یادگیری عمیق چیست و چه ارتباطی با یادگیری ماشین دارد؟

۱۳ مرداد ۱۴۰۰ | ۱۸:۰۰ ۱۴ مرداد ۱۴۰۰ زمان مورد نیاز برای مطالعه: ۳ دقیقه

یادگیری عمیق بخشی از هوش مصنوعی است که در آن سعی شده از عملکرد مغز انسان در پردازش داده‌ها و همچنین الگوهای ذهن انسان برای تصمیم‌گیری، تقلید شود. یادگیری عمیق یکی از زیر مجموعه‌های یادگیری ماشین در هوش مصنوعی است. یادگیری ماشین، شبکه‌هایی دارد که توانایی یادگیری بدون نظارت از روی داده‌های فاقد ساختار بندی و لیبل‌گذاری نشده را دارند.

یادگیری عمیق با نام یادگیری عصبی عمیق و شبکه‌ی عصبی عمیق هم شناخته می‌شود.

چگونگی عملکرد یادگیری عمیق

یادگیری عمیق دست به دست عصر دیجیتال داده است و این مسأله باعث انفجار اطلاعات در همه‌ی زمینه‌ها و در سراسر جهان شده است. این اطلاعات که به زبان ساده big data نامیده می‌شوند از منابعی مانند شبکه‌های اجتماعی، موتورهای جست‌و‌جو، پلتفرم‌های تجارت الکترونیک و… به دست آمده‌اند. این حجم عظیم اطلاعات به‌راحتی در دسترس است و اشتراک گذاری آن‌ها از طریق اپلیکشین‌های fintech (فناوری مالی) مانند محاسبات ابری ممکن است.

واقعیت این است که اطلاعات به طور کلی ساختاربندی ندارند، بسیار گسترده‌اند و ممکن است دهه‌ها طول بکشد تا بشر بتواند آن را تفسیر کرده و اطلاعات مربوط را استخراج کند. شرکت‌های بزرگ و کمپانی‌های معتبر پتانسیل باورنکردنی‌ که در کشف و تحلیل این ثروت عظیم اطلاعاتی وجود دارد را درک کرده‌اند و در نتیجه با سرعت زیادی تلاش می‌کنند با فناوری هوش مصنوعی همراه شوند و از آن برای افزایش ثروت بهره ببرند.

یادگیری عمیق در مقابل یادگیری ماشین

یکی از رایج‌ترین فناوری‌های هوش مصنوعی که برای پردازش big data استفاده می‌شود یادگیری ماشین (machine learning) است. این فناوری یک الگوریتم خودسازگار است که هرچه تجربیات و داده‌های بیشتری به آن اضافه شود قدرت تجزیه‌و‌تحلیل آن افزایش پیدا می‌کند.

اگر یک شرکت پرداخت دیجیتال بخواهد راه‌های کلاهبرداری را در سیستم خود پیدا کند می‌تواند از ابزارهای یادگیری ماشین استفاده کند. الگوریتم‌های محاسباتی که بخشی از یک مدل کامپیوتری هستند تمام معاملاتی که در آن پلتفرم دیجیتال انجام شده‌اند را تحلیل می‌کنند تا الگوهای مشخصی را بین اطلاعات پیدا کرده و هر ناهنجاری‌ای که در الگو اتفاق می‌افتد را پیدا کنند.

یادگیری عمیق به‌عنوان زیرمجموعه‌ی یادگیری ماشین، برای انجام فرآیند یادگیری ماشین به صورت سلسه مراتبی از شبکه‌های عصبی مصنوعی استفاده می‌کند. شبکه‌های عصبی مصنوعی، مانند مغر انسان ساخته شده‌اند و گره‌های عصبی‌ دارند که آن‌ها را به یکدیگر متصل کرده است. در حالی‌ که برنامه‌های سنتی تجزیه‌و‌تحلیل اطلاعات، داده‌ها را به روش خطی آنالیز می‌کنند عملکرد سلسله مراتبی سیستم‌های یادگیری عمیق به آن‌ها اجازه می‌دهد داده‌ها را به روش غیرخطی تجزیه‌و‌تحلیل کنند.

در یک رویکرد سنتی برای تشخیص کلاهبرداری یا پولشویی به حجم معاملات انجام شده تکیه می‌شود، در حالی که روش یادگیری عمیق غیر‌خطی مسائلی مانند زمان، موقعیت جغرافیایی، IP، نوع خرده فروشی یا هرمشخصه‌ی دیگری که می‌تواند امکان تقلب و کلاهبرداری را فراهم کند، مدنظر قرار می‌دهد.

لایه‌ی اول شبکه‌ی عصبی داده‌های خام وارد شده، مانند حجم معاملات را تفسیر می‌کند و آن را به‌عنوان خروجی به لایه‌ی بعدی می‌فرستد. لایه‌ی دوم اطلاعات لایه‌ی قبلی را با اضافه کردن اطلاعاتی مانند IP کاربرد پردازش کرده و نتایج را به دست می‌آورد. لایه‌ی بعدی، اطلاعات لایه‌ی دوم را گرفته و اطلاعات خام دیگری، مانند موقعیت جغرافیایی را به آن اضافه می‌کند و در نتیجه الگوی ماشین را بهتر و بهتر می‌کند. این فرآیند در تمام سطوح شبکه‌ی عصبی ادامه پیدا می‌کند.

مثالی از یادگیری عمیق

استفاده از سیستم تشخیص کلاهبرداری به کمک ماشین لرنینگی که در بالا از آن گفتیم می‌توانید یک مثال یادگیری عمیق باشد. اگر سیستم یادگیری ماشین بر اساس پولی که کاربر جابه‌جا می‌کند (این جا‌به‌جایی می‌تواند دریافت یا پرداخت پول باشد)، مدلی ایجاد کند، روش یادگیری ماشین می‌تواند کارکردن روی نتایجی که ماشین لرنینگ ارائه کرده است را شروع کند.

هر لایه از شبکه عصبی از لایه‌ی قبلی به اضافه‌ی داده‎‌های اضافه شده مانند خرده فروش، فرستنده، کاربر، رویدادهای شبکه‌های اجتماعی، اعتبار، IP و داده‌های دیگری که ممکن است سال‌ها طول بکشد تا افراد بتوانند آن را آنالیز کنند، ساخته شده است. الگوریتم‌های یادگیری عمیق آموزش داده می‌شوند که نه تنها از همه‌ی معاملات الگویی ایجاد کنند بلکه الگوهایی که مشکوک به تقلب هستند و نیاز به بررسی دارند را هم تشخیص دهند. لایه‌ی نهایی سیگنال تقلب را به یک تحلیلگر منتقل می‌کند و او ممکن است حساب کاربر را تا زمانی که بررسی‌ها به اتمام برسند مسدود کند.

یادگیری عمیق تقریبا در همه‌ی صنایع کاربرد دارد و می‌تواند وظایف مختلفی را برعهده بگیرد. اپلیکیشن‌های تجاری‌ که از تشخیص تصویر استفاده می‌کنند، ابزارهای تحقیقات پزشکی که به دنبال احتمال استفاده از داروها برای بیماری‌های جدید هستند و پلتفرم‌های open source که اپلیکشن‌های توصیه به مشتری هم دارند، چند نمونه از مثال‌های کاربرد یادگیری عمیق به شمار می‌آیند.

برچسب‌ها :
دیدگاه شما