هوش مصنوعی (AI) همه جا حضور دارد. ممکن است همین حالا در حال استفاده از آن باشید و خود اطلاعی نداشته باشید. - تعمیرات سولاردام بیم اشتراکی - یکی از محبوبترین کاربردهای AI در زمینهی توسعهی نرمافزار سفارشی، یادگیری ماشین (ML) است. کامپیوترها، نرمافزارها و دستگاههای - تعمیرات سولاردام بیم اشتراکی - یادگیری ماشین عملکردی مشابه مغز انسان دارند و از طریق شناخت وظایف را انجام میدهند.
یادگیری ماشین به - تعمیرات سولاردام بیم اشتراکی - کامپیوترها اجازه میدهد وظایف انسانها را انجام بدهند. یادگیری ماشین با انجام وظایفی - تعمیرات سولاردام بیم اشتراکی - مثل هدایت خودرو - تعمیرات سولاردام بیم اشتراکی - یا ترجمهی گفتار، انقلابی در زمینهی هوش مصنوعی به وجود میآورد و به نرمافزارها در درک دنیای واقعی بینظم و غیر قابل پیشبینی کمک میکند؛ اما یادگیری - تعمیرات سولاردام بیم اشتراکی - ماشین دقیقا چیست و چه کاربردهایی دارد؟ در این مقاله پاسخ جامعی به این پرسش خواهیم داد.
بر اساس تعریفی دقیق، یادگیری ماشین شاخهای از هوش مصنوعی (AI) متمرکز بر ساخت - تعمیرات سولاردام بیم اشتراکی - برنامههایی است که از دادههای یاد میگیرند و دقت آنها به مرور زمان و بدون نیاز به برنامهنویس افزایش مییابد. در علوم دادهای، الگوریتم شامل یک توالی از مراحل پردازش آماری است. در یادگیری ماشین، الگوریتمها - تعمیرات سولاردام بیم اشتراکی - برای یافتن الگوها و مشخصات در مقادیر انبوه دادهها آموزش داده میشود تا بتوانند تصمیمها و پیشبینیهایی را بر اساس دادههای جدید اتخاذ کنند. هرچقدر الگوریتمی بهتر باشد، تصمیمها و پیشبینیهای خروجی دقیقتر خواهند - تعمیرات سولاردام بیم اشتراکی - بود.
پیشبینیهای یادگیری ماشین میتواند شامل پاسخ به پرسشهایی مثل تشخیص - تعمیرات سولاردام بیم اشتراکی - یک میوه در تصویر، تشخیص افراد در حال عبور از خیابان، تشخیص گفتار دقیق برای تولید کپشنهای ویدئوی یوتیوب یا تفکیک ایمیل و - تعمیرات سولاردام بیم اشتراکی - اسپم باشد. تفاوت کلیدی یادگیری ماشین با نرمافزار کامپیوتری قدیمی این است که توسعهدهندهی انسانی کد یادگیری ماشین را نمینویسد. بلکه مدل یادگیری ماشین چگونگی تفکیک بین عناصر در مجموعهی انبوهی از دادهها را فرامیگیرد. کلید اصلی یادگیری ماشین همان مقدار انبوه دادهها است که امکان یادگیری را برای آن فراهم میکند.
یادگیری ماشین اخیرا به موفقیت زیادی رسیده است؛ اما فقط یکی از شاخههای هوش مصنوعی است. در ابتدای ظهور هوش مصنوعی در دههی ۱۹۵۰ این تعریف برای آن ارائه شد: هر ماشینی که قادر به اجرای وظایفی است و - تعمیرات سولاردام بیم اشتراکی - نیاز به هوش انسانی دارد. هر کدام از سیستمهای هوش مصنوعی - تعمیرات سولاردام بیم اشتراکی - دارای یک یا چند عدد از این ویژگیها هستند:
در کنار یادگیری ماشین، روشهای متعدد دیگری برای ساخت سیستمهای - تعمیرات سولاردام بیم اشتراکی - هوش مصنوعی وجود دارند از جمله این روشها میتوان به محاسبات تکاملی اشاره کرد که در آن الگوریتمها دستخوش جهشهای تصادفی میشوند و برای راهحلهای بهینه به تکامل میرسانند. نوع دیگر هوش مصنوعی سیستمهای خبره هستند. در سیستمهای خبره، کامپیوترها با قوانینی برنامهنویسی میشوند که امکان تقلید از رفتار انسان در حوزهای مشخص مثل سیستمهای - تعمیرات سولاردام بیم اشتراکی - هدایت خودکار هواپیما را میدهند.
از - تعمیرات سولاردام بیم اشتراکی - یادگیری ماشین میتوان برای بهبود مراکز دادهای یا - تعمیرات سولاردام بیم اشتراکی - دیتاسنترها استفاده کرد
چهار گام اصلی برای ساخت اپلیکیشن یا مدل یادگیری ماشین وجود دارد. دانشمندان دادهای در همکاری نزدیک با کارشناسان تجاری به توسعهای این مراحل میپردازند:
دادههای آموزشی به مجموعهی دادهای - تعمیرات سولاردام بیم اشتراکی - گفته میشود که نمایندهی - تعمیرات سولاردام بیم اشتراکی - مدل یادگیری ماشین است و برای حل مسائلی مشخص به کار میرود. در برخی نمونهها، دادههای یادگیری از نوع برچسبدار هستند - تعمیرات سولاردام بیم اشتراکی - تا ویژگیها و طبقهبندیهایی را برای مدل فراخوانی کنند. دادههای - تعمیرات سولاردام بیم اشتراکی - دیگر از نوع بدون برچسب هستند در این شرایط مدل باید برخی ویژگیها را برای تخصیص طبقهبندیها استخراج کند. در - تعمیرات سولاردام بیم اشتراکی - هر دو نمونه دادههای یادگیری باید بهخوبی آماده شوند. فرایند آمادهسازی شامل تصادفیسازی و بررسی انحرافهایی است که بر یادگیری تأثیر میگذارند. دادهها در این مرحله به دو زیرمجموعه تقسیم میشوند: زیرمجموعهی یادگیری که برای آموزش برنامه به کار میرود و زیرمجموعهی تکاملی که برای تست و اصلاح آن به کار برده میشود.
الگوریتم شامل مجموعهای از مراحل پردازش آماری است. نوع الگوریتم به نوع دادهها (برچسبدار یا بدون برچسب) یا مقدار - تعمیرات سولاردام بیم اشتراکی - دادههای موجود در مجموعه دادههای آموزشی و همچنین نوع مسئله وابسته است. انواع متداول الگوریتمهای یادگیری ماشین قابل استفاده با دادههای برچسبدار - تعمیرات سولاردام بیم اشتراکی - عبارتاند از:
آموزش الگوریتم فرآیندی تکراری است. این مرحله شامل اجرای متغیرها در الگوریتم، مقایسهی خروجی با نتایج قابل انتظار، تنظیم وزنها و انحرافهای داخل - تعمیرات سولاردام بیم اشتراکی - الگوریتم و راهاندازی مجدد متغیرها است تا زمانیکه الگوریتم نتیجهی صحیح را بازگرداند. الگوریتم آموزشدیدهی حاصل، نوعی مدل یادگیری ماشین است.
مرحلهی آخر، استفاده از مدل با دادههای جدید - تعمیرات سولاردام بیم اشتراکی - و در بهترین حالت بهبود دقت و کارایی آن به مرور زمان است. منبع دادههای جدید هم به نوع مسئله وابسته است. برای مثال، مدل یادگیری - تعمیرات سولاردام بیم اشتراکی - ماشینی که برای شناسایی اسپم طراحی شده است، پیامهای ایمیل - تعمیرات سولاردام بیم اشتراکی - را بهعنوان ورودی دریافت میکند درحالیکه مدل یادگیری ماشین که هدایت ربات جاروبرقی را بر عهده دارد دادههای مربوط به تعامل واقعی با اثاث منزل یا اشیای جدید داخل اتاق را بهعنوان ورودی دریافت میکند.
یادگیری ماشین به دو دستهی اصلی تقسیم میشود: یادگیری نظارتشده و بدون نظارت.
در فرایند آموزش یادگیری نظارتشده، سیستمها در معرض مقادیر زیادی از دادههای برچسبدار مثل تصاویر رقمهای دستنویس قرار میگیرند. سیستم یادگیری نظارتشده با وجود تعداد کافی نمونهها میتواند دستههای پیکسلها و شکلهای مرتبط با هر عدد را شناسایی کند و اعداد دستنویس را شناسایی کند.
بااینحال، آموزش سیستمهای یادگیری ماشین نیازمند - تعمیرات سولاردام بیم اشتراکی - تعداد زیادی از برچسبها است بهطوریکه بعضی سیستمها برای مهارت در یک وظیفه به میلیونها برچسب نیاز دارند. در نتیجه - تعمیرات سولاردام بیم اشتراکی - دیتاستها یا مجموعههای دادهای بهکاررفته برای آموزش این سیستمها بسیار وسیع هستند. برای مثال دیتاست Open Images گوگل دارای تقریبا ۹ میلیون تصویر است یا YouTube-8M منبعی از ویدئوهای برچسبدار است که به هفت میلیون ویدئوی برچسبدار متصل هستند و ImageNet هم یکی از پایگاه دادههای از این نوع با ۱۴ میلیون تصویر دستهبندی شده است.
اندازهی دیتاستهای آموزشی رو به افزایش است بهطوریکه فیسبوک تقریبا ۳.۵ میلیارد تصویر عمومی اینستاگرام را با استفاده از هشتگهای متصل به هر تصویر بهعنوان برچسب کامپایل کرده است. با یک میلیارد عدد از این تصاویر برای آموزش سیستم تشخیص تصویر، سطح دقت ۸۵.۴ بر اساس شاخص ImageNet به دست آمد.
فرایند طاقتفرسای برچسبگذاری دیتاستهای بهکاررفته در آموزش یادگیری ماشین اغلب با استفاده از سرویسهای کار انبوه مثل Amazon Mechanical Turk انجام میشود که امکان دسترسی به منبع بزرگی از نیروی کار کمهزینه - تعمیرات سولاردام بیم اشتراکی - را در سراسر جهان میدهند. برای مثال ImageNet در طول دو سال از پنجاه هزار نفر کمک گرفت که از طریق Amazon Mechanical Turk استخدام کرده بود. بااینحال - تعمیرات سولاردام بیم اشتراکی - روش فیسبوک شامل استفاده از دادههای عمومی برای آموزش سیستمها میتواند راهی - تعمیرات سولاردام بیم اشتراکی - جایگزین برای آموزش سیستمها با استفاده از دیتاستهای قوی باشد و در این روش نیازی به برچسبگذاری دستی نیست.
در مقابل، - تعمیرات سولاردام بیم اشتراکی - الگوریتمهای یادگیری بدون نظارت با شناسایی الگوهای دادهای تلاش میکنند شباهتهایی را بین آنها پیدا کنند. نمونهای از این روش سیستم دستهبندی Airbnb یا Google News است که امکان گروهبندی استوریهایی با موضوع مشابه را فراهم میکند. الگوریتمهای یادگیری بدون نظارت برای جداسازی انواع مشخصی از دادهها طراحی نشدهاند بلکه صرفا بهدنبال دادههایی دارای شباهت هستند.
اهمیت مجموعههای بزرگ دادههای برچسبداری برای آموزش یادگیری ماشین به مرور زمان به دلیل ظهور یادگیری نیمهنظارتشده کاهش مییابد. همانطور که - تعمیرات سولاردام بیم اشتراکی - از نام یادگیری نیمهنظارتشده پیدا است این روش ترکیبی از - تعمیرات سولاردام بیم اشتراکی - یادگیری نظارتشده و بدون نظارت است. یادگیری نیمهنظارتشده به مجموعهی اندکی از دادههای برچسبدار و مجموعهی بزرگی از دادههای بدون برچسب برای آموزش - تعمیرات سولاردام بیم اشتراکی - سیستمها وابسته است. از دادههای برچسبدار برای آموزش جزئی مدل یادگیری ماشین استفاده میشود سپس از این مدل برای برچسبگذاری دادههای بدون برچسب استفاده میشود به این فرایند شبه برچسبگذاری میگویند. سپس مدل بر اساس ترکیب حاصل از دادههای شبه برچسبدار - تعمیرات سولاردام بیم اشتراکی - و دادههای برچسبدار آموزش داده میشود.
دوام یادگیری نیمهنظارتشده در شبکههای مولد - تعمیرات سولاردام بیم اشتراکی - تخاصمی (GAN) بهبودیافته است. این سیستمهای - تعمیرات سولاردام بیم اشتراکی - یادگیری ماشین میتوانند از دادههای برچسبدار برای تولید دادههایی کاملا جدید استفاده کنند و سپس از این دادهها دوباره - تعمیرات سولاردام بیم اشتراکی - برای مدل یادگیری ماشین استفاده کنند. اگر یادگیری نیمهنظارتشده به - تعمیرات سولاردام بیم اشتراکی - اندازهی یادگیری نظارتشده بهینه باشد، - تعمیرات سولاردام بیم اشتراکی - دسترسی به مقادیر انبوهی از توان محاسباتی برای موفقیت سیستمهای یادگیری ماشین مهمتر از دسترسی به دیتاستهای عظیم برچسبدار خواهد بود.
یادگیری تقویتی نوعی مدل یادگیری ماشین مشابه یادگیری نظارتشده است، اما الگوریتم آن با استفاده از دادههای نمونه آموزش نمیبیند. این مدل در طول فرایند اجرا و از طریق آزمون و - تعمیرات سولاردام بیم اشتراکی - خطا آموزش میبیند. یک توالی از خروجیهای موفق برای توسعهی بهترین پیشنهادها یا سیاستهای مربوط به - تعمیرات سولاردام بیم اشتراکی - یک مسئلهی مشخص تقویت میشوند.
برای درک بهتر یادگیری تقویتی، شخصی را فرض کنید که برای - تعمیرات سولاردام بیم اشتراکی - اولینبار میخواهد یک بازی کامپیوتری قدیمی را اجرا کند. شخص با هیچ کدام از قوانین یا روش کنترل بازی - تعمیرات سولاردام بیم اشتراکی - آشنا نیست تا اینکه به مرور با مشاهدهی رابطهی بین دکمهها و اتفاقاتی که روی صفحهی نمایش رخ میدهد به روش بازی پی میبرد - تعمیرات سولاردام بیم اشتراکی - و عملکرد او بهبود مییابد.
نمونهای از یادگیری تقویتی، شبکهی Deep Q از دیپ مایند گوگل است که انسان را در مجموعهای از بازیهای ویدئویی قدیمی شکست داده است. - تعمیرات سولاردام بیم اشتراکی - این سیستم از پیکسلهای - تعمیرات سولاردام بیم اشتراکی - هر بازی تغذیه کرده است و اطلاعات مختلفی مثل فاصلهی بین اشیای روی صفحهی نمایش را دربارهی وضعیت بازی نمایش میدهد. سپس چگونگی اجرای وضعیت بازی و عملکرد آن و ارتباط با امتیازها را شرح میدهد. - تعمیرات سولاردام بیم اشتراکی - در طول فرایند تعداد زیادی از چرخههای بازی، سیستم در نهایت مدلی میسازد که - تعمیرات سولاردام بیم اشتراکی - بر اساس آن برخی اقدامها امتیاز را تحت شرایطی مشخص به حداکثر میرسانند.
مدل پس از تکمیل با استفاده از دادههای باقیماندهای که در طول آموزش به کار نرفتند، ارزیابی میشود. هنگام آموزش مدل یادگیری ماشین تقریبا ۶۰ - تعمیرات سولاردام بیم اشتراکی - درصد از دیتاست برای آموزش به کار برده میشود. بیست درصد دیگر هم برای ارزیابی پیشبینیهای مدل و تنظیم پارامترهای اضافی برای بهینهسازی خروجی مدل به کار میروند. تنظیمات مدل برای بهبود دقت پیشبینی مدل هنگام مواجهه با دادههای جدید طراحی شده است.
شبکههای عصبی یکی از مهمترین الگوریتمها در هر دو - تعمیرات سولاردام بیم اشتراکی - دستهی یادگیری ماشین نظارتشده و بدون نظارت هستند. این شبکهها اساس بخش زیادی از یادگیری ماشین را تشکیل میدهند از طرفی مدلهای ساده مثل رگرسیون خطی را هم میتوان برای پیشبینی بر اساس تعداد کمی از دادهها به کار برد. شبکههای عصبی برای کار با دادههای بزرگی که خصوصیات زیادی دارند، مفید هستند. شبکههای عصبی که ساختار آنها با الهام از مغز انسان طراحی شده است، مجموعهای از لایههای الگوریتمی به هم متصل به نام نورون هستند که دادهها را به یکدیگر وارد میکنند بهطوریکه خروجی لایهی قبلی - تعمیرات سولاردام بیم اشتراکی - بهعنوان ورودی لایهی بعدی عمل میکند.
هر لایه را میتوان مجموعهای از مشخصههای - تعمیرات سولاردام بیم اشتراکی - متفاوت از دادههای کلی در نظر گرفت. برای مثال استفاده از یادگیری ماشین برای تشخیص اعداد دستنویس بین ۰ تا ۹ را در نظر بگیرید. لایهی اول در شبکهی عصبی به اندازهگیری تراکم پیکسلهای منفرد در تصویر میپردازد، تصویر دوم قادر به تشخیص شکلهایی مثل خطوط و منحنیها است و - تعمیرات سولاردام بیم اشتراکی - لایهی نهایی رقم دستنویس را در گروه ۰ تا ۹ دستهبندی میکند.
شبکه با تغییر تدریجی اولویت دادههایی که بین لایههای شبکه در جریان هستند، قادر به یادگیری پیکسلهای شکل اعداد در طول فرایند آموزش است. هر اتصال بین لایهها دارای یک وزن است که ارزش آن برای تغییر اهمیت اتصال، کاهش یا افزایش مییابد. در انتهای چرخهی یادگیری، سیستم بررسی میکند خروجی نهایی شبکهی عصبی چه مقدار با هدف فاصله دارد. برای مثال آیا شبکه در شناسایی عدد دستنویس ۶ بهبود - تعمیرات سولاردام بیم اشتراکی - یافته است؟ برای بستن شکاف بین خروجی واقعی و خروجی مطلوب، سیستم بهصورت معکوس در شبکهی عصبی کار میکند و وزنهای متصل به کل اتصال بین لایهها و همچنین - تعمیرات سولاردام بیم اشتراکی - مقدار مرتبط به - تعمیرات سولاردام بیم اشتراکی - نام انحراف را تغییر میدهد. این فرایند تکثیر معکوس نامیده میشود.
در نهایت این فرایند روی مقادیر بر اساس وزنها و انحراف اجرا میشود و امکان اجرای وظیفهای مشخص مثل تشخیص اعداد دستنویس را - تعمیرات سولاردام بیم اشتراکی - به شبکه میدهد و میتوان گفت شبکه چگونگی اجرای وظیفهای مشخص را فراگرفته است.
به زیرمجموعهی یادگیری ماشین، یادگیری عمیق گفته میشود. در یادگیری عمیق، شبکههای عصبی به شبکههای پراکنده با تعداد زیادی لایه توسعه مییابند که شامل تعداد زیادی واحد هستند؛ این واحدها با استفاده از مقادیر انبوه داده آموزش - تعمیرات سولاردام بیم اشتراکی - داده میشوند. شبکههای عصبی عمیق میتوانند قابلیت کامپیوترها برای انجام وظایفی مثل بینایی ماشین و تشخیص گفتار را بهبود بدهند.
انواع مختلفی از شبکههای عصبی با نقاط قوت و نقاط ضعف متفاوتی وجود دارند. شبکههای عصبی بازگشتی مناسب وظایفی مثل پردازش زبانی و تشخیص گفتار هستند درحالیکه شبکههای عصبی پیچشی معمولا - تعمیرات سولاردام بیم اشتراکی - در تشخیص تصویر به کار میروند. طراحی شبکههای عصبی هم رو به تکامل است و پژوهشگرها به طرح بهینهتری برای نوع مؤثر شبکهی عصبی به اسم حافظهی کوتاه بلندمدت یا LSTM دست یافتهاند که - تعمیرات سولاردام بیم اشتراکی - برای سیستمهای مبتنی بر تقاضا مثل ترجمهی گوگل از سرعت خوبی - تعمیرات سولاردام بیم اشتراکی - برخوردار است.
از تکنیک هوش مصنوعی - تعمیرات سولاردام بیم اشتراکی - الگوریتمهای تکاملی و فرآیندی به نام تکامل عصبی برای بهینهسازی شبکههای عصبی استفاده میشود. این روش توسط آزمایشگاه Uber AI رونمایی شد که مقالاتی را دربارهی کاربرد الگوریتمهای ژنتیکی برای آموزش شبکههای عصبی برای مسائل یادگیری تقویتی منتشر کرد.
پاسخ به پرسش فوق منفی است. مجموعهای از مدلهای ریاضی وجود دارند که میتوان برای آموزش سیستم و پیشبینیها به کار برد. یک مدل ساده شامل - تعمیرات سولاردام بیم اشتراکی - رگرسیون منطقی است درحالیکه از نام آن میتوان برای دستهبندی دادهها برای مثال جداسازی اسپم از غیر اسپم استفاده کرد. هنگام پیادهسازی طبقهبندی دودویی ساده بهراحتی میتوان رگرسیون منطقی را پیادهسازی کرد و میتوان از آن - تعمیرات سولاردام بیم اشتراکی - برای برچسبگذاری بیش از دو دستهی دادهها استفاده کرد.
نوع دیگری از مدل متداول، ماشینهای برداری پشتیبان (SVM-ها) هستند که در سطح گستردهای برای دستهبندی دادهها و پیشبینی از طریق رگرسیون به کار میروند. SVM-ها میتوانند دادهها را دستهبندی کنند حتی اگر دادههای ترسیمشده نامنظم شوند و دستهبندیشان دشوار باشد. SVM-ها برای رسیدن به این هدف عملیاتی ریاضی به نام ترفند کرنلی را - تعمیرات سولاردام بیم اشتراکی - اجرا میکنند که - تعمیرات سولاردام بیم اشتراکی - دادهها را در مقادیر جدید تصویر میکند بهطوریکه بتوان آنها را به دستههایی مجزا تقسیم کرد. انتخاب مدل یادگیری ماشین به معیارهای متعددی مثل اندازه و تعداد مشخصههای موجود - تعمیرات سولاردام بیم اشتراکی - در دیتاست وابسته است و هر مدل دارای مزایا و معایبی است.
با اینکه یادگیری ماشین روش جدیدی نیست، علاقه به این حوزه در سالهای اخیر بهشدت افزایش یافته است. این طغیان بهدنبال مجموعهای از پیشرفتها رخ داد: یادگیری عمیق رکوردهای جدیدی در زمینههایی مثل تشخیص گفتار و زبان و همچنین - تعمیرات سولاردام بیم اشتراکی - بینایی ماشین به ثبت رساند. این موفقیتها به دو عامل وابسته بودند: یکی تعداد زیاد تصاویر، گفتار، ویدئو و متنی که برای آموزش سیستمهای یادگیری ماشین در دسترس بود.
اما مهمتر از هر چیز میتوان به ظهور مقادیر زیادی توان پردازش موازی بهویژه در زمینهی واحدهای پردازش گرافیکی مدرن (GPU-ها) اشاره کرد که میتوان برای نیروگاههای یادگیری ماشین از آنها استفاده کرد.
امروزه هر شخصی با اتصال اینترنتی میتواند از - تعمیرات سولاردام بیم اشتراکی - سرویسهای کلاد مثل آمازون، گوگل و مایکروسافت برای آموزش مدلهای یادگیری ماشین استفاده کند. با افزایش کاربرد یادگیری ماشین، شرکتها بهدنبال ساخت سختافزاری ویژه برای اجرا و آموزش مدلهای یادگیری ماشین هستند. نمونهای از این تراشههای سفارشی، واحد پردازش تانسوری گوگل (TPU) است که سرعت یادگیری ماشین را بالا میبرد و در چنین سرعتی مدلهای یادگیری ماشین با استفاده از کتابخانههای TensorFlow گوگل ساخته میشوند و میتوانند اطلاعات را از دادهها تفکیک کنند.
تراشههای یادشده نهتنها برای آموزش مدلهایی مثل Google DeepMind و Google Brain به کار میروند بلکه برای امکاناتی مثل گوگل ترنسلیت و تشخیص تصویر در Google Photo و همچنین سرویسهایی به کار میروند که امکان ساخت مدلهای یادگیری ماشین را با استفاده از قابلیت TensorFlow Research Cloud فراهم میکنند. نسل سوم این تراشهها در - تعمیرات سولاردام بیم اشتراکی - می ۲۰۱۸ در کنفرانس Google I/O - تعمیرات سولاردام بیم اشتراکی - رونمایی شدند.
در سال ۲۰۲۰، گوگل - تعمیرات سولاردام بیم اشتراکی - از چهارمین - تعمیرات سولاردام بیم اشتراکی - نسل TPU-ها با سرعت ۲.۷ برابر نسبت به TPU-های نسل قبلی در MLPerf خبر داد. بر اساس این شاخص سیستم با سرعتی بالا از طریق مدل آموزشدیدهی یادگیری ماشین قادر به استنتاج است. پیشرفتهای پیوستهی TPU امکان بهبود سرویسهای - تعمیرات سولاردام بیم اشتراکی - مربوط به مدلهای ممتاز یادگیری ماشین را به گوگل میدهند برای مثال میتوان مدلها را - تعمیرات سولاردام بیم اشتراکی - برای گوگل ترنسلیت آموزش داد.
با پیشرفت فزایندهی سختافزارها و اصلاح فریمورکهای نرمافزاری یادگیری ماشین، - تعمیرات سولاردام بیم اشتراکی - اجرای وظایف یادگیری ماشین برای تلفنهای هوشمند و کامپیوترها و استفاده از آنها بهجای دیتاسنترهای ابری متداول خواهد شد. گوگل در - تعمیرات سولاردام بیم اشتراکی - تابستان ۲۰۱۸، با پیشنهاد ترجمهی خودکار آفلاین برای ۵۹ زبان در اپلیکیشن Google Translate اندروید و iOS گام را فراتر گذاشت.
شاید مشهورترین نماد بازدهی سیستمهای یادگیری ماشین را بتوان پیروی هوش مصنوعی آلفاگو از دیپمایند گوگل بر استاد بزرگ Go به شمار آورد که به نظر میرسد تا سال ۲۰۲۶ قابل پیشبینی نباشد. Go یک بازی - تعمیرات سولاردام بیم اشتراکی - سنتی چینی است که پیچیدگی بالای آن به مدت دهها سال کامپیوترها را گیج کرده بود. بازی گو دارای ۲۰۰ حرکت محتمل به ازای هر نوبت است درحالیکه تعداد حرکتها - تعمیرات سولاردام بیم اشتراکی - برای بازی شطرنج به بیست عدد میرسد. در طول - تعمیرات سولاردام بیم اشتراکی - بازی گو، حرکتهای محتمل زیادی وجود دارند که جستجوی هر کدام برای شناسایی بهترین اجرای بازی از - تعمیرات سولاردام بیم اشتراکی - دیدگاه محاسباتی بسیار پرهزینه است.
اما آلفاگو بر اساس حرکات بازیکنان خبرهی انسانی در بیش از ۳۰ میلیون بازی گو آموزش دیده بود و این دادهها وارد شبکههای عصبی یادگیری عمیق این بازی شدند. آموزش شبکههای یادگیری عمیق به زمان زیاد و مجموعهی عظیم دادهها نیاز دارد که بهتدریج برای اصلاح مدل و دستیابی به بهترین خروجی باید به سیستم - تعمیرات سولاردام بیم اشتراکی - تزریق شوند.
بااینحال، اخیرا گوگل فرایند آموزش را در نسخهی AlphaGo Zero بهبود داد. این - تعمیرات سولاردام بیم اشتراکی - سیستم قادر است بازیهای کاملا تصادفی را برای خود اجرا کند و از نتایج آنها بیاموزد. دمیس هاسابیس، مدیرعامل دیپمایند گوگل در کنفرانس سیستمهای پردازش اطلاعات - تعمیرات سولاردام بیم اشتراکی - عصبی (NIPS) در سال ۲۰۱۷ از آلفازیرو رونمایی کرد که نسخهی تعمیمیافتهای از آلفاگو زیرو است و در بازیهای شطرنج و شوگی به مهارت رسیده است.
پیشرفتهای دیپمایند در حوزهی یادگیری ماشین ادامه دارند. این شرکت در جولای - تعمیرات سولاردام بیم اشتراکی - ۲۰۱۸ از عوامل هوش مصنوعی رونمایی کرد که روش بازی شخص اول سهبعدی Quake III Arena را به خود آموزش دادهاند و بهراحتی میتوانند بازیکنان انسانی را شکست بدهند. این عوامل از همان اطلاعاتی استفاده کردند که - تعمیرات سولاردام بیم اشتراکی - بازیکنان انسانی استفاده میکنند با این تفاوت که از بازخورد عملکرد خود در طول بازی استفاده میکنند.
تأثیرگذارترین کاربرد - تعمیرات سولاردام بیم اشتراکی - پژوهشهای دیپمایند در اواخر ۲۰۲۰ با رونمایی از AlphaFold 2 نمود پیدا کرد. قابلیتهای - تعمیرات سولاردام بیم اشتراکی - این سیستم شاخص پیشرفتی برای علم پزشکی است. آلفافولد ۲ شبکهی عصبی - تعمیرات سولاردام بیم اشتراکی - متمرکز بر توجهی است که دارای پتانسیل افزایش سرعت مدلسازی بیماری و توسعهی دارو است. این سیستم میتواند ساختار سهبعدی پروتئینها را با تحلیل بلوکهای سازندهی آنها یعنی آمینواسیدها ترسیم کند. در ارزیابیهای رقابت پیشبینی ساختار پروتئینی، آلفافولد ۲ قادر به تعیین ساختار سهبعدی پروتئین با دقتی قابل قیاس با بلورنگاری است و میتواند در چند ساعت ساختارهای دقیق پروتئینی را مدلسازی کند.
انتخاب و وسعت دادههای بهکاررفته برای آموزش سیستمها بر وظایف متناسب با آنها تأثیر میگذارد. همچنین نگرانیهای زیادی - تعمیرات سولاردام بیم اشتراکی - دربارهی چگونگی رمزنگاری انحرافها و نابرابریهای اجتماعی در سیستمهای یادگیری ماشین وجود دارد. برای مثال راشل تاتمن، پژوهشگر بنیاد علوم طبیعی و بخش زبانشناسی دانشگاه واشنگتن به این نتیجه رسید که سیستم تشخیص گفتار گوگل برای کپشنگذاری خودکار ویدئوهای یوتیوب برای صداهای مردانه عملکرد بهتری نسبت به صداهای زنانه دارد، در نتیجه به مجموعههای آموزشی نابرابر با برتری سخنگویان مرد اشاره کرد.
طبق یافتهها سیستمهای تشخیص چهره هم در شناسایی - تعمیرات سولاردام بیم اشتراکی - زنان و افراد رنگینپوست به مشکلاتی - تعمیرات سولاردام بیم اشتراکی - برخوردند. وجود خطاهای نژادی در چنین سیستمهایی باعث شد شرکتهای تولیدکننده، فروش - تعمیرات سولاردام بیم اشتراکی - برخی سیستمهای تشخیص چهره به پلیس را متوقف کنند. آمازون در سال ۲۰۱۸، ابزار یادگیری ماشین استخدامی را منسوخ کرد که بخش زیادی از درخواستکنندگان مرد را مطلوب ارزیابی کرده بود.
با حرکت سیستمهای یادگیری ماشین به سمت حوزههایی جدیدی مثل کمک به تشخیص پزشکی، احتمال انحراف سیستمها نسبت به پیشنهاد خدمات بهتر یا درمان عادلانه به گروه مشخصی از افراد به نگرانی عمدهای تبدیل شده است. پژوهشهای کنونی به سمت خنثیسازی انحراف در سیستمهای خودیادگیری پیش میروند.
آثار محیطی تقویت و سردسازی مزارع محاسباتی که برای آموزش و راهاندازی مدلهای یادگیری ماشین به کار میروند سوژهی مقالهی انجمن اقتصاد جهانی در سال ۲۰۱۸ بودند. بر اساس - تعمیرات سولاردام بیم اشتراکی - یکی از تخمینهای سال ۲۰۱۹، نیروی مورد نیاز سیستمهای یادگیری ماشین هر ۳/۴ ماه دو برابر میشود.
از طرفی اندازهی مدلها و دیتاستهای بهکاررفته برای آموزش روزبهروز افزایش مییابند، برای مثال مدل پیشبینی زبانی GPT-3 نوعی شبکهی عصبی توزیعی با ۱۷۵ میلیارد پارامتر است. در نتیجه نگرانیها نسبت به آثار کربنی یادگیری ماشین افزایش مییابند.
انرژی مورد نیاز مدلهای یادگیری هم روزبهروز افزایش مییابند اما هزینهی راهاندازی مدلهای آموزشدیده با افزایش تقاضای خدمات مبتنی بر یادگیری ماشین - تعمیرات سولاردام بیم اشتراکی - روبه افزایش است. از طرفی تواناییهای قابل پیشبینی یادگیری ماشین تأثیر معنادار و مثبتی بر بسیاری از حوزههای کلیدی از محیط زیست تا بهداشت و درمان دارند.
یکی از دورههای توصیهشده برای افراد تازهکار در حوزهی یادگیری ماشین، مجموعههای رایگان دانشگاه استنفورد است که توسط آندرو انجی - تعمیرات سولاردام بیم اشتراکی - کارشناس هوش مصنوعی و بنیانگذار - تعمیرات سولاردام بیم اشتراکی - Google Brain ارائه شدهاند. انجی اخیرا دورهی تخصص یادگیری عمیقی را منتشر کرده است که متمرکز بر مجموعهی گستردهای از عناوین و مباحث یادگیری ماشین و همچنین معماریهای شبکهی عصبی است. اگر بهدنبال یادگیری با روش بالا به پائین هستید، میتوانید کار را با اجرای مدلهای آموزشی یادگیری ماشین - تعمیرات سولاردام بیم اشتراکی - و سپس پرداختن به مباحث جزئی شروع کنید. دورهی یادگیری عمیق کاربردی برای کدنویسها از fast.ai هم برای توسعهدهندگانی که در زمینهی کار با پایتون تجربه دارند توصیه میشود.
هر دو دورهی فوق دارای نقاط قوتی هستند: دورهی انجی با ارائهی مروری بر مباحث تئوری یادگیری ماشین شروع میشود درحالیکه پیشنهاد fast.ai حول محور پایتون است. زمانیکه در میان مهندسان و دانشمندان دادهای یادگیری ماشین از کاربرد وسیعی برخوردار است. دورهی رایگان دیگر با کیفیت بالای آموزش و پوشش وسیع مباحث، مقدمهای بر یادگیری ماشین از - تعمیرات سولاردام بیم اشتراکی - دانشگاه کلمبیا و Edx است. البته برای این دوره نیاز به دانش اولیهای از ریاضیات سطح دانشگاه است.
تمام پلتفرمهای اصلی ابری از جمله آمازون وبسرویس، مایکروسافت آژور و گوگل کلاد، امکان دسترسی به سختافزار مورد نیاز برای آموزش و راهاندازی مدلهای یادگیری ماشین را میدهند. کاربرها در پلتفرم - تعمیرات سولاردام بیم اشتراکی - کلاد گوگل میتوانند به تست TPU-ها بپردازند. TPU تراشههای سفارشی است که به منظور آموزش و راهاندازی مدلهای یادگیری ماشین بهینهسازی شده.
زیرساختهای ابری شامل مراکز دادهای موردنیاز برای حفظ مقادیر انبوه دادههای آموزشی، سرویسهای آمادهسازی تحلیل دادهای و ابزار بصریسازی - تعمیرات سولاردام بیم اشتراکی - برای نمایش واضح نتایج هستند. سرویسهای جدید همچنین امکان ساخت مدلهای سفارشی یادگیری ماشین را میدهند. برای مثال گوگل سرویسی به نام Cloud AutoML را برای خودکارسازی ساخت مدلهای هوشمند ارائه میکند. این سرویس درگ اند دراپ امکان ساخت مدلهای سفارشی تشخیص تصویر را فراهم میکند - تعمیرات سولاردام بیم اشتراکی - و کاربر برای کار با آن نیازی به هیچ تخصصی در زمینهی یادگیری ماشین ندارد. بهطور مشابهی آمازون هم از سرویسهای AWS خود برخوردار است که برای - تعمیرات سولاردام بیم اشتراکی - افزایش سرعت فرایند آموزش مدلهای یادگیری ماشین طراحی شدهاند.
پلتفرم هوش مصنوعی کلاد گوگل برای دانشمندان دادهای به مدیریت سرویس یادگیری ماشین - تعمیرات سولاردام بیم اشتراکی - پرداخته - تعمیرات سولاردام بیم اشتراکی - است و امکان آموزش، توسعه و خروجی گرفتن از مدلهای سفارشی یادگیری ماشین را بر اساس TensorFlow فریمورک - تعمیرات سولاردام بیم اشتراکی - یادگیری ماشین متنباز گوگل یا Keras، فریمورک شبکهی - تعمیرات سولاردام بیم اشتراکی - عصبی باز فراهم میکند.
ادمینهای پایگاه داده بدون سابقه در زمینهی علوم دادهای میتوانند از سرویس بتای گوگل به نام BigQueryML استفاده کنند که به ادمینها امکان برقراری تماس با مدلهای یادگیری ماشین آموزشدیده را با دستورهای SQL - تعمیرات سولاردام بیم اشتراکی - و امکان پیشبینی در پایگاه داده را میدهد؛ - تعمیرات سولاردام بیم اشتراکی - این فرایند - تعمیرات سولاردام بیم اشتراکی - سادهتر از خروجی گرفتن از دادهها برای تفکیک یادگیری ماشین و محیط تحلیلی است. برای سازمانهایی که بهدنبال ساخت مدلهای یادگیری ماشین خود نیستند، پلتفرمهای کلاد سرویسهای مبتنی بر تقاضای هوش مصنوعی مثل تشخیص صوتی، بصری و زبان را ارائه میکنند.
در عین حال IBM در کنار پیشنهادهای مبتنی بر تقاضا و عمومیتر، در تلاش است سرویسهای هوش مصنوعی تخصصی - تعمیرات سولاردام بیم اشتراکی - مثل بهداشت و درمان - تعمیرات سولاردام بیم اشتراکی - تا خردهفروشی را به فروش برساند. این پیشنهادها در گروه IBM Watson مدیریت میشوند.
گوگل در اوایل سال ۲۰۱۸ به توسعهی سرویسهای مبتنی بر یادگیری ماشین در دنیای تبلیغات پرداخت و مجموعهای از - تعمیرات سولاردام بیم اشتراکی - ابزار موردنیاز تبلیغات بهینهی فیزیکی و دیجیتالی را ارائه داد. از طرفی بااینکه اپل بهاندازهی گوگل و آمازون در زمینههای پردازش زبان طبیعی، تشخیص گفتار و بینایی ماشین از اعتبار برخوردار نیست، در حال سرمایهگذاری برای بهبود سرویسهای هوش مصنوعی خود است. رئیس سابق یادگیری ماشین گوگل در حال حاضر مسئول بخش استراتژی هوش مصنوعی اپل است که به توسعهی دستیار سیری و سرویس یادگیری ماشین - تعمیرات سولاردام بیم اشتراکی - Core ML اختصاص دارد.
انویدیا در سپتامبر ۲۰۱۸، به راهاندازی پلتفرم ترکیبی نرمافزاری و سختافزاری - تعمیرات سولاردام بیم اشتراکی - پرداخت که روی دیتاسنترها - تعمیرات سولاردام بیم اشتراکی - نصب میشود. این پلتفرم میتواند سرعت آموزش مدلهای یادگیری ماشین برای تشخیص صوت، ویدئو و تصویر و همچنین دیگر سرویسهای مرتبط با یادگیری ماشین را افزایش دهد.
مجموعهی گستردهای از فریمورکهای نرمافزاری برای شروع کار آموزش و راهاندازی مدلهای - تعمیرات سولاردام بیم اشتراکی - یادگیری ماشین بهویژه برای زبانهای برنامهنویسی پایتون، - تعمیرات سولاردام بیم اشتراکی - R، C++، جاوا و متلب وجود دارند. پایتون و R پرکاربردترین و پرطرفدارترین زبانها در حوزهی یادگیری ماشین هستند.
نمونههای مشهور فریمورکها و کتابخانههای یادگیری ماشین عبارتاند از: TensorFlow گوگل، کتابخانهی متنباز Keras، کتابخانهی - تعمیرات سولاردام بیم اشتراکی - scikit learn پایتون، فریمورک یادگیری عمیق CAFFE و کتابخانهی یادگیری ماشین Torch.
علاقه به یادگیری ماشین در حوزههای مختلف رو به افزایش است چرا که حجم دادههای در دسترس به مرور زمان افزایش مییابد. یادگیری ماشین از تکنیکهای فراوانی برای استخراج اطلاعات از دادهها برخوردار است و میتواند بهصورت - تعمیرات سولاردام بیم اشتراکی - هدفمند از این اطلاعات استفاده کند.
الگوریتمهای یادگیری ماشین میتوانند اطلاعات میدانی و توابع خودکار - تعمیرات سولاردام بیم اشتراکی - مربوط به تنظیم و بهینهسازی را تقویت - تعمیرات سولاردام بیم اشتراکی - کنند. علاوه بر این یادگیری ماشین همراهبا یادگیری ماشین میتواند در بسیاری از حوزهها - تعمیرات سولاردام بیم اشتراکی - مثل تشخیص پزشکی، تحلیل دادههای آماری و الگوریتمها، پژوهشهای علمی و بسیاری از حوزههای دیگر مفید واقع شود. امروزه یادگیری ماشین را میتوان در اپلیکیشنهای تلفن هوشمند، دستگاههای کامپیوتری، وبسایتهای آنلاین، امنیت سایبری و بسیاری از موارد دیگر پیدا کرد. در ادامه به رایجترین کاربردهای یادگیری ماشین در زندگی روزمره اشاره شده است.
کاربردهای یادگیری ماشین در زندگی روزمره
بهطور کلی، زمان یک سفر ممکن است بیش از زمان میانگین باشد؛ چرا که حالتهای متعدد حملونقل از جمله زمانبندی ترافیک بر زمان رسیدن به مقصد تأثیر میگذارند. کاهش زمان سفر کار سادهای نیست اما در ادامه میبینیم که یادگیری ماشین چگونه به این مشکل کمک میکند:
در آیندهای نزدیک، کلاسهای کنونی با یادگیری انعطافپذیر و سفارشی - تعمیرات سولاردام بیم اشتراکی - جایگزین میشوند که نقاط قوت و نقاط ضعف هر دانشآموز را در نظر میگیرند. یادگیری ماشین همچنین به شناسایی دانشآموزان در معرض خطر کمک میکند در نتیجه مدارس میتوانند با ارائهی دورههای فوق برنامهی یادگیری، بیشتر به این دانشآموزان توجه کنند. برای مثال هوش مصنوعی در بخش آموزش به یادگیری سفارشی، دستیارهای صوتی و انجام وظایف مدیریتی - تعمیرات سولاردام بیم اشتراکی - کمک میکند.
یادگیری ماشین از مجموعهای از ابزار و روشها برای تشخیص و پیشبینی مشکلات در حوزههای مختلف پزشکی استفاده میکند. الگوریتمهای یادگیری ماشین در علم پزشکی برای موارد ذیل به کار میروند:
یادگیری ماشین به تخمین پیشرفت بیماری، کنترل اطلاعات پزشکی برای پژوهش خروجیها، برنامهریزی و کمک به درمان - تعمیرات سولاردام بیم اشتراکی - و مدیریت کلی بیمار کمک میکند. هوش مصنوعی علاوه بر یادگیری - تعمیرات سولاردام بیم اشتراکی - ماشین برای نظارت مؤثر هم به کار میرود.
از سیری تا کورتانا تا گوگل - تعمیرات سولاردام بیم اشتراکی - اسیستنت، الکسای آمازون و گوگلهوم، دستیارهای شخصی مزایا و قابلیتهای زیادی دارند. با - تعمیرات سولاردام بیم اشتراکی - پیادهسازی هوش مصنوعی این دستیارها تابع دستوراتی مثل تنظیم یادآور، جستجوی اطلاعات آنلاین، - تعمیرات سولاردام بیم اشتراکی - کنترل نورها و بسیاری از موارد دیگر هستند.
دستیارهای فردی از جمله رباتهای چت یادگیری ماشین مبتنی بر الگوریتمهای یادگیری ماشین هستند که به جمعآوری اطلاعات میپردازند، اولویتها را درک میکنند و تجربهی کاربری را بر اساس تعامل با افراد بهبود میدهند.
یادگیری ماشین با پردازش و تحلیل دادههای انبوه بسیاری از وظایف انسان را ساده ساخته است. - تعمیرات سولاردام بیم اشتراکی - این فناوری - تعمیرات سولاردام بیم اشتراکی - در حال حاضر در بسیاری از برنامهها و دستگاههای زندگی روزمره از جمله تلفنهای هوشمند، لوازم خانگی و شبکههای اجتماعی به کار میرود. در حوزهی علم، یادگیری ماشین بسیاری از وظایف سنگین و طاقتفرسا را برای پژوهشگران آسان ساخته است. با توجه به روند رو به رشد این فناوری در آینده شاهد کاربردهای گستردهتر یادگیری ماشین در تمام حوزههای زندگی انسان خواهیم بود.