آموزش هوش مصنوعی: یادگیری از روی نمونهها
یادگیری نظارتشده چیست و چه تفاوتی با برنامهنویسی معمولی دارد؟
در برنامهنویسی سنتی، ما قوانین دقیق را به کامپیوتر میدهیم. مثلاً میگوییم: اگر دما بیشتر از ۳۰ درجه بود، فن را روشن کن. اما در هوش مصنوعی (و به طور خاص یادگیری ماشین) رویکرد متفاوت است: به جای نوشتن قانون، تعداد زیادی «مثال» به ماشین نشان میدهیم و خودش الگوها را کشف میکند. به این نوع یادگیری، یادگیری نظارتشده۱ میگویند.
مثلاً فرض کنید میخواهیم برنامهای بنویسیم که عکسهای گربه و سگ را تشخیص دهد. در روش سنتی باید هزاران قانون بنویسیم (مثلاً «اگر دو گوش نوکتیز و پوزهی کشیده داشت، سگ است»). این کار تقریباً غیرممکن است. در روش هوش مصنوعی، هزاران عکس از گربه و سگ را به همراه برچسب «گربه» یا «سگ» به ماشین میدهیم و او خودش ویژگیهای تشخیص را یاد میگیرد.
اجزای اصلی آموزش یک مدل هوش مصنوعی: سه رکن اساسی
برای آموزش یک هوش مصنوعی به روش نظارتشده، سه چیز ضروری است:
- دادهٔ ورودی (ویژگیها): اطلاعات خامی که به مدل میدهیم. مثلاً برای پیشبینی قیمت خانه، ویژگیهایی مثل متراژ، تعداد اتاق، سال ساخت و محله را وارد میکنیم.
- برچسب (خروجی مورد نظر): جواب درست برای هر ورودی. مثلاً قیمت واقعی همان خانه.
- الگوریتم یادگیری: روش ریاضی که مدل از روی مثالها قانون را کشف میکند. مانند معادلهٔ خط در سادهترین حالت.
فرآیند آموزش مانند این است که به یک دانشآموز صدها مسئلهٔ ریاضی همراه با جواب بدهیم تا خودش فرمول را حدس بزند. مدل هوش مصنوعی هم با دیدن هر مثال، سعی میکند خروجی را پیشبینی کند، سپس میزان خطای خود را محاسبه میکند و وزنهای داخلیاش را کمی تغییر میدهد تا دفعهٔ بعد دقیقتر پیشبینی کند.
| مفهوم | برنامهنویسی سنتی | هوش مصنوعی (یادگیری نظارتشده) |
|---|---|---|
| ورودی | داده + قوانین | داده + برچسبها |
| خروجی | پاسخ بر اساس قوانین | قوانین کشفشده توسط ماشین |
| نیاز به متخصص حوزه | بسیار زیاد | کمتر (بیشتر نیاز به داده) |
قدم به قدم از آموزش تا پیشبینی: مثال تشخیص آپارتمان گرانقیمت
فرض کنیم میخواهیم به یک هوش مصنوعی یاد بدهیم که قیمت آپارتمان را فقط بر اساس متراژ پیشبینی کند. قدمها به ترتیب عبارتند از:
- جمعآوری داده: اطلاعات ۱۰۰ آپارتمان شامل متراژ (ویژگی) و قیمت واقعی (برچسب).
- انتخاب مدل: سادهترین مدل، یک خط راست است: $ \text{قیمت} = w \times \text{متراژ} + b $ که $ w $ (شیب) و $ b $ (عرض از مبدأ) را باید مدل یاد بگیرد.
- تعریف تابع هزینه (خطا): معیاری که نشان میدهد پیشبینی مدل چقدر با واقعیت فاصله دارد. مثلاً میانگین مجذور خطاها: $ \text{خطا} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 $ که در آن $ y_i $ قیمت واقعی و $ \hat{y}_i $ قیمت پیشبینیشده است.
- الگوریتم بهینهسازی: با روش نزول گرادیان۲، مقدار $ w $ و $ b $ را قدمبهقدم تغییر میدهیم تا خطا کمترین شود.
- ارزیابی: مدل را روی دادههایی که قبلاً ندیده تست میکنیم (مثل برگهٔ امتحان). اگر خطای تست کم بود، یعنی مدل خوب یاد گرفته است.
پس از آموزش، برای یک متراژ جدید (مثلاً ۱۲۰ متر)، هوش مصنوعی به راحتی قیمت را با فرمول یادگرفته شده محاسبه میکند.
کاربرد واقعی در زندگی روزمره: از تشخیص چهره تا پیشنهاد فیلم
شاید باور نکنید، اما هر روز از دهها مدل هوش مصنوعی که با مثال آموزش دیدهاند استفاده میکنیم:
- فیلتر هرزنامه (اسپم) در ایمیل: به مدل هزاران ایمیل نشان داده میشود با برچسب «هرزنامه» یا «عادی». مدل یاد میگیرد کلمات تکراری ایمیلهای هرزنامه را تشخیص دهد.
- تشخیص چهره در گوشی: با دیدن نمونههای فراوان از چهرهٔ شما، مدل ویژگیهای خاص صورتتان را یاد میگیرد و بعداً شما را از دیگران تشخیص میدهد.
- پیشنهاد فیلم در سکوهای نمایش فیلم (نتفلیکس): مدل بر اساس فیلمهایی که قبلاً دیدهاید و امتیازی که به آنها دادهاید، سلیقهٔ شما را یاد میگیرد و فیلمهای مشابه پیشنهاد میدهد.
- تشخیص تومور در تصاویر پزشکی: با نشان دادن هزاران عکس از اسکنهای پزشکی به همراه نظر متخصص (که کدام تومور خوشخیم یا بدخیم است)، مدل یاد میگیرد علائم اولیه را ببیند و به پزشک کمک کند.
چالشهای مفهومی در مسیر آموزش هوش مصنوعی
پاسخ: مدل یا کمبرازش۳ میشود (هیچ الگوی مفیدی یاد نمیگیرد) یا بیشبرازش۴ (نمونهها را از حفظ میکند و بر روی دادهٔ جدید عملکرد ضعیفی دارد). مثل دانشآموزی که فقط جواب تمرینها را حفظ کرده، اما مفهوم را نفهمیده است.
پاسخ: با تقسیم داده به دو بخش: ۸۰٪ برای آموزش و ۲۰٪ برای تست. اگر مدل روی دادهٔ تست (که هرگز ندیده) هم عملکرد خوبی داشته باشد، نشانهٔ یادگیری واقعی است. همچنین از روشهایی مثل اعتبارسنجی متقابل۵ استفاده میشود.
پاسخ: خیر. در یادگیری نظارتشده، حتماً به دادهٔ برچسبدار نیاز است. اگر برای تشخیص یک بیماری نادر، نمونه کافی نداشته باشیم، مدل قادر به یادگیری نخواهد بود. برای این موارد از روشهای دیگر مثل یادگیری بدون نظارت۶ استفاده میشود.
- در آموزش هوش مصنوعی به روش نظارتشده، به جای نوشتن قانون، نمونههای زیاد با برچسب نشان داده میشود.
- سه رکن اصلی: دادهٔ ورودی، برچسبها، و الگوریتم یادگیری.
- مدل با اندازهگیری خطا و بهینهسازی وزنها، الگوها را کشف میکند.
- مهمترین چالشها: کمبود داده، بیشبرازش، و نیاز به دادهٔ برچسبدار با کیفیت.
- از تشخیص چهره تا پزشکی، هر روز از این فناوری استفاده میکنیم.
پاورقیها
۱یادگیری نظارتشده (Supervised Learning): شاخهای از یادگیری ماشین که در آن مدل با استفاده از دادههای ورودی همراه با برچسبهای صحیح آموزش میبیند.
۲نزول گرادیان (Gradient Descent): الگوریتم بهینهسازی تکراری که برای کمینه کردن تابع هزینه با حرکت در خلاف جهت شیب تابع استفاده میشود.
۳کمبرازش (Underfitting): حالتی که مدل نتواند الگوی دادههای آموزشی را به خوبی یاد بگیرد و هم روی دادهٔ آموزش و هم روی دادهٔ تست عملکرد ضعیفی داشته باشد.
۴بیشبرازش (Overfitting): حالتی که مدل نویزها و جزئیات اضافی دادهٔ آموزشی را نیز یاد میگیرد و در نتیجه روی دادهٔ جدید عملکرد ضعیفی دارد.
۵اعتبارسنجی متقابل (Cross-Validation): روشی برای ارزیابی عملکرد مدل با تقسیم چندبارهٔ داده به بخشهای آموزش و اعتبارسنجی.
۶یادگیری بدون نظارت (Unsupervised Learning): نوعی یادگیری ماشین که در آن دادهها بدون برچسب هستند و مدل باید الگوهای پنهان را خودش کشف کند.
