«هوش مصنوعی» (Artificial Intelligence)، «یادگیری ماشین» (Machine Learning)، «بازشناسی الگو» (Pattern Recognition)، «داده‌کاوی» (Data Mining) و «هوش محاسباتی» (Computational Intelligence) از جمله موضوعات داغ روز در فضای آکادمیک، صنعت و کسب و کار هستند. پرسشی که برای افراد گوناگون مطرح می‌شود این است که تفاوت‌ها و شباهت‌های این مباحث در چیست و آیا این موارد از یکدیگر متمایز هستند؟ دکتر «سید مصطفی کلامی هریس»، در پادکستی که در ادامه آمده به پرسش مذکور پاسخ داده است. نسخه متنی این پادکست نیز در همین مطلب قرار دارد. البته، منبع اصلی همچنان فایل صوتی محسوب می‌شود.

پادکست

لینک دانلود پادکست

نسخه نوشتاری

یکی از دوستان پرسشی را مطرح کردند مبنی بر اینکه، اصطلاحات «هوش مصنوعی» (Artificial Intelligence | AI)، «یاد‌گیری ماشین» (Machine Learning)، «بازشناسی الگو» (Pattern Recognition)، «داده‌کاوی» (Data Mining) و «هوش محاسباتی» (Computational Intelligence) که این روزها زیاد استفاده می‌شوند، چه تفاوتی با یکدیگر دارند و ارتباط آن‌ها با هم چیست؟ آیا کلیه این موارد، به یک مورد واحد اشاره دارند؟

در پاسخ به این پرسش باید گفت، این موارد با یکدیگر تفاوت‌هایی دارند و بعضا تفاوت‌های آن‌ها بسیار ظریف است؛ طبعا با هم ارتباطاتی نیز دارند. کلی‌ترین اصطلاح بین همه اصطلاحات بیان شده، «هوش مصنوعی» محسوب می‌شود که عبارت انگلیسی آن «Artificial Intelligence» است. این مبحث، زیر مجموعه‌ای از علوم کامپیوتر است که یک هدف مشخص را دنبال می‌کند. در هوش مصنوعی، هدف ایجاد هوشمندی مشابه با هوش انسان اما به شکل مصنوعی و با بهره‌گیری از کامپیوتر‌ها است؛ این هدف کلی است.

اما هوش مصنوعی زیربخش‌ها، ابزارها و مسائل گوناگونی دارد که در حوزه‌های مختلف مطرح می‌شوند. پس یک شاخه خیلی کلی به اسم هوش مصنوعی وجود دارد. یکی از زیر شاخه‌های هوش مصنوعی، مبحث «یادگیری ماشین» است. «یادگیری ماشین» (Machine Learning)، یک بخش از ابزارها/الگوریتم‌های هوش مصنوعی به شمار می‌آید و در واقع مربوط به الگوریتم‌هایی است که به انسان کمک می‌کند شکل‌های گوناگون مسائل هوش مصنوعی مطرح شده را تحلیل کنند و برای آن‌ها ابزار‌های مختلفی را پیشنهاد دهند.

هوش مصنوعی و یادگیری ماشین

در واقع، یاد‌گیری ماشین مجموعه‌ای از مسائل و ابزار‌هایی است که در حوزه هوش مصنوعی مطرح می‌شوند. بسیاری از مسائل مطرح شده در حوزه هوش مصنوعی، خیلی از کاربردها، در نهایت به یک مساله ریاضی در حوزه یادگیری ماشین ترجمه می‌شوند که یک سری ابزارهایی نیز برای آن‌ها وجود دارد. به این مسائل و ابزارها، در مطالب گوناگون مجله فرادرس پرداخته شده است. مباحث یادگیری ماشین، به چند دسته کلی تقسیم می‌شوند که عبارتند از: «یادگیری نظارت شده» (Supervised Learning)، «یادگیری غیر نظارت شده» (Unsupervised Learning) و «یادگیری تقویتی» (Reinforcement Learning).

یک بخش از یادگیری ماشین نیز «بازشناسی الگو» (Pattern Recognition) است که در واقع تعمیم این روش‌ها که بیشتر به علم آمار و احتمالات ارتباط پیدا می‌کنند با استفاده از رویکردهای هوشمند، نهایتا موجب ایجاد بخش قابل توجهی از الگوریتم‌های یادگیری ماشین شده است.

در واقع، بازشناسی الگو یک زیر مجموعه از یادگیری ماشین است و از نام آن مشخص است که مفهوم آن به چه چیزی اشاره دارد. در بازشناسی الگو، الگوهایی در میان داده‌ها وجود دارد و هدف کاربر آن است که این داده‌ها را دریافت و الگوی حاکم بر آن‌ها را شناسایی کند. در واقع، بازشناسی الگو یکی از زیرمسائل حوزه یادگیری ماشین است. از طرف دیگر، بحث داده‌کاوی مطرح می‌شود و این پرسش به میان می‌آید که داده‌کاوی چه ارتباطی به هوش مصنوعی و یادگیری ماشین دارد.

اولا، برای داده‌کاوی رویکردهای گوناگونی می‌تواند وجود داشته باشد که الزاما همه آن‌ها روش‌های هوشمند نیستند و می‌توانند شامل روش‌های آماری و دیگر روش‌ها باشند. البته، از روش‌های هوشمند نیز می‌توان در کنار این موارد استفاده کرد. باید توجه داشت که در داده‌کاوی صرفا بحث از الگوریتم‌ها نیست و خود ذخیره‌سازی داده‌ها نیز یک بخش از داده‌کاوی محسوب می‌شود؛ زیرا ابتدا باید سرچشمه درست کار کند و کاربر مطمئن باشد همه اطلاعات به خوبی جمع و ذخیره شده‌اند و در موقع لزوم نیز می‌تواند به آن‌ها دسترسی پیدا کند. بنابراین، یک بخش مهم از داده‌کاوی، موضوعاتی مانند «پایگاه داده» (Data Base) و کاربرد آن در حوزه داده‌کاوی است.

داده‌کاوی

ضمنا، برخلاف یادگیری ماشین، در داده‌کاوی بیشتر تاکید روی «داده» (Data) و استخراج دانش از داده‌ها است. برای این کار، می‌توان از روش‌های یادگیری ماشین و یا دیگر روش‌ها استفاده کرد. منتها، در اینجا بیشتر دید‌گاه تحلیل داده‌ای وجود دارد و در واقع برای جمع‌بندی بهتر باید گفت که یکی از کاربردهای یادگیری ماشین در حوزه داده‌کاوی است. داده‌کاوی و یادگیری ماشین هم‌پوشانی‌هایی با یکدیگر دارند ولی گاه نمی‌توان حتی بین‌ آن‌ها تفاوتی قائل شد. در واقع، یادگیری ماشین یک مجموعه از روش‌های هوش مصنوعی است که یکی از حوزه‌های کاربرد آن می‌تواند داده‌کاوی باشد. بنابراین طبیعتا یک هم‌پوشانی دارند.

تفاوت و شباهت یادگیری ماشین و داده‌کاوی با یکدیگر، مانند انتگرال است. مثلا در فیزیک حرکت، از انتگرال و مشتق به عنوان ابزارهایی در بحث فیزیک استفاده می‌شود. اما نمی‌توان گفت که فیزیک با محاسبات انتگرال یکی هستند. نه؛ کاربرد محاسبات دیفرانسیل، انتگرال یا حسابان در حوزه فیزیک مطرح است. در بحث نسبت یادگیری ماشین و داده‌کاوی نیز تا حدودی شرایط مشابهی با آنچه برای انتگرال و فیزیک مکانیک گفته شد حاکم است. البته شاید مثال‌های نقضی نیز برای آنچه بیان شد وجود داشته باشد، در داده‌کاوی اغلب تاکید روی روش‌های نظارت نشده است. یعنی، کسی به صورت فعال چیزی پیرامون داده‌های موجود نمی‌داند و مساله از قبل حل نشده است. به همین خاطر، اغلب روش‌های یادگیری ماشین که در داده‌کاوی مورد استفاده قرار می‌گیرند، روش‌های یادگیری غیر نظارت شده هستند.

یک اصطلاح دیگر نیز با عنوان «هوش محاسباتی» (Computational Intelligence) وجود دارد که آگاهی از تفاوت‌ها و شباهت‌های آن با دیگر اصطلاحات بیان شده، بسیار حائز اهمیت است. بخش مهمی از الگوریتم‌های حوزه هوش مصنوعی که شامل یادگیری ماشین نیز می‌شوند، به همراه یک مجموعه دیگر از الگوریتم‌ها که بیشتر کار «بهینه‌سازی» (Optimization) و «برنامه‌ریزی هوشمند» (Intelligent Planning) (بهینه‌سازی هوشمند یا Intelligent Optimization نیز به آن گفته می‌شود) انجام می‌دهند اگر با یکدیگر تجمیع شوند، به شاخه هوش محاسباتی می‌رسیم. یعنی هوش محاسباتی یک زیر مجموعه از هوش مصنوعی است ولی شامل یادگیری ماشین هم می‌شود. در واقع، بزرگتر از یادگیری ماشین ولی کوچکتر از هوش مصنوعی است.

هوش محاسباتی

هوش محاسباتی شامل مباحث «شبکه‌های عصبی» (Neural Networks) و «سیستم‌های فازی» (Fuzzy Systems) نیز می‌شود. بحث یادگیری تقویتی را نیز می‌توان جز آن دسته‌بندی کرد. حداقل، از روش‌های هوش محاسباتی در یادگیری تقویتی می‌توان استفاده کرد؛ شامل «محاسبات تکاملی» و «الگوریتم‌های فراابتکاری» (Metaheuristic) و مسائل و روش‌های دیگری که مطرح هستند نیز می‌شود. به طور کلی، الگوریتم‌های یاد‌گیری ماشین و الگوریتم‌های برنامه‌ریزی و بهینه‌سازی هوشمند در کنار هم، هوش محاسباتی را تشکیل می‌دهند. این الگوریتم‌ها، بخش مهمی از الگوریتم‌های هوش مصنوعی هستند. اما در هوش مصنوعی مگر چیزی به غیر از ریاضی نیز وجود دارد؟ بله؛ یک سری از موارد هستند که ماهیت ریاضی و محاسباتی ندارند، بیشتر دارای ماهیت شناختی و توصیفی هستند.

مثلا، بخش مهمی از مسائل هوش مصنوعی در زمینه «پردازش زبان طبیعی» (Natural Language Processing | NLP) است. با این زمینه همیشه محاسباتی برخورد نمی‌شود و بخشی از آن توصیفی، بخشی مدل و بخش دیگر آن شناختی است. این موضوعات یک تفکیک جزئی بین هوش مصنوعی و هوش محاسباتی ایجاد می‌کنند. هر چند، به واسطه اینکه کامپیوتر‌ها‌ ابزار محاسبات هستند و طبیعتا به خاطر رشد زیادی که کامپیوترها تاکنون داشته‌اند، هوش محاسباتی از بین حوزه‌های مختلف هوش مصنوعی رشد بیشتری داشته است. اما، هوش‌مصنوعی در آنچه بیان شد خلاصه نمی‌شود و بسیاری از مواقع، کم توجهی زیادی نیز به سایر حوزه‌های هوش مصنوعی شده است که البته هنوز دانش و سواد زیادی پیرامون آن وجود ندارد و جای کار بسیاری در آن وجود دارد.

دیر یا زود، هنگامی که مباحث کمی جلوتر بروند، به این موضوعات هم توجه بیشتری خواهد شد. توجه به این نکته نیز لازم است که اگر بخش‌های شناختی به شکل مناسبی تکمیل نشود و رشد پیدا نکند، دانش هوش مصنوعی به جایی که هدف آن است، نخواهد رسید. یعنی بدون بخش «ادراکی» (Cognitive)، توصیفی و شناختی، صرفا با استفاده از مدل‌های محاسباتی نمی‌توان به چیزی که بشر با بهره‌گیری از هوش مصنوعی در صدد رسیدن به آن است دست یافت. این توضیحات کلی در اینجا ارائه شد تا تفاوت‌ها و شباهت‌های اصطلاحات گوناگون مشخص شود. امیدوارم برای دوستان مفید واقع شده باشد.

برای دانلود کردن و شنیدن دیگر پادکست‌های دکتر سید مصطفی کلامی هریس در مجله فرادرس، روی این لینک [+] کلیک کنید.

اگر نوشته بالا برای شما مفید بوده است، آموزش‌های زیر نیز به شما پیشنهاد می‌شوند:

^^

به عنوان حامی، استارتاپ، محصول و خدمات خود را در انتهای مطالب مرتبط مجله فرادرس معرفی کنید.

telegram
twitter

الهام حصارکی

«الهام حصارکی»، فارغ‌التحصیل مقطع کارشناسی ارشد مهندسی فناوری اطلاعات، گرایش سیستم‌های اطلاعات مدیریت است. او در زمینه هوش مصنوعی و داده‌کاوی، به ویژه تحلیل شبکه‌های اجتماعی، فعالیت می‌کند.

آیا این مطلب برای شما مفید بود؟

نظر شما چیست؟

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *