یادگیری ماشین یا هوش مصنوعی؟
اسم هایی که زیاد می‌شنویم ولی آیا به درست و غلط بودن جایگاه آن‌ها فکر کردیم؟
در این مقاله می‌خواهیم به تفاوت های اساسی دو کلمه یادگیری ماشین و هوش مصنوعی بپردازیم و با اینکه هر دوی آن‌ها را برای تایپ های مرتبط به هم در یک جا می‌شنویم،آیا اصلا این دو فرقی دارند و استفاده از کدام کلمه در چه جایی صحیح است؟ در AI پلاس امروز به بررسی تفاوت‌های مفهومی و معنایی یادگیری ماشین و هوش‌مصنوعی می‌پردازیم و کاربرد هر عبارت در حوزه تخصصی خود را بررسی می‌کنیم.
یادگیری ماشین
یادگیری ماشین جزو اولین تاپیک هایی بود که حتی الگوریتم‌ها و مدل ریاضیاتی اولیه‌اش قبل از اختراع کامپیوتر و ماشین تورینگ کشف و خلق شده بودند. از اوایل قرن نوزدهم بطور جداگانه، هم دانشمندان فیزیولوژیست و هم ریاضی‌دان ها سعی در شناخت و شبیه‌سازی ساختمان یادگیری و تجزیه و تحلیل مغز داشتند. ریاضی‌دان‌ها میخواستند مدل ریاضیاتی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد و ساختار تحلیلگر مغز انسان را الگوی خود قرار داده بودند.
مساله اولیه و راه‌حل مدنظری که ریاضی‌دان‌ها قصد ارائه آن را داشتند این بود که یک مدل ریاضی براساس یادگیری داده‌های قبلی و با گرفتن داده های جدید بتواند یک خروجی مرتبط بدهد. البته بزرگترین چالش این مدل آن بود که باید بر اساس داده‌های قبلی خود بتواند یادبگیرد و تحلیل‌های بهتری انجام دهد.
اولین کوشش‌ها در شبیه‌سازی با استفاده از یک مدل منطقی در اوایل دههٔ ۱۹۴۰ توسط وارن مک‌کالک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی مصنوعی است. عملکرد این مدل مبتنی بر جمع ورودی‌ها و ایجاد خروجی با استفاده از شبکه‌ای از نورون‌ها است که در ادامه به بررسی بیشتر آن پرداخته‌ایم.
همانطور که در تصویر بالا مشاهده می‌کنید این مدل ریاضی درواقع الهامی از شبکه عصبی خود مغز انسان است که در عمق خود با مدل های ریاضیاتی با لایه ها و نورون ها ارتباط برقرار می‌کند. در واقع در بیانی ساده برای اولین بار ما توانایی این را پیدا کردیم تا مغز انسان را هک کنیم تا یک نگاه دقیقتر بر نحوه عملکرد یادگیری آن داشته باشیم و این فرایند را به صورت مرحله به مرحله بررسی کینم.
یادگیری ماشین رد واقع به پیچیدگی این شبکه‌های عصبی نیست و می‌تواند صرفا الگوریتم های پیشبینی رگرسیونی یا ماتریس‌های وقوع باشد که در جای جای زندگی درحال استفاده از آن‌ها هستیم. وقتی که اسپاتیفای آهنگی را پیشنهاد می‌کند یا برنامه سلامت گوشی شما تایم خواب پیشنهادی شمارا پرزنت می‌کند درواقع به لطف این شناخت از ساختار یادگیری مغز به این ویژگی‌ها دست یافته است که در مقاله‌های اختصاصی دیگری در AI پلاس به بررسی آن‌ها پرداخته‌ایم.
شبکه های عصبی – فعلا – فاقد اگاهی هستند و دلیل آن است که این ماشین ها و الگوریتم های یادگیری صرفا با دیتای محدود و مشخصی شروع به یادگیری میکنند تا تسک‌های مشخصی ر با دقت بالاتری انجام بدهند. بنابراین گستردگی درک آن‌ها در شرایط فعلی به اندازه انسان‌ها و حتی حیوانات نمی‌تواند برسد و در نهایت در شرایط کنونی نمی‌توانند به درجه کسب آگاهی نزدیک بشوند.
هوش مصنوعی
هوش مصنوعی یه مفهوم بسیار کلان‌تر و البته فعلا دست نیافته می‌باشد که به ماشینی اشاره می‌کند که از الگوریتم‌های بسیار پیشرفته یادگیری و داده‌های بسیار بسیار زیادی استفاده می‌کند و حتی در دسترسی این ماشین به هوش و شناخت ممکن است پارامترهای بسیار پیچیده‌تری وجود داشته باشد که در حال حاضر در توان یافته‌های بشری وجود ندارد. پس مفهوم بنیادی هوش‌مصنوعی چیزی بسیار فراتر از ابزارهایی است که امروزه از آن به نام هوش‌مصنوعی یاد می‌کنیم.
مشکل اساسی بشر در ساخت هوش‌مصنوعی تعریف آگاهی است!
ما تعریف دقیق و مشخصی از آگاهی نداریم و شاید عجیب باشد که چگونه داریم از کلمه‌ای استفاده می‌کنیم که برای معنی دقیق آن توصیف کامی و شفاف و همه‌گیری وجود ندارد. در واقع در این مورد ما هم شبیه یادگیری ماشین رفتار می‌کنیم و بدون دانستن دقیق معنی یک کلمه، از آن استفاده می‌کنیم. در واقع ما فقط می‌دانیم که به ی کسری از مجموعه رفتار‌ها و تفکرات آگاهی می‌گوییم، ولی هنوز مطمئن نیستیم که این موضوعات عامل اصلی آگاهی هستند یا خود آن‌ها عامل‌های دیگری دارند که منابع اصلی آگاهی را تشکیل میدهند و عدم وجود این تعریف دقیق بزرگترین مشکل در تفسیر شیوه کارکرد آگاهی و در نهایت ساخت هوش‌مصنوعی است.
در نهایت یکی از موضوع‌های اساسی در ساخت هوش‌مصنوعی به معنای واقعی آن، تداخلات شدیدی است که این حوزه از علم با انواع علوم دیگر مانند منطق، فیزیک، ریاضیات، فلسفه و … دارد و ما در گام اول باید مسائل عمیق و تداخلات مربوطه را حل کنیم تا متوجه امکان پذیری خلقت اگاهی شویم.
فضایی برای فکر بیشتر
یکی از مسائل عمیقی که برای این کانسپت مطرح میشود به میزان تصادفی بودن رخداد های داخل مغز مربوطه و سوال از اینجا شروع میشه که چرا در تاریخ شاهد بودیم که جواب یک سوال و یا چالش که نسبتا هم همگانی هست صرفا به ذهن یک فرد می آید ؟
عمیق شدن در این سوال مارو به این نتیجه میرسونه که انگار ما روند های بشدت تصادفی ای در مغزمان داریم که اجازه خلاقیت لحظه و بیرون از جعبه فکر کردن رو میده و چالش برای هوش مصنوعی و دنیای کامپیوتر این است که ما در این فضا بطور واقعی عدد های تصادفی نمیتونیم بسازیم
تنها امیدی که جدیدا برای ما ایجاد شده این است که با خلق کامپیوتر های کوانتومی و فضایی پر ازاحتمالات بدون حدس و اعداد تصادفی شاید بتونیم در اینده از این مساله عبور کنیم ولی نگران نباشید فعلا تداخلات زیاد دیگه هم باقی هست :))
بالاخره یادگیری ماشین یا هوش مصنوعی؟
اگر بخوایم از اصطلاحی درست برای نامیدن این فرایند‌های جادویی در دنیای امروزمان استفاده کنیم… همان‌هایی که با شیوه‌های مختلفی ذهن ما را حدس میزند و یا شخصیت ما را تحلیل می‌کند، ویدیوهای مناسب برای‌مان لیست می‌کند و آهنگ های زیبای مورد علاقه ما را پیشنهاد می‌کند، پیشبینی بازار را انجام می‌دهد و کلی جادوی دیگر را ممکن می‌کند…در واقعیت علمی امروز باید برای نامیدن آن اصلاح یادگیری ماشینی را به کار ببریم ولی از آنجایی که حتی خود شرکت های بزرگ ارائه دهنده این الگوریتم‌ها و سرویس‌ها برای درک راحت‌تر و ارتباط مردم با این جادو ها از اصطلاح هوش‌مصنوعی استفاده میکنند، کاربرد این واژه به مراتب بیشتر از یادگیری ماشین بوده است و در بین عموم مردم و حتی متخصصین این حوزه بیشتر است.
در نهایت مشکلات فعلی بشر فعلا در استفاده از هرکدوم از این اصلاحات نیست اما در آینده‌ای شاید نزدیک احتمالا خیلی مهم خواهد بود که ما دقیقا از یادگیری ماشین برای اشاره به ابزارها، ماشین‌ها و سرویس هایی استفاده می‌کنیم که به ما پیشنهاد میدهند، پیشبینی میکنند و به ما کمک می‌رسانند یا اینکه از واژه هوش مصنوعی استفاده می‌کنیم که درواقع به یک ماهیت مثل خود ما اشاره می‌کند، که دقیقا مثل ما راه می‌روند، میخندد، گریه می‌کند، حرف میزند و شما هیچ شکی در تفاوت آن با یک انسان نخواهید کرد… هرچند در واقع آن ماهیت اصلا یک انسان نیست!
