یادگیری عمیق چیست و چه ارتباطی با یادگیری ماشین دارد؟ - وبلاگ بروز

به گزارش وبلاگ بروز، یادگیری عمیق بخشی از هوش مصنوعی است که در آن سعی شده از عملکرد مغز انسان در پردازش داده ها و بعلاوه الگوهای فکر انسان برای تصمیم گیری، تقلید گردد. یادگیری عمیق یکی از زیر مجموعه های یادگیری ماشین در هوش مصنوعی است. یادگیری ماشین، شبکه هایی دارد که توانایی یادگیری بدون نظارت از روی داده های فاقد ساختار بندی و لیبل گذاری نشده را دارند.

یادگیری عمیق با نام یادگیری عصبی عمیق و شبکه عصبی عمیق هم شناخته می گردد.

چگونگی عملکرد یادگیری عمیق

یادگیری عمیق دست به دست عصر دیجیتال داده است و این مسأله باعث انفجار اطلاعات در همه زمینه ها و در سراسر دنیا شده است. این اطلاعات که به زبان ساده big data نامیده می شوند از منابعی مانند شبکه های اجتماعی، موتورهای جست و جو، پلتفرم های تجارت الکترونیک و… به دست آمده اند. این حجم عظیم اطلاعات به راحتی در دسترس است و اشتراک گذاری آن ها به وسیله اپلیکشین های fintech (فناوری اقتصادی) مانند محاسبات ابری ممکن است.

واقعیت این است که اطلاعات به طور کلی ساختاربندی ندارند، بسیار گسترده اند و ممکن است دهه ها طول بکشد تا بشر بتواند آن را تفسیر نموده و اطلاعات مربوط را استخراج کند. شرکت های عظیم و کمپانی های معتبر پتانسیل باورنکردنی که در کشف و تحلیل این ثروت عظیم اطلاعاتی وجود دارد را درک نموده اند و در نتیجه با سرعت زیادی کوشش می نمایند با فناوری هوش مصنوعی همراه شوند و از آن برای افزایش ثروت بهره ببرند.

یادگیری عمیق در مقابل یادگیری ماشین

یکی از رایج ترین فناوری های هوش مصنوعی که برای پردازش big data استفاده می گردد یادگیری ماشین (machine learning) است. این فناوری یک الگوریتم خودسازگار است که هرچه تجربیات و داده های بیشتری به آن اضافه گردد قدرت تجزیه و تحلیل آن افزایش پیدا می نماید.

اگر یک شرکت پرداخت دیجیتال بخواهد راه های کلاهبرداری را در سیستم خود پیدا کند می تواند از ابزارهای یادگیری ماشین استفاده کند. الگوریتم های محاسباتی که بخشی از یک مدل کامپیوتری هستند تمام معاملاتی که در آن پلتفرم دیجیتال اجرا شده اند را تحلیل می نمایند تا الگوهای مشخصی را بین اطلاعات پیدا نموده و هر ناهنجاری ای که در الگو اتفاق می افتد را پیدا نمایند.

یادگیری عمیق به اسم زیرمجموعه یادگیری ماشین، برای انجام فرآیند یادگیری ماشین به صورت سلسه مراتبی از شبکه های عصبی مصنوعی استفاده می نماید. شبکه های عصبی مصنوعی، مانند مغر انسان ساخته شده اند و گره های عصبی دارند که آن ها را به یکدیگر متصل نموده است. در حالی که برنامه های سنتی تجزیه و تحلیل اطلاعات، داده ها را به روش خطی آنالیز می نمایند عملکرد سلسله مراتبی سیستم های یادگیری عمیق به آن ها اجازه می دهد داده ها را به روش غیرخطی تجزیه و تحلیل نمایند.

در یک رویکرد سنتی برای تشخیص کلاهبرداری یا پولشویی به حجم معاملات اجرا شده تکیه می گردد، در حالی که روش یادگیری عمیق غیر خطی مسائلی مانند زمان، موقعیت جغرافیایی، IP، نوع خرده فروشی یا هرمشخصه دیگری که می تواند امکان تقلب و کلاهبرداری را فراهم کند، مدنظر قرار می دهد.

لایه اول شبکه عصبی داده های خام وارد شده، مانند حجم معاملات را تفسیر می نماید و آن را به اسم خروجی به لایه بعدی می فرستد. لایه دوم اطلاعات لایه قبلی را با اضافه کردن اطلاعاتی مانند IP کاربرد پردازش نموده و نتایج را به دست می آورد. لایه بعدی، اطلاعات لایه دوم را گرفته و اطلاعات خام دیگری، مانند موقعیت جغرافیایی را به آن اضافه می نماید و در نتیجه الگوی ماشین را بهتر و بهتر می نماید. این فرآیند در تمام سطوح شبکه عصبی ادامه پیدا می نماید.

مثالی از یادگیری عمیق

استفاده از سیستم تشخیص کلاهبرداری به یاری ماشین لرنینگی که در بالا از آن گفتیم می توانید یک مثال یادگیری عمیق باشد. اگر سیستم یادگیری ماشین بر اساس پولی که کاربر جابه جا می نماید (این جا به جایی می تواند دریافت یا پرداخت پول باشد)، مدلی ایجاد کند، روش یادگیری ماشین می تواند کارکردن روی نتایجی که ماشین لرنینگ ارائه نموده است را آغاز کند.

هر لایه از شبکه عصبی از لایه قبلی به اضافه داده های اضافه شده مانند خرده فروش، فرستنده، کاربر، رویدادهای شبکه های اجتماعی، اعتبار، IP و داده های دیگری که ممکن است سال ها طول بکشد تا افراد بتوانند آن را آنالیز نمایند، ساخته شده است. الگوریتم های یادگیری عمیق آموزش داده می شوند که نه تنها از همه معاملات الگویی ایجاد نمایند بلکه الگوهایی که مشکوک به تقلب هستند و احتیاج به آنالیز دارند را هم تشخیص دهند. لایه نهایی سیگنال تقلب را به یک تحلیلگر منتقل می نماید و او ممکن است حساب کاربر را تا زمانی که آنالیز ها به اتمام برسند مسدود کند.

یادگیری عمیق تقریبا در همه صنایع کاربرد دارد و می تواند وظایف مختلفی را برعهده بگیرد. اپلیکیشن های تجاری که از تشخیص تصویر استفاده می نمایند، ابزارهای تحقیقات پزشکی که در پی احتمال استفاده از داروها برای بیماری های تازه هستند و پلتفرم های open source که اپلیکشن های توصیه به مشتری هم دارند، چند نمونه از مثال های کاربرد یادگیری عمیق به تعداد می آیند.