تفاوت هوش مصنوعی و یادگیری ماشین چیست؟

بسیاری از افرادی که تمایل به استفاده از هوش مصنوعی و خلق امکانات جدید دارند، برای شروع آموزش یادگیری ماشین دچار سردرگمی می‌شوند؛ زیرا تفاوت هوش مصنوعی و یادگیری ماشین را نمی‌دانند. اغلب بدون آن‌که معنا و توصیف دقیق این دو اصطلاح را بدانیم از آن‌ها به‌جای یکدیگر استفاده می‌کنیم. در این مقاله از کوئرا بلاگ این دو مفهوم را به تفصیل توضیح خواهیم داد و سپس تفاوت آن‌ها را بیان می‌کنیم.

هوش مصنوعی چیست؟

هوش مصنوعی (Artificial Intelligence) نرم‌افزار کامپیوتری است که توانایی‌های شناختی انسان را تقلید می‌کند. این توانایی‌ها شامل تصمیم‌گیری، تجزیه‌وتحلیل داده‌ها و ترجمه‌ی زبان هستند که برای انجام کارها و مسائل پیچیده‌ از آن‌ها استفاده می‌شود.

به عبارت دیگر، هوش مصنوعی مجموعه‌ای از کدها است که روی سیستم‌های کامپیوتری اجرا می‌شوند. در حالی‌که برنامه‌های کامپیوتری صرفا از مجموعه‌ دستورالعمل‌ها پیروی می‌کنند و آن‌ها را بدون تغییر انجام می‌دهند، هوش مصنوعی می‌تواند از تعاملات خود برای بهبود عملکرد و کارایی استفاده و به مرور زمان از این روند اطلاعات جدیدی بسازد. داده‌های ورودی به هوش مصنوعی مباحث جدیدی را می‌آموزند و در گذر زمان AI از این طریق هوشمندتر و دقیق‌تر می‌شود.

بیشتر بخوانید: هوش مصنوعی (Artificial Intelligence) چیست؟ 

هوش مصنوعی چه انواعی دارد؟

به گفته‌ی مجله‌ی فوربس، هر هوش مصنوعی شگفت‌انگیزی که تا امروز دیده‌ایم، تنها نوک یک کوه یخی عظیم است. به این دلیل که هنوز تاثیر AI روی آینده‌ی بشر نامعلوم بوده و ما تنها با بخشی از این تاثیرات روبه‌رو هستیم. انواع AI با توجه به میزان تقلید و تکرار توانایی‌های انسان دسته‌بندی می‎‌شود. امروزه هوش مصنوعی‌هایی که به توانایی‌ها و ذهن انسان بسیار نزدیک هستند به‌عنوان نوع تکامل‌یافته‌تر شناخته می‌شوند. بر اساس این معیار، یک نوع متداول آن دسته‌ای است که شباهت بسیاری به ذهن انسان دارد و شامل قدرت فکر کردن و حتی احساسات می‌شود. با توجه به این موضوع، چهار نوع متداول AI عبارتند از: 

1. ماشین‌های واکنشی
2. ماشین‌های حافظه‌ محدود
3. تئوری ذهن 
4. هوش مصنوعی خودآگاه.

در ادامه به تشریح هر یک از این موارد خواهیم پرداخت.

ماشین‌های واکنشی

این نوع قدیمی‌ترین شکل سیستم‌های هوش مصنوعی است که توانایی بسیار محدودی دارد. ماشین‌های واکنشی از توانایی ذهن انسان برای پاسخگویی به انواع مختلف ورودی‌ها تقلید می‌کنند. این ماشین‌ها عملکرد مبتنی بر حافظه‌ ندارند؛ به این معنا که نمی‌توانند از تجربیات به دست آمده‌ی قبلی برای انجام اقدامات فعلی خود استفاده کنند؛ یعنی مدل‌های واکنشی توانایی یادگیری ندارند و نمی‌توان از آن‌ها برای بهبود عملکرد در دستورات مشابه استفاده کرد. این AIها فقط می‌توانند برای پاسخ‌دهی خودکار به مجموعه یا ترکیبی از ورودی‌های محدود استفاده شوند. یک نمونه‌ی محبوب از هوش مصنوعی واکنشی Deep Blue IBM است؛ ماشینی که در سال 1997 استاد بزرگ شطرنج، «گری کاسپاروف» را شکست داد.

حافظه‌ محدود

حافظه محدود ماشین‌هایی هستند که علاوه بر داشتن قابلیت‌های ماشین‌های واکنشی، توانایی یادگیری از داده‌های قبلی و تصمیم‌گیری هوشمندانه‌تر را دارند. تقریبا تمام برنامه‌های کاربردی که امروزه می‌شناسیم در این دسته قرار می‌گیرند. تمام سیستم‌های AI حاضر با حجم زیادی از داده‌ها آموزش می‌بینند و این اطلاعات را در حافظه‌ی خود ذخیره می‌کنند تا تبدیل به یک مدل مرجع برای حل مشکلات آینده شوند. به‌عنوان مثال، یک هوش مصنوعی تشخیص تصویر با دریافت هزاران عکس یاد می‌گیرد که تصاویر بعدی را تشخیص داده و نام مناسبی به آن‌ها اختصاص دهد؛ درواقع این سیستم‌ها از داده‌های قبلی برای تشخیص اطلاعات جدید استفاده می‌کنند و نسبت به هوش مصنوعی واکنشی بسیار پرکاربردتر هستند. تقریبا تمام AIهای امروزی، از چت‌بات‌ها و دستیاران مجازی گرفته تا وسایل نقلیه‌ی خودران، همگی از هوش مصنوعی با حافظه محدود استفاده می‌کنند.

تئوری ذهن

در حالی‌که دو نوع قبلی هوش مصنوعی متداول‌ترین‌ها هستند، دو مورد دیگر شامل «تئوری ذهن» و «خودآگاه» در حال حاضر به‌عنوان یک مفهوم و مدل‌های در حال پیشرفت وجود دارند که محققان در حال انجام تحقیقات روی آن‌ها هستند. هوش مصنوعی تئوری ذهن، سطح پیشرفته‌تری نسبت به حافظه محدود است که محققان در حال حاضر مشغول کار روی آن هستند. AI تئوری ذهن با تشخیص نیازها، احساسات و باورها، فرآیندهای فکری موجوداتی را که با آن‌ها در تعامل است درک می‌کند. دستیابی به این سطح از درک نیازمند توسعه در سایر شاخه‌های هوش مصنوعی خواهد بود. این موضوع به این دلیل است که برای درک واقعی نیازهای انسان، ماشین‌های هوش مصنوعی باید انسان‌ها را به‌عنوان افرادی بشناسند که ذهن‌شان می‌تواند توسط عوامل متعددی شکل بگیرد. بنابراین این AI ابتدا باید به درک درستی از انسان برسد.

خودآگاه

این سطح در حال حاضر مرحله‌ی نهایی توسعه‌ی AI است که در حال حاضر فقط به صورت نظری وجود دارد. این هوش مصنوعی چنان به مغز انسان شبیه است که خودآگاهی او را تقلید می‌کند. ساخت این نوع ده‌ها سال به طول می‌انجامد و هدف نهایی تمام تحقیقات هوش مصنوعی بوده و خواهد بود. این مدل نه تنها قادر به درک و برانگیختن احساسات در افرادی است که با آن‌ها تعامل دارد، بلکه دارای حالات، نیازها، باورها و تمایلات خود است. اگرچه هوش مصنوعی خودآگاه می‌تواند پیشرفت ما را به‌عنوان یک تمدن افزایش دهد، اما همچنان هم می‌تواند منجر به فاجعه شود؛ زیرا این مدل به‌طور مستقیم و غیر مستقیم پایانی برای بشریت است؛ چرا که چنین موجودی به‌راحتی می‌تواند بر عقل هر انسانی غلبه و طرح‌های پیچیده‌ای را طراحی کند. 

شاخه‌های هوش مصنوعی

هوش مصنوعی ورودی‌ها را درک کرده و بر اساس آموخته‌های پیشین خود، سعی دارد پاسخ‌های سریع و بلادرنگ بدهد. در ادامه به چهار ویژگی‌ اصلی هوش مصنوعی اشاره خواهیم کرد.

یادگیری عمیق

دنیای مدرن سرشار از داده‌ها است که با کمک یادگیری عمیق برای ماشین و کامپیوتر قابل فهم می‌شوند. Deep Learning یک تکنیک یادگیری ماشینی است که با تقلید از شیوه‌ی تفکر انسان، سعی دارد تصمیم‌گیری توسط کامپیوترها را خودکار کند. توسط این تکنیک عملکرد بسیاری از برنامه‌ها مانند تشخیص تصویر، گفتار و غیره بهبود یافته است. به‌عنوان مثال، وسایل نقلیه‌ی خودران مانند خودروهای تسلا توسط یادگیری عمیق، به تمایز بین سیگنال توقف یا سیگنال سبز و تصمیم‌گیری برای رانندگی یا عدم رانندگی می‌پردازند. نمونه‌های دیگر Deep Learning عبارتند از شخصی‌سازی فید در شبکه‌های اجتماعی، تشخیص تصویر، تشخیص متن آنلاین و بسیاری موارد دیگر.

پردازش زبان طبیعی

پردازش زبان طبیعی (NLP) زیر شاخه‌ای از زبان‌شناسی، هوش مصنوعی و علوم کامپیوتر است. این شیوه کامپیوترها را قادر می‌سازد تا داده‌ها را در قالب متن یا صوت دریافت و آن را درست مانند انسان‌ها پردازش کنند. درست مانند گوش برای شنیدن و چشم برای دیدن، رایانه‌ها نیز از برنامه‌ها برای خواندن داده‌ها و میکروفون برای دریافت صداها کمک می‌گیرند و همانند پردازش ورودی توسط مغز، کامپیوترها هم داده‌ها را با برنامه‌ها و الگوریتم‌ها پردازش می‌کنند. 

NLP برای ترجمه‌ی متن از یک زبان به زبان دیگر، خلاصه کردن حجم زیادی از اطلاعات و پاسخ‌گویی به دستورات گفتاری به‌طور مکرر استفاده می‌شود. رایج‌ترین اشکال NLP که بیشتر ما با آن تعامل داشته‌ایم، سیستم‌های جی‌پی‌اس صدادار، نرم‌افزار تبدیل گفتار به متن، دستیارهای دیجیتال، ربات‌های گفت‌وگوی خدمات مشتری و نرم‌افزار تشخیص صدا هستند. 

ویژگی‌های هوش مصنوعی

خودکارسازی امور تکراری

هوش مصنوعی توانایی شگفت‌انگیزی را در انجام وظایف یکنواخت بدون خستگی دارد. برای درک بهتر جزئیات، به بررسی دستیار صوتی اپل با نام SIRI می‌پردازیم. سیری یک دستیار شخصی مجازی با قابلیت مکالمه است که می‌تواند چندین دستور را در یک روز انجام دهد؛ از نوشتن یادداشت‌ها گرفته تا راهنمایی کاربران روی نقشه. پیش از سیری، این فعالیت‌ها به‌صورت دستی انجام می‌شدند که زمان و تلاش زیادی صرف می‌شد؛ اما با کمک دستیارهای صوتی و بیان دستورات، در کسری از ثانیه همه چیز انجام می‌شود. 

ادراک

ادراک ماشین به گرفتن ورودی از حسگرها (مانند دوربین‌ و میکروفون)، پردازش و استنتاج تمام جنبه‌های آن کمک می‌کند. این رویکرد عمدتا در برنامه‌هایی مانند تشخیص گفتار، چهره یا اشیا استفاده می‌شود. به‌طور مثال برای تشخیص چهره، هوش مصنوعی با استفاده از نقشه‌برداری بیومتریک، چهره‌های افراد را تشخیص می‌دهد. هوش مصنوعی برای درک تصویر و تشخیص آن، با دریافت ورودی از حسگرها و مقایسه آن با پایگاه داده‌ی چهره‌ها، تطابق بین ورودی و تصویر ذخیره‌شده در پایگاه را بررسی می‌کند. معمولا این ویژگی برای احراز هویت کارمندان جهت ورود به محل کار یا احراز هویت کاربران برای قفل‌گشایی تلفن همراه استفاده می‌شود. 

یادگیری ماشین چیست؟

Machine Learning یا یادگیری ماشینی زیرمجموعه‌ای از هوش مصنوعی است که به‌طور خودکار ماشین یا سیستم را قادر می‌سازد تا از تجربه‌ی خود یاد بگیرد و پیشرفت کند. این مدل به‌جای مجموعه‌ای از کدهای از پیش نوشته‌شده، از الگوریتم‌هایی برای تجزیه‌وتحلیل حجم زیادی از داده‌ها استفاده کرده و بر اساس یادگیری از اطلاعات ورودی تلاش می‌کند تصمیم‌های آگاهانه بگیرد. الگوریتم‌های یادگیری ماشینی به‌دلیل قرارگیری در معرض داده‌های زیاد، در طول زمان به یادگیری می‌پردازند و به این واسطه عملکرد بهتری پیدا می‌کنند. توسط Machine Learning کامپیوترها قادر به انجام وظایف پیچیده همچون مرتب‌سازی تصاویر، پیش‌بینی فروش یا تجزیه‌وتحلیل داده‌های زیاد هستند.

برخی از روش‌های رایجی که در آن‌ها از یادگیری ماشین استفاده می‌شود عبارتند از:

• محتوای پیشنهادی در یک پلتفرم پخش آنلاین ویدیو مانند یوتیوب
• عیب‌یابی یک مشکل توسط چت‌بات‌ها
• استفاده از دستیاران مجازی به‌منظور برنامه‌ریزی جلسات در تقویم، پخش آهنگ یا تماس با یک شخص

بیشتر بخوانید: یادگیری ماشین چیست؟ همه چیز درباره Machine Learning

انواع یادگیری ماشین

یادگیری ماشین شامل انواع مختلفی از جمله Supervised، Unsupervised و Reinforcement Learning می‌شود که در ادامه به توضیح هر یک خواهیم پرداخت.

یادگیری ماشین با نظارت (Supervised)

این نوع از یادگیری ماشین از متداول‌ترین مدل‌های Machine Learning است که به کمک انسان نیاز دارد. نوع نظارت‌شده بدین شکل است که به الگوریتم مجموعه‌ای از داده‌های برچسب‌دار داده می‌شود؛ به این معنی که داده‌ها قبلا در دسته‌بندی‌های مشخصی طبقه‌بندی شده‌اند. سپس الگوریتم یاد می‌گیرد که با یافتن الگوها در داده‌ها، پیش‌بینی‌های دقیقی درباره‌ی داده‌های جدید انجام دهد. به‌عنوان مثال، یک الگوریتم Supervised می‌تواند با دریافت مجموعه‌ای از ایمیل‌ها که قبلا به‌عنوان هرزنامه یا Spam طبقه‌بندی شده‌اند الگوهای تکراری را بیابد. سپس الگوریتم یاد می‌گیرد که الگوهای رایج در ایمیل‌های اسپم را شناسایی کند تا بتواند در آینده ایمیل‌های جدید را به‌درستی طبقه‌بندی کند. استفاده از یادگیری با نظارت در زمینه‌هایی مانند دسته‌بندی تصاویر، تشخیص بیماری، تقلب، عملیات کلاه‌برداری و همچنین تشخیص گفتار متداول‌تر است.

یادگیری ماشین بدون نظارت (Unsupervised)

یادگیری بدون نظارت با داده‌های بدون برچسب و یا داده‌هایی که برچسب کافی ندارند سروکار دارد، جایی که الگوریتم سعی می‌کند روابط بین داده‌ها را بدون هیچ الگوی از پیش تعریف‌شده پیدا کند. هدف این نوع یادگیری، کشف ساختارهای پنهان یا دسته‌بندی موارد بر اساس شباهت‌ها، الگوها و تفاوت‌ها است. این نوع یادگیری زمانی که نیاز به شناسایی الگوها و استفاده از داده‌ها برای تصمیم‌گیری دارید بسیار مفید است. این مدل به‌طور گسترده برای پیش‌بینی اموری همچون روندهای مالی و تحلیل قیمت مسکن استفاده می‌شود.

یادگیری تقویتی

یادگیری تقویتی نزدیک‌ترین نوع به نحوه‌ی یادگیری انسان است. Reinforcement Learning از تعامل با محیط برای آموختن یک رفتار یا قانون استفاده می‌کند. هدف این الگوریتم به حداکثر رساندن اقدامات صحیح است. یادگیری تقویتی از پیامدهای اعمال خود درس می‌گیرد و بر اساس عملکردش بازخورد مثبت یا منفی دریافت می‌کند. در این مدل هیچ داده‌ی برچسب‌گذاری‌شده وجود ندارد و ماشین با تکیه بر اعمال خود همه چیز را یاد می‌گیرد. از کاربردهای این نوع می‌توان به پارک کردن اتوماتیک خودروها، کنترل دینامیک چراغ‌های راهنمایی برای کاهش ترافیک و رانندگی بدون نیاز به افراد اشاره کرد.

بیشتر بخوانید: یادگیری تقویتی یا Reinforcement Learning چیست؟

ویژگی‌های یادگیری ماشین

نیاز به یادگیری ماشینی روزبه‌روز در حال افزایش است. Machine Learning قادر به انجام وظایفی است که برای انسان‌ها بسیار پیچیده هستند. ما به‌عنوان یک انسان محدودیت‌هایی داریم که از جمله مهم‌ترین آن می‌توان به عدم امکان پردازش حجم زیادی از داده‌ها اشاره کرد. بنابراین برای انجام این کار، به برخی از سیستم‌های کامپیوتری نیاز داریم تا کارها را برای ما آسان کند. با کمک یادگیری ماشینی، می‌توانیم در زمان و هزینه صرفه‌جویی کنیم و امور تکراری را به دست این ابزارها بسپاریم. در ادامه به چهار ویژگی برجسته‌ی Machine Learning اشاره خواهیم کرد.

پیش‌بینی‌

داده‌ها توسط الگوریتم‌های یادگیری ماشین پردازش شده و برای ایجاد مدل‌هایی جهت پیش‌بینی رویدادهای آینده استفاده می‌شوند. این مدل‌ها را می‌توان برای پیش‌بینی رویدادهای آینده استفاده کرد؛ از جمله تعیین ریسک دریافت وام یا احتمال خرید یک فرد.

اتوماسیون

الگوریتم‌های یادگیری ماشینی فرآیند یافتن الگوها در داده‌ها را به‌صورت خودکار انجام می‌دهند و به مشارکت انسان تقریبا بی‌نیاز هستند. در نتیجه تجزیه‌وتحلیل اطلاعات دقیق‌تر و موثرتر انجام می‌شود.

مقیاس‌پذیری

تکنیک‌های یادگیری ماشینی برای پردازش داده‌های کلان مناسب هستند؛ زیرا برای مدیریت حجم عظیمی از اطلاعات ساخته شده‌اند. در نتیجه، کسب‌وکارها می‌توانند بهترین تصمیمات را بر اساس خروجی‌های به‌دست‌آمده بگیرند.

 سازگاری

دسترسی به داده‌های جدید امکان آموختن و تطبیق مداوم را برای الگوریتم‌های یادگیری ماشین آسان کرده‌اند. در نتیجه این ماشین‌ها می‌توانند عملکرد خود را در طول زمان بهتر کنند و با دریافت داده‌های بیشتر، دقیق‌تر و کارآمدتر شوند.

تفاوت هوش مصنوعی و یادگیری ماشین چیست؟

در حالی‌که هوش مصنوعی به تقلید ماشین از هوش انسان می‌پردازد، یادگیری ماشینی اینطور نیست. هدف یادگیری ماشینی این است که به ماشین بیاموزد چگونه یک کار خاص را انجام داده و با شناسایی الگوها نتایج دقیقی ارائه دهد. در ادامه به‌صورت مختصر به تفاوت هوش مصنوعی و یادگیری ماشین می‌پردازیم.

هوش مصنوعی	یادگیری ماشین
هوش مصنوعی فناوری است که ماشین را قادر می‌سازد رفتار انسان را شبیه‌سازی کند.	یادگیری ماشینی زیرمجموعه‌ای از هوش مصنوعی است که به ماشین اجازه می‌دهد به‌طور خودکار از داده‌های قبلی که برنامه‌نویسی نشده‌اند الگوها را یاد بگیرد.
هدف هوش مصنوعی ساختن یک سیستم کامپیوتری هوشمند مانند مغز انسان برای حل مشکلات پیچیده است.	هدف ML این است که به ماشین‌ها اجازه دهد از داده‌ها یاد بگیرند تا بتوانند خروجی دقیقی ارائه دهند.
در هوش مصنوعی، ما سیستم‌های هوشمندی می‌سازیم تا مانند انسان هر کاری را انجام دهند.	در ML، انسان توسط داده‌ها به ماشین‌ها آموزش می‌دهد که یک کار خاص را انجام و نتیجه‌ی دقیقی ارائه دهند.
هوش مصنوعی زیر مجموعه‌ی علوم و مهندسی کامپیوتر است.	یادگیری ماشین زیر مجموعه‌ی هوش مصنوعی است.
AI دامنه‌ی بسیار گسترده‌ای دارد.	ML دامنه‌ی محدودی دارد.
هوش مصنوعی روی ایجاد یک سیستم هوشمند متمرکز است که می‌تواند وظایف پیچیده‌ی مختلفی را انجام دهد.	ML روی ایجاد ماشین‌هایی متمرکز است که می‌توانند تنها کارهای خاصی را که برای آن‌ها آموزش دیده‌اند انجام دهند.
تمرکز AI روی به حداکثر رساندن شانس موفقیت است.	یادگیری ماشین روی دقت و الگوها متمرکز است.
کاربردهای اصلی هوش مصنوعی شامل دستیارهای هوشمند مانند سیری، پشتیبانی از مشتری، سیستم‌های خبره، بازی‌های آنلاین، ربات‌های انسان‌نمای هوشمند و غیره است.	کاربردهای متداول یادگیری ماشین عبارتند از: سیستم‌های توصیه‌کننده‌ی آنلاین، الگوریتم‌های جست‌وجوی گوگل، پیشنهادات ویدیو و افراد در شبکه‌های اجتماعی و غیره.
بر اساس قابلیت‌ها، هوش مصنوعی را می‌توان به سه نوع تقسیم کرد که عبارتند از: هوش مصنوعی ضعیف، هوش مصنوعی عمومی و هوش مصنوعی قوی.	ML را می‌توان به‌طور عمده به سه نوع تقسیم کرد که عبارتند از: یادگیری با نظارت، یادگیری بدون نظارت و یادگیری تقویتی.
AI قادر به یادگیری، استدلال و اصلاح خود است.	یادگیری ماشینی آموختن و اصلاح خود را فقط در هنگام دریافت داده‌های جدید انجام می‌دهد.
هوش مصنوعی به‌طور کامل با داده‌های ساختاریافته، نیمه ساختاریافته و بدون ساختار سروکار دارد.	ML با داده‌های ساختاریافته و نیمه ساختاریافته سروکار دارد.

آنچه در تفاوت هوش مصنوعی و یادگیری ماشین خواندیم

هر کسب‌وکار و سازمانی با گسترش فعالیت و اندازه‌ی خود نیاز به پردازش حجم زیادی از داده‌ها دارد. هوش مصنوعی و یادگیری ماشین مزایای زیادی از جمله پوشش گسترده‌ی داده‌ها، توان پردازش حجم زیادی از اطلاعات و امکان تصمیم‌گیری سریع را در اختیار افراد و سازمان‌ها قرار می‌دهد. همچنین این دو تکنولوژی به کمک کارمندان آمده و تلاش دارند انجام امور را سریع‌تر کرده و احتمال خطا را به حداقل برسانند. کاربردهای AI و ML شامل زمینه‌های پزشکی، بانکداری، حمل‌ونقل، کسب‌وکارهای آنلاین و ارتباطات می‌شود. روند رو به رشد تکنولوژی ما را بر آن می‌دارد که با ابزارهای آن همگام شده و نهایت تلاش خود را برای استفاده از آن‌ها در امور روزمره و کسب‌وکارمان به‌کار بگیریم. با آگاهی نسبت به تفاوت هوش مصنوعی و یادگیری ماشین می‌توانیم در هر زمان برای انجام امور متفاوت بهترین انتخاب را داشته باشیم.