آینده با Machine Learning

Machine learning (ML) فرآیندی است که کامپیوتر را قادر می‌سازد کاری را انجام دهد که به صراحت گفته نشده است چه کاری را انجام دهد. از این رو ML نقش اساسی در ساخت ماشین‌هایی که واقعیت را درک کنند را بر عهده گرفته است. با راه‌اندازی Sophia، ربات هوش مصنوعی که توسط Hanson robotics توسعه یافته است، شگفت‌زده می‌شویم که توسط این افراد هوشمند چقدر به دستیبابی به موفقیت‌های برتر نزدیک هستیم.

اگر به آینده machine learning در 10 سال آینده فکر می‌کنید، در جای مناسبی هستید. بیایید برویم شروع کنیم.

وضع کنونی

ML با ایجاد روشی که بتوان دانش را از مجموعه داده‌های بزرگ غنی ساخت، خطاهای برنامه‌نویسی را نگه داشت و از مشکلات منطقی جلوگیری کرد، برای سیستم‌های آتی کمی پیچیده‌تر شده است. با استفاده از فریم‌ورک BigData در برنامه‌های اصلی، الگوریتم‌های هوشمند اکنون می‌توانند این ریپازیتوری‌های بزرگ از داده‌های استاتیک و داینامیک را به کار گرفته و به طور مداوم کارایی آن را یاد بگیرند و بهبود دهند.

در سال جاری، کارشناسان ML از انتزاع و نظریه‌پردازی دور شده‌اند و بر روی برنامه‌های تجاری هوش مصنوعی توسط machine learning و مفهوم Deep Learning تمرکز دارند. در عرصه عملی، ML به طور گسترده در مراقبت‌های بهداشتی پیش‌گیری‌کننده، پزشکی، بانکی، مالی، بازاریابی و رسانه‌ای اعمال شده است.

با توجه به پیشرفت ML در پنج سال گذشته، پیشروی آن به این زودی‌ها کند نخواهد شد.

پیشرفت‌های ML

در میان پیشرفت‌های مهم ML، گوگل اخیرا پروژه Tensorflow ی machine learning خود را open source کرده است. مایکروسافت CNTK را open source کرده، Baidu، PaddlePaddle را انتشار داده و آمازون اعلام کرده است که MXNet را در پلت‌فرم AWS ML جدید خود سوار کرده است. از طرف دیگر، فیسبوک عمدتا از توسعه دو فریم‌ورک Deep Learning: Torch و Caffe پشتیبانی می‌کند. گوگل همچنین از Keras فوق‌العاده موفق پشتیبانی می‌کند.

این موارد بر این ایده تمرکز دارد که الگوریتم‌ها و machine learning برای مدت زمان طولانی می‌خواهند در دنیای فناوری اطلاعات مانور دهند. تقاضا برای machine learning بیشتر شده است و پلت‌فرم‌ها در حال قوی‌تر شدن هستند.

ارتقاء

در چند سال آتی، برنامه‌های هوش مصنوعی رواج بیشتری پیدا می‌کنند و مردم نسبت به ماشین‌ها پذیرش بیشتری دارند. بنابراین همه ارائه‌دهندگان سرویس باید به صورت جدی هم سخت‌افزار خود (ذخیره‌سازی، بک‌آپ، قدرت محاسبات، و غیره) و هم نرم‌افزار (سرویس‌ها، شبکه‌ها، شبکه‌های تک کاره، و غیره) را ارتقاء دهند.

ما شاهد رونق در استفاده از machine learning در برنامه‌های موبایل، سیستم‌های تشخیص تصویر، برنامه‌های تشخیص الگو، ابزارهای فیلترینگ، رباتیک و غیره هستیم. دانشمندان در حال حاضر در تلاشند تا کار کردن با ماشین‌هایی را توسعه دهند که پردازش دقیق مغز انسان را دنبال می‌کنند. اگر ما هر گره و شبکه عصبی مغزمان را نقشه‌برداری کرده و داده‌ها را به آن بدهیم، سیستم باید قادر به پردازش داده‌هایی مثل مغز انسان باشد.

این مفهوم را محاسبات شناختی می‌نامند. از این رو سیستم‌های محاسبات شناختی از تشخیص الگو، پردازش زبان طبیعی، داده‌کاوی استفاده می‌کنند تا از طریق فرآیند مغز انسان آموزش دهند. این سیستم‌ها با هدف نهایی‌شان که یک دستگاه هوش مصنوعی حساس و درک کننده احساسات است، باید در سال‌های آتی توجه زیادی را به خود جلب کنند.

Cognitive Learning در مقایسه با Deep Learning: آینده در کجا قرار گرفته است؟

Deep learning فرآیندی است که به سیستم کمک می‌کند تا از داده‌های بدون ساختار یا بدون برچسب یاد بگیرد. در حالی که cognitive computing از داده‌های ساخت‌یافته و تقسیم‌شده استفاده می‌کند تا دستگاه درک‌کننده مدل را آموزش داده (train کند) و تست کند، deep learning تکنیک‌های پردازش داده و داده‌کاوی را برای مقیاس‌گذاری بر اساس داده‌ها به کار می‌گیرد، داده‌ها را بهتر مدل‌سازی کرده و آن را برای سایر دستگاه‌ها مفید می‌سازد.

همچنین از شبکه‌های عصبی استفاده می‌کند اما در ترکیب با ریپازیتوری‌های عظیم داده‌های IoT، مقیاس و نوع پردازش، آن را از cognitive learning متمایز می‌سازد. کاربرد اصلی آن در سیستم‌های back end خواهد بود، سیستم‌هایی که بیشتر در بازاریابی، برندسازی، ایجاد دیتابیس برای سایر دستگاه‌هایی که از آن یاد می‌گیرند، همکاری می‌کنند.

سیستم‌های deep learning، با IoT داده‌کاویی ایجاد می‌کنند که ستون فقرات سیستم‌های هوشمند خواهد بود. در حالی که سیستم‌های cognitive computing در همکاری با سیستم‌های آموزش‌دیده deep learning و IoT برای انجام وظایف اصلی در زمینه‌هایی مانند بهداشت، پزشکی، تحقیقات علمی، اتومبیل‌های خودران (اتومات)، لب‌خوانی از ورودی ویدیو و در نهایت دستگاه محاسباتی قابل درک کارخواهند کرد.

این دو زمینه، ML و AI، بیشترین تمرکز را به خود جلب خواهند کرد. در حال حاضر یک ماشین حساس و درک‌کننده احساسات ممکن است دور از ذهن باشد اما اهمیت machine learning در مراقبت‌های بهداشتی، سیستم‌های ابری و بازاریابی را نمی‌توان بیش از حد ارزیابی کرد.

تلاش‌های قوی‌تر برای خودکارسازی همه بخش‌های عادی مراقبت‌های بهداشتی مثل آزمایش جسم آلوده (ویروس، باکتری، ذرات خارجی دیگر) در نمونه‌ها، تشخیص رشد سرطانی، معاینه با اشعه ایکس و اسکن برای مسائل دقیق (که ممکن است از توجه پزشک دور باشد) ایجاد خواهد شد.

حتی در حال حاضر، برخی از بیمارستان‌ها در کشورهای توسعه‌یافته مانند ایالات متحده، انگلیس، کشورهای اروپایی، گزینه‌های هوش مصنوعی را در میان خود پذیرفته‌اند. بیشتر مؤسسات و دانشگاه‌ها در این زمینه سرمایه‌گذاری خواهند کرد و تقاضا چند برابر خواهد شد.

جمع‌بندی

در 10 سال آینده، برنامه‌های هوش مصنوعی از هر زمان دیگری رایج‌تر خواهند شد، و به همین دلیل همه ارائه‌دهندگان خدمات باید به صورت جدی قابلیت‌های سخت‌افزاری و نرم‌افزاری خود را ارتقاء دهند.

دقیقا مانند ظرفیت پردازش موازی ارائه شده توسط GNUs، هوش مصنوعی فعلی امکان‌پذیر و ماندگار خواهد شد، قدرت محاسبه نیز به یک رشد جدی برای آنچه که در آینده خواهد آمد نیاز دارد. کلیه بخش‌های کاری فنی برای اختراع و ارتقاء تحت فشار عظیمی قرار خواهند گرفت.

 در صورت علاقه به موضوع جذاب هوش مصنوعی میتوانید از دوره آموزش هوش مصنوعی با سی شارپ استفاده کنید .