همه ما با عبارت هوش مصنوعی (Artificial Intelligence) آشنا هستیم. به هر حال، این موضوع تو فیلم‌هایی مثل ترمیناتور (The Terminator)، ماتریکس (The Matrix) و اکس ماکینا (Ex Machina) – که یکی از مورد علاقه‌های شخصیمه – خیلی پررنگ بوده. اما شاید اخیراً اصطلاحاتی مثل یادگیری ماشینی (Machine Learning) و یادگیری عمیق (Deep Learning) رو هم شنیده باشین که گاهی با هوش مصنوعی قاطی می‌شن. برای همین، تفاوت بین هوش مصنوعی (AI)، یادگیری ماشینی (ML) و یادگیری عمیق (DL) می‌تونه خیلی گنگ به نظر بیاد.
من اول یه توضیح سریع و ساده درباره اینکه اینا چی‌ان و چطور با هم فرق دارن می‌دم. بعد، بهتون می‌گم چطور AI و اینترنت اشیاء (IoT) به هم گره خورده‌ن و چطور پیشرفت‌های تکنولوژیک همزمان دارن پایه یه انفجار بزرگ تو زمینه AI و IoT رو می‌سازن.
پس فرق AI، ML و DL چیه؟
هوش مصنوعی (AI) که اولین بار سال 1956 توسط جان مک‌کارتی (John McCarthy) مطرح شد، به ماشین‌هایی اشاره داره که می‌تونن کارهایی رو انجام بدن که مشخصه هوش انسانیه. این تعریف یه کم کلی‌یه، ولی چیزایی مثل برنامه‌ریزی، فهمیدن زبان، تشخیص اشیا و صداها، یادگیری و حل مسئله رو شامل می‌شه.
AI رو می‌شه به دو دسته تقسیم کرد: عمومی (General) و محدود (Narrow). هوش مصنوعی عمومی (General AI) همه ویژگی‌های هوش انسانی، از جمله چیزایی که گفتم، رو داره. هوش مصنوعی محدود (Narrow AI) یه جنبه (یا چند جنبه) از هوش انسانی رو نشون می‌ده و تو اون جنبه خیلی خوب عمل می‌کنه، ولی تو بقیه زمینه‌ها ضعیفه. مثلاً ماشینی که فقط تو تشخیص تصاویر عالیه و کار دیگه‌ای نمی‌کنه، نمونه‌ای از Narrow AI هست.
تو هسته خودش، یادگیری ماشینی (Machine Learning) فقط یه راه برای رسیدن به AI هست.
آرتور ساموئل (Arthur Samuel) این عبارت رو کمی بعد از AI، تو سال 1959 تعریف کرد و گفت: “توانایی یادگیری بدون اینکه صریحاً برنامه‌ریزی بشه.” ببینین، می‌شه بدون استفاده از یادگیری ماشینی به AI رسید، ولی این کار نیاز به نوشتن میلیون‌ها خط کد با قوانین پیچیده و درخت‌های تصمیم‌گیری داره.
برای همین، به‌جای کد زدن دستی برای انجام یه کار خاص، یادگیری ماشینی راهی برای “آموزش” یه الگوریتمه که بتونه خودش یاد بگیره چطور اون کار رو انجام بده. این “آموزش” یعنی دادن حجم عظیمی از داده به الگوریتم و اجازه دادن بهش که خودش رو تنظیم کنه و بهتر بشه.
مثلاً، یادگیری ماشینی تونسته بینایی کامپیوتری (Computer Vision) – یعنی توانایی ماشین برای تشخیص یه شیء تو تصویر یا ویدیو – رو حسابی بهتر کنه. شما صدها هزار یا حتی میلیون‌ها عکس جمع می‌کنین و آدما اونا رو برچسب‌گذاری می‌کنن. مثلاً، آدما عکسایی که گربه دارن رو جدا می‌کنن از عکسایی که گربه ندارن. بعد الگوریتم سعی می‌کنه مدلی بسازه که بتونه به‌خوبی یه آدم تشخیص بده کدوم عکس گربه داره یا نه. وقتی دقتش به حد کافی بالا بره، ماشین حالا “یاد گرفته” که گربه چه شکلیه.
یادگیری عمیق (Deep Learning) یکی از روش‌های متعدد یادگیری ماشینی هست. روش‌های دیگه شامل یادگیری درخت تصمیم (Decision Tree Learning)، برنامه‌نویسی منطق استقرایی (Inductive Logic Programming)، خوشه‌بندی (Clustering)، یادگیری تقویتی (Reinforcement Learning) و شبکه‌های بیزی (Bayesian Networks) می‌شن.
یادگیری عمیق از ساختار و عملکرد مغز انسان – یعنی اتصال بین نورون‌ها – الهام گرفته شده. شبکه‌های عصبی مصنوعی (Artificial Neural Networks – ANNs) الگوریتم‌هایی هستن که ساختار زیستی مغز رو تقلید می‌کنن.
تو ANNs، “نورون‌هایی” هستن که لایه‌های جداگانه دارن و به نورون‌های دیگه وصلن. هر لایه یه ویژگی خاص رو یاد می‌گیره، مثلاً منحنی‌ها یا لبه‌ها تو تشخیص تصویر. این لایه‌بندی هست که به یادگیری عمیق اسمش رو داده؛ عمق از استفاده از چند لایه به‌جای یه لایه تک به وجود میاد.
AI و IoT جدایی‌ناپذیرن
من رابطه بین AI و IoT رو مثل رابطه مغز و بدن انسان می‌بینم.
بدن ما ورودی‌های حسی مثل دیدن، شنیدن و لمس کردن رو جمع می‌کنه. مغزم این داده‌ها رو می‌فهمه و معنا می‌ده، نور رو به اشیای قابل‌شناسایی تبدیل می‌کنه و صداها رو به گفتار قابل‌فهم. بعد مغز تصمیم می‌گیره و سیگنال‌هایی به بدن می‌فرسته تا حرکاتی مثل برداشتن یه شیء یا حرف زدن رو انجام بده.
همه حسگرهای متصلی که اینترنت اشیاء (IoT) رو می‌سازن مثل بدن ما هستن؛ اونا داده‌های خام از اتفاقات دنیا رو فراهم می‌کنن. هوش مصنوعی مثل مغزمونه، این داده‌ها رو معنا می‌ده و تصمیم می‌گیره چه کارهایی انجام بشه. و دستگاه‌های متصل IoT دوباره مثل بدن ما هستن که اقدامات فیزیکی رو انجام می‌دن یا با بقیه ارتباط برقرار می‌کنن.
آزاد کردن پتانسیل همدیگه
ارزش و وعده‌های AI و IoT به‌خاطر وجود همدیگه داره محقق می‌شه.
یادگیری ماشینی و یادگیری عمیق تو سال‌های اخیر جهش‌های بزرگی برای AI ایجاد کردن. همون‌طور که گفتم، این دو نیاز به حجم عظیمی از داده دارن تا کار کنن، و این داده‌ها توسط میلیاردها حسگری که دارن تو اینترنت اشیاء آنلاین می‌شن جمع‌آوری می‌شن. IoT، AI رو بهتر می‌کنه.
بهبود AI هم پذیرش اینترنت اشیاء رو بیشتر می‌کنه و یه چرخه مثبت می‌سازه که توش هردو حوزه به‌سرعت رشد می‌کنن. چون AI، IoT رو کاربردی می‌کنه.
تو بخش صنعتی، AI می‌تونه پیش‌بینی کنه ماشین‌ها کی نیاز به تعمیر دارن یا فرایندهای تولید رو تحلیل کنه تا بهره‌وری رو حسابی بالا ببره و میلیون‌ها دلار صرفه‌جویی کنه.
تو بخش مصرف‌کننده، به‌جای اینکه ما خودمون رو با تکنولوژی وفق بدیم، تکنولوژی می‌تونه با ما وفق پیدا کنه. به‌جای کلیک کردن، تایپ کردن و جست‌وجو کردن، می‌تونیم فقط از یه ماشین بخوایم چیزی که لازم داریم رو بهمون بده. مثلاً ممکنه اطلاعات مثل آب‌وهوا بخوایم یا یه کار مثل آماده کردن خونه برای خواب (کم کردن دمای ترموستات، قفل کردن درها، خاموش کردن چراغ‌ها و غیره).
پیشرفت‌های تکنولوژیک همگرا این رو ممکن کردن
کوچیک شدن تراشه‌های کامپیوتری و تکنیک‌های بهبودیافته تولید یعنی حسگرهای ارزون‌تر و قوی‌تر.
بهبود سریع تکنولوژی باتری یعنی این حسگرها می‌تونن سال‌ها بدون نیاز به منبع برق کار کنن.
اتصال بی‌سیم، که با ظهور گوشی‌های هوشمند تقویت شده، یعنی داده‌ها می‌تونن با حجم بالا و هزینه کم فرستاده بشن و همه این حسگرها بتونن داده‌هاشون رو به ابر (Cloud) بفرستن.
و تولد ابر امکان ذخیره‌سازی تقریباً نامحدود این داده‌ها و توانایی محاسباتی بی‌نهایت برای پردازششون رو فراهم کرده.
البته، یکی دو تا نگرانی درباره تأثیر AI روی جامعه و آینده‌مون وجود داره. ولی با شتاب گرفتن پیشرفت و پذیرش AI و IoT، یه چیز مطمئنه: تأثیرش عمیق خواهد بود.
نتیجه‌گیری
حالا که تفاوت هوش مصنوعی (AI)، یادگیری ماشینی (ML) و یادگیری عمیق (DL) رو می‌دونین، می‌تونین ببینین چطور اینا با اینترنت اشیاء (IoT) دست تو دست هم دادن تا آینده تکنولوژی رو بسازن. از حسگرهای ساده گرفته تا الگوریتم‌های پیچیده، این فناوری‌ها دارن دنیا رو هوشمندتر می‌کنن. آماده‌اید تو این موج بزرگ همراه بشین؟
منبع: iotforall