آشنایی کامل با یادگیری ماشین و کاربرد سخت افزارهای آن (انویدیا چه تولید کرده است؟)

دوستان،عزیزان و همراهان همیشگی مجموعه “سخت افزار”،به طور حتم می دانید که عرضه شتاب دهنده های گرافیگی/پردازشی و سخت افزارهای یادگیری ماشین،این روزها در سطر اول اخبار هستند.نه فقط اخبار سخت افزار بلکه فعالان عرصه فناوری و حتی مردم عادی نیز علاقمند به مباحثی اینچنین هستند.کامپیوترهای یادگیری ماشین انویدیا که در جریان کنفرانس GTC 2016 معرفی شد،چشم بسیاری از مردم را به آینده باز کرد.به پزشکان امید فراوان داد،توانایی های خود در عرصه صنعت را به نمایش گذاشت و نشان داد که برداشتن محدودیت های انسانی تنها به وسیله کامپیوتر محقق خواهد شد.کامپیوترهای مانند PX2 و DGX-1 که درست همین چند روز پیش معرفی شدند،غول های پردازشی با توان بالا هستند که می توانند در مدت کوتاهی دنیای علم را متحول سازند.پس از آنکه عزیزان بسیاری سوالاتی را در زمینه اطلاعات بیشتر برای “یادگیری ماشین” مطرح ساختند،بر آن شدیم تا در یک مقاله جامع این بخش نسبتا جدید از دنیای سخت افزار را برای شما عزیزان بازتر کرده و به همراه مثال های ساده آن را تشریح نماییم.یادتان باشید که این مطالعه این مطلب برای تمام عزیزان فعال در این زمینه توصیه می گردد.

به عنوان یکی از شاخه‌های وسیع و پرکاربرد هوش مصنوعی، یادگیری ماشینی (Machine learning) به تنظیم و اکتشاف شیوه‌ها و الگوریتم‌هایی می‌پردازد که بر اساس آنها کامپیوترها و سامانه‌ها توانایی تعلٌم و یادگیری پیدا می‌کنند.ی

اهداف:

هدف یادگیری ماشین این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها کارایی بهتری در انجام وظیفهٔ مورد نظر پیدا کند. گسترهٔ این وظیفه می‌تواند از تشخیص خودکار چهره با دیدن چند نمونه از چهرهٔ مورد نظر تا فراگیری شیوهٔ گام‌برداری روبات‌های دوپا با دریافت سیگنال پاداش و تنبیه باشد.  طیف پژوهش‌هایی که در یادگیری ماشینی می‌شود گسترده‌است. در سوی نظری‌ آن پژوهش‌گران بر آن‌اند که روش‌های یادگیری تازه‌ای به وجود بیاورند و امکان‌پذیری و کیفیت یادگیری را برای روش‌های‌شان مطالعه کنند و در سوی دیگر عده‌ای از پژوهش‌گران سعی می‌کنند روش‌های یادگیری ماشینی را بر مسایل تازه‌ای اعمال کنند. البته این طیف گسسته نیست و پژوهش‌های انجام‌شده دارای مولفه‌هایی از هر دو روی‌کرد هستند.

تقسیم بندی:

توجه داشته باشید که مثال های این بخش بسیار مفید و ساده هستند. یکی از تقسیم‌بندی‌های متداول در یادگیری ماشینی، تقسیم‌بندی بر اساس نوع داده‌های در اختیار عامل هوش‌مند است. به سناریوی زیر توجه کنید:  فرض کنید به تازگی ربات‌ای سگ‌نما خریده‌اید که می‌تواند توسط دوربین‌ای دنیای خارج را مشاهده کند، به کمک میکروفن‌های‌اش صداها را بشنود، با بلندگوهایی با شما سخن بگوید (گیریم محدود) و چهارپای‌اش را حرکت دهد. هم‌چنین در جعبهٔ این ربات دستگاه کنترل از راه دوری وجود دارد که می‌توانید انواع مختلف دستورها را به ربات بدهید. در پاراگراف‌های آینده با بعضی از نمونه‌های این دستورات آشنا خواهید شد.

اولین کاری که می‌خواهید بکنید این است که اگر ربات شما را دید خرناسه بکشد اما اگر غریبه‌ای را مشاهده کرد با صدای بلند عوعو کند. فعلاً فرض می‌کنیم که ربات توانایی تولید آن صداها را دارد اما هنوز چهرهٔ شما را یاد نگرفته‌است. پس کاری که می‌کنید این است که جلوی چشم‌های‌اش قرار می‌گیرید و به کمک کنترل از راه دورتان به او دستور می‌دهید که چهره‌ای که جلوی‌اش می‌بیند را با خرناسه‌کشیدن مربوط کند. این‌کار را برای چند زاویهٔ مختلف از صورت‌تان انجام می‌دهید تا مطمئن باشید که ربات در صورتی که شما را از مثلاً نیم‌رخ ببیند به‌تان عوعو نکند. هم‌چنین شما چند چهرهٔ غریبه نیز به او نشان می‌دهید و چهرهٔ غریبه را با دستور عوعوکردن مشخص می‌کنید. در این حالت شما به کامپیوتر ربات گفته‌اید که چه ورودی‌ای را به چه خروجی‌ای مربوط کند. دقت کنید که هم ورودی و هم خروجی مشخص است و در اصطلاح خروجی برچسب‌دار است. به این شیوهٔ یادگیری، یادگیری بانظارت می‌گویند.  اینک حالت دیگری را فرض کنید. برخلاف دفعهٔ پیشین که به ربات‌تان می‌گفتید چه محرک‌ای را به چه خروجی‌ای ربط دهد، این‌بار می‌خواهید ربات خودش چنین چیزی را یاد بگیرد. به این صورت که اگر شما را دید و خرناسه کشید به نحوی به او پاداش دهید (مثلاً به کمک همان کنترل از راه دورتان) و اگر به اشتباه به شما عوعو کرد، او را تنبیه کنید (باز هم با همان کنترل از راه دورتان). در این حالت به ربات نمی‌گویید به ازای هر شرایطی چه کاری مناسب است، بلکه اجازه می‌دهید ربات خود کاوش کند و تنها شما نتیجهٔ نهایی را تشویق یا تنبیه می‌کنید. به این شیوهٔ یادگیری، یادگیری تقویتی می‌گویند.

در دو حالت پیش قرار بود ربات ورودی‌ای را به خروجی‌ای مرتبط کند. اما گاهی وقت‌ها تنها می‌خواهیم ربات بتواند تشخیص دهد که آنچه می‌بیند (یا می‌شنود و…) را به نوعی به آنچه پیش‌تر دیده‌است ربط دهد بدون این‌که به طور مشخص بداند آن‌چیزی که دیده شده‌است چه چیزی است یا این‌که چه کاری در موقع دیدن‌اش باید انجام دهد. ربات هوش‌مند شما باید بتواند بین صندلی و انسان تفاوت قایل شود بی‌آنکه به او بگوییم این نمونه‌ها صندلی‌اند و آن نمونه‌های دیگر انسان. در این‌جا برخلاف یادگیری بانظارت هدف ارتباط ورودی و خروجی نیست، بلکه تنها دسته‌بندی‌ی آن‌ها است. این نوع یادگیری که به آن یادگیری بی نظارت[۴] می‌گویند بسیار مهم است چون دنیای ربات پر از ورودی‌هایی است که کس‌ای برچسب‌ای به آن‌ها اختصاص نداده اما به وضوح جزیی از یک دسته هستند.  یادگیری بی‌نظارت را می‌توان به صورت عمل کاهش بعد در نظر گرفت.

از آن‌جا که شما سرتان شلوغ است، در نتیجه در روز فقط می‌توانید مدت محدودی با ربات‌تان بازی کنید و به او چیزها را نشان دهید و نام‌شان را بگویید (برچسب‌گذاری کنید). اما ربات در طول روز روشن است و داده‌های بسیاری را دریافت می‌کند. در این‌جا ربات می‌تواند هم به خودی‌ی خود و بدون نظارت یاد بگیرد و هم این‌که هنگامی که شما او را راه‌نمایی می‌کنید، سعی کند از آن تجارب شخصی‌اش استفاده کند و از آموزش شما بهرهٔ بیش‌تری ببرد. ترکیب‌ای که عامل هوش‌مند هم از داده‌های بدون برچسب و هم از داده‌های با برچسب استفاده می‌کند به یادگیری نیمه نظارتی می‌گویند.

یادگیری در کنار نظارت

یادگیری تحت نظارت، یک روش عمومی در یادگیری ماشین است که در آن به یک سیستم، مجموعه‌ای از جفت‌های ورودی – خروجی ارائه شده و سیستم تلاش می‌کند تا تابعی از ورودی به خروجی را فرا گیرد. یادگیری تحت نظارت نیازمند تعدادی داده ورودی به منظور آموزش سیستم است. با این حال رده‌ای از مسائل وجود دارند که خروجی مناسب که یک سیستم یادگیری تحت نظارت نیازمند آن است، برای آن‌ها موجود نیست. این نوع از مسائل چندان قابل جوابگویی با استفاده از یادگیری تحت نظارت نیستند. یادگیری تقویتی مدلی برای مسائلی از این قبیل فراهم می‌آورد. در یادگیری تقویتی، سیستم تلاش می‌کند تا تقابلات خود با یک محیط پویا را از طریق آزمون و خطا بهینه نماید. یادگیری تقویتی مسئله‌ای است که یک عامل که می‌بایست رفتار خود را از طریق تعاملات آزمون و خطا با یک محیط پویا فرا گیرد، با آن مواجه است. در یادگیری تقویتی هیچ نوع زوج ورودی- خروجی ارائه نمی‌شود. به جای آن، پس از اتخاذ یک عمل، حالت بعدی و پاداش بلافصل به عامل ارائه می‌شود. هدف اولیه برنامه‌ریزی عامل‌ها با استفاده از تنبیه و تشویق است بدون آنکه ذکری از چگونگی انجام وظیفه آن‌ها شود.

مثال های یادگیری ماشین به طور مشخص:

درست همین شب گذشته بود که با یکی از دوستانی که در استان های سیل زده بود صحبت میکردیم و صحبت های از “سد دز” به میان آمد.سدی که بر اثر بارش های کم سابقه دچار مشکلاتی شده است و به طبع عده ای از تکنسین ها همواره در حال مانیتور کردن اوضاع و تصمیم گیری برای شرایط اضطراری هستند که بتوانند شرایط سد را در حالت استیل نگاه دارند.

مثال اول:

حال شما تصور کنید که ما پیش از چنین واقعه ای (سیل و بارش) یک کامپیوتر یادگیری ماشین را درون آن به کار بگیریم.این کامپیوتر در طول مدت ها به بررسی شرایط می پردازد.حداکثر توان،میزان آب ورودی،خروجی و صدها عامل فنی که بنده به دلیل عدم تخصص در زمینه مورد نظر،از آنها بی اطلاع هستم.در طول روزها شرایط سد را آنالیز کرده و آنها را فرا می گیرد.حال شرایط بحران فرا رسیده است.این کامپیوتر می تواند در این شرایط سخت با توجه به مواردی که یاد گرفته است،تصمیم کرده و سیستم ها را به سرعت کنترل نماید.چه موقع سد را باز کند،چه موقع جلوی آب را بگیرد و…تمام این موارد به سرعت و توسط اطلاعات دقیق انجام می شود.

مثال دوم:

تصور کنید که یک گروه از متخصصان آزمایشگاهی برای مدت ها بر روی تحقیقاتی سلولی و بافت ها مشغول به تحقیق هستند.یک کامپیوتر یادگیری ماشین نیز وارد داستان می شود و در رکن تحقیقات قرار می گیرد.این کامپیوتر با آنالیز صدها رفتار سلولی،واکنش ها و…باز هم هزاران عاملی که در تخصص بنده نیست،می تواند علاوه بر پیشبینی رفتارها در تسریع روند مطالعات بسیار مفید باشد.اطلاعاتی که در سالها به دست می آید،می تواند در عرض مدت کوتاهی پردازش و آنالیز شده و نتیجه دریافت گردد.

مثال سوم:

اینبار یک کامپیوتر مانند PX2 از کمپانی انویدیا را در نظر بگیرید.این کامپیوتر می تواند درون خودروهای معمول و ادوات متحرک نظامی مورد استفاده قرار گیرد.این کامپیوتر می تواند موقعیت دشمن را حتی با عمق محاسبه کرده و تحرک آنها را نیز در نظر گیرد.سپس ماشین زرهی نظامی را به خوبی مدیریت کرده و  به حرکت آورد.بدین ترتیب علاوه بر کاهش نفرات انسانی مورد استفاده در خودروی زرهی،می توان ماشین را بدون دغدغه های انسانی کنترل کرد.

و صدها مثال دیگر که ما در اینجا تنها به چند مورد محدود اشاره کردیم.امیدواریم این مقاله پاسخ برای شما عزیزان باشد.یادتان باشد که که “یادگیری ماشین” علومی بسیار پیچیده و سخت است که در این مقاله تنها به شیوه کار آن اشاره شد.