یادگیری عمیق – خبرگزاری آنا
یادگیری عمیق چیست و چرا این قدر مهم شده است؟
یادگیری عمیق (Deep Learning) زیرشاخه ای از یادگیری ماشین است که بر پایه شبکه های عصبی مصنوعی کار می کند. این روش به سیستم های کامپیوتری امکان می دهد تا بدون نیاز به برنامه نویسی مستقیم از داده ها یاد بگیرند و الگوهای پیچیده را درک کنند. یادگیری عمیق به دلیل توانایی آن در پردازش حجم عظیمی از داده ها و ارائه نتایج دقیق انقلابی در بسیاری از صنایع ایجاد کرده است.
تفاوت یادگیری عمیق با یادگیری ماشین چیست؟
در حالی که یادگیری ماشین روش های مختلفی برای تحلیل داده ها و پیش بینی ارائه می دهد یادگیری عمیق با بهره گیری از شبکه های عصبی چندلایه داده ها را در سطوح پیچیده تری پردازش می کند. در یادگیری ماشین سنتی مهندسان باید ویژگی های مهم را برای مدل مشخص کنند اما در یادگیری عمیق این ویژگی ها به طور خودکار توسط شبکه عصبی استخراج می شوند. این تفاوت باعث شده یادگیری عمیق در حل مسائل پیچیده مانند پردازش تصویر و زبان طبیعی بسیار موفق تر عمل کند.
شبکه های عصبی مصنوعی؛ تقلیدی از مغز انسان؟
شبکه های عصبی مصنوعی (Artificial Neural Networks) الهام گرفته از ساختار مغز انسان هستند. همان طور که نورون های مغز از طریق ارتباطات پیچیده اطلاعات را پردازش می کنند در یادگیری عمیق نیز واحدهای پردازشی کوچک به نام نورون مصنوعی از طریق لایه های متعدد با یکدیگر تعامل دارند. این معماری به سیستم اجازه می دهد تا از داده های ورودی یاد بگیرد و به طور پیوسته عملکرد خود را بهبود ببخشد.
نقش داده های بزرگ در پیشرفت یادگیری عمیق
داده های بزرگ (Big Data) به عنوان سوخت موتور یادگیری عمیق عمل می کنند. هرچه مدل های یادگیری عمیق داده های بیشتری دریافت کنند دقت و کارایی آن ها افزایش می یابد. امروزه حجم عظیمی از داده ها از طریق اینترنت شبکه های اجتماعی حسگرها و دستگاه های هوشمند تولید می شود که امکان آموزش بهتر مدل های یادگیری عمیق را فراهم می کند.
چگونه یادگیری عمیق در پزشکی صنعت و زندگی روزمره کاربرد دارد؟
از تشخیص زودهنگام سرطان و توسعه داروهای جدید گرفته تا بهینه سازی تولید صنعتی و خودروهای خودران یادگیری عمیق در حال تغییر بنیادین بسیاری از صنایع است. در زندگی روزمره نیز کاربردهای آن را در دستیارهای صوتی مانند سیری و گوگل اسیستنت سیستم های ترجمه ماشینی و فیلترهای هوشمند عکس و ویدئو مشاهده می کنیم.
آیا یادگیری عمیق می تواند به خودآگاهی در ماشین ها منجر شود؟
یکی از مباحث داغ پیرامون هوش مصنوعی امکان دستیابی ماشین ها به خودآگاهی است. در حالی که یادگیری عمیق به پیشرفت های بزرگی در پردازش زبان و تصویر منجر شده هنوز با مفهومی مانند خودآگاهی فاصله دارد. با این حال برخی دانشمندان معتقدند که با توسعه مدل های پیچیده تر ممکن است در آینده ماشین هایی با نوعی آگاهی مصنوعی ایجاد شوند.
چالش های اخلاقی و خطرات احتمالی هوش مصنوعی
با پیشرفت یادگیری عمیق نگرانی های اخلاقی نیز افزایش یافته است. از جمله مهم ترین چالش ها می توان به استفاده نادرست از هوش مصنوعی در نظارت جمعی سوگیری الگوریتمی و احتمال از دست رفتن حریم شخصی کاربران اشاره کرد. همچنین این پرسش مطرح است که آیا یادگیری عمیق می تواند به طور غیرقابل کنترل تکامل یابد و به تهدیدی برای بشریت تبدیل شود؟
هوش مصنوعی و آینده مشاغل؛ آیا هوش مصنوعی جای انسان ها را خواهد گرفت؟
یکی از نگرانی های اصلی در مورد یادگیری عمیق تأثیر آن بر بازار کار است. مشاغل متعددی از رانندگان و مترجمان گرفته تا تحلیل گران مالی در معرض خودکارسازی قرار دارند. با این حال بسیاری از کارشناسان معتقدند که هوش مصنوعی نه تنها مشاغل را از بین نمی برد بلکه فرصت های شغلی جدیدی نیز ایجاد خواهد کرد.
چگونه یادگیری عمیق دنیای بازی های ویدیویی و سینما را تغییر داده است؟
یادگیری عمیق تحولی بزرگ در صنعت سرگرمی ایجاد کرده است. از تولید جلوه های ویژه در فیلم ها تا توسعه بازی های ویدیویی هوشمندتر این فناوری امکان خلق تجربه های بصری و تعاملی بهتری را فراهم آورده است. سیستم های هوش مصنوعی اکنون قادرند شخصیت های بازی ها را با رفتارهای طبیعی تری طراحی کنند و حتی داستان های جدید تولید کنند.
آینده یادگیری عمیق؛ آیا باید نگران باشیم یا برای آن آماده شویم؟
آینده یادگیری عمیق ترکیبی از فرصت ها و چالش ها را به همراه دارد. در حالی که این فناوری می تواند بسیاری از مشکلات پیچیده بشری را حل کند باید برای مواجهه با تأثیرات اجتماعی اقتصادی و اخلاقی آن آماده باشیم. مهم ترین راهکار توسعه مقررات و چارچوب هایی است که استفاده از یادگیری عمیق را در مسیر صحیح هدایت کند.
مهمانان این قسمت
– علیرضا کاظمی: مدیر عامل خانه هوش مصنوعی ایرانیان
نوید فرخی: روزنامه نگار نویسنده و فعال ترویج علم
محسن عرب سُرخی: عضو هیئت علمی دانشگاه آزاد اسلامی
تهیه شده در گروه محتوا و رسانه های نو در خبرگزاری دانشگاه آزاد (آنا)
قطعات موسیقی به کاررفته
so-much-fun_by_alexey-anisimov
chain-reaction_by_timur-haisyn
Awake for 7 Days by Thomas Newman
change-the-game_by_stringerbell
The Frog by bamdad afshar
rising_by_romanov_studioi
tunetank.com_5161_last-warrior_by_vensadams
rising_by_romanov_studio
از اینجا دانلود کنید
به سایر قسمت های «ترمینولوژی» گوش کنید:
هورمون| میراگر | عدد پی| ابررسانایی | پلانکتون
معرفی عوامل تولید
راوی و مدیر تولید: حانیه محبی زاده
نویسنده: کتایون مافی
پیاده سازی گفتگو ها: الهه بهاری
اتاق فکر و مشاور: محمد وحیدی نوید فرخی مهندس علی ورمزیار و سعید وفادار
گرافیک: سید محمد حسن زاده علوی نژاد علیرضا مهاجری
صدابردار: عارف نظری
تصویربردار: عرشیا قادری
عکس: عباس تاجیک یار امیرحسین جامه بزرگ
محتوای سوشال: نعیمه کرابی
بازنویس سناریو تهیه کننده و کارگردان: یاسر نظیفی گیلوان
متن پیاده شده پادکست:
راوی: تصور کنید جلوی یه آینه وایستادین اما این فقط یه آینه معمولی نیست—این آینه می تونه آینده تون رو پیش بینی کنه احساسات تون را درک کنه و حتی عادات و رفتارای شما رو تقلید کنه. این چه جور جادوییه؟ یا نه؟ دیگه این جادو نیست. شاید یه هوش غیر انسانی پشتشه.
راوی: تابه حال به این فکر کردین یه ماشین چطور فکر می کنه؟ اگر به تون بگم امروزه سیستم هایی وجود دارن که می تونن خواب ببینن—بله درست شنیدین خواب و رؤیا ببینن—و در مورد حل مشکلات و درک بهتر دنیا خیال پردازی کنن چه واکنشی نشان می دین؟
راوی: هر بار که از تلفن تون برای پیدا کردن مسیر یا جستجوی یه دستور غذا استفاده می کنید یه «مغز» نامرئی تو پس زمینه داره بی وقفه کار می کنه. اگه به شما بگم این مغز می تونه بیماری ها را تشخیص بده نقاشی هنری خلق کنه یا حتی رمان بنویسه چی می گید؟
راوی: ذهنی رو تصور کنید که هیچوقت خسته نمی شه هیچوقت فراموش نمی کنه و سریع تر از هر انسانی یاد می گیره. این ذهن وجود داره—اما نه در انسان ها بلکه در ماشین ها.
راوی: قراره یه دوئل جدید داشته باشیم: یه طرف ذهن انسان قرار داره درخشان و در عین حال پر از نقص و اون طرف دیگه ذهن مصنوعی—بدون نقص و به طور مداوم در حال تکامل. اما این ماشین ها واقعاً باهوش هستن؟ یا ما داریم بیش از حد بزرگشون می کنیم؟
راوی: برای دهه ها فیلم ها و کتاب ها از ربات های متفکر و ماشین هایی که ما را درک می کنن گفتن. حالا اگه بهتون بگم این داستان ها سریع تر از اونچه تصور می کردیم به واقعیت تبدیل می شن چه واکنشی نشون میدین؟ هوش مصنوعی و یادگیری ما شین اومده روی صحنه و قدرتش ممکنه شما را شگفت زده و حتی شوکه کنه.
راوی: آیا ماشین ها می تونن روح داشته باشن؟ البته نه به شکلی که انسان ها روح دارن. اما با یادگیری عمیق ماشین ها در حال خلق موسیقی درک زبان ها و حتی «فکر کردن» به روش هایی هستن که یه دهه پیش تصورش غیرممکن بود. این ماجرا از کجا شروع شد و میخواد به کجا بره؟
راوی: هزاران سال پیش انسان آتش رو کشف کرد و همین کشف ساده و مهم زندگی رو برای همیشه متحول کرد. امروز انسان آتش جدیدی رو روشن کرده—این بار در ماشین ها. یادگیری عمیق جرقه ایه که هوش مصنوعی را به پیش می بره اما این فناوری که به نظر می رسه ماشین رو قادر می کنه تا خودبه خود یاد بگیره چیه؟ آیا این فناوری موتور تحول آینده زندگی بشره؟
راوی: من حانیه محبی زاده هستم و این اپیزود ششم از پادکست ترمینولوژیه. تو این اپیزود می ریم به سراغ یادگیری عمیق تو هوش مصنوعی. میخوایم به زبان ساده به سوالاتی رایج در مورد کاربردها ویژگی ها و ساختار مدل های این حوزه از فناوری بپردازیم.
راوی: به علاوه می خوایم نقش هوش مصنوعی رو تو زندگی امروز و فردای خودمون بررسی کنیم. می خوایم ببنییم چرا ایلان ماسک معتقده که ربات ها بالاخره جای ما آدما را می گیرن.
راوی: به دنیای هیجان انگیز ربات ها و پیش بینی های ترسناک و پُر رمز و راز درباره مفهوم یادگیری عمیق خوش اومدین.
راوی: خب سوال اول این اپیزود اینه: یادگیری ماشین به زبان ساده یعنی چی؟ چه ارتباطی به موضوع هوش مصنوعی داره؟ و چطور می تونیم بهترین استفاده رو از این فن آوری داشته باشیم.
فرخی: یادگیری ماشین یکی از روش های مهم هوش مصنوعی هست. که در اون از طریق روش های مختلف داده ها رو پردازش می کنه تا چیزی رو پیش بینی کنه.
راوی: مثل همیشه و روال همه اپیزودهای ترمینولژی سه متخصص کاربلدِ این حوزه همراه ما میشن. با کمک این اساتید بررسی می کنیم: یادگیری عمیق چیه؟ چه ارتباطی با هوش مصنوعی داره؟ و عملکردش چطوریه؟
علیرضا کاظمی: الزاما همه هوش مصنوعی خلاصه در یادگیری عمیق نمی شه اما آنچه به هوش مصنوعی سرعت داده و تونسته انقلابی ایجاد کنه یادگیری عمیق هست.
محسن عرب سُرخی: شبکه عصبی مصنوعی یکی از راه ها و ایده هایی است که از نحوه پردازش مغز انسان الگو گرفته شده است.
نوید فرخی: یادگیری عمیق ؛ چیزی به نام پردازش زبان طبیعی داره. یکی از ابزارهاست که به این مفهومه سیستم های کامپیوتری به درجه ای برسن که بتونن صحبت انسان رو تشخیص بدن.
معرفی اساتید مهمان
راوی: خب همونطور که گفتم سه استاد مهمان داریم. بذارین بریم سراغ معرفی مهمان ها. مهمان اول ما آقای محسن عرب سُرخی:
محسن عرب سُرخی: من هیئت علمی دانشگاه آزاد واحد ساوه و مدیرعامل یه شرکت خصوصی فعال در حوزه هوش مصنوعی نیز هستم
راوی: مهمان بعدی مون آقای نوید فرخی هستن.
نوید فرخی: روزنامه نگار نویسنده و فعال ترویج علم و ادبیات گُمانه زن.
راوی: آقای فرخی به عنوان دبیر سردبیر نویسنده و مترجم در نشریات مختلف فعالیت داشتن. ۳۱ کتاب در حوزه های مختلف از فرخی منتشرشده و در مورد نوشته هاشون بیشتر از خودشون می شنویم:
فرخی: دو تا از مقاله هام درحوزه فن آوری در کشور و درسطح منطقه به عنوان مقالات برگزیده انتخاب شده اند و یکی داستان های در ژانر علمی- تخیلی به عنوان صلح پایداردر رقابت ویراستاری مجله اطلاعات عملی به عنوان اثر برگزیده انتخاب شد.
راوی: آقای فرخی کارهای مختلفی رو در زمینه هوش مصنوعی انجام دادن. از جمله اینکه کارشناس برنامه تلویزیونی چرخ بودن و در سری ۵ تا ۷ این برنامه در زمینه هوش مصنوعی صحبت کردن. ایشون دبیری مجموعه کتاب سال هوش مصنوعی تالار فیکشن از انتشارات سارات رو برعهده داشتن و در سیمنار هوش مصنوعی در دهمین نکوداشت هفته علم و فناوری چاپ ایران در مورد هوش مصنوعی در صنعت چاپ ارائه داشتن. همینطور نویسنده چند پادکست در زمینه هوش مصنوعی بودن.
فرخی: فیلمنامه فیلم «می اندیشی اگرچه نیستی» که در زمینه هوش مصنوعی و آینده ربات ها بود به رشته تحریر در آوردم که اثر برتر فستیوال والنسیا در سال ۲۰۲۴ شناخته شد و کتاب هوش مصنوعی رویارویی با انقلاب صنعتی چهارم را به کوشش نشر سبزان منتشر کردم.
راوی: البته یادآوری کنم که ایشون در حال نوشتن کتابی به نام آینده هوش مصنوعی هستن که باید منتظرش باشیم. اما چی شد که آقای فرخی به زمینه علمی هوش مصنوعی علاقه مند شدن؟
فرخی: علاقه من به هوش مصنوعی برمی گردد به میانه دهه نود وقتی که برای سری دوم شروع کردم به مطالعه کتابهایی که در حوزه رباتیک آقای ایزاک آسیموف نوشته بود و اون قوانین سه گانه را و اگرچه از نظر دیگران خیلی دور از ذهن بود ولی به نظرم خیلی محتمل آمد.
راوی: آقای فرخی می گه در سال ۲۰۱۵ که کسی هوش مصنوعی رو به عنوان جریان غالب فناوری خیلی جدی نمی گرفت بنیاد جهانی چالش ها در مقاله ای به ۱۲ خطر غالب و تهدید در ۱۰۰ سال آینده اشاره کرده بود که رتبه یک این خطرات هوش مصنوعی بود. فرخی می گه اون زمان چنین چیزی خیلی عجیب بود.
فرخی: اینکه صحبت می کردیم آدم ها یاد فیلم ترمینایتور می افتادند که آدم مصنوعی قراره بیاد و ما را نابود کنه یا جای ما را بگیرد یا چیزی شبیه به اینها و در آن لیست جنگ هسته ای ششم بود که بخواهیم همدیگر را نابود کنیم و چالش های آب هوایی دوم بود.
راوی: همین مقاله کافی بود که علاقه ایشون رو به حوزه هوش مصنوعی جلب کنه. بذارین همینجا ازتون بخوام در پایان شنیدن پادکست برامون کامنت بذارید و بگید کدوم فیلم ها و مقالات در حوزه هوش مصنوعی براتون جالب بودن.
راوی: اما بریم سراغ مهمان سوم. آقای علیرضا کاظمی:
علیرضا کاظمی: محقق حوزه هوش مصنوعی و آی تی مدیر عامل خانه هوش مصنوعی ایرانیان
راوی: آقای کاظمی ۶ ساله که در زمینه هوش مصنوعی فعال ان و خانه مصنوعی هوش ایرانیان رو راه اندازی کردن خودشون در این باره می گن:
کاظمی: رویکرد ما بیشتر به صورت یک شرکت سهامی خاص است. کار شناسایی فرصت ها و اجرای پروژه ها را با کمک اعضا انجام می دهد. فعالیت های ما فراتر از ان جی او است و در واقع به شکل اجرای پروژه و مشارکت در پروژه های مختلف است.
راوی: البته دکتر کاظمی یک دفتر در پارک علم و فناوری وابسته به دانشگاه دارن و یک دفتر مجزا هم در شهرخودشون یزد تاسیس کردن.
کاظمی: ما هم به عنوان یک شرکت مستقر در پارک از خدمات پارک استفاده می کنیم. اما دولتی نیستیم و در پارک مستقر ما در کشورهای دیگر هوش مصنوعی داریم که تحت عنوان ای آی هاوس فعالیت می کنند.
در واقع به نوعی این خانه ها و اتاق ها کمک به فعالان هوش مصنوعی رو در دستور کار خودشون قرار دادن.
معرفی
راوی: همه ما می دونیم که روی کره زمین اول انسان و بعد حیوانات بیشترین توانایی رو برای یادگیری دارن. اما حالا قراره ماشین بیاد و نه تنها از حیوان بلکه از انسان هم جلو بزنه. بهتره کمی به عقب برگردیم و ببینم چطور در طول نیم قرن یاد گرفتیم که نه تنها خودمون بیاموزیم بلکه به رایانه ها هم یاد بدیم. از زبان آقای فرخی بخشی از این داستان را بشنویم:
فرخی: هوش مصنوعی چندین دهه پیشینه داره و سه چهار سال پس از جنگ جهانی دوم تلاش هایی برای اینکه هوش مصنوعی تولید بشه صورت گرفت.
راوی: خب در دهه های اول مسلما روش اصلی دانشمندا برای پیاده سازی هوش مصنوعی نمی تونست یادگیری عمیق باشه. بنابراین در اون زمان از چه روشی بیشتر از همه استفاده می کردن؟
فرخی: روش غالب اون زمان روشی به نام قانون محور بود. به این مفهوم که شما به اون دستگاه هوش مصنوعی که بهش سیستم خبره می گفتن چیزهایی رو تعریف می کردی. یک سیستم خبره تولید می کردی مثلا پزشک. از قبل به اون سیستم خبره ورودی می دادی و برنامه ریزی می کردی که اگر کسی گفت من سرفه می کنم پس احتمالا داره سرما می خوره. یا کسی گفت که تنم بی مورد خارش داره احتمالا واکنش آلرژیک نشون می ده و چیزی شبیه به این ها. چیزهایی رول بیس و قانون محور که هر کدوم قانون هستن. مدلی بود که تا چند دهه مدل قالب هوش مصنوعی بود. ولی این مدل ضعیف بود و مسائل دنیای واقعی بیشتر است
راوی: به نظر می رسه که این مدل چندان به چشم نیومد و نتونست به اندازه ای که چت جی پی تی و سایر ابزارهای هوش مصنوعی در سالهای اخیر سروصدا کردن توجه آدم ها رو به خودش جلب کنه. بنابراین هوش مصنوعی روند دیگه ای رو در پیش گرفت و به سمت یادگیری ماشین رفت. شاید تاریخچه ای که آقای فرخی درباره یادگیری ماشین بهش اشاره کرده ما رو بهتر راهنمایی کنه.
فرخی: کسی که هوش مصنوعی رو پایه گذاری کرد آلن تورینگ بود اسم رو به اسم ماشین هوشمند به کار برد. کسی که عبارت هوش مصنوعی رو برای اولین بار وضع کرد فردی به نام جان مک کارتی در انتهای دهه ۵۰ استفاده کرد. با پیدایش و شروع عصر وب که دهه ۹۰ بود یک زمستان واقعی هوش مصنوعی رو تا ۲۰۰۱ و ۲۰۱۰ پشت سر گذاشتیم.
یادگیری عمیق
راوی: ضرب المثل همه راه ها به رُم ختم می شه رو شنیدید؟ حالا انگار تو هوش مصنوعی هم همه راه ها به یادگیری عمیق ختم می شه. اما این یادگیری عمیق چیه؟ آقای کاظمی براین باوره که یکی از تکنیک های پیاده سازی هوش مصنوعی یادگیری عمیق هست. آیا می تونیم هوش مصنوعی عصر حاضر رو در یادگیری عمیق خلاصه کنیم؟
کاظمی: الزاما همه هوش مصنوعی خلاصه در یادگیری عمیق نمی شه اما آنچه به هوش مصنوعی سرعت داده و تونسته انقلابی ایجاد کنه یادگیری عمیق هست.
راوی: اما به نظر آقای عرب سُرخی یادگیری عمیق زیرشاخه ای از یادگیری ماشینه. برای همین بهتره که اول از همه بریم سراغ یادگیری ماشین.
عرب سُرخی: یادگیری ماشین به الگوریتم هایی گفته می شه که در اون سعی می شه ماشین براساس داده هایی که بهش ارائه می شه چیزی رو یاد بگیره و به یک هدف دست پیدا کنه. مثلا بتونه اخبار یک سایت خبری رو دسته بندی کنه
راوی: آقای کاظمی میگن:
کاظمی: روش یادگیری ماشین به شکل سنتی به این صورت است که ما در فرآیند یادگیری ماشین به ماشین در تعیین لایه های مختلف کمک می کنیم. به شکل سنتی مثلا ۵ تا ۱۰ لایه در نظر می گیریم یک لایه ورودی و یک لایه خروجی. این لایه ها از دید ما پنهانند و ما فقط ورودی و خروجی رو می بینیم. این لایه ها یک وظیفه ای برای لایه ها تعریف کنیم.
راوی: و آقای فرخی میگن:
فرخی: یادگیری ماشین یکی از روش های مهم هوش مصنوعی هست. که در اون از طریق روش های مختلف داده ها رو پردازش می کنه تا چیزی رو پیش بینی کنه..
راوی: روش جدید هوش مصنوعی با تکنیک های قدیمی چه فرقی داره؟
فرخی: به جای اینکه بیاییم در برنامه نویسی بگیم که اگر کسی علائم سرماخوردگی داشت پس سرما خورده داده ها را آموزش بدیم. ماشین خودش بتونه تشخیص بده بدون اینکه مستقیم گویی کرده باشه
راوی: اما یکی از روش هایی که برای یادگیری ماشین استفاده می شه استفاده از شبکه های عصبی مصنوعیه و گویا در این شبکه از نحوه پردازش مغز انسان الگو گرفته شده. موضوع جذاب تر شد. خب یه سرکی هم به این بخش بکشیم.
کاظمی: این یادگیری یک تفاوتی با یادگیری مبتنی بر شبکه عصبی داره که به شکل سنتی و یادگیری عمیق تفکیک می شه
عرب سُرخی: یکی از روش هایی که برای یادگیری ماشین استفاده می شه استفاده از شبکه های عصبی مصنوعیه. شبکه عصبی مصنوعی یکی از راه ها و ایده هایی است که از نحوه پردازش مغز انسان الگو گرفته شده است.
راوی: تا اینجا فهمیدم که یادگیری عمیق با هوش مصنوعی سنتی فرق می کنه. در هوش مصنوعی سنتی که بهش هوش مصنوعی سمبولیک هم گفته می شه قواعد و منطق حل مسئله از قبل برای ماشین تعریف می شد. اما در یادگیری عمیق ماشین از تجارب و داده ها قواعد و فورمول های جدید استخراج می کنه. در شکل سنتی لایه های شبکه عصبی یک لایه ورودی و یک لایه خروجی دارن.و باقی لایه ها از دید ما مخفی هستند. اما در یادگیری عمیق چطوره؟
کاظمی: شکل سنتی اگر باشه مثلا ۵ تا ۱۰ لایه در این شبکه در نظر می گیریم یک لایه ورودی و یک لایه خروجی. مثلا ۱۰ تا لایه پنهان. این لایه ها از دید ما پنهانند و ما فقط ورودی و خروجی رو می بینیم. این لایه ها یک وظیفه ای برای لایه ها تعریف کنیم. مثلا لایه اول تشخیص حروف بده مثلا بیاد قسمت هایی که تیز شده نوک نوشته رو تشخیص بده. لایه دوم فاصله رو تشخیص بده و لایه سوم کار دیگه ای انجام بده و الی آخر. این یادگیری سنتی هست.در یادگیری عمیق اینکه هر لایه چه کار می کنه رو نمی دونیم و ما هم تعیین نمی کنیم چه کار کنه بلکه با اضافه کردن لایه های بیشتر و دادن داده های فراوان سعی می کنیم خطا را کاهش بدیم.
عرب سُرخی: اجزای اصلی شبکه عصبی عمیق عبارتند از نورون ها لایه ها (پنهان ورودی و خروجی) توابع فعال سازی و وزن ها که روی هر اتصال وجود داره و فرآیند آموزش و هر کدوم از اینها رو به طور جداگانه توضیح می دیم.
در واقع نورون های واحدهای بنیادی شبکه های عصبی هستن و وظیفه پردازش اطلاعات رو به عهده دارن. هر نورون یک تعداد ورودی دریافت می کنه و پس از پردازش یک خروجی تولید می کنه. این پردازش شامل یک عملیات ساده مثل جمع کردن ورودی ها و اعمال یک تابع فعال سازی نورون هاست.
موضوع بعدی تابع فعال سازی هست. تابع فعال سازی به نورون ها کمک می کنه که تصمیم بگیرن یک خروجی رو تولید کنن یا نه با چه مقدار به لایه بعدی تحویل بدن و انواع مختلفی دارد.
راوی: مثلا اگر بخواهیم شباهت دو تا چهره رو با هم مقایسه و شناسایی یا همون تشخیص هویت انجام بدیم توی حالت سنتی چطوری احراز هویت به وسیله ماشین انجام می شه؟
کاظمی: خودمون به ماشین کمک می کنیم. می گیم فاصله چشم ها را در نظر بگیر. فاصله چشم ها عوض نمی شه و اینو ما داریم بهش می گیم. یا پارامترهای دیگر که در تصویر افراد تغییر نمی کنه و ثابت می مونه رو سعی می کنیم در لایه های مختلف شبکه عصبی تعیین کنیم و حالا بهش بگیم اینو بررسی کن و یادبگیر تا بتونی تشخیص بدی. اینجا ما وظیفه هر لایه رو تعریف کردیم.
راوی: توی یادگیری عمیق چه جوریه؟
کاظمی: در یادگیری عمیق این کار رو انجام نمی دیم. همانطور که مغز انسان بدون اینکه ما بهش بگیم که شباهت ها رو تشخیص بده در طول زمان و از کودکی یادگرفته که شباهت ها رو تشخیص بده بدون اینکه بخواد توصیف کنه.
راوی: دقیقا این فرایند مثل زمانی هست که از یه بچه میپرسیم که از کجا فهمیدی که اون خانوم مادرت هست و اون بدون هیچ توضیحی می گه مامانم هست دیگه.
کاظمی: در یادگیری عمیق با اضافه کردن لایه ها و داده ها و بالا بردن حجم پردازش اجازه می دیم اون کاری که به عنوان مهندس داده انجام می دادیم ماشین کشف و اجرا کنه. این یادگیری عمیقه.
راوی: مثلا وقتی می خواهیم به هوش مصنوعی یاد بدیم که عکس گربه را از دیگر حیوانات تشخیص بده چی کار می کنیم؟
فرخی: عکس گربه وارد هوش مصنوعی می شه. یک لایه ورودی داریم که این لایه بحث پردازش زبان. یعنی باید چیزی باشه که عکس رو بگیره. در لایه بعد لایه های زیادی به اسم لایه های پنهان هست که می گه جانداره یا بی جانه. هر لایه می تونه کار خاص داشته باشه و پنهان هم هست قراره که اینو تشخیص بده که در کدام طبقه قرار می گیره. در لایه ای که جاندار هست احتمالا یک گوش و بینی داره. بعد باید بره در لایه دیگه که بگه سگه یا گربه. یک سری خصوصیات سگ داره و یک سری خصوصیات گربه. ممکنه یک سری خصوصیات سگ رو هم داشته باشه و یک سری خصوصیات گربه داشته باشه. برای اینکه اونجا تعیین دقیق بشه اونجا تابع فعال سازی هست که وزن می ده و می گه اینکه وزن گربه بیشتره تا اینکه سگ باشه. از طریق داده های آموزش داده شده. این رو طی می کنه تا بفهمه گربه و سگه و در خروجی اعلام می کنه.
راوی: وقتی از داده ها صحبت میشه این داده ها برای ماشین قابل ترجمه است یعنی از قبل برچسب خوردن. فرض کنید وروی ما یه سری خبر در رده های مختلف باشه ماشین چطور اونها رو دسته بندی می کنه؟
عرب سُرخی: مثلا در اخبار و دسته بندی خبرها داده های ما می تونن خبرهایی باشن که از قبل دسته بندی شدن و برچسب خوردن که این خبر ورزشی و یا این خبر داخلی و یا خارجیه. بعد این خبرها را به الگوریتم به همراه برچسب ها ارائه کنیم و ماشین یاد بگیره از این به بعد اگر خبر جدیدی دریافت کرد به چه صورت اونو دسته بندی کنه.
راوی: اما من هنوز نفهمیدم که چطور این الگوریتم ها تعریف می شه. آقای فرخی نکته جالبی در این مورد میگن که شاید موضوع را ساده تر کنه.
فرخی: یادگیری عمیق قبل از هر چیزی پیش پردازش می کنه از دیتا باید چیزی که به دردمون بخوره رو استخراج کنیم.
فرخی: برای اینکه پردازش کنیم یک روش هست رایانش ابری. کامپیوترهای ابری زمانی یک پردازشگر داشت اما الان ۷ پردازشگر داره.
فرخی: ما صف رو کم کردیم و این توزیع شدگی می شه.
با پردازشگرهای مختلفی که داریم و در نهایت از یک مدل و معماری خاص پیروی می کنیم که این معماری ما رو سریعتر و بهتر به نتیجه برسونه.
راوی: اما به نظر می آد که با ظهور عصر بیگ دیتا و استفاده عمومی از اینترنت داده های زیادی تولید شده که به نظرم شروع این عصر یه نوید تازه برای نگاه دوباره به هوش مصنوعی بود.
فرخی: تقریبا از ابتدای تاریخ بشریت تا انتهای سال ۲۰۰۳ حجم دیتایی که تولید می شه ۵ اگزابایت هست. در ۲۰۱۱ گفتن (نتیجه یک تحقیق) هر دو روز در میون (امروز و فردا) ۵ اگزابایت (Exabytes) داره ساخته می شه. یعنی ما حجم داده شگفت آوری داریم. همزمان زیرساخت ها و تراشه قوای پردازشی هم بسیار قدرتمند شده. همچنین الگوریتم های جدید خیلی کاربرد داره.
روش یادگیری عمیق
راوی: هیچ وقت دیدین چطور حیوانات دست آموز آموزش می بینن؟ یکی از روشهای مربی این حیوانات شرطی سازی و سیستم پاداش و تنبیه. اما چطور می شه به یه ماشین برای یادگیری عمیق آموزش داد؟ اصلا چطور ارتباط برقرار می شه؟
فرخی: یادگیری عمیق ؛ چیزی به نام پردازش زبان طبیعی داره. که به این مفهومه سیستم های کامپیوتری به درجه ای برسن که بتونن صحبت انسان رو تشخیص بدن. شما ورودی می دید چه صوت و چه شکل های دیگه. کامپیوتر اون رو باید درک و پردازش کنه. و بعد به شما مانند انسان خروجی بده.
راوی: بنابراین اگر مقایسه ای داشته باشیم بین برنامه نویسی کامپیوتر و هوش مصنوعی برنامه نویسی به نوشتن دستورالعمل های صریح برای کامپیوتر متمرکزه در حالی که هوش مصنوعی بر ساخت ماشین هایی متمرکزه که میتونن بدون دستورالعمل های صریح از داده ها یاد بگیرن و تصمیم بگیرن.
کاظمی: وقتی می ریم سراغ هوش مصنوعی برنامه نویس داره برنامه هوش مصنوعی رو می نویسه اما به خاطر اینکه ورودی ها قابل پیش بینی نیستن و مجبوره تصمیم گیری در مورد ورودی ها و انتخاب خروجی مناسب رو به یادگیری ماشین واگذار کنه
کاظمی: مثلا فرض کنید می خوایم تصاویر سی تی اسکن رو مورد بررسی قرار بدیم. اگر یک تصویر سی تی اسکن رو به یک برنامه نویس بدم و بگم که چطوری باید تشخیص بیماری بده می تونه اینو برنامه نویسی کنه. اما سی تی دوم با سی تی اول زمین تا آسمون فرق می کنه.
کاظمی: پردازش تصویری که در برنامه اتفاق می افته مثل انسان تصمیم درست می گیره.
الهام از مغز انسان
راوی: همه ما می دونیم که طبیعت منبع عظیمی از ایده ها برای پیشرفت بشر بوده. خیلی از اختراعات الهام گرفته از طبیعت هستن. مثل دوربین عکاسی که درساختش از نحوه عملکرد چشم استفاده شده. در یادگیری عمیق هم شرایط به همین شکله. یعنی وقتی می خواهیم به یه ماشین یاد بدیم که چطور مثل انسان فکر کنه باید در انتقال داده ها هم از شبکه عصبی مغز الهام بگیریم. آقای عرب سُرخی با همچین مقایسه ای موافقه.
عرب سُرخی: شبکه عصبی مصنوعی یکی از راه ها و ایده هایی است که از نحوه پردازش مغز انسان الگو گرفته شده است. مغز ما تعداد زیادی سلول عصبی تشکیل شده.
این ایده کلی هست برای شبکه های عصبی مصنوعی از مغز انسان گرفته شده و در شبکه های عصبی مصنوعی هم از تعداد زیادی نورون عصبی و یا در واقع نود ها استفاده می شه و این نود ها از طریق لینک هایی به هم مرتبط می شن.
راوی: جالبه بدونین که در مغز نورون ها به وسیله یه سری کالکشن هایی با هم ارتباط دارن که به اینها سیناپس گفته می شه. سیناپس ها اطلاعات رو از یک نورون به نورون دیگه منتقل می کنن و براساس تجربیات و یا یادگیری هایی که قبلا اتفاق افتاده این اتصالات و سیناپس ها تقویت و یا تضعیف می شن.
کاظمی: شبکه عصبی که در مغز انسان وجود داره از نورون ها و لایه های عصبی تشکیل می شه. هر کدوم از اینها وظایفی رو برعهده دارن. شبیه به این در کامپیوتر ایجاد می شه و ما نورون و نورون های مجازی و مصنوعی داریم و لایه هایی داریم که نورون ها در این لایه ها قرار می گیرن و ورودی هر نورون مشخصه و خروجی ش به لایه های بعدی انتقال پیدا می کنه از طریق اتصالاتی که بین اینها وجود داره و این یک شبکه عصبیه.
راوی: یعنی عملکرد نود ها دقیقا مثل سلول های عصبیه؟
عرب سُرخی: این نود ها واحدهای پردازش خیلی کوچیکی هستن و کارهای ساده ای می تونن انجام بدن اما در مجموع وقتی در کنار هم قرار می گیرن انبوه اینها می تونه قادر باشه این قابلیت خوبی از یادگیری رو شبیه سازی کنه.
عرب سُرخی: در یادگیری عمیق کانکشن ها و اتصالات بین نوت ها وزن هاشون چطور تعیین بشن و این وزن ها تعیین کننده محاسباتی هستن که در داخل شبکه قراره توسط نوت ها انجام بشه.
راوی: می تونیم شکل شبکه عصبی را به یه گراف تشبیه کنیم؟
کاظمی: شکل شبکه عصبی رو می شه به عنوان یک گراف در نظر بگیرید که تعدادی نود داره و ما بهش نورون می گیم. یک تعداد نورون خروجی داره و بین اینها شبکه عصبی وجود داره که به صورت لایه های پنهان کار می کنه.
راوی: بزارید بریم سراغ تابع باخت یا لاس (loss) و تابع کاست یا هزینه (cost). ممکنه با یک مثال نقش این توابع رو توضیح بدید.
کاظمی: مثل بچه ای که دست به کتری می زنه و دستش می سوزه ولی یاد می گیره کتری داغ است. هر دفعه که یک تصویر رو نگاه می کنه تابع هزینه اجرا می شه و مشخص می کنه که درست تشخیص داده شده یا غلط. اگر غلط تشخیص داده میاد و تغییر مختصری در وزن هایی که به کار برده و نیازهایی که داره ایجاد می کنه.
راوی: آیا داده های ورودی اهمیت یکسانی دارند؟ آقای فرخی جواب می ده.
فرخی: انسان از خیابان رد می شه چقدر داده ورودی داره. سر و صدا می شنوید. زمین زیر پا رو حس می کنید و از نظر بصری هم فضا رو چک می کنید که تصادف نکنید. وزن دهی یک میزان ضریب اهمیت رو برای پردازشگر نمی فرستیم.
راوی: فکر می کنم این پردازش خیلی پیچیده است چون قراره به نوعی داده ها سریع تجزیه و تحلیل بشن.
کاظمی: ما اومدیم داده ها را در اختیارش گذاشتیم و فضای پردازش قوی گذاشتیم تا سریع داده ها رو تحلیل کنه و الگوریتم های مناسب رو انتخاب کردیم. چون یادگیری عمیق مبتنی بر الگوریتم هست. الگوریتم رو انتخاب کردیم و به انتظار خروجی می شینیم. اگر در نهایت بعد از اینکه ۳۰۰ تا عکس رو شبکه عصبی ما تجزیه و تحلیل کرد و تونست خطای خودش رو به ۱۰ درصد کاهش بده ۱۰ درصد خطا داشت از نظر ما ممکنه قابل قبول باشه و می پذیریم و این در واقع ماشین رو به عنوان ماشینی که تونسته سگ و گربه رو تشخیص بده می بریم در عمل مورد استفاده قرار می دیم. در جایی که پروژه اجرا می کنیم.
راوی: خوب اینطور که فهمیدم وقتی به عملکرد مغز انسان توجه می کنیم می بینیم که ارتباط بین نورون و سیناپس باعث کسب تجربه می شه. مثلا وقتی یه استکان چای داغ جلومون باشه و به این استکان دست بزنیم طبیعتا نورون ها و سلول ها از طریق سیناپس به مغز می رسونن که چنین اتفاقی افتاده. اما این یهو وزن می گیره. داری می سوزی ها.
فرخی: در هوش مصنوعی هم دقیقا همینطوره. همچنین باز هم هوش مصنوعی فهمیدم که این داغه و هوش مصنوعی هم کسب تجربه می کنه.
راوی: با این پیچیدگی به نظر می رسه حالا چالش های زیادی در حوزه یادگیری عمیق وجود داره. مثلاً این آموزش نیاز به زیرساخت مناسب و محاسبات سنگینی داره و این محاسبات به تعداد زیادی جی پی یو ها و… نیاز داره که هزینه زیادی بر تیم تولید تحمیل می کنه. خوب مقرون به صرفه است که راه حلی برای چالشهای اصلی زیرساخت های پردازشی با مدنظرداشتن محدودیت ها پیدا بشه. ببینم کارشناس ها چی می گین.
عرب سُرخی: البته یکی از پارامترهای دیگه علاوه بر محاسبات سنگین و تأمین زیرساخت های پردازشی زمان مدل هست. ممکنه براساس وابسته به سخت افزاری که برای پردازش داریم بعضا آموزش مدل به تعداد زیادی روز یا ماه ها آموزش نیاز داشته باشه. از این بابت یکی از چالش های اصلی زیرساخت های پردازشی هست.
عرب سُرخی: موضوع بعدی نیاز به داده های حجیم هست. تعداد پارامترهای شبکه عصبی بسیار زیاد و در حد چند صد میلیارد هست و در نتیجه داده آموزشی زیادی می خوایم که این حجم از پارامتر رو آموزش بدیم.
عرب سُرخی: مسئله بعدی می تونه تنظیمات مدل باشه. تعداد پارامترها مثل تعداد لایه ها و نورون هایی که در لایه ها هستن و نحوه چیدمان این شبکه عصبی می تونه از چالش ها باشه که باهاش مواجه هستیم.
عرب سُرخی: مسئله بعدی اینه که تحلیل خطا خیلی سخته در شبکه های عصبی عمیق. مدل هایی که به دست میاد اگر خوب کار نکنه اگر بفهمیم چرا خوب کار نکرده و بخوایم روی خطاها تحلیل انجام بدیم سخته. معمولا مدل های یادگیری عمیق رو به عنوان مدل های جعبه سیاه معرفی می کنن و نمی دونیم داخلش چی می گذره و کدوم لایه مسئول شناسایی هست و کدوم ویژگی هاست. اگر فلان ویژگی یادگیری نشده توی کدوم لایه باید دنبالش برم. این چیزی هست که ما رو در یادگیری محدود می کنه و بعضا ممکنه مدل قابلیت تعمیم پذیری خوبی نداشته باشه یعنی در دیتایی که یاد گرفته خوب جواب بده ولی اگر مثال های جدید وارد سیستم کنیم اجرایی خوبی نداشته باشه.
راوی: به جز داده های بزرگ پارامتر دیگه ای تو هوش مصنوعی مطرحه که دکتر کاظمی در این باره توضیح می دن.
کاظمی: دو تا پارامتر دیگه هم هست که در یادگیری عمیق فوق العاده موثر بوده. یکی بحث توان پردازشی جی پی او ها و تی پی یو ها که تونستن بیان و توان پردازشی رو افزایش بدن. همچنین تعاملات انسان با هوش مصنوعی و اعتماد مجدد به هوش مصنوعی. چون هوش مصنوعی دوران عدم اعتماد هم داشته که سرمایه گذاران و مهندسین بهش اعتماد نکردن و شکست خورد و در عصر یخبندان بوده. اولا بیگ دیتا ورودی هوش مصنوعی و یادگیری عمیق هست. از طرفی برای کشف الگوها و کشف آنچه انسان به راحتی نمی تونه از بیگ دیتا کشف کنه به هوش مصنوعی نیاز داریم. یعنی از یک طرف از انبوه اطلاعاتی که در شبکه های اجتماعی هست می تونیم استفاده کنیم از طرف دیگر از همین یادگیری عمیق می تونیم برای کشف الگو در داده های بزرگ و تحلیل داده های بزرگ استفاده کنیم. چیزی که به راحتی با مغز انسان میسر نیست و باید به این سمت حرکت کنیم.
کاظمی: این رابطه دو طرفه بین بیگ دیتا و داده های هوش مصنوعی وجود داره و هوش مصنوعی به عنوان ورودی و حلال مشکله. هم هوش مصنوعی به عنوان ورودی از بیگ دیتا استفاده می کنه و بیگ دیتا می خواد و هم به عنوان حلال چالش های کار با بیگ دیتا رو حل می کنه. میگه میام از انبوه داده ها قوانینی رو استخراج می کنم که شما خودتون نمی تونستید و تحلیل رفتار مشتری. ممکنه یک جا پشتوانه زیادی داشته باشه که مرتب خرید می کنن و روزانه خرید می کنن و میشه مشتری رو دسته بندی کنیم و بر چه اساسی؟ اینو می تونه هوش مصنوعی حل کنه. آیا عادت های خرید هوش مصنوعی رو می تونیم کنترل کنیم؟ پیش بینی کنیم مشتری قراره چه محصولی رو در ماه بعد خرید کنه؟ قراره چه محصولی به فروش برسه؟ اینها چیزهایی است که در دنیای برنامه نویسی عادی براش پاسخی نداره و با هوش مصنوعی براش تعریف می شه.
راوی: فکر کنید می خوایم هوش مصنوعی رو تو فروشگاهی که خرید زیادی از اون میشه استفاده کنیم. میخوایم هوش مصنوعی مشتری ها را دسته بندی و رفتارشون رو تحلیل کنه. هوش مصنوعی چطور از پس این کار برمیاد؟
کاظمی: میگه میام از انبوه داده ها قوانینی رو استخراج می کنم که شما خودتون نمی تونستید و تحلیل رفتار مشتری. ممکنه یک جا پشتوانه زیادی داشته باشه که مرتب خرید می کنن و روزانه خرید می کنن و میشه مشتری رو دسته بندی کنیم و بر چه اساسی؟ اینو می تونه هوش مصنوعی حل کنه. آیا عادت های خرید هوش مصنوعی رو می تونیم کنترل کنیم؟ پیش بینی کنیم مشتری قراره چه محصولی رو در ماه بعد خرید کنه؟ قراره چه محصولی به فروش برسه؟ اینها چیزهایی است که در دنیای برنامه نویسی عادی براش پاسخی نداره و با هوش مصنوعی براش تعریف می شه.
یادگیری عمیق در دنیای واقعی
راوی: تو دنیای واقعی یادگیری عمیق کاربردهای خیلی زیادی داره و صنایع زیادی از این تکنولوژی استفاده می کنن. هیچ وقت به این مسئله فکر کرده بودین؟ به نظر شما چقدر تونسیتم در مبحث هوش مصنوعی جلو بریم.
کاظمی: قبل از اون هم به عنوان تاریخچه هوش مصنوعی یاد می شه. در طول این سالها هرچند الگوریتم های هوش مصنوعی بهبودهایی داشتن اما ما خیلی شاهد اکتشاف های جدید و اختراعات جدید در هوش مصنوعی نیستیم بلکه شاهد پیشرفت هایی در هوش مصنوعی و پیشرفت هایی در سخت افزارهایی که بتونن هوش مصنوعی رو اجرایی کنن و پیشرفت هایی در داده ها هستیم که اینها موجب شده که هوش مصنوعی با سرعت بیشتری رشد پیدا کنه.
راوی: فکر می کنید موتور شتاب دهنده این جریان چیه؟
کاظمی: تعامل هوش مصنوعی با انسان یکی از موتورهای شتاب دهنده به این جریان رشد هوش مصنوعی بوده است. وقتی انسان تونست با هوش مصنوعی تعامل پیدا کنه انگیزه رو پیدا کرد که هوش مصنوعی رو رشد و توسعه بده و در مساحت های مختلف کار بگیره و نقش ابزارهایی مثل چت جی پی تی و… در این مسئله واقعا پررنگ هست و به نوعی ال ان ام هاست.
جایگزینی با انسان
راوی: وقتی حرف از یادگیری عمیق تو هوش مصنوعی می شه بیشتر ما یاد یه سناریوی تکراری تو فیلمهای علمی – تخلیلی می افتیم که ربات های پیشرفته که به روش های مختلف به انسان خدمت می کنن. چه چیزی در مورد هوش مصنوعی شما رو می ترسونه؟
فرخی: این موضوع یک چیز دیگه است که در برابر هوش مصنوعی مطرح شده و جریان دار اصلی اش شرکت نئولارنیگ هست. چرا می گیم در برابره؟ چون هوش مصنوعی منظور جایگزینی انسان نیست و داره از تفکر انسانی تقلید می کنه. اصلا تعریف هوش مصنوعی یعنی واکنش های شبیه انسان نشون بده. یعنی بحثش کاملا تقلید کردنه
فرخی: چند شاخص می شه گفت. مثلا شما با ماشین سر و کار دارید و یا احتمالا یک مقدار قراره این موضوع که جایگزین انسان بشه موضوعاتی در بحث مشاغل به وجود میاره. اما به نظر من شاخصی که باید نگرانش باشیم بحث اینه که یادگیری ماشین یک جعبه سیاهه. ما به طرز ترسناکی نمی فهمیم که چرا یک ماشین نتیجه خاص گرفته.
راوی: این موضوع بعد از این که ربات انسان نمای سوفیا راجع به انقراض انسان صحبت کرد خیلی تو فضاهای رسانه ای مطرح شد.
فرخی: به عنوان مثال یکی از مشهورترین ربات های انسان نما اسمش سوفیاست که یک شرکت به نام همسام رباتیک اون رو تولید کرده. این سوفیا حتی شهروندی عربستان رو داره و انسان چهره داره و نگاه می کنه و یا مثلا می تونه بشینه و در مورد هر موضوعی صحبت کنه. یک بار یک عبارتی رو گفت و گفت هوش مصنوعی یک زمانی جای انسان رو می گیره و یا انسان رو منقرض می کنه. چیزی شبیه به این. حتی اون تولید کننده ها هم نمی تونستن بفهمن چرا این حرف رو زد. یعنی خصوصیت شبکه عصبی مصنوعی بزرگ و گسترده است و قابل ردیابی نیست. جعبه سیاهش اینه که درآوردن خیلی سخته. باید اختیار بدیم. یک پزشک هوش مصنوعی خیلی کاردرست است. نمی تونه تصمیماتش رو برای ما توضیح بده. ممکنه با نیت خوب کار بد بکنه.
تعریف هوش مصنوعی: واکنش های شبیه به انسان؛ الان عابر بانک هوش مصنوعی است و به جای انسان کاری رو انجام می ده.
راوی: برخی از شرکتها مثل نئورالینک می خوان با نصب تراشه هایی انسان ها رو هوشمندتر کنند. هدف چیه؟ چرا باید ما گونه انسان هوشمندتربشه؟
فرخی: تقابلش اینه که وقتی هوش مصنوعی از بشر سبقت گرفت خیلی آدم های نادانی در برابر ابرهوش مصنوعی نباشیم. این با ارتقاء مغز با اون طرحی که گفتید بتونیم رقابت کنیم با ماشین.
راوی: ما چطور هوشمندتر می شیم؟ یعنی انسان هوشمند در چه شکلی خودش رو نشون می ده؟
فرخی: در سربازها تست می کردن که گفتن در میدان جنگه. باید مسلسلی که دستمه خیلی سریع تصمیم بگیرم. همون تراشه در قسمتی از مغز که به تجربه در اسکن ها متوجه شده بودن مسئول تصمیم گیریه اونجا رو مدیریت می کرد و کمک میکرد نورون ها با هم ارتباط برقرار کنن و تصمیم گیری سرباز بالا می رفت.چیزی شبیه به این در نقاط مختلف مثل حافظه و درک موضوعات و یادگیری زبان های مختلف باعث می شه که انسان جدید داشته باشیم.
خطرات هوش مصنوعی
راوی: خیلی وقتها ساخته های انسان کار دستش می ده امروز خیلی معضلاتی که بشرگرفتار اون هستش نتیجه اختراعات و اکتشافاتش هست از آلودگی هوا بگیرید تا جنگ ها و سلاح های کشتار جمعی خطرات زیادی هم از جانب هوش مصنوعی مطرح می شه.
کاظمی: بمب اتم رو هم بشر ساخته اما انسان ها رو از بین برد. در واقع اون خطری که از جانب هوش مصنوعی احساس می شه یک سری خطرهای پیدا و ریسک های پنهان هست. اون چیزی که پیدا و مشخصه اینه که هوش مصنوعی جای متخصصین رو می گیره. ما در انقلاب های صنعتی که در دهه های قبل اتفاق افتاد دیدیم که ماشین جای کارگر ساده رو گرفت. کاری که کارگر ساده انجام می داد ماشین انجام می ده. کارگرانی که در کارخانه کار می کنن عمدتا کارهای پیچیده تری رو الان انجام می دن و به نوعی مهندسینی هستند که در کارخانه کار می کنن. الان هوش مصنوعی این قشر رو هدف قرار داده (برنامه نویسان پزشکان و…. اینها تارگت هستن)
کاربردهای هوش مصنوعی
راوی: انسان همیشه علاقه داشته کارهای زیادی به ماشین محول کنه اما در بعضی از کارها امکان جایگزینی انسان رو نداشته. به نظر می رسه یادگیری عمیق باعث شده یک سری مسائلی که قبلا نمی تونستیم به ماشین واگذار کنیم کم کم بتونیم به ماشین منتقل کنیم و کار کاربر انسانی را کاهش بدیم.
عرب سُرخی: به عنوان مثال یک مرکز تماس رو در نظر بگیرید که برای شرکت های بزرگ مثل بانک ها و یا موسسات که مراجعه کننده و تماس های زیادی دارن تعداد زیادی نیروی انسانی قرار دادن و دائم در حال پاسخ گویی به سوالات مشتریان هستن. این سوالات ممکنه تعدادی شون تکراری و مشابه هم باشن و پاسخ های مشابه داشته باشن. الان موفق شدیم و قادر هستیم کم کم چت بات رو به جای مرکز تماس و یا در کنار اون برای کاهش حجم تماس ها و پاسخگویی ماشین به جای انسان استفاده کنیم.
عرب سُرخی: پیش از این و در چند سال گذشته این قابلیت وجود نداشت که از نظر کیفیت و سرعت بتونیم ماشین رو پاسخگوی انسان کنیم. شاید الان با اتفاقاتی که افتاده و با پیشرفت هایی که در حوزه انجام شده می تونیم مدل های هوش مصنوعی رو آموزش بدیم که اولا مانند انسان صحبت کنن. از نظر لحن و کلام و ادبیاتی که استفاده می کنن شبیه انسان باشه و سوالاتی که در یک حوزه خاص مطرح می شه پاسخگو باشن و پاسخ مناسب تولید کنن. در نتیجه می شه از اینها استفاده کرد.
راوی: مسائلی که در آینده در پژوهش های در حوزه یادگیری عمیق هست یادگیری عمیق چند مدلی است که از داده های متفاوتی استفاده می شه خوب اینها قطعا مدل های هستند ولی خروجی جذاب تری خواهند داشت درسته؟
عرب سُرخی: فرض کنید در مثال ترجمه ماشینی به ترجمه متن اشاره کردیم. در اینجا به عنوان داده آموزشی هم فایل های آموزشی و هم فایل های صوتی تصویر متناظر با هم به عنوان داده آموزشی به مدل بدیم و مدل یاد بگیره که هم حرف بزنه و هم متنی ترجمه کنه و هم در قالب ویدئو ترجمه مستقیم انجام بده.
راوی: در مبحث یادگیری عمیق موضوع یادگیری تقویتی هم مطرح هست و می تونه تو حل مسائل خیلی پیچیده مثل بازی ها یا کمک به ربات ها برای تصمیم گیری و کاربردهای مختلف صنعتی استفاده بشه. کارکرد این نوع یادگیری عمیق هم قابل توجهه؟
عرب سُرخی: یادگیری تقویتی نوعی از یادگیری هست که از مدل هایی استفاده می شه که از تعامل با محیط اطراف و دریافت پاداش و یا تنبیه شدن آموزش رو به دست میاره. در حقیقت این مدل ها دیتا به شکلی که از قبل تعیین شده و یا با ناظر و بدون ناظر استفاده می کردیم نداریم. در محیط عملیاتی هست که یادگیری توسط ماشین انجام می شه. هدف اینه که آموزش مدل به این صورت انجام بشه که مدل بیشترین پاداش رو در طی زمان که جلو می ره به دست بیاره.
راوی: این یادگیری تقویتی می تونه تو حوزه درمان و پزشکی هم کاربرد داشته باشه و در آینده ازش استفاده بشه. به نظر شما چقدر در حوزه پزشکی و درمان میشه در آینده از اون استفاده کرد؟
عرب سُرخی: براساس تجربه های درمانی که پیش از این وجود داشته در تولید واکسن و تولید داروها بتونیم مدل هایی رو ارائه کنیم که واکسن های جدید و داروهای جدید تولید می کنن.
راوی: آیا حوزه هایی هست که هنوز هوش مصنوعی هنوز به طور کامل ورود نکرده؟
فرخی: در دو حوزه کامل اختیارمون رو کامل ندادیم. یکی پزشکی و دیگری نظامی. به عنوان دستیار همین الان هم استفاده می شه اما رده هوش مصنوعی (خود مختار)
راوی: در حوزه تعامل انسان و ماشین هم قطعا اتفاقات جدیدی رو شاهد خواهیم بود.
عرب سُرخی: یکی از نیازهای اساسی بشر اینه که از ماشین در حد امکان استفاده کنه و استفاده از ماشین با ربات ها نیاز به تعامل دو طرفه داره و پیشرفت های خوبی در این حوزه در آینده شاهد خواهیم بود.
راوی: خوب یادتون می آد همین چند وقت فیلنامه نویس های هالیود به خاطر تولید محتوا از سوی هوش مصنوعی دست به اعتصاب زده بودن؟ رقابت اینقدر شدیده.
عرب سُرخی: تولید محتوا هم یکی از مواردی است که کسان بیشتری در این حوزه خواهیم دید. متن ها و تصاویر و صوت و موسیقی که توسط مدل های عمیق تولید می شن می تونن جذاب باشن. مثلا داستانی که در حوزه کودکان توسط یک مدل هوش مصنوعی تولید شده باشه و یا یک شعر توسط هوش مصنوعی و یا یک موسیقی فیلم توسط هوش مصنوعی تولید و طراحی بشه
در حوزه های دیگه هم همین طور. ما می تونیم متون رو از یک زبان به زبان دیگه ترجمه کنیم و می تونیم حجم زیادی از متون رو به صوت تبدیل کنیم یا حجم زیادی از سخنرانی ها و فایل های صوتی رو در زمان معقول تبدیل به متن کنیم. این اتفاقات در سالهای اخیر اتفاق افتاده و میسر شده و امکان این موارد باعث ایجاد جذابیت در استفاده شده است.
راوی: با این وجود آیا عملکرد انسان با هوش مصنوعی قابل مقایسه هست؟
کاظمی: معمولا به عنوان کسی که از این ال ان ام ها استفاده کردم یکی از نکات اینه که هنوز متنی که با هوش مصنوعی تولید شده با اون متنی که با هوش انسان نوشته شده برای انسان ها قابل تشخیصه. یعنی مشخصه که این متن با هوش مصنوعی نوشته شده یا یک انسان نوشته است. هنوز ظرافت ها و دقت نظری که یک انسان در حوزه متن داره رو هوش مصنوعی هنوز بهش نرسیده. ولی فوق العاده جای تولید کنندگان متن رو در دنیا گرفته و هم داره می گیره.
راوی: پس همچنان هوش مصنوعی خدمتگذار انسانه؟
کاظمی: هر چند الان بیشتر به عنوان یک ابزاره. الان یک اسیستنت و کمک کننده اس. یعنی کسی که کارش تولید متنه می تونه یک متن خلاصه رو برای شما طول و تفسیر بده. چه اونهایی که مشهوره و چه اونهایی که می تونه مربوط به یک حوزه خاص باشه.
راوی: تو طول صحبتمان به هر حوزه ای که اشاره کردیم یه متخصص تو اونجا کار می کنه خوب ترسناکه که هوش مصنوعی می تونه جای اون متخصص رو به مرور بگیره.
کاظمی: ما در واقع در حال گذار و دورانی هستیم که متخصصین در حال حاضر دارن با هوش مصنوعی می جنگن که ما کارهایی بلدیم که هوش مصنوعی بلد نیست و هر قدر دست خودشون رو رو می کنن که چه چیزهایی بلدن هوش مصنوعی کنارشون وایساده و هی یاد می گیره. تقویت می شه تا چیزی جز همدلی برای انسان نمونه.
راوی: اگر بخوایم یک مقدار آینده پژوهانه به قضیه نگاه کنیم فکر کنم حوزه احساسات و همدلی از اون جاهایی هست که هنوز هوش مصنوعی نتونسته بهش نفوذ کنه. آقای کاظمی با من در این موضوع موافقه.
کاظمی: بله احساس؛ هوش مصنوعی هرچقدر ادای یک تراپیست رو دربیاره واقعا نمی تونه مثل تراپیست با ما همدلی کنه. هر چقدر که ادای آدم دلسوز رو در بیاره اما دلسوز نیست. اون همدلی که انجام می ده با ما یک همدلی ظاهری هست وما می دونیم که ماشینه. اگر بگه که دارم به تو فکر می کنم به یک میلیون نفر دیگه هم فکر می کنه. ما دوست داریم با یک نفر درد و دل کنیم و اون یک نفر تمام حواسش به ما باشه. این برای انسان ها می مونه و جایگزینی براش وجود نداره.
راوی: تا اینجا فهیمیدم که یادگیری عمیق یکی از تکنیک های هوش مصنوعیه که می تونه براساس داده های آموزشی که بهش داده شده خروجی تولید کنه. اما تضمینی هست که این خروجی ضد اخلاقی نباشه و یا تبعیض ایجاد نکنه؟ تو فیلمها دیدین یه هو این هوش مصنوعی تصمیمات عجیب و ترسناکی می گیره.
عرب سُرخی: همانطور که قبلا بیان شد شفافیت و تأثیرپذیری در یادگیری های عمیق وجود نداره و بیشتر به صورت بلک باگ دیده می شن و از این بابت نمی شه داخلش رو کاوش کرد و تغییر داد.
راوی: یعنی راه حلی نداره؟
عرب سُرخی: بلکه می شه با فیلتر کردن و یا اعمال یک سری قوانین و مقررات از مدل بخوایم و یا در جهتی آموزش بدیم که موازین و قوانین و سایر الزاماتی که نیاز هست در آموزش مدل در نظر گرفته بشه.
عرب سُرخی: چت بات هایی تولید کرد که در اون ها با پرسش هایی که انجام می شه پاسخ ها رو با توجه به موازینی که بهش داده می شه بده. مثلا می شه سوال من رو در قالب قوانین اسلامی پاسخ بده. عملا داریم به مدل می گیم که گرایش مذهبی پیدا کنه یا برعکس گرایش ضد مذهبی پیدا کنه. یا گرایش خاص سیاسی داشته باشه و با توجه به گرایش سیاسی فلان به این سوال جواب بده.
راوی: فکر می کنید این راه حل تضمینی هست؟ اگه یه وقت یکی از این مدلها تصمیم بگیره و یک باگی توش ایجاد بشه که برخلاف این شرایط عمل کنه چی؟ مثلا فضاپیماهایی که الان توی مریخن و به صورت روباتیک عمل می کنن ممکنه یه هویی به یه کار غیرمترقبه دست بزنند؟
فرخی: اونها کاملا خود مختار نیستن. یعنی جاهایی که نویز باعث می شه آنتن نده خودمختار می شن. همین الان در مریخ استقامت خودمختار و درجه ای از خودمختاری داره به این خاطر داره که چند دقیقه فاصله است تا بخواد از زمین دستور برسه چند دقیقه طول می کشه. طوفانی ممکنه در لحظه برسه و اون باید در لحظه کاری انجام بده. ولی باز کارکرد اصلی با انسانه.
فرخی: در آزمایش دیگه ای به یک ربات گفتن خودت رو از نقطه آ به نقطه ب به سریع ترین حالت ممکن برسون. تصورش این بود که بپره و یا معلق بزنه ولی رفت بالای یک بلندی خودش رو پرت کرد تا سریعتر برسه و از بین رفت. نمی تونیم بفهمیم در محاسبات شبیه به انسان در ذهنش که می خواد به هدف خوب برسه چیه.
از افسانه تا واقعیت خطرات هوش مصنوعی
راوی: هر چه بیشتر جلو می رم نمی دونم چرا بیشتر از هوش مصنوعی می ترسم. احساس می کنم اگر ما همه مهارت هامون را از دست بدیم و هوش مصنوعی اختیار دار بشه آینده قشنگی جلوی روی ما نباشه. این نظر منه. اما خیلی افراد معتقدن هوش مصنوعی محدودیت هایی از جمله محدودیت اقتصادی داره که هنوز نباید نگرانش باشیم.
کاظمی: هر سوالی که از چت جی پی تی دارید یک آب معدنی مصرف می شه تا چت جی پی تی خنک بشه. هر چقدر چت جی پی تی سوالات دقیق تر و بهتری رو بتونه انجام بده مصرف آب و برقش بیشتر می شه و این هزینه بر هست. این آب معدنی کوچیک که یک دلار و یا نیم دلار قیمتش هست ممکنه برای یک سوال با هزینه کمتری پاسخ بده.
کاظمی: در زمینه حل مسئله وقتی از هوش مصنوعی برای حل مسئله یا چالش استفاده می کنیم. سرعت یادگیری هوش مصنوعی به مراتب از سرعت یادگیری انسانها پائین تره. علیرغم اینکه تصور می شه که هوش مصنوعی خیلی سریع یاد می گیره واقعا این طور نیست. هوش مصنوعی خیلی سریع در یک سری مسائل نشون می ده ولی سرعت یادگیری و یا سرعت تعمیمش (یک مسئله رو یاد می گیره و حالا می خواد تعمیم بده به سایر مسائل) فوق العاده در این بحث ها ضعیفه.
راوی: با همه این محدودیت ها و تهدیدهایی که از نابالغ رفتار کردن هوش مصنوعی داشتیم علت این همه پافشاری روی تحقیقات مرتبط با هوش مصنوعی و روباتیک چیه؟
فرخی: ممکنه الان انگیزه هایی مثل چیزهایی که گفتید و یا اینکه بخواییم از نظر تجاری در اقتصاد آزاد بخوایم چیز بهتری رو عرضه کنیم باعث بشه به اون سمت بره. فلسفه ابتدایی این بود که بعد از جنگ های جهانی بد بودن استعمار برای همه آشکار شد و برده داری کنار رفت اما همچنان نیاز به صنایع سنگین و کارهای شاق بود که انتظار نمی تونستیم داشته باشیم که در عصر ویکتوریا به انسان ها بسپاریم. فلسفه اصلی پشت اون این بود که از موجوداتی مانند انسان بهره مند بشیم که کارهای ما رو بدون نقص انجام بده و حوصله اش هم سر نره و اگر اتفاقی براش افتاد اینقدر سنگین و پرهزینه نباشه.
راوی: یاد بعضی از تئوری های زکریا ستچین (Zaxariya Sitçin) افتادم که می گفت فرا زمینی ها آدمها را خلق کردن که براشون کارگری کنن اما فکر کنم بدیهی ترین بهای چنین تفکری بیکاری گسترده است. زکریا ستچین یه محقق و نویسنده آمریکایی-آذربایجانی بود. اون تو سال ۱۹۲۰ تو باکو به دنیا اومد. بعدها با یادگیری خط سومری باستان به بررسی الواح باستانی مشغول شد. و در نهایت تو سال ۱۹۷۶ اولین بار نظریاتش رو ارائه داد. ستچین تو سال ۲۰۱۰ تو نیویورک فوت کرد.
فرخی: در سال ۲۰۱۷ مقاله ای خوندم که قطعی فرض کرده بود که بیکاری ها خیلی گسترده اس و به صورت جدی صحبت می کرد که با تایم بیکاری انسان ها باید چه کار کنیم. سرگرمی های الکی و…. می گفت عمرمان هم طولانی تر می شه و کسل کننده می شه.
ایفای نقش در مراحل مختلف زندگی
راوی: آیا تلاشی برای رفع نواقص سیستم های هوشمند صورت می گیره؟
کاظمی: هوش مصنوعی قوی که الان همه فعالان هوش مصنوعی در دنیا در حال سرمایه گذاری روی اون هستن هوش مصنوعی ای هست که این ضعف ها رو نداره و میتونه خودش تشخیص بده از چه الگوریتمی در این مسئله استفاده کنه و خودش تشخیص بده که داده ها مناسب هستن یا نیستن و داده ها رو مرتب کنه یا نه و چطوری داده ها رو تمیز کنه و کارهایی که ما به عنوان مهندس داده انجام می دیم رو انجام نده. ما به عنوان مهندس داده تخصص و مهارت داریم و می تونه اینو یادبگیره و به کار بگیره.لکن مسئله اینجا به این سادگی نیست. صرفا به بعد فنی نگاه کنیم.
راوی: یعنی اگر هوش مصنوعی بیاد در مسائل مختلف تصمیم گیری کنه باید دقت کنیم و ببینیم آیا هوش مصنوعی ذاتا دارای خودآگاهی خواهد شد یا خیر. و سئوال اینه: اصلا به صلاح هست که هوش مصنوعی خودآگاه بشه؟
کاظمی: آیا لازمه داشتن هوش مصنوعی طبیعی که بیاد مسائل رو حل کنه این نیست که خودآگاه بشه. اگر خودآگاه شد دارای اختیاره. یعنی می تونه یه مسئله رو حل کنه و یا حل نکنه؟ تصمیم بگیره یک کار خوب یا بد انجام بده؟ ما هنوز به این مباحث در دنیای هوش مصنوعی به شکل پیاده سازی نرسیدیم و به شکل نظری این مسائل در دنیا و در کشور ما خوشبختانه بحث های خوبی در حوزه ای جی آی یا هوش مصنوعی عمومی یا قوی انجام شده. اون نیاز به انسان نداره. کمتر به انسان نیاز داره.
راوی: بحث حریم شخصی هم مسئله هوش مصنوعی هست. بیگ دیتا لازمه یه جاهایی داده هایی از ما داشته باشه که شاید راضی نباشیم. همین حالا شاهد هستیم که فیس بوک برای این موضوع خیلی جریمه می شه.
فرخی: نویسنده ها کتابهاشون عرضه می شه. اگر الان به هوش مصنوعی بگید کتاب بنویس ممکنه یک داستان بنویسه. داره از دیتای کتاب ها استفاده می کنه و نقض حقوق مادی و معنوی رخ می ده. ممکنه طرف بگه من ایده ای داشتم و ایده رو برداشته. مثلا اسم حسن رو گذاشته جُرج.
راوی: تو این شرایط کمیت داده ها هم مهمه. از نظر اینکه واقعا بتونیم مسیر رو برای هوش مصنوعی مشخص کنیم.
کاظمی: یک سایت آنلاین رو در نظر بگیرید که مراجعه کاری زیاد داره و فروشگاه های زنجیره ای که داده های زیادی توش انجام می شه.
کاظمی: بله؛ چند بحث داریم. در مباحث اخلاقی مرتبط با هوش مصنوعی روی اون کار می شه. اول اینکه هوش مصنوعی با توجه به داده هایی که بهش داده می شه یاد می گیره پس ممکنه دچار تعصب و سوءگیری بشه. وقتی همه داده ها رو بهش می دیم مثل نژادپرستانه باشه نمی تونیم از هوش مصنوعی خروجی غیر از نژادپرستانه توقع داشته باشیم. این در واقع با هوش مصنوعی در تعارضه. ما به دنبال این هستیم که یک هوش شبیه به هوش انسان داشته باشیم که آزادانه تحلیل کنه ولی قطعا ممکنه با توجه به داده ها دچار تعصب در داده ها بشیم.
کاظمی: مبحث بعدی که در بحث اخلاقیات مهمه بحث توضیح پذیری و شفافیته. خیلی خوبه که تونستیم خودمون رو راحت کنیم و از شبکه های عصبی رو تعیین نکنیم و خیلی از کارها رو انجام ندیم و یادگیری عمیق انجام بده. این خیلی خوبه ولی یک بدی داره. اینه که نمی تونیم تشخیص بدیم چرا این عکس سگه. توضیحی براش وجود نداره. توضیحی در لایه های مختلف پنهان شبکه عمیق گم شده. بنابراین یکی از چالش های مهم در استفاده از یادگیری عمیق توضیح پذیریه.
دنیای ای آی جی
راوی: نسخه های جدید چت جی پی تی را دیدید؟ واقعا شگفت انگیره که می تونه درکی از محیط داشته باشه و همزمان ببینه و بشنوه. این مسئله با موضوع خودآگاهی هوش مصنوعی تفاوتی داره ؟
کاظمی: این خودآگاهی با آگاهی از محیط متفاوته. حداقل ۱۰ سال با خودآگاهی فاصله داریم. هر چند سرمایه گذاری هایی که در دنیا انجام می شه مخفی هست و شرکت ها به شکل پنهانی روی این موضوع کار می کنند و دستاوردهای کمی در این زمینه بیرون میاد و نمی تونیم بگیم دنیا در چه مرحله ای هست. در ایران هم توسط دانشمندان هوش مصنوعی و علوم شناختی کار شده اما در زمان پیاده سازی ندیدم شرکت یا مجموعه ای بخواد کار بکنه چه دولت و چه بخش خصوصی.
ورود صنعت و هوش
راوی: اگر صنایع بخوان از هوش مصنوعی استفاده کنن شاید نوآوری های فوق العاده ای را در صنعت داشته باشیم. فقط باید بفهمیم که شرایط استفاده از هوش مصنوعی در صنایع مهیا هست یا نه؟
کاظمی: کار سختیه. من باید خودم آشنا باشم با تمام صنایع نوآوری که دارن از هوش مصنوعی استفاده می کنن که این امکان وجود نداره و این آگاهی نسبی هست و در مورد نمایشگاه های مختلف که با صنایع مختلف داریم هست. لکن هر چقدر صنایع صنعتی باشن که در واقع متریالی که استفاده می کنن نرم باشه از هوش مصنوعی راحت تر می تونن استفاده کنند مثال: بازی یک صنعت بزرگ در دنیاست و هوش مصنوعی در زمینه هوش مصنوعی غوغا می کنه. یا مثلا یک ذره اونورتر صنعت فیلم سازی و صنعت فیلم سازی می تونه در هوش مصنوعی غوغا بکنه. در ایران هم اتفاقات خوبی داره می افته.
کاظمی: هر چقدر وارد صنایع سخت می شیم مثل معدن و معدن کاری. استفاده از هوش مصنوعی به این معنا نیست که هوش مصنوعی صفر تا صد رو انجام می ده. یعنی سخت تر و دیرتر اتفاق خواهد افتاد. در هر کدوم از این زمینه ها چه معدن و چه صنعت و چه کشاورزی شرکت های مختلف و فعالان مختلفی وجود دارند که خدمات هوش مصنوعی ارائه می کنند و محصولات مبتنی بر هوش مصنوعی دارن و به طور کامل داره روش کار و فعالیت میشه. این جای امیدواری داره و شاید نزدیک به ۴۰۰ فعال هوش مصنوعی در کشور داریم که در زمینه های مختلف صنعت معدن و کشاورزی با بیش از هزار محصول کاور می کنن و پوشش می دن. اما هنوز ابتدای راهیم.
راوی: چه عاملی می تونه باعش بشه در کشورمون نتونیم مدل های زبانی مثل چت جی پی تی و به طور کلی هوش مصنوعی های طراز اول داشته باشیم؟
فرخی: یک مقدار دیرتر می ریم سمتش. به دلایلی دسترسی به بیگ دیتا نداریم. در این عصر کلیدیه. به ما دسترسی زیاد داده نمی شه و با داده های محدودی سر و کاریم. با اینکه رباتی مثل سورنا ساختن و ربات های انسان نما خوبی ساخته شده و کارهای خوبی صورت گرفته اما چیزهای اصلی جریان اصلی هوش مصنوعی نیست. اون چت بات ها و کتابخانه های هوش مصنوعی هستن. کتابها و بیگ دیتا و قوای پردازشی قوی نداریم یک مقدار ممکنه دیر بریم سمتش. در نهایت اجتناب ناپذیره. کاری که الان می تونیم انجام بدیم اینه که صورت می گیره ولی دیره. از ۲۰۱۸ در آمریکاروسیه و چین قوانین هوش مصنوعی رو مصوب کردن که بدونن چطور باید ازش بهره مند شد. کاری که می کنیم اینه که اینو رگولاتوری کنیم تا استفاده ازش برای خیر بشر صورت بگیره ولی کنترل شده باشه که نظام آموزشی ضربه نبینه و تاکسی های اینترنتی زیادی مشغول هستن و شغل دوم به کل از بین بره. این ها چالشهایی هست که باید از جلوتر دید.
داده های بزرگ و دیگر پارامترها
راوی: تنها دلیلی که در ۱۲-۱۳ سال گذشته یادگیری عمیق تونسته چالش های مختلفی رو در دنیای هوش مصنوعی حل کنه وجود داده های بزرگه. یعنی اگر داده های بزرگ مثل گذشته وجود نداشت یادگیری عمیق نمی تونست اتفاق بیفته آیا پارامترهای دیگری هم هست؟
عرب سُرخی: یکی از دلایلی که در گذشته نمی تونستیم با این کیفیت ها و قابلیت ها یادگیری رو در ماشین داشته باشیم زیرساخت پردازش بوده. در واقع ایده شبکه های عصبی سال های سال وجود داشته و تعداد لایه ها و پارامترها رو زیاد کنیم به کیفیت بهتری می رسیم چیز جدیدی نیست که متوجه شده باشیم و از قبل مشخص شده است.
عرب سُرخی: در حقیقت امکان زیرساخت پردازش لازم برای پردازش و انجام محاسبات لازم برای یادگیری در سالهای اخیر به وجود اومده. این امکانات کارت های گرافیکی است. کارت های گرافیکی این قابلیت رو دارن که حجم زیادی از پردازش رو به صورت موازی انجام بدن. در قسمت های قبل صحبت کردیم که محاسبات ساده ای در نوت های شبکه های عصبی وجود داره اما تعداد این محاسبات خیلی زیاد هست. این محاسبات اگر بتونن به صورت موازی انجام بشن این قابلیت رو داریم که بتونیم شبکه عصبی مصنوعی رو به خوبی آموزش بدیم..
عرب سُرخی: کارت های گرافیک به کمک میان و با توجه به اینکه تعداد زیادی واحد پردازشی در کارت های گرافیکی هست و حافظه و حجم مناسب دارن.
جمع بندی
راوی: خب فهمیدیم که یادگیری ماشین یکی از روش های مهم رسیدن به هوش مصنوعیه. که در اون هوش مصنوعی از طریق روش های مختلف داده ها رو پردازش می کنه تا چیزی رو پیش بینی کنه. اونچه که امروز به هوش مصنوعی سرعت داده و تونسته انقلابی ایجاد کنه یادگیری عمیق هست. یادگیری ماشین یکی از روش های مهم هوش مصنوعی هست و یکی از روش هایی که برای یادگیری ماشین استفاده می شه استفاده از شبکه های عصبی مصنوعیه که از ساختار مغز و شبکه عصبی انسان تقلید شده. همینطور به این نتیجه رسیدیم که چالش های متعددی در حوزه یادگیری عمیق وجود داره و این بخش نیازمند زیرساخت مناسب و محاسبات سنگین و پرهزینه است که در بسیاری از موارد ورودش به زندگی روزمره همچنان مقرون به صرفه نیست.
اما بامزه ترین بخش این بود که هوش مصنوعی مثل یه بچه چندماهه است که تازه متولد شده و برای یادگیری و تحلیل راه بسیاری در پیش داره و باید آموزش ببینه.
پایان بندی
ممنون که به این اپیزود از پادکست ترمینولوژی گوش دادین. ما امروز در مورد هوش مصنوعی و آینده اش صحبت کردیم. یه بار دیگه میخوام از مهمونای این قسمت قدردانی کنم که بدون حضور اونها تولید این پادکست ممکن نبود. آقایان
محسن عرب سُرخی
نوید فرخی
و علیرضا کاظمی
بعد از موسیقی یه چند نکته دیگه می گم که شاید اگر قصد دنبال کردن پادکست ترمینولوژی رو دارین خوبه بدونید.
کال تو اکشن
راوی: حتما یادتون باشه صفحات ما رو در شبکه های اجتماعی دنبال کنید و تاکید می کنم نظرات خودتون رو برای ما ارسال کنید. می تونید پادکست ما را با جستجوی کلمه ترمینولوژی به فارسی در تمام پادگیرها مثل کست باکس و شنوتو پیدا کنید. ما هر سه شنبه یه اپیزود جدید منتشر می کنیم.
البته در سایت خبرگزاری دانشگاه آزاد به آدرس آنا دات آی آر هم بخشی به اسم پادکست داریم. در اونجا هم می تونید هم مجموعه ترمینولوژی و هم بقیه پادکست های ما رو گوش بدین.
باز اونجا هم بخش کامنت داریم که دوست داریم شما را اونجا ببینیم. بهمون بگید نظرتون در مورد هوش مصنوعی و آینده اش چیه.
یه نکته جالب اینه که تو سایت خبرگزاری مطالب مفیدی در مورد هر اپیزود هست. عکس ها فیلم و صداهایی داریم که فقط اونجا بارگذاری می شه. تاکید می کنم محتوای ما در بستر تلگرام اینستاگرام و یوتیوب یه جور نیستن و با هم متفاوتن. پس اگر خواستین بیشتر بدونید به همه آدرس های ما در شبکه های اجتماعی سر بزنید.
در کامنت ها می تونید به ما بگید کلمه بعدی که دوست دارین راجع بهش بشنوید چیه.
معرفی عوامل
راوی: قبل از خداحافظی می خوام از تمامی عواملی که در تولید این پادکست به ما کمک کردن تشکر کنم.
میزبان و هماهنگی تولید: حانیه محبی زاده
پیاده سازی گفتگو ها: الهه بهاری
مشاور تولید: مهندس علی ورمزیار
ارتباط با شرکت های دانش بنیان: میترا سعیدی کیا
مشاور سناریو: نوید فرخی و سعید وفادار
نویسنده: کتایون مافی
کارگردان و تهیه کننده: یاسر نظیفی گیلوان
در نهایت تشکر ویژه دارم از شما شنوندگان این پادکست که با معرفی پادکست ترمینولوژی به علاقه مندای علم به ما انگیزه میدین تا با قدرت ادامه بدیم. استمرار این پادکست منوط به حمایت شماست.
ما هر سه شنبه با یه اپیزود جدید به روز میشیم.
خدا نگهدار تا اپیزود بعدی.
#یادگیری_عمیق
#هوش_مصنوعی
#آینده_فناوری
#شبکه_عصبی
#بیگ_دیتا
#یادگیری_ماشین
#پادکست_علمی
#فناوری_دیجیتال
#هوش_مصنوعی_در_زندگی
#ترمینولوژی