به گزارش خبرنامه دانشجویان ایران به نقل از صفر تا قهرمان، هنگامی که صحبت از هوش مصنوعی و یادگیری ماشین میشود، فکر ما به سمت تعامل کامپیوترها و رباتها با انسان و قدرت تصمیم گیری و درک آنها میرود. شاید بتوان گفت در ذهنیت اکثر ما، اطلاعات تقریبا نادرستی از اعمالی که یک کامپیوتر میتواند انجام دهد وجود دارد. متاسفانه برخلاف ذهنیت ما، هوش مصنوعی به آن اندازه که ما فکر میکنیم شاید هیجان انگیز نباشد و فقط یک واژهی جذاب است.
در میان این سه حوزه (هوش مصنوعی، یادگیری ماشین و داده کاوی) تا حدودی همپوشانی وجود دارد؛ اما با این حال دارای تفاوتهایی با یکدیگر نیز میباشند. در این بخش قصد داریم روابط این سه حوزه را با یکدیگر بررسی نماییم و همچنین یاد بگیریم که اگر از آنها به درستی در کنار یکدیگر استفاده کنیم، میتوانیم نتایج بسیار قابل قبول و جذابی را استخراج کنیم.
هوش مصنوعی (Artificial Intelligence)
در واقع هوش مصنوعی به مطالعهی چگونگی تولید یک عامل هوشمند مربوط میشود. به عبارت دیگر، نحوهی برنامه نویسی یک کامپیوتر به صورتی که مانند یک عامل هوشمند (انسان) رفتار کرده و وظایفی را انجام دهد. هوش مصنوعی قدرت یادگیری و تحلیل وقایع را ندارد. یک سیستم هوش مصنوعی به این صورت کار میکند که ابتدا اطلاعات مورد نیاز برای رفع مشکلات احتمالی، برنامه نویسی شده و سپس در اختیار سیستم قرار میگیرد. پس از آن برنامهی هوش مصنوعی با استفاده از این دادهها و محاسبات تعیین شده بر روی آنها، مسائل و مشکلات را حل میکند. (برای مثال، سیستمی برای افزایش دمای اتاق در صورتی که دما زیر ۲۵ درجه باشد).
یادگیری ماشین (Machine Learning)
به مرور زمان بسیاری از سیستمها نیاز به یک هوش و توانایی دارند تا بتوانند با استفاده از تجربیات بدست آمدهی گذشته، دانش جدیدی را استنتاج کنند. بنابراین میتوان گفت هوش مصنوعی بسیار رابطهی نزدیکی با یادگیری ماشین دارد. در واقع یک برنامهی نوشته شده، به سیستم میگوید که در طول زمان تجربیات و دانش جدیدی را از عملکرد و خروجیهای گذشتهی خود یاد بگیرد تا باعث بهبود عملکرد و تصمیم گیری سیستم در آینده شود. یادگیری ماشین قادر به تعمیم اطلاعات از دادههای وسیع است و میتوانند با به کار گیری الگوریتمهایی، الگوها و روابط میان دادهها را تشخیص دهد و در نهایت با استفاده از نتایج مفید بدست آمده اقدامات جدیدی را انجام دهد. همانند هوش مصنوعی، یادگیری ماشین نیز بسیار وسیع بوده و به کمک قدرت استنتاج خود میتواند کاربردهای فراوانی داشته باشد.
داده کاوی (Data Mining)
این حوزه بیشتر از تکنیکهای یادگیری ماشین (و تا حدودی آمار) الهام میگیرد. داده کاوی توسط یک فرد، با یک هدف خاص و همراه با یک مجموعهی داده (Data Set) صورت میگیرد. در واقع این فرد با بکار گیری الگوریتمهای یادگیری ماشین، قصد دارد الگوی مورد نیاز خود را از یک مجموعه داده دریافت کند. اکثر اوقات این مجموعه داده بسیار حجیم و پیچیده است و همچنین ممکن است نواقص و اشکالاتی نیز درون آن وجود داشته باشد. معمولا هدف از داده کاوی کشف و یا تولید روابط موجود میان این مشاهدات اولیه بوده؛ و در ادامه پیش بینی مشاهدات و نتایج آینده به کمک الگوهای بدست آمده است. دو روش مرسوم داده کاوی، «بدون نظارت» (unsupervised) و «با نظارت» (supervised) است. در روش بدون نظارت، ما پاسخ را نمیدانیم و باید به کشف آن بپردازیم؛ اما در روش با نظارت، پاسخ مشخص شده است و ما باید پاسخ مشاهدات آینده را پیش بینی نماییم. تکنیکهای رایج و مرسوم داده کاوی شامل خوشه بندی، طبقه بندی، رگرسیون و شبکههای عصبی میباشد که از هرکدام بسته به نیاز فرد در شرایط مختلف استفاده میشود.
به طور کلی هریک از این سه زمینه به نوعی به دیگری وابسته بوده و همپوشانیهای غیر قابل انکاری با هم دارند. با به کارگیری هریک از این حوزهها در کنار یکدیگر، میتوان به سوالات نهفتهی زیادی در داده های موجود پاسخ داد، به اثبات فرضیههای مختلفی پرداخت و همچنین به بینش و پیش بینی بهتری در زمینههای مختلف و تجارت دست یافت.
