تفاوت یادگیری ماشین، یادگیری عمیق و هوش مصنوعی به زبان ساده

تقریباً هر جا را که نگاه می‌کنی، از هوش مصنوعی حرف می‌زنند. یک نفر می‌گوید آینده دنیا دست AI است، یکی دیگر از یادگیری ماشین مثال می‌زند و نفر بعدی اسم یادگیری عمیق را می‌آورد، انگار که درباره یک چیز واحد با اسم‌های مختلف صحبت می‌کنند. برای کسی که کاملاً مبتدی است، این فضا بیشتر شبیه یک شلوغی بی‌منطق است تا یک موضوع قابل فهم. نتیجه‌اش هم معمولاً این می‌شود که مخاطب بعد از چند دقیقه خواندن، بی‌خیال فهمیدن می‌شود و فقط با خودش می‌گوید «این‌ها چیزهای خیلی تخصصی‌اند، به من ربطی ندارند».

مسئله اینجاست که اتفاقاً این مفاهیم آن‌قدرها هم پیچیده نیستند، فقط بد توضیح داده شده‌اند. بیشتر مطالب موجود یا برای آدم‌های فنی نوشته شده‌اند، یا آن‌قدر خلاصه و خشک‌اند که هیچ تصویری در ذهن شکل نمی‌گیرد. در این مقاله قرار نیست با تعریف‌های آکادمیک یا فرمول‌های عجیب سروکار داشته باشیم. هدف فقط این است که تفاوت یادگیری ماشین و یادگیری عمیق را طوری بفهمی که اگر فردا کسی از تو پرسید «فرقشان چیست؟» مکث نکنی و جواب بدهی.

در طول این مطلب، همه‌چیز از پایه گفته می‌شود. فرض بر این است که نه پیش‌زمینه فنی داری، نه تجربه برنامه‌نویسی، نه علاقه‌ای به اصطلاحات قلمبه‌سلمبه. مثال‌ها واقعی‌اند، زبان محاوره‌ای اما محترم است و هر جا لازم باشد، موضوع را از زاویه زندگی روزمره نگاه می‌کنیم. اگر تا امروز این مفاهیم برایت مبهم، ترسناک یا بیش‌ازحد تخصصی به نظر می‌رسیدند، این مقاله دقیقاً برای همین نقطه نوشته شده است.

هوش مصنوعی چیست و چرا بدون فهم آن، یادگیری ماشین گیج‌کننده می‌شود؟

قبل از اینکه بخواهیم درباره تفاوت یادگیری ماشین و یادگیری عمیق صحبت کنیم، مجبوریم یک مکث جدی داشته باشیم. نه از آن مکث‌های نمایشی، بلکه یک توقف لازم. دلیلش ساده است: یادگیری ماشین و یادگیری عمیق هر دو زیرمجموعه چیزی بزرگ‌تر به نام هوش مصنوعی هستند. اگر این «چتر بزرگ» را درست نفهمیم، هر تفاوتی که بعداً توضیح داده شود، نصفه‌نیمه در ذهن می‌نشیند و زود هم می‌ریزد.

هوش مصنوعی یا Artificial Intelligence در ساده‌ترین تعریفش یعنی ساختن سیستم‌هایی که بتوانند کارهایی انجام بدهند که ما معمولاً انتظار داریم «انسان با فکرش» انجام بدهد. تشخیص بدهند، تصمیم بگیرند، پیش‌بینی کنند، تحلیل کنند یا حتی اشتباهاتشان را کمتر کنند. همین. نه بیشتر، نه کمتر. برخلاف تصور رایج، هوش مصنوعی الزاماً به معنی «فهمیدن مثل انسان» یا «آگاه بودن» نیست. بیشتر شبیه تقلید رفتارهای هوشمندانه است، نه داشتن شعور یا احساس.

برای اینکه موضوع ملموس شود، یک مثال خیلی زمینی بزنیم. فرض کن یک ترموستات ساده داری که وقتی دما از ۲۵ درجه بالاتر می‌رود، کولر را روشن می‌کند. این سیستم دارد تصمیم می‌گیرد، اما هیچ‌کس اسمش را هوش مصنوعی نمی‌گذارد. حالا اگر همین سیستم بتواند از رفتار تو یاد بگیرد، مثلاً بفهمد چه ساعتی معمولاً در خانه‌ای، چه دمایی را ترجیح می‌دهی و بر اساس تجربه‌های قبلی تنظیماتش را تغییر بدهد، کم‌کم داریم وارد قلمرو هوش مصنوعی می‌شویم.

نکته مهم اینجاست که همه هوش مصنوعی‌ها یاد نمی‌گیرند. این جمله معمولاً شوکه‌کننده است، چون خیلی‌ها فکر می‌کنند AI یعنی یادگیری. در حالی که سال‌ها سیستم‌های هوش مصنوعی وجود داشتند که فقط بر اساس قوانین از پیش تعریف‌شده کار می‌کردند. به این‌ها معمولاً هوش مصنوعی قانون‌محور گفته می‌شود. یعنی برنامه‌نویس از قبل همه سناریوها را حدس می‌زند و برای هر کدام یک واکنش می‌نویسد.

مثلاً یک سیستم پاسخ‌گوی خودکار قدیمی را در نظر بگیر که اگر کاربر عدد ۱ را بزند، برود به بخش فروش و اگر عدد ۲ را بزند، برود به پشتیبانی. این سیستم هوشمند به حساب می‌آید، اما نه چون چیزی یاد می‌گیرد، بلکه چون دارد تصمیم‌گیری شبیه انسان را شبیه‌سازی می‌کند. مزیت چنین سیستم‌هایی این است که قابل کنترل‌اند، رفتارشان قابل پیش‌بینی است و اگر درست طراحی شوند، خطای عجیبی ندارند. اما مشکلشان این است که به محض تغییر شرایط، ناتوان می‌شوند.

دقیقاً همین محدودیت بود که باعث شد انسان‌ها به فکر راه‌حل جدیدی بیفتند. چون دنیا آن‌قدر پیچیده است که نمی‌شود برای هر حالت ممکن، قانون نوشت. رفتار انسان‌ها تغییر می‌کند، داده‌ها بیشتر می‌شوند، الگوها عوض می‌شوند. اینجا بود که ایده‌ای ساده اما انقلابی شکل گرفت: به‌جای اینکه ما همه قوانین را بنویسیم، سیستم خودش از داده‌ها یاد بگیرد.

این نقطه، مرز ورود به یادگیری ماشین است. یعنی جایی که هوش مصنوعی از حالت «دستور بگیر و اجرا کن» خارج می‌شود و وارد فاز «تجربه کن و بهتر شو» می‌شود. اگر این تفاوت را همین‌جا خوب درک کنی، ادامه مقاله خیلی روان‌تر جلو می‌رود، چون دیگر می‌دانی یادگیری ماشین یک چیز جدا از هوش مصنوعی نیست، بلکه یک قدم جلوتر از آن است.

یادگیری ماشین چیست و چرا همه‌چیز از اینجا جدی شد؟

یادگیری ماشین یا Machine Learning دقیقاً از همان جایی شروع شد که انسان فهمید دیگر نمی‌تواند برای همه‌چیز قانون بنویسد. نه به‌خاطر تنبلی، بلکه چون واقعاً غیرممکن بود. دنیا پر از داده است، پر از استثنا، پر از الگوهایی که مدام تغییر می‌کنند. نوشتن دستورالعمل برای چنین دنیایی شبیه این است که بخواهی برای تمام مکالمه‌های ممکن انسان‌ها، از قبل دیالوگ بنویسی. شکست از همان اول تضمین شده است.

ایده یادگیری ماشین ساده‌تر از چیزی است که اسمش نشان می‌دهد. به زبان خیلی معمولی، یادگیری ماشین یعنی به سیستم بگویی «من به‌جای اینکه همه قوانین را به تو بدهم، داده به تو می‌دهم. خودت از دل این داده‌ها الگو پیدا کن و بر اساس آن تصمیم بگیر». یعنی سیستم به‌مرور زمان و با دیدن مثال‌های زیاد، یاد می‌گیرد چه چیزی درست است و چه چیزی نه.

برای ملموس شدن، برگردیم به مثال ایمیل‌های اسپم. در روش قدیمی، برنامه‌نویس می‌گفت اگر فلان کلمه بود، اسپم است. در یادگیری ماشین، ما هزاران یا میلیون‌ها ایمیل به سیستم می‌دهیم که از قبل برچسب خورده‌اند: این اسپم است، این نیست. سیستم کم‌کم متوجه می‌شود چه الگوهایی معمولاً در ایمیل‌های اسپم تکرار می‌شوند. نه فقط یک کلمه خاص، بلکه ترکیب‌ها، ساختار جمله، زمان ارسال، لینک‌ها و ده‌ها عامل دیگر. نکته مهم اینجاست که ما دقیقاً به سیستم نمی‌گوییم دنبال چه الگویی بگردد؛ فقط نتیجه را نشانش می‌دهیم.

یادگیری ماشین معمولاً به سه شکل اصلی اتفاق می‌افتد. بدون اینکه وارد جزئیات فنی شویم، دانستن کلیتشان کمک می‌کند تصویر واضح‌تری داشته باشی.
در یک حالت، سیستم با جواب درست آموزش می‌بیند. یعنی هم داده را می‌بیند، هم نتیجه درست را. مثل دانش‌آموزی که تمرین حل می‌کند و معلم آخرش می‌گوید درست یا غلط.
در حالت دیگر، سیستم بدون جواب مشخص رها می‌شود تا خودش الگوها را کشف کند. مثل کسی که وارد یک شهر جدید می‌شود و بدون نقشه، کم‌کم محله‌ها را از هم تشخیص می‌دهد.
و در حالت سوم، سیستم با آزمون و خطا یاد می‌گیرد. کاری می‌کند، بازخورد می‌گیرد و اگر نتیجه بد بود، مسیرش را عوض می‌کند. خیلی شبیه یاد گرفتن رانندگی.

مزیت بزرگ یادگیری ماشین این است که مقیاس‌پذیر است. هرچه داده بیشتر شود، سیستم معمولاً بهتر می‌شود. لازم نیست هر بار انسان دخالت کند. اما این روش بی‌عیب هم نیست. یادگیری ماشین به شدت به کیفیت داده وابسته است. اگر داده بد باشد، نتیجه هم بد می‌شود. علاوه بر آن، در بسیاری از مدل‌های یادگیری ماشین، هنوز انسان باید ویژگی‌ها را تعریف کند. یعنی تصمیم بگیرد چه چیزهایی مهم‌اند و چه چیزهایی نه. این کار هم زمان‌بر است و هم وابسته به تجربه.

اینجا دقیقاً همان جایی است که محدودیت‌های یادگیری ماشین خودش را نشان می‌دهد و راه را برای یادگیری عمیق باز می‌کند. یادگیری عمیق آمد تا بخشی از این بار فکری را هم از دوش انسان بردارد. در بخش بعدی، دقیقاً می‌رویم سراغ همین نقطه و می‌بینیم یادگیری عمیق چه فرقی با یادگیری ماشین دارد و چرا این‌قدر سر زبان‌ها افتاده است.

یادگیری عمیق چیست و چرا همه آن را با مغز انسان مقایسه می‌کنند؟

یادگیری عمیق یا Deep Learning در واقع نسخه پیشرفته‌تر و جاه‌طلبانه‌تر یادگیری ماشین است. نه یک چیز کاملاً جدا، نه یک مفهوم جادویی تازه. اگر بخواهیم خیلی ساده بگوییم، یادگیری عمیق همان یادگیری ماشین است که به‌جای تکیه زیاد بر دخالت انسان، سعی می‌کند خودش همه‌چیز را از داده خام بفهمد. یعنی کمتر از انسان بپرسد «چه چیزی مهم است» و بیشتر خودش کشف کند.

دلیل اینکه یادگیری عمیق را با مغز انسان مقایسه می‌کنند، ساختار آن است. این مدل‌ها از چیزی به نام شبکه‌های عصبی مصنوعی استفاده می‌کنند. اسمش ترسناک است، اما ایده‌اش ساده است. مغز ما از میلیاردها نورون تشکیل شده که به هم وصل‌اند و با هم کار می‌کنند. شبکه‌های عصبی هم همین ایده را شبیه‌سازی می‌کنند، البته خیلی ساده‌تر و ابتدایی‌تر. داده وارد لایه اول می‌شود، پردازش می‌شود، به لایه بعد می‌رود و این مسیر چندین بار تکرار می‌شود تا در نهایت یک نتیجه بیرون بیاید.

تفاوت اصلی اینجاست که در یادگیری ماشین معمولی، انسان باید تا حد زیادی تصمیم بگیرد چه ویژگی‌هایی مهم‌اند. مثلاً در تشخیص تصویر، برنامه‌نویس مشخص می‌کند لبه‌ها، رنگ‌ها یا شکل‌ها بررسی شوند. اما در یادگیری عمیق، سیستم خودش این ویژگی‌ها را کشف می‌کند. ابتدا چیزهای ساده مثل لبه‌ها را می‌بیند، بعد الگوهای پیچیده‌تر مثل اشکال، و در نهایت مفاهیم کلی‌تر مثل «این یک صورت است» یا «این یک گربه است». این فرآیند شبیه یاد گرفتن انسان‌هاست، نه از نظر هوشمندی، بلکه از نظر مرحله‌به‌مرحله بودن.

برای مثال، وقتی یک کودک یاد می‌گیرد گربه چیست، کسی برایش توضیح نمی‌دهد که گوش مثلثی یا سبیل داشته باشد. کودک با دیدن نمونه‌های زیاد، خودش به یک تصویر ذهنی می‌رسد. یادگیری عمیق هم تقریباً همین کار را می‌کند، البته بدون فهم واقعی. فقط الگوها را می‌چیند و از آن‌ها نتیجه می‌گیرد.

اما این قدرت بهای سنگینی هم دارد. یادگیری عمیق به داده‌های بسیار زیاد نیاز دارد. جایی که یادگیری ماشین با هزاران نمونه جواب می‌دهد، یادگیری عمیق ممکن است به میلیون‌ها داده نیاز داشته باشد. علاوه بر آن، این مدل‌ها منابع محاسباتی بالایی می‌خواهند. یعنی سخت‌افزار قوی، زمان بیشتر و هزینه بالاتر. از طرف دیگر، نتیجه کارشان اغلب مثل یک جعبه سیاه است. می‌دانی چه خروجی‌ای داده، اما دقیقاً نمی‌دانی چرا. این موضوع در سیستم‌های آموزشی یا تفریحی شاید مهم نباشد، اما در حوزه‌های حساس می‌تواند مشکل‌ساز شود.

با همه این‌ها، یادگیری عمیق در کارهایی که داده زیاد و الگوی پیچیده دارند، فوق‌العاده عمل می‌کند. تشخیص تصویر، پردازش صدا، ترجمه زبان‌ها و سیستم‌های پیشنهاددهنده مدرن بدون یادگیری عمیق عملاً غیرممکن بودند. اما این به معنی بهتر بودن مطلق آن نیست. انتخاب بین یادگیری ماشین و یادگیری عمیق همیشه به مسئله، داده و هدف بستگی دارد.

تفاوت یادگیری ماشین و یادگیری عمیق وقتی پای زندگی واقعی وسط است

تا اینجای کار، اسم‌ها را شناختیم و کلیت را فهمیدیم. اما اگر همین‌جا متوقف شویم، تفاوت یادگیری ماشین و یادگیری عمیق هنوز بیشتر شبیه یک تفاوت تئوری است تا چیزی که بتوانی در دنیای واقعی لمسش کنی. مشکل بسیاری از توضیح‌ها دقیقاً همین است؛ تعریف می‌دهند، اما تصویر نمی‌سازند. پس بیایید این بخش را کاملاً کاربردی و زمینی جلو ببریم.

فرض کن می‌خواهیم یک سیستم بسازیم که عکس‌ها را دسته‌بندی کند. مثلاً تشخیص بدهد در یک تصویر «ماشین» هست یا «انسان».
در یادگیری ماشین، معمولاً انسان هنوز نقش پررنگی دارد. یعنی متخصص می‌نشیند و تصمیم می‌گیرد چه ویژگی‌هایی مهم‌اند. مثلاً می‌گوید لبه‌ها را بررسی کن، اندازه اشیا را مقایسه کن، نسبت رنگ‌ها را بسنج. بعد این ویژگی‌ها به مدل داده می‌شود و مدل یاد می‌گیرد بر اساس آن‌ها تصمیم بگیرد. اینجا انسان مثل یک راهنمای سخت‌گیر بالای سر سیستم ایستاده و مدام می‌گوید به چه چیزهایی توجه کن.

در یادگیری عمیق، این دخالت تا حد زیادی حذف می‌شود. سیستم تصویر خام را می‌گیرد و خودش تصمیم می‌گیرد چه چیزی مهم است. اول چیزهای خیلی ساده را یاد می‌گیرد، بعد کم‌کم به مفاهیم پیچیده‌تر می‌رسد. انگار به‌جای اینکه تو به یک نفر ماهی‌گیری یاد بدهی، فقط او را کنار دریا رها کنی و بگویی «خودت راهش را پیدا کن». زمان بیشتری می‌برد، ولی اگر موفق شود، مستقل‌تر می‌شود.

حالا بیایید مزایا و معایب را بدون تعارف کنار هم بگذاریم.
یادگیری ماشین معمولاً ساده‌تر، سریع‌تر و کم‌هزینه‌تر است. اگر داده‌ات محدود است یا مسئله‌ات خیلی پیچیده نیست، اغلب انتخاب منطقی‌تری است. ضمن اینکه نتیجه کارش قابل توضیح‌تر است. یعنی می‌شود فهمید چرا مدل چنین تصمیمی گرفته. این ویژگی در محیط‌های آموزشی یا تصمیم‌گیری‌های حساس اهمیت زیادی دارد.

در مقابل، یادگیری عمیق در مسائل پیچیده‌تر می‌درخشد. جایی که داده زیاد است و الگوها آن‌قدر درهم‌تنیده‌اند که انسان نمی‌تواند به‌راحتی آن‌ها را توصیف کند. اما این قدرت با هزینه می‌آید: نیاز به داده زیاد، سخت‌افزار قوی و زمان آموزش طولانی. تازه بعد از همه این‌ها، ممکن است هنوز دقیق نفهمی چرا سیستم به یک نتیجه خاص رسیده.

یک نکته مهم که معمولاً نادیده گرفته می‌شود این است که یادگیری عمیق همیشه بهترین انتخاب نیست. خیلی وقت‌ها افراد تازه‌کار فکر می‌کنند چون Deep Learning اسمش جذاب‌تر است، پس حتماً بهتر است. این دقیقاً همان جایی است که پروژه‌ها شکست می‌خورند. انتخاب بین این دو، مثل انتخاب ابزار است. برای کوبیدن یک میخ، چکش لازم است، نه بولدوزر.

اگر بخواهیم خیلی خلاصه اما دقیق بگوییم:
یادگیری ماشین بیشتر متکی به تجربه و راهنمایی انسان است.
یادگیری عمیق بیشتر متکی به داده و توان محاسباتی.
هیچ‌کدام قهرمان مطلق نیستند و هیچ‌کدام هم بی‌مصرف نیستند.