یادگیری عمیق چیست و چه کاربردهایی دارد ؟

🔵مردم کلماتی مانند «هوش مصنوعی»، « شبکه‌های عصبی»، «یادگیری عمیق» و «یادگیری ماشینی» را با یکدیگر اشتباه می‌‌گیرند، اما این‌‌ها مفاهیمی متفاوتی هستند. تفاوت آن‌‌ها در چیست؟

تعریف مفهوم هوش مصنوعی به سال ۱۹۵۶ در آمریکا بازمی‌گردد؛ زمانی که مهندسان تصمیم گرفتند تا یک برنامه رایانه‌ای با تقلید از هوش بشری بنویسند. در دل هوش مصنوعی، یک مفهوم جدید با نام یادگیری ماشین خلق شد. در این روش، به‌جای آن که شما یک برنامه‌ی گام‌به‌گام برای انجام یک کار بنویسید (که یک رویکرد سنتی در زمینه‌‌ی هوش مصنوعی است)، اطلاعات فراوانی در مورد آن‌‌چه که می‌خواهید بفهمید، جمع‌آوری ‌می‌کنید. برای مثال، تصور کنید که قصد دارید که اشیا را از یکدیگر تشخیص دهید، بنابراین شروع به جمع‌‌آوری تعداد زیادی از تصاویر مربوط به آن‌‌ها می‌‌کنید. سپس با یادگیری ماشین، یک فرایند خودکار آغاز می‌‌شود که ویژگی‌های مختلف اشیا را تجزیه‌‌و‌‌تحلیل می‌کند. در نهایت، سیستم تشخیص می‌‌دهد که فلان تصویر مربوط به یک خودرو است؛ درحالی‌که تصویر دیگر یک منگنه را نشان می‌‌دهد.

یادگیری ماشین یک عرصه‌‌ی بسیار وسیع است که پیدایش آن به مدت‌‌ها قبل بازمی‌گردد. در اصل، این علم با نام تشخیص الگو شناخته می‌‌شد، اما به‌‌مرور الگوریتم‌‌ها، از نظر ریاضی، بسیار وسیع‌تر و البته پیچیده‌تر شدند. در یادگیری ماشین، از دو مفهوم شبکه‌های عصبی (با الهام‌ از ساختار مغز) و یادگیری عمیق استفاده می‌‌شود. الگوریتم‌های یادگیری عمیق، دارای معماری ویژه‌ای با تعداد لایه‌‌های فراوان است که در یک شبکه جریان می‌‌یابند. بنابراین، یادگیری عمیق بخشی از یادگیری ماشین و یادگیری ماشین خود بخشی از هوش مصنوعی به حساب می‌‌آید.

🔴یادگیری عمیق چه قابلیت‌‌هایی نسبت به سایر برنامه‌‌ها دارد؟
نوشتن یک برنامه، کاری بسیار دشوار است. در گذشته، رایانه‌ها چنان کند بودند و حافظه نیز به حدی گران‌‌قیمت بود که ناچار به علم منطق روی آورده شد؛ این همان علمی است که رایانه‌‌های فعلی بر اساس آن کار می‌‌کنند. منطق، زبان پایه‌‌ی ماشین‌‌هاست که توسط آن، اطلاعات به‌‌صورت بیت به بیت پردازش می‌‌شوند. اما رایانه‌ها همچنان بسیار کند و محاسبات بسیار پرهزینه بود.

اما اکنون هزینه‌‌ی محاسبات روز به روز کمتر می‌شود و از سوی دیگر هزینه‌‌ی نیروی کار مدام در حال افزایش است. هزینه‌‌ی محاسبات به حدی ارزان شده است که تهیه‌‌ی یک رایانه برای یادگیری یک برنامه، به صرفه‌تر از استخدام یک فرد برای نوشتن همان برنامه است. در این برهه از زمان، یادگیری عمیق شروع به حل مسائلی کرد که هیچ انسانی تا آن زمان برای آن برنامه‌‌ای ننوشته بود؛ حوزه‌‌هایی مانند بینایی رایانه‌‌‌ای و ترجمه، نمونه‌‌هایی از این پیشرفت بودند.

یادگیری فرایندی به‌‌شدت محاسباتی است، اما شما فقط نیاز دارید یک‌ بار برنامه بنویسید و سپس با دادن اطلاعات مختلف به آن، می‌توانید مسائل مختلف را حل کنید. دیگر نیازی نیست که شما حتماً در یک موضوع متخصص باشید؛ چرا که هزاران برنامه‌‌ی کاربردی درمورد هر موضوعی می‌توان یافت که در آن با حجم زیادی از اطلاعات سروکار داریم.

⚪بین هوش مصنوعی و هوش انسانی هم‌گرایی وجود دارد. همانطور که ما بیشتر و بیشتر درمورد نحوه‌‌ی کار مغز یاد می‌گیریم، این دانش ما دوباره در عرصه‌ی هوش مصنوعی بازتاب می‌یابد. اما در عین‌ حال، آن‌ها در حال ایجاد یک نظریه‌‌ی کامل از یادگیری هستند که می‌تواند برای درک مغز به‌کار گرفته شود و به ما این امکان را می‌دهد که هزاران نورون و چگونه کارکرد آن‌ها را تجزیه‌‌و‌‌تحلیل کنیم. پس می‌‌توان گفت که یک حلقه‌ی بازخورد بین علوم اعصاب و هوش مصنوعی وجود دارد؛ بازخوردی که شاید حتی از اهمیت و جذابیت به‌مراتب بالاتری نسبت به دستاوردهای دیگر برخوردار باشد

🔴هوش مصنوعی چگونه ویدیوهای جعلی خلق میکند؟
آن‌ها به‌نوعی فعالیت درونی ایجاد می‌‌کنند. این همان روشی است که مغز ما طبق آن عمل می‌کند. شما می‌توانید به بیرون نگاه کنید و چیزی را ببینید، سپس می‌توانید چشم‌های خود را ببندید و چیزهایی را تصور کنید که در آن‌جا نیستند. شما تصوراتی بصری دارید، ایده‌هایی دارید که زمانی که ذهنتان آزاد است، به سراغ شما می‌‌آیند. دلیل آن این است که مغز انسان، مولد است. حالا این نوع جدید از شبکه‌ها می‌توانند الگوهای جدیدی را خلق کنند که پیش‌ از این وجود نداشته‌‌اند. بنابراین شما می‌توانید به‌عنوان مثال، صدها تصویر از خودرو را به آن بدهید و آن شبکه یک ساختار داخلی ایجاد کند که قابلیت تولید تصاویر جدیدی از خودرو را داشته باشد؛ خودروهایی که هرگز وجود نداشته‌اند؛ ولی باز هم مشابه خودروهای واقعی هستند.

⭕هیچ‌کس نمی‌تواند پیش‌بینی کند که معرفی این فناوری جدید چه تأثیری در آینده دارد. البته موارد اغراق‌‌آمیز هم وجود دارند. ما مسائل واقعاً دشواری را حل نکرده‌‌ایم. ما هوش فراگیر نداریم، اما مردم می‌گویند که ربات‌ها در همین حوالی هستند و به‌‌زودی جایگزین ما خواهند شد. این اظهارات در حالی است که ربات‌ها بسیار عقب‌‌تر از هوش مصنوعی هستند؛ چرا که بدن باید بسیار پیچیده‌تر از مغز باشد تا بتواند تکثیر شود.

اجازه بدهید تنها نگاهی به یکی از پیشرفت‌‌های تکنولوژیکی داشته باشیم: لیزر. این ابزار در حدود ۵۰ سال پیش اختراع شد و آن زمان، فضایی به‌‌اندازه‌‌ی یک اتاق را اشغال می‌‌کرد. برای رسیدن از آن دستگاهی با آن ابعاد تا وسیله‌‌ای به کوچکی یک نشانگر لیزری که امروزه در سخنرانی‌‌ها از آن استفاده می‌‌شود، نیاز به ۵۰ سال تجاری‌‌سازی فناوری بود. این فناوری باید به‌اندازه‌ای پیشرفت می‌‌کرد که این‌‌گونه کوچک شود و بتوان با تنها ۵ دلار آن را خرید.

همین قضیه درمورد فناوری‌هایی مانند خودروهای خود‌‌ران نیز رخ خواهد داد. انتظار نمی‌رود که این فناوری یک سال یا حتی تا ۱۰ سال آینده، فراگیر شود. ممکن است این روند ۵۰ سال طول بکشد؛ اما نکته این است که در طول این مسیر، شاهد پیشرفتی روزافزون خواهیم بود که منجر به انعطاف‌پذیرتر شدن، ایمن‌‌تر شدن و سازگارتر شدن این فناوری با سازوکار فعلی شبکه‌‌ی حمل‌‌ونقل خواهد شد. مشکل این اظهارات اغراق‌‌آمیز در این است که مردم در مورد مقیاس زمانی، اشتباه می‌کنند. آن‌ها انتظار دارند که خیلی زود، تغییراتی خیلی بزرگ روی دهد؛ اما باید دانست که هر اتفاقی در زمان مقتضی خود رخ خواهد داد.

منبع : وبسایت زومیت

کانال تلگرام  آموزش برنامه نویسی و طراحی سایت👇

@Max_Academy