مدل سازی جعبه سیاه – پادکست پرسش و پاسخ

روش‌های گوناگونی برای حل مسائل هوش مصنوعی وجود دارند. یکی از این روش‌ها، استفاده از شبکه‌های عصبی مصنوعی است. در همین راستا، این پرسش برای بسیاری از افراد مطرح می‌شود که آیا می‌توان با بهره‌گیری از شبکه‌های عصبی، یک سیستم را بدون اطلاع از جزئیاتی که درون آن‌ها به وقوع می‌پیوندد و صرفا با داشتن اطلاعاتی پیرامون ورودی‌ها و خروجی‌ها، مدل‌سازی کرد؟ دکتر «سید مصطفی کلامی هریس»، در پادکستی که در ادامه آمده، به این پرسش پاسخ داده است. نسخه متنی این پادکست نیز در همین مطلب قرار دارد. البته، منبع اصلی همچنان فایل صوتی محسوب می‌شود.

پادکست پیرامون مدل سازی جعبه سیاه با شبکه‌های عصبی

لینک دانلود پادکست

نسخه نوشتاری

دوستی پرسشی را مطرح کرده‌اند مبنی بر اینکه آیا کاربر می‌تواند از «شبکه‌های عصبی مصنوعی» (Artificial Neural Networks) استفاده کند و تنها با بهره‌گیری از تعدادی نمونه ورودی و خروجی، یک مدل از یک سیستم یا فرایند بسازد، بدون آنکه از ساز و کار داخلی آن سیستم با خبر باشد؟ بله؛ شبکه‌های عصبی دقیقا برای این موضوع ساخته شده‌اند. به آنچه بیان شد اصطلاحا «مدل سازی جعبه سیاه» (Black Box Modelling) گفته می‌شود. در حالت کلی، چنین چیزی در حوزه «بهینه‌سازی» (Optimization) نیز وجود دارد. «بهینه‌سازی جعبه سیاه» (Black Box Optimization) یعنی بدون آنکه بدانیم درون یک فرایند چه اتفاقی می‌افتد، آن را بهینه سازی کنیم. روش‌های «هوش مصنوعی» (Artificial Intelligence) از نظر اطلاعاتی اصطلاحا روش‌های کم مصرفی هستند. یعنی کاربر با کم‌ترین اطلاعات می‌تواند «کارایی» (Performance) خوب و یا حتی بهترین کارایی را داشته باشد.

در مدل سازی جعبه سیاه نیز همین طور است. در واقع، شبکه‌های عصبی مصنوعی ابزار‌هایی برای مدل سازی جعبه سیاه هستند؛ کاربر از جزئیات درون جعبه سیاه بی‌اطلاع است. این نام نیز دقیقا از همین ویژگی نشات گرفته شده است. نمی‌توان به درون این مدل‌ها نفوذ کرد و یا باید گفت، حداقل به راحتی نمی‌توان به آن‌ها نفوذ کرد. کاربر فقط می‌داند که یک سیستم، چند تا ورودی می‌گیرد و چند تا خروجی ارائه می‌کند، اما از اینکه چه رابطه‌های ریاضی و مکانیزم‌هایی این ورودی‌ها و خروجی‌ها را به یکدیگر ربط می‌دهند بی‌اطلاع است.

ویژگی مثبت شبکه‌های عصبی مصنوعی و به طور کلی روش‌های «تخمین‌گر عمومی» (General Approximator) این است که می‌توانند خودشان را با این‌ها وفق بدهند. اما چرا دارای این قابلیت هستند؟ یک مثال برای پاسخ به این پرسش ارائه می‌شود. تعداد عناصر این روش‌ها آنقدر زیاد است و یا در واقع، حداقل به اندازه کافی زیاد است و به قدری عناصر آن‌ها خوب انتخاب شده‌اند که می‌توانند با تغییر محل اثر آن عناصر، هر شکلی را به خودشان بگیرند.

مثلا تصویری وجود ندارد که صفحه مانیتور‌ موبایل کاربر نشان ندهد؛ مانیتور هر عکسی را به کاربر نمایش می‌دهد. البته شاید برای مثال رنگ‌های تصویر را به درستی نمایش ندهد و یا جا به جا نشان دهد. مثلا مانیتورها معمولا در نمایش رنگ سبز مشکل دارند و این امکان وجود دارد که رنگ سبز تصویر واقعی نباشد. ولی به هر حال می‌توان فهمید که تصویر مربوط به درخت، کوه و دیگر موارد است. کاربر نمی‌تواند چیزی را تصویر کند که مانیتور نتواند نمایش دهد، چرا که یک سری پیکسل منعطف وجود دارند که هر رنگی را می‌توانند نشان دهند؛ حداقل در مقیاسی که برای آن‌ها تعریف شده است. تعداد آن‌ها نیز به اندازه کافی زیاد است. مثلا دو مگا پیکسل یعنی دو میلیون پیکسل. یعنی این آمادگی وجود دارد که بتوان هر تصویر و یا منظره‌ای را با دقت خوبی تقریب زد.

فیلم آموزش کاربردی شبکه های عصبی مصنوعی – طبقه بندی، پیش بینی و ترکیب با الگوریتم های تکاملی در فرادرس

کلیک کنید

این همان چیزی است که در شبکه‌های عصبی نیز اتفاق افتاده است. چیزی وجود دارد که دارای عناصر مختلفی است که اصطلاحا به آن‌ها «نورون» (Neuron) گفته می‌شود. در واقع، در شبکه عصبی مصنوعی از یک سری نورون مصنوعی استفاده می‌شود. همان‌طور که مغز انسان کار می‌کند و می‌تواند هر چیزی را بیاموزد. شاید یک فرد خاص قدرت یاد‌گیری موضوعی را نداشته باشد، ولی به هر حال بین انسان‌ها افرادی هستند که پیانو نواختن را یاد گرفته‌اند و نوازندگی می‌کنند؛ خلبانی و یا مثلا رانندگی رالی یاد گرفته‌اند و در واقع بالأخره یاد گرفته‌اند.

مغز انسان پذیرش چیز‌های مختلفی را دارد و یک چیز همه‌کاره است. شبکه عصبی نیز همین طور است و به خاطر همین، بدون آنکه کاربر بداند درون یک پدیده چه اتفاقی در حال وقوع است، می‌تواند آن را تقلید کند. در واقع، این شبیه‌سازی آن پدیده است که دقیقا برای یک مجموعه از ورودی‌ها، همان خروجی‌ها را شبیه‌سازی می‌کند و این راز قدرت شبکه‌های عصبی و سیستم‌های هوشمند است. فقط کافی است که این را یاد بگیرد و بتواند تعمیم دهد. آن وقت است که کاربر می‌تواند هر مهارت و دانشی را مدل‌سازی کند. نقطه قوت هوش مصنوعی نیز دقیقا همین جا است. به هر حال امیدوارم این توضیحات کافی و بخشی از این ابهامات را رفع کرده باشد.

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

فیلم مجموعه آموزش هوش مصنوعی – از دروس دانشگاهی تا کاربردی در فرادرس

کلیک کنید

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

• مجموعه آموزش‌های شبکه‌‌های عصبی مصنوعی
• آموزش شبکه‌های عصبی مصنوعی در متلب
• مجموعه آموزش‌های الگوریتم‌‌های بهینه‌‌سازی هوشمند
• ساخت شبکه عصبی (Neural Network) در پایتون — به زبان ساده
• شبیه‌سازی تبرید (Simulated Annealing) — به زبان ساده

^^