؟

هوش مصنوعی برخلاف تصور عموم، یک فناوری کاملاً جدید نیست. بر اساس تاریخچه هوش مصنوعی، در سال ۱۹۵۶ گروهی از دانشمندان در شرکت IBM، هوش مصنوعی را به عنوان یک رشته‌ علمی پایه‌گذاری کردند. سوال اینجاست که این ایده از کجا نشأت گرفت و چه کسانی پشت آن بودند؟

پاسخ این است که تعدادی از دانشمندان از رشته‌های مختلف تحصیلی، به فکر ساخت یک مغز مصنوعی افتادند. شاید برایتان جالب باشد که بدانید گروهی از دانشمندان که زمینه‌ساز هوش مصنوعی به عنوان یک رشته‌ علمی شدند، از رشته‌های متنوعی مانند ریاضیات، روانشناسی، مهندسی، اقتصاد و علوم سیاسی گرد هم آمدند. هدف اصلی این حوزه‌، طراحی و ساخت یک سیستم کامپیوتری است که عملکرد مغز انسان را تقلید می‌کند. به عبارتی، یک ماشین زمانی هوشمند محسوب می‌شود که بتواند همانند انسان درباره مسائل مختلف فکر کند و وظایفی را به خوبی انسان (یا بهتر از او) انجام دهد.

فرض کنید تصویری به شما نشان می‌دهیم و می‌پرسیم چند شی داخل این تصویر وجود دارد و نام آن‌ها چیست؟ شما به راحتی می‌توانید اشیای داخل تصویر را تشخیص دهید زیرا این اشیا را قبلاً در محیط پیرامون خود دیده‌اید و نام آن‌ها را می‌دانید. اما اگر همین سوال را از یک ماشین بپرسیم، نیاز داریم به آن «هوش» تزریق کنیم تا بتواند اشیا را شناسایی کند. به عبارتی، با استفاده از هوش مصنوعی به ماشین یاد می‌دهیم چطور ببیند و چطور درک کند.

به منظور هوشمند کردن ماشین‌ها روش‌های مختلفی وجود دارد که یکی از این روش‌ها، استفاده از الگوریتم های یادگیری ماشین است. اصطلاح «یادگیری ماشین | ماشین لرنینگ» (Machine Learning) در سال ۱۹۵۹ توسط «آرتور ساموئل» (Arthur Samuel) معنا پیدا کرد. او یادگیری ماشین را اینگونه تعریف می‌کند: «الگوریتم‌های یادگیری ماشین با استفاده از داده‌ها آموزش داده می‌شوند و به مرور زمان، عملکرد خود را در انجام وظایف مختلف ارتقا می‌دهند».

دهه‌های ۸۰ و ۹۰ میلادی دوره‌ای بود که یادگیری ماشین به طور گسترده شناخته و به عنوان یکی از شاخه های هوش مصنوعی در نظر گرفته شد. با این که برخی از افراد تفاوت هوش مصنوعی و یادگیری ماشین را نمی‌دانند و به اشتباه این دو حوزه را یکسان قلمداد می‌کنند، باید گفت ماشین لرنینگ بر روی مدل‌های آماری، منطق فازی و نظریه احتمالات تمرکز دارد و بر پایه این مفاهیم، الگوریتم‌هایی را شامل می‌شود که می‌توانند با در اختیار داشتن داده‌های آموزشی، یاد بگیرند چطور مسائل مختلف را حل کنند.

زمان ظهور مفهوم یادگیری عمیق نیز به سال ۱۹۶۲ برمی‌گردد. در دورانی که مفهوم یادگیری ماشین به تازگی شکل گرفته بود و محققان پژوهش‌های جدی خود را در این حوزه شروع کرده بودند، «فرانک روزنبلات» (Frank Rosenblatt) مقاله‌ای تحت عنوان «اصول نورودینامیک: پرسپترون‌ها و نظریه مکانیسم‌های مغزی» را در دانشگاه کرنل منتشر و نخستین «شبکه عصبی» (Neural Network) را با الهام‌گیری از ساختار مغز ارائه کرد. به عبارتی، این روانشناس در پی این پاسخ بود که آیا می‌تواند یک الگوریتمی طراحی کند که بتواند همانند مغز انسان به پردازش و درک داده‌ها بپردازد؟ این مقاله جرقه‌ای برای مطالعات بعدی در این زمینه شد و محققان به کاوش در مورد ایده‌های جدید در این حوزه پرداختند.

حال که با چگونگی پیدایش هوش مصنوعی و یادگیری عمیق آشنا شدید، بهتر است به بررسی جداگانه این دو حوزه به طور جزئی‌تر بپردازیم تا به درک بهتر تفاوت هوش مصنوعی و یادگیری عمیق کمک کند.

درک تفاوت هوش مصنوعی و یادگیری عمیق با فرادرس

هوش مصنوعی در اصل به معنای مکانیزمی برای گنجاندن هوش انسانی در ماشین‌ها از طریق مجموعه‌ای از قوانین (الگوریتم) است. هوش مصنوعی ترکیبی از دو مفهوم است: «مصنوعی» که به معنای چیزی است که توسط انسان ساخته می‌شود و «هوش» که به معنای توانایی درک یا تفکر است. با ترکیب این مفهوم می‌توان به این تعریف رسید که هوش مصنوعی اساساً بر روی شبیه‌سازی هوش تمرکز دارد.

اولین سیستم‌های هوش مصنوعی، برنامه‌های رایانه‌ای مبتنی بر قوانین بودند که می‌توانستند مشکلات نسبتاً پیچیده‌ای را حل کنند. این برنامه‌ها به دو بخش مجزای پایگاه دانش و موتور استنتاج تقسیم می‌شدند. توسعه‌ دهندگان پایگاه دانش را با اطلاعات پر می‌کردند و سپس موتور استنتاج با پرس ‌و جو در پایگاه دانش نتایجی را در خروجی تولید می‌کرد. این روش هوش مصنوعی دارای محدودیت‌هایی بود زیرا وابستگی شدیدی به داده‌های ورودی انسان داشت. همچنین، سیستم‌های مبتنی بر قوانین از انعطاف‌پذیری لازم برای یادگیری و تکامل برخوردار نبودند و به سختی می‌توان آن‌ها را هوشمند در نظر گرفت.

با توجه به این که پژوهش‌های هوش مصنوعی به سرعت در حال پیشرفت است، تعریف این اصطلاح نیز دستخوش تغییر شده است. به عبارتی، شیوه عملکرد الگوریتم های هوش مصنوعی مدرن تغییر پیدا کرده است به نحوی که می‌توانند از داده‌های تاریخی یاد بگیرند و این قابلیت آن‌ها را برای کاربردهای گسترده‌ای همچون رباتیک، ساخت خودروهای خودران و «درک زبان طبیعی» (Natural Language Understanding | NLU) مناسب می‌سازد. در حالی که هوش مصنوعی گاهی اوقات در این حوزه‌ها عملکردی فراتر از انسان ارائه می‌دهد، اما هنوز راه درازی در پیش داریم تا هوش مصنوعی بتواند با هوش انسانی رقابت کند.

در حال حاضر، هیچ هوش مصنوعی‌ای وجود ندارد که بتواند همانند انسان با تنها در اختیار داشتن چند نمونه، یاد بگیرد مسائل را حل کند. هوش مصنوعی برای درک هر موضوعی نیاز به آموزش بر روی حجم عظیمی از داده‌ها دارد. الگوریتم‌ها هنوز قادر نیستند درک خود را از یک حوزه به حوزه‌ دیگری منتقل کنند. برای مثال، اگر ما بازی StarCraft را یاد بگیریم، می‌توانیم به سرعت بازی StarCraft II را هم یاد بگیریم. اما برای هوش مصنوعی، این دو بازی دنیاهای کاملاً متفاوتی هستند و باید هر کدام را از ابتدا یاد بگیرد.

سیستم‌های هوش مصنوعی با توجه به کاربردهایشان، در سطوح مختلفی از هوشمندی قرار دارند. به عبارت دیگر، می‌توان هوشمندی ماشین‌های مصنوعی را بر اساس میزان شباهت رفتار، تفکر و عملکرد آن‌ها به انسان سنجید و دسته‌بندی‌های مختلفی برای آن‌ها در نظر گرفت. در ادامه به برخی از این دسته‌بندی‌ها اشاره می‌شود:

1. «ماشین‌های واکنشی» (Reactive Machine): این نوع ماشین‌ها تنها به محرک‌های محیطی واکنش نشان می‌دهند و هیچ گونه حافظه‌ای ندارند. به عنوان مثال، ربات جاروبرقی در این دسته قرار می‌گیرد که فقط در صورت وجود آشغال شروع به تمیز کردن محیط می‌کند.
2. «ماشین‌های با حافظه محدود» (Limited Memory Machine): این نوع ماشین‌ها علاوه بر واکنش به محرک‌های محیطی، می‌توانند اطلاعات مربوط به گذشته را نیز ذخیره و پردازش کنند. به عنوان مثال، یک سیستم تشخیص چهره که می‌تواند افراد را بر اساس تصاویر قبلی شناسایی کند، از نوع ماشین‌های با حافظه محدود هستند.
3. ماشین‌های هوشمند «مبتنی بر نظریه ذهن» (Theory of Mind): این نوع ماشین‌ها که در حال حاضر در مراحل اولیه توسعه هستند، می‌توانند احساسات، باورها و افکار انسان‌ها را درک کنند. به عنوان مثال، یک ربات پرستار که می‌تواند با توجه به حالات روحی بیمار، رفتار خود را تنظیم کند، در این دسته از ماشین‌های هوشمند قرار می‌گیرد.
4. ماشین‌های «خودآگاه» (Self-Aware): این نوع ماشین‌ها که هنوز به طور کامل توسعه نیافته‌اند، علاوه بر درک ذهن انسان، از وجود خود نیز آگاه هستند و می‌توانند به طور مستقل تصمیم‌گیری و عمل کنند.

اگر شما جزو افرادی هستید به هوش مصنوعی علاقه دارید و قصد دارید بر اساس نقشه راه هوش مصنوعی پیش بروید و به یادگیری آن بپردازید، به شما فیلم‌های آموزشی فرادرس را پیشنهاد می‌کنیم. پلتفرم فرادرس بزرگ‌ترین بستر آموزشی را در حوزه هوش مصنوعی برای علاقه‌مندان فراهم کرده است و فیلم‌های آن برای افراد با سطوح دانش و مهارت مختلف مناسب است. اگر در این حیطه تازه‌کار هستید و نیاز به آموزش پایه‌ای دارید، فیلم‌های آموزشی زیر می‌توانند به شما در یادگیری مفاهیم اساسی هوش مصنوعی کمک کنند:

چنانچه علاقه دارید برای نخستین بار به یادگیری دیپ لرنینگ بپردازید و پیشینه مطالعاتی پایه‌ای برای آن ندارید، دیدن فیلم‌ آموزشی فرادرس زیر می‌تواند به خوبی به شما کمک کند:

از آنجا که درک مفاهیم هوش مصنوعی و یادگیری عمیق به دانش ریاضی بستگی دارد، باید مفاهیم ریاضیاتی و آماری این حوزه‌ها را یاد بگیرید. بدین منظور، فیلم آموزش ریاضی فرادرس می‌تواند به شما کمک کند:

اگر شما دانش پایه‌ای درباره هوش مصنوعی و یادگیری عمیق دارید و می‌خواهید نحوه پیاده‌سازی مدل‌های این دو حوزه را یاد بگیرید، فیلم‌های آموزشی فرادرس می‌توانند در این راستا به شما کمک کنند. در ادامه، فهرستی از دوره‌های آموزشی مرتبط را ملاحظه می‌کنید:

همچنین، اگر قصد یادگیری مفاهیم دیگری را دارید که در فهرست بالا ذکر نشده‌اند، می‌توانید به مجموعه آموزش‌های هوش مصنوعی فرادرس مراجعه و سایر دوره‌های آموزشی مرتبط با هوش مصنوعی را ملاحظه کنید:

کاربردهای هوش مصنوعی در زندگی انسان

در سال‌های اخیر شاهد ابزارها و سیستم‌های هوشمندی هستیم که با استفاده از روش‌های هوش مصنوعی می‌توانند کارهای مختلفی را انجام دهند. در ادامه، به برخی از این ابزارها اشاره می‌کنیم:

• دستیار مجازی: ابزارهای Siri و Alexa با بهره‌گیری از روش‌های AI قادر به درک زبان طبیعی و انجام کارهایی مانند تنظیم یادآور، پاسخ به سوالات و کنترل دستگاه‌های هوشمند خانگی هستند.
• سیستم‌های توصیه‌گر: الگوریتم‌های هوش مصنوعی با تحلیل ترجیحات و رفتار کاربران، پیشنهادهای شخصی‌سازی‌شده‌ای برای محصولات، فیلم‌ها، موسیقی و موارد دیگر ارائه می‌دهند.
• چت‌بات‌ها: چت‌بات‌های هوش مصنوعی می‌توانند در قالب مکالمه با کاربران ارتباط برقرار می‌کنند و به آن‌ها در زمینه فروش و پشتیبانی اطلاعات ارائه دهند.
• خودروهای خودران: هوش مصنوعی بر اساس داده‌های لحظه‌ای که از حسگرها و دوربین‌ها دریافت می‌شوند، می‌تواند خودروها را در مسیر درست هدایت کند.
• تشخیص کلاهبرداری: سیستم‌های هوش مصنوعی می‌توانند فعالیت‌ها و تراکنش‌های غیرقانونی را به صورت لحظه‌ای شناسایی از ضررهای مالی جلوگیری کنند.
• تشخیص پزشکی: هوش مصنوعی با تجزیه و تحلیل تصاویر و داده‌های پزشکی به تشخیص بیماری‌ها کمک می‌کند و در تشخیص زودهنگام و درمان موثر است.
• فیلتر کردن ایمیل: الگوریتم‌های هوش مصنوعی بر اساس محتوا و رفتار کاربر، هرزنامه را تشخیص می‌دهند.
• رباتیک: از هوش مصنوعی در رباتیک استفاده می‌شود تا به ماشین‌ها امکان انجام کارهای پیچیده، تعامل با محیط و یادگیری از تجربه را بدهد.

بررسی مفهوم یادگیری عمیق برای درک تفاوت هوش مصنوعی و یادگیری عمیق

یادگیری عمیق حوزه‌ای نوظهور است که از سال ۲۰۱۰ به طور مداوم در حال پیشرفت و کاربرد بوده است. برای فهم یادگیری عمیق، باید شبکه‌های عصبی را درک کنید زیرا یادگیری عمیق در واقع نوعی شبکه‌ عصبی چندلایه است. اصطلاح شبکه‌ عصبی برگرفته از سلول‌های عصبی مغز است. اگر به یادگیری عمیق علاقه‌مند هستید و قصد دارید مهارت و دانش تخصصی خود را در این زمینه بالا ببرید، فیلم آموزش یادگیری عمیق فرادرس را به شما پیشنهاد می‌کنیم که لینک آن را در ادامه درج کرده‌ایم:

هر نورون (سلول عصبی) در شبکه عصبی سلولی است که سیگنال ورودی را به شکل داده دریافت می‌کند و سپس آن را پردازش و به نورون دیگری منتقل می‌کند. روش‌های یادگیری عمیق به طور مستقل از داده‌ها یاد می‌گیرند و برای بهبود عملکرد خود به حداقل دخالت انسان نیاز دارند. در تصویر زیر، نمایی از یک شبکه عصبی ساده را ملاحظه می‌کنید:

در مطلب قبلی از مجله فرادرس با عنوان الگوریتم های یادگیری عمیق به معرفی مدل‌های پرکاربرد این حوزه پرداخته شده است و به این نکته اشاره می‌شود که این مدل‌ها همانند الگوریتم‌های یادگیری ماشین، برای یادگیری و اتخاذ تصمیمات آگاهانه به حجم عظیمی از داده نیاز دارند. همین نیاز مشترک به داده‌های حجیم باعث شده است که بسیاری از افراد این دو حیطه را به اشتباه مشابه هم در نظر بگیرند در حالی که یادگیری عمیق زیرشاخه یادگیری ماشین محسوب می‌شود و مدل‌های آن بر پایه‌ شبکه‌های عصبی مصنوعی بنا شده‌اند. این شبکه‌ها از قابلیت حل مسائلی برخوردارند که برای مدل‌های یادگیری ماشین دشوار یا غیرممکن است.

کاربردهای یادگیری عمیق در زندگی انسان

از روش‌های یادگیری عمیق در حل مسائل پیچیده استفاده می‌شوند که نیاز به تشخیص الگوهای پنهان داده‌ها دارند. در ادامه، می‌توانید برخی از کاربردهای مهم یادگیری عمیق را ملاحظه کنید:

• طبقه‌بندی تصویر: دسته‌بندی اشیا در تصاویر در سازماندهی عکس‌ها، برچسب‌گذاری خودکار آن‌ها و تحلیل تصاویر پزشکی استفاده می‌شود.
• «پردازش زبان طبیعی» (Natural Language Processing | NLP): انجام پردازش‌های پیشرفته بر روی زبان انسان مانند ترجمه زبان، تحلیل احساسات و تولید متن از دیگر کاربردهای روش‌های یادگیری عمیق هستند.
• تشخیص گفتار: در طراحی سیستم‌های تبدیل گفتار به متن و متن به گفتار نظیر دستیارهای صوتی می‌توان کاربرد الگوریتم‌های یادگیری عمیق را ملاحظه کرد.
• تشخیص چهره: شناسایی افراد و تشخیص هویت آن‌ها بر اساس ویژگی‌های صورت از دیگر کاربردهای دیپ لرنینگ است که از آن در ساخت سیستم‌های امنیتی، باز کردن قفل دستگاه‌ها یا گوشی‌های هوشمند استفاده می‌شود.
• کشف دارو: از روش‌های یادگیری عمیق می‌توان در کشف دارو و تحلیل خواص و فعل و انفعالات مولکولی استفاده کرد.
• طراحی بازی: از مدل‌های یادگیری عمیق برای طراحی بازی‌های کامپیوتری استفاده می‌شود تا تجربه جذاب‌تری برای مخاطبان فراهم شود.
• ساخت موسیقی: تولید آهنگ‌های جدید از دیگر کاربردهای یادگیری عمیق محسوب می‌شود.

تفاوت هوش مصنوعی و یادگیری عمیق

حال که با مفاهیم هوش مصنوعی و یادگیری عمیق آشنا شدید، در ادامه این بخش به فرق این دو حوزه می‌پردازیم. تفاوت هوش مصنوعی و یادگیری عمیق را می‌توان از جنبه‌های مختلف بررسی کرد که عبارت‌اند از:

1. اهداف مطالعاتی
2. گستردگی مطالعات
3. معیار بررسی روش‌ها
4. ملاک موفقیت
5. نوع تقسیم‌بندی
6. داده آموزشی
7. میزان دخالت انسان
8. کاربرد
9. بار محاسباتی
10. هزینه زمانی و مالی

در ادامه، به توضیح تفاوت هوش مصنوعی و یادگیری عمیق از لحاظ موارد ذکر شده در فهرست بالا می‌پردازیم.

۱. تفاوت هوش مصنوعی و یادگیری عمیق به لحاظ اهداف مطالعاتی چیست؟

هوش مصنوعی به دنبال خلق ماشین‌هایی است که می‌توانند مانند انسان رفتار هوشمندانه‌ای از خود نشان دهند، مفاهیم جدید را فرا بگیرند و با تحلیل اطلاعات ورودی، بدون نیاز به دخالت مستقیم انسان، تصمیم‌گیری کنند. به عبارتی، هوش مصنوعی بررسی می‌کند آیا ماشین‌ها می‌توانند با استفاده از الگوریتم‌ها رفتاری هوشمندانه شبیه به انسان داشته باشند؟ یادگیری عمیق حوزه مطالعاتی جزئی‌تری از هوش مصنوعی را دربر می‌گیرد و بر طراحی مدل‌ها و شبکه‌های عصبی تمرکز دارد که با استفاده از آن‌ها بتوان عملکرد یادگیری و پردازش مغز انسان را شبیه‌سازی کرد. به بیان دیگر، هدف هوش مصنوعی را می‌توان با استفاده از روش‌های یادگیری عمیق محقق کرد.

۲. فرق هوش مصنوعی و یادگیری عمیق از جنبه گستردگی مطالعات

هوش مصنوعی به عنوان یکی از شاخه‌های علوم کامپیوتر محسوب می‌شود که حوزه‌های مطالعاتی گسترده‌ای نظیر رباتیک، «سیستم خبره» (Expert System)، سیستم‌های فازی، ماشین لرنینگ و یادگیری عمیق را می‌توان برای آن برشمرد. یادگیری عمیق زیرشاخه ماشین لرنینگ و در نهایت جزئی از مفاهیم اصلی هوش مصنوعی تلقی می‌شود که صرفاً شامل مفاهیم ریاضیاتی و مدل‌سازی شبکه‌های عصبی مختلف است. به بیان دیگر، از روش‌های یادگیری عمیق می‌توان برای ساخت ماشین‌های هوش مصنوعی استفاده کرد.

۳. تفاوت هوش مصنوعی و یادگیری عمیق از لحاظ معیار سنجش خروجی

هدف اصلی هوش مصنوعی از دیرباز، ساخت ماشینی بود که بتواند به خوبی انسان وظیفه خاصی را انجام دهد. می‌توان گفت هوش مصنوعی از طریق معیارهایی نظیر قدرت تصمیم‌گیری و استنتاج بررسی می‌کند آیا یک سیستم کامپیوتری هوشمند است؟ از طرف دیگر، هدف یادگیری عمیق این است که با استفاده از شبکه‌های عصبی به بررسی و تحلیل داده بپردازد و ویژگی‌هایی را از آن‌ها استخراج کند تا بر اساس آن‌ها خروجی مورد نظر انسان را تولید کند. از آنجایی که مدل‌های یادگیری عمیق بر پایه محاسبات ریاضی و آمار شکل گرفته‌اند، معیار سنجش دقت خروجی مدل‌ها بر اساس یک سری فرمول‌های آماری تعریف می‌شوند.

۴. فرق هوش مصنوعی با دیپ لرنینگ از لحاظ ملاک موفقیت چیست؟

هوش مصنوعی اساساً بر روی افزایش میزان احتمال موفقیت یک سیستم هوشمند متمرکز است و در این حوزه دقت عملکرد سیستم از اهمیت کمتری برخوردار است. در حالی که در یادگیری عمیق هدف این است که با افزایش میزان داده آموزشی و انجام یک سری تنظیمات، شبکه عصبی از دقت بالایی برخوردار شود.

۵. تفاوت یادگیری عمیق و هوش مصنوعی از نظر نوع تقسیم بندی آن ها

هوش مصنوعی را می‌توان بر اساس ویژگی‌های مختلف، به انواع گوناگون تقسیم‌بندی کرد. به عنوان مثال، می‌توان سیستم‌های AI را از نظر میزان سطح هوشمندی به انواع مختلفی تقسیم کرد که در ادامه به آن‌ها اشاره شده است:

• «هوش مصنوعی محدود» (Narrow or Weak Artificial Intelligence): این نوع سیستم‌های هوشمند بر انجام یک وظیفه‌ خاص متمرکز هستند و توانایی‌های شناختی کاملی درباره تمامی مسائل ندارند. سیستم‌های تشخیص چهره، سیستم‌های بازشناسی گفتار، چت‌بات‌ها، دستیارهای صوتی مانند Siri و Alexa و موتورهای جستجوی اینترنتی مانند گوگل نمونه‌هایی از سیستم‌های مبتنی بر هوش مصنوعی محدود هستند.
• «هوش مصنوعی عمومی | قدرتمند» (General or Strong Artificial Intelligence): این نوع هوش مصنوعی عمومی به دنبال خلق ماشین‌هایی با میزان هوشمندی در سطح انسان است. این سیستم‌ها قادر به انجام هر کاری هستند و می‌توانند با تفکر و تجزیه و تحلیل دقیق به حل مسائل مختلف بپردازند. نمونه‌هایی از هوش مصنوعی عمومی را در فیلم‌هایی نظیر ادیسه فضایی محصول سال ۲۰۰۱ دیده‌ایم.
• «اَبَر هوش مصنوعی» (Super Artificial Intelligence): هدف نهایی هوش مصنوعی، دستیابی به چنین سطح هوشمندی است که بتواند از سطح هوش انسان پیشی بگیرد و قادر به انجام کارهایی نظیر پیش‌بینی دقیق آینده، حل مسائل علمی دشوار و دستیابی به اکتشافات و نوآوری‌های خارق‌العاده‌ای باشد که در حال حاضر برای انسان غیرقابل تصور است.

از سوی دیگر، یادگیری عمیق شامل انواع مختلفی از رویکردهای یادگیری سیستم‌های هوشمند و شبکه‌های عصبی می‌شود. به عبارتی، می‌توان انواع یادگیری الگوریتم‌های دیپ لرنینگ را به صورت زیر برشمرد:

• «یادگیری نظارت شده» (Supervised Learning): در این نوع یادگیری، به سیستم‌های هوشمند مصنوعی با استفاده از داده‌های آموزشی برچسب‌دار، نحوه انجام یک کار خاص آموزش داده می‌شود. برچسب داده‌ها، «هدف» (Target) را مشخص می‌کند و الگوریتم سعی دارد مقادیر هدف را به درستی تشخیص دهد. دسته‌بندی تصاویر حیوانات به عنوان نمونه‌ای از مسائل یادگیری نظارت شده است.
• «یادگیری نظارت نشده» (Unsupervised Learning): مدل‌های یادگیری عمیق که مبتنی بر رویکرد یادگیری نظارت نشده هستند، نیازی به داده‌های آموزشی برچسب‌دار ندارند. به عبارتی، این مدل‌ها صرفاً بر اساس استخراج ویژگی‌های داده‌ها، به حل مسائل می‌پردازند. «مدل زبانی» (Language Model) نمونه خوبی از مدل‌های یادگیری عمیق هستند که با رویکرد یادگیری نظارت نشده آموزش داده می‌شوند.
• «یادگیری تقویتی» (Reinforcement Learning): این رویکرد یادگیری مبتنی بر تعامل عامل هوشمند با محیط اطراف خود است تا از این طریق یاد بگیرد چطور وظایف را انجام دهد. به عبارت جزئی‌تر، عامل هوشمند با انجام اقداماتی در محیط، پاداش یا تنبیهی دریافت می‌کند و بر اساس این بازخوردها، به مرور زمان نحوه‌ انجام کارها را یاد می‌گیرد. جاروبرقی هوشمند می‌تواند مثال خوبی برای این نوع یادگیری باشد.

۶. فرق هوش مصنوعی و دیپ لرنینگ از لحاظ داده آموزشی

هدف هوش مصنوعی این است که ماشینی ساخته شود تا بتواند وظیفه‌ای را به طور خودکار و به درستی انجام دهد. روش‌های مختلفی برای ساخت چنین سیستم‌هایی وجود دارد که یکی از آن‌ها، روش‌های قاعده‌مند هستند. ابزارهای هوشمندی که بر اساس این روش طراحی می‌شوند، برای انجام وظیفه‌ای خاص، به حجم زیادی داده برای آموزش نیاز ندارند و صرفاً بر اساس یک سری قواعد از پیش تعریف شده، به انجام امور می‌پردازند.

از طرف دیگر، یادگیری عمیق را می‌توان یکی از روش‌های ساخت سیستم‌های هوش مصنوعی در نظر گرفت که بر خلاف روش‌های قاعده‌مند، برای آموزش به حجم زیادی داده نیاز دارند تا بتوانند بر اساس تحلیل آن‌ها و استخراج ویژگی از آن‌ها، یاد بگیرند چطور مسائل را به خوبی حل کنند.

۷. فرق AI و یادگیری عمیق از نظر میزان دخالت انسان چیست؟

ماشین‌های هوش مصنوعی قاعده‌مند بر اساس یک سری دستورات از پیش تعریف شده توسط برنامه نویس، می‌توانند وظایفی را به طور خودکار انجام دهند. بنابراین، در این شیوه از هوشمند‌سازی ابزارها نیاز داریم از انسان کمک بگیریم. یادگیری عمیق برخلاف روش‌های قاعده‌مند شامل روش‌هایی می‌شود که می‌توانند به طور خوکار ویژگی‌های داده‌ها را استخراج کنند و بر اساس آن‌ها یاد بگیرند چطور مسائل را حل کنند. بنابراین، این مدل‌ها برای یادگیری، نیازی به کمک انسان ندارند.

۸. تفاوت AI و دیپ لرنینگ از نظر کاربرد

هوش مصنوعی می‌تواند شامل طیف وسیعی از مسائل ساده و پیچیده باشد. به عنوان مثال، دسته‌بندی ایمیل‌ها بر اساس کلمات به کار رفته در محتوای آن‌ها می‌تواند به سادگی با استفاده از روش قاعده‌مند پیاده‌سازی شود. یادگیری عمیق با هدف حل کردن مسائل بسیار پیچیده‌تر نظیر شناسایی اشیا در تصاویر، پردازش زبان طبیعی، تشخیص گفتار و مواردی از این قبیل ظهور پیدا کرده است که برای پیاده‌سازی آن‌ها نمی‌توان از روش‌های ساده AI استفاده کرد. به علاوه، مفهوم «بیگ دیتا» (Big Data) یا همان مه داده | کلان داده با پیدایش دیپ لرنینگ به وجود آمد و برای حل مسائل مرتبط با این مفهوم، صرفاً می‌توان از روش‌های قدرتمند یادگیری عمیق استفاده کرد.

۹. تفاوت AI و یادگیری عمیق به لحاظ بار محاسباتی

روش‌های هوش مصنوعی می‌توانند ساده باشند و با انجام عملیات سبک خروجی را تعیین کنند. به عنوان مثال، سیستم‌های خبره ساده با استفاده از دستورات ساده از پیش تعریف شده توسط برنامه نویس می‌توانند به درخواست کاربر پاسخ دهند. از طرف دیگر، کلیه روش‌های یادگیری عمیق نیازمند بار محاسباتی سنگین‌تری هستند و نیاز به حجم زیادی داده دارند تا با پردازش آن‌ها بتوانند نحوه حل مسائل را یاد بگیرند. به علاوه، هر چقدر حل مسئله سخت‌تر و پیچیده‌تر باشد، از شبکه‌های عصبی با تعداد لایه‌های بیشتر استفاده می‌شود. افزایش عمق مدل‌ها منجر به بار محاسباتی و پردازش بیشتر خواهد شد.

۱۰. تفاوت هوش مصنوعی و دیپ لرنینگ از لحاظ هزینه زمانی و مالی

سیستم‌های هوش مصنوعی ممکن است بر اساس روش‌هایی نظیر قاعده‌مند طراحی شوند که به زمان زیادی برای یادگیری احتیاج ندارند. همچنین، این روش‌ها نیازی به داده آموزشی ندارند بنابراین مراحل جمع‌آوری و آماده‌سازی داده برای این نوع سیستم‌ها لازم نیست. همچنین، از آنجایی که این روش‌ها محاسبات سنگینی را احتیاج ندارند، می‌توان آن‌ها را بر روی سیستم‌های سخت‌افزاری با هزینه پایین اجرا کرد.
مدل‌های یادگیری عمیق برای آموزش به حجم زیادی داده نیاز دارند و زمانی را باید به آموزش این مدل‌ها اختصاص داد. هر چقدر تعداد لایه‌های شبکه عصبی بیشتر باشد یا مدل‌ها دارای ساختار پیچیده‌تری باشند، زمان آموزش مدل نیز افزایش می‌یابد. به علاوه، پردازش داده‌های زیاد و انجام محاسبات سنگین نیازمند منابع سخت‌افزاری مناسب است که برای تهیه آن‌ها هزینه زیادی را باید صرف کرد.

حال که با حوزه‌های یادگیری عمیق و هوش مصنوعی آشنا شدید، می‌توانید مسیر یادگیری خود را در این حیطه ادامه دهید و مفاهیم مرتبط با آن‌ها نظیر شبکه‌های عصبی و نحوه پیاده‌سازی آن‌ها، الگوریتم‌های یادگیری ماشین و روش‌های داده‌کاوی را نیز یاد بگیرید. در ادامه، فهرستی از فیلم‌های آموزشی مرتبط از سایت فرادرس را ملاحظه می‌کنید که به شما در مسیر یادگیری‌تان کمک چشم‌گیری می‌کنند:

سوالات متداول درباره هوش مصنوعی و یادگیری عمیق

در این بخش از مطلب حاضر، به برخی از پرتکرارترین سوالات درباره هوش مصنوعی و یادگیری عمیق می‌پردازیم و با توجه به مطالب ارائه شده در این مقاله به آن‌ها پاسخ خواهیم داد.

آیا هوش مصنوعی و یادگیری عمیق یکسان هستند؟

خیر. هوش مصنوعی و یادگیری عمیق با این که دارای مفاهیمی هستند که با یکدیگر همپوشانی دارند، نمی‌توان آن‌ها را یکسان تلقی کرد. به عبارتی، یادگیری عمیق زیرشاخه هوش مصنوعی محسوب می‌شود و از جنبه‌های مختلف با یکدیگر فرق دارند.

انواع هوش مصنوعی چیست؟

سیستم‌های هوش مصنوعی را می‌توان از نظر سطح هوشمندی به سه دسته اصلی تقسیم کرد که عبارت‌اند از: هوش مصنوعی محدود (Narrow AI)، هوش مصنوعی عمومی (General AI) و اَبَر هوش مصنوعی (Super AI). هر یک از این انواع هوش مصنوعی ویژگی‌ها، قابلیت‌ها و محدودیت‌های منحصربه‌فرد خود را دارند.

انواع الگوریتم های یادگیری عمیق کدامند؟

یادگیری عمیق شامل انواع مختلفی از الگوریتم‌ها می‌شود که برخی از آن‌ها عبارت‌اند از:

1. مدل «پرسپترون چند لایه» (Multi Layer Perceptron | MLP)
2. «شبکه پیش خور» (Feed-Forward Neural Network | FNN)
3. شبکه عصبی «تابع پایه شعاعی» (Radial Basis Function Neural Network | RBFN)
4. «شبکه عصبی پیچشی» (Convolutional Neural Network | CNN)
5. «شبکه عصبی بازگشتی» (Recurrent Neural Network | RNN)
6. «شبکه عصبی با حافظه طولانی کوتاه مدت» (Long Short-Term Memory | LSTM)
7. «شبکه مولد تخاصمی» (Generative Adversarial Network | GAN)

آیا برای یادگیری دیپ لرنینگ باید هوش مصنوعی را یاد بگیریم؟

بله. یادگیری عمیق، زیرشاخه هوش مصنوعی محسوب می‌شود. برای شروع یادگیری مفاهیم یادگیری عمیق، لازم است در ابتدا به اهداف و مفاهیم پایه‌ای هوش مصنوعی اشراف داشته باشید و سپس به سراغ مفاهیم تخصصی یادگیری عمیق بروید.

آیا برای یادگیری عمیق باید برنامه نویسی بلد باشیم؟

بله. یادگیری عمیق شامل الگوریتم‌ها و مدل‌های مختلفی می‌شود که از آن‌ها می‌توان برای حل مسائل مختلف استفاده کرد. بدین منظور، باید با کمک زبان های برنامه نویسی هوش مصنوعی و کتابخانه‌های مرتبط به پیاده‌سازی مدل‌های یادگیری عمیق بپردازید و با استفاده از برنامه نویسی، سیستم‌ها و ابزارهای هوشمند بسازید.

جمع‌بندی

در دنیای امروز، تکنولوژی‌های نوین روال زندگی انسان را متحول کرده‌اند و وابستگی ما به ابزارهای مبتنی بر آن‌ها روز به روز بیشتر می‌شود. هوش مصنوعی به عنوان یکی از مهم‌ترین حوزه‌ علوم کامپیوتر، نقشی کلیدی در این تحولات ایفا می‌کند. تقریباً همه افراد از مزایای تجهیزات هوشمند حاصل شده از این حوزه، مانند گوشی‌های همراه، بهره‌مند شده‌اند. با وجود کاربردهای گسترده هوش مصنوعی و روش‌های مختلف آن مانند یادگیری عمیق، بسیاری از افراد با تفاوت‌های ظریف بین این دو مفهوم آشنا نیستند و در اغلب موارد آن‌ها را به اشتباه به جای یکدیگر به کار می‌برند.

هدف این مقاله از مجله فرادرس روشن کردن تفاوت‌ مفاهیم هوش مصنوعی و یادگیری عمیق بود. در ابتدای مطلب، سعی داشتیم به دلایل پیدایش این دو حوزه بپردازیم و مفاهیم اصلی و کاربردهای هر یک از آن‌ها را شرح بدهیم. سپس، به ۱۰ تفاوت مهم هوش مصنوعی و یادگیری عمیق پرداختیم تا مرز دقیق این دو حوزه برای علاقه‌مندان آن‌ها مشخص شود.