مرجع مهندسی و مدیریت ساخت - وبسایت دکتر مهدی روانشادنیا

ثبت نام | ورود

English

امروز سه شنبه 1403.1.28 Iranian Construction Engineering and Management

صفحه اصلی

کاربرد رایانه در مهندسی

هوش مصنوعی و یادگیری عمیق
استفاده از هوش‌ مصنوعی و فناوری‌های مرتبط به آن در زندگی انسان‌ها روز به روز افزایش پیدا می‌کند. مثلاً شرکت تسلا با عرضه اتومبیل‌هایی با قابلیت رانندگی خودکار با دقتی بسیار بالا، انقلابی در صنعت خودرو به پا کرده است. اما ممکن است از خود بپرسید که یک خودرو چگونه می‌تواند مانند انسان فکر کرده و علائم کنار جاده را بخواند، یا مثلاً با رعایت نکات ایمنی از یک خودروی دیگر در جاده سبقت بگیرد؟ پاسخ شما در این دو کلمه خلاصه می‌شود، یادگیری عمیق ! یادگیری عمیق چیست؟ یادگیری عمیق، یک تکنیک در هوش ‌مصنوعی و زیرمجموعه‌ای از یادگیری ماشین است که به کامپیوترها شبیه انسان فکر و رفتار کردن را آموزش می‌دهد. در واقع در این تکنیک سعی می‌شود عملکرد مغز انسان در تحلیل‌ داده‌ها و ساخت الگو‌ برای تصمیم‌گیری، شبیه‌سازی شود. به عبارت دیگر یادگیری عمیق از الگوریتم‌هایی که دائما شرایط را بررسی و به یادگیری و بهبود آن می‌پردازند، استفاده می‌کند. یادگیری عمیق، یادگیری ماشین و تفاوت آن‌ها در حالی که یادگیری ماشین با مفاهیم ساده‌تری سروکار دارد، یادگیری عمیق از شبکه‌های عصبی مصنوعی برای درک و یادگیری نحوه تفکر انسان استفاده می‌کند. یادگیری ماشین برای طراحی کامپیوترهاییست که در کار خود به دخالت انسانی کمتری نیاز دارند، در حالی که یادگیری عمیق درباره ساخت کامپیوترهایی با قابلیت مدل‌سازی نحوه تفکر انسان می‌باشد. یادگیری عمیق چگونه کار می‌کند؟ یادگیری عمیق یک زیرمجموعه از یادگیری ماشین است. یعنی با استفاده از آن قادر به پیش‌بینی خروجی‌های دقیق با استفاده از یک هوش مصنوعی آموزش دیده خواهید بود. اما این آموزش چگونه صورت می‌گیرد؟ برای درک یادگیری عمیق بهتر است ابتدا با شبکه‌های عصبی مصنوعی آشنا شویم. شبکه عصبی مصنوعی شبکه‌های عصبی مصنوعی، نسخه‌ای شبیه‌سازی شده از شبکه‌های عصبی موجود در مغز انسان هستند. شبکه‌های عصبی مصنوعی قلب تپنده الگوریتم‌های یادگیری عمیق محسوب می‌شوند. در نام‌گذاری و ساختار این شبکه‌ها از مغز انسان و نحوه انتقال سیگنال در نورون‌های مغز الهام گرفته شده است. شبکه عصبه مصنوعی از نود‌ها (node)، یک لایه ورودی، یک لایه خروجی و در صورت لزوم چند لایه میانی که به آن‌ها لایه مخفی می‌گویند، تشکیل شده است. نود‌ها همان نرون‌های مجازی هستند. هر نود موجود در یک لایه به نود‌های لایه بعدی متصل می‌شود. برای این اتصال یک وزن یا Weight و یک حد آستانه تعیین می‌شود. وزن‌ها در ابتدا به صورت تصادفی و یا با استفاده از دانش و تجربه قبلی مشخص می‌شوند. اگر خروجی هر نود از حد آستانه بیشتر باشد، نود فعال شده و داده‌ها را به لایه بعدی شبکه ارسال می‌کند. در غیر اینصورت داده‌ای به لایه بعدی منتقل نمی‌شود. شبکه عصبی مصنوعی ساختاری مانند شکل زیر دارد: یادگیری به وسیله شبکه‌های عصبی با استفاده از داده‌هایی که برای آموزش شبکه در نظر گرفته شده انجام می‌شود. یعنی در ابتدا ورودی‌هایی به شبکه داده می‌شود که خروجی آن‌ها از قبل مشخص است. هدف اصلاح وزن‌های یاد شده و نزدیک شدن مقادیر خروجی شبکه به خروجی‌های از قبل مشخص شده است. با اصلاح وزن‌ها این اتفاق رخ می‌دهد و با هر بار آموزش، خروجی شبکه دقیق‌تر خواهد شد. آموزش تا جایی ادامه پیدا می‌کند که شبکه در مواجه شدن با داده‌های جدید و از قبل دیده نشده، از خود عملکرد دقیق و مناسبی ارائه دهد. به یاد داشته باشید که برای آموزش دقیق سیستم خود با استفاده از یادگیری عمیق به حجم بسیار زیادی از داده و توان پردازشی بسیار بالا نیاز دارید. آموزش سیستم‌ها در یادگیری عمیق حتی ممکن است تا هفته‌ها طول بکشد. چرا استفاده از یادگیری عمیق در دنیای امروز اهمیت زیادی پیدا کرده است؟ دقت! سطح دقت و قدرت تشخیص به وسیله یادگیری عمیق بسیار بالا رفته و در صنایع حساس با اطمینان از آن استفاده می‌شود. با اینکه تئوری یادگیری عمیق در دهه ۸۰ میلادی مطرح شد اما استفاده مفید از کاربردهای آن در سال‌های اخیر صورت گرفته است، این امر دو دلیل مهم دارد: ۱. یادگیری عمیق نیازمند حجم عظیمی از داده‌های برچسب‌خورده (یعنی داده‌هایی که متعلق به یک دسته مشخص هستند) است، مثلاً در بحث توسعه اتومبیل‌های خودران، میلیون‌ها تصویر و هزاران ساعت ویدیو برای آموزش سیستم مورد نیاز است که امروزه تهیه و دسترسی به آن‌ها ساده‌تر صورت می‌گیرد. ۲. یادگیری عمیق نیازمند توان پردازشی قابل توجهی است. واحد‌های پردازنده گرافیکی با عملکرد بالا از معماری موازی بهره می‌برند که برای یادگیری عمیق کارامد است. با مطرح شدن پردازش ابری در عصر حاضر تیم‌های توسعه می‌توانند زمان آموزش سیستم خود را از چند هفته به چند ساعت یا حتی کمتر کاهش دهند. کاربرد‌های یادگیری عمیق کاربرد‌های متفاوت در صنایع متفاوت! برای درک گستردگی استفاده از یادگیری عمیق در دنیای امروز به مثال‌های زیر توجه کنید: خواندنی ها شهر هوشمند چیست؟ ۱۱ آذر,۱۳۹۹ ۱,۱۷۳ الگوریتم ژنتیک قدرت بخش هوش مصنوعی برای رسیدن به دنیایی هیجان انگیز ۹ آذر,۱۳۹۹ ۳,۳۳۴ اتومبیل‌های خودران همانطور که در ابتدای این مقاله نیز اشاره کردیم، محققان صنعت خودرو از یادگیری عمیق برای شناسایی خودکار اشیایی نظیر علائم راهنمایی و رانندگی و چرا‌غ‌های راهنمایی بهره می‌برند. از یادگیری عمیق برای شناسایی عابران پیاده و کاهش خطر تصادف نیز استفاده می‌شود. رباتیک از یادگیری عمیق به شدت در ساخت ربات‌های انسان‌نما استفاده می‌شود. ربات‌ها با استفاده از یادگیری عمیق می‌توانند در هر لحظه بروزرسانی‌هایی در رفتار و نحوه عملکرد خود دریافت کنند. مثلاً با مواجه شدن با یک مانع، می‌توانند مسیر خود را به سمت دیگر تغییر دهند. برای دریافت بهترین آموزش داده کاوی در فرادرس کلیک کنید. تحقیقات پزشکی محققان در حال استفاده از یادگیری عمیق برای تشخیص خودکار سلول‌های سرطانی هستند. تیم‌هایی در دانشگاه کالیفرنیا، لس آنجلس، میکروسکوپ پیشرفته‌ای ساخته‌اند که داده‌های لازم برای آموزش یک نرم‌افزار یادگیری عمیق به منظور شناسایی دقیق سلول‌های سرطانی را در اختیار آن قرار می‌دهد. اتوماسیون صنعتی یادگیری عمیق با محاسبه خودکار فاصله افراد و اشیا با دستگاه‌ها و ماشین‌های سنگین، به افزایش ایمنی کارگران کمک می‌کند. شبکه‌های اجتماعی توییتر از الگوریتم‌های یادگیری عمیق برای تحلیل داده با استفاده از شبکه عصبی و یادگیری در مورد ترجیحات و علایق کاربران استفاده می‌کند. اینستاگرام از یادگیری عمیق برای جلوگیری از آزار رایانه‌ای و حذف نظرات آزاردهنده استفاده می‌کند. فیسبوک از یادگیری عمیق برای پیشنهاد صفحات، دوستان و محصولات مطابق با سلایق کاربران خود استفاده می‌کند. همچنین آن‌ها از شبکه عصبی مصنوعی برای تشخیص چهره استفاده می‌کنند که تگ کردن دوستان در پست‌ها را بسیار ساده کرده است. دستیار‌های مجازی دستیارهای مجازی، نرم‌افزارهایی مبتنی بر فناوری ابری هستند که توانایی فهم زبان انسان و دستورات او را دارند. الکسا، کورتانا، سیری و دستیار صوتی گوگل مثال‌هایی از دستیار‌های مجازی هستند. از یادگیری عمیق برای کسب تجربه از طریق اجرای هر فرمان انسان و دادن خدمات بهتر در دفعات بعد،‌ استفاده می‌شود. پس همانطور که متوجه شدید الگوریتم‌های یادگیری عمیق در عمق زندگی ما نفوذ کرده‌اند و ممکن است بدون این که خودتان متوجه باشید هر روز از مزایا و قابلیت‌های یادگیری عمیق استفاده کنید. یادگیری عمیق، چالش‌ها و آینده با توجه به نیاز سیستم‌های یادگیری عمیق به داده‌های فراوان برای آموزش، چالش‌های مربوط به حافظت از داده‌های کاربران و حفظ حریم شخصی که این روزها بسیار مورد توجه افکار عمومی قرار گرفته است، همچنان مطرح خواهند بود. اگرچه اغلب عملکرد یادگیری عمیق با عملکرد مغز انسان‌ها یا حیوانات مقایسه می‌شود، اما شبکه عصبی مصنوعی نسبت به همتایان طبیعی خود از کارآیی، انعطاف‌پذیری و تطبیق‌پذیری بسیار کمتری برخوردار است. به نظر می‌رسد که حد و مرزی برای استفاده از پتانسیل‌های یادگیری عمیق وجود ندارد، اما توسعه‌دهندگان همچنان برای بکارگیری یادگیری عمیق با چالش‌هایی روبرو هستند، چرا که طراحی و استفاده از الگوریتم‌های یادگیری عمیق به هیچ وجه آسان نیست. با این حال امید است که در آینده‌ای نزدیک با طراحی چارچوب‌های نرم‌افزاری، بکارگیری یادگیری عمیق برای توسعه‌دهندگان متوسط نیز آسان‌ و ممکن شود. هوش مصنوعی به ارائه راه حل برای مسائلی که الگوریتم مشخصی برای حل آن‌ها موجود نیست می‌پردازد. اگر به آموزش هوش مصنوعی و مباحث مرتبط از جمله یادگیری عمیق علاقه دارید حتماً فرادرس را مدنظر خود قرار دهید. فرادرس به عنوان یک مرکز آموزش آنلاین دروس دانشگاهی، به ارائه دوره‌های آموزشی هوش مصنوعی نیز توسط اساتید خبره می‌پردازد.

آرشيو مطالب...

نام:
ایمیل:
نظرات:

تعداد کاربران: 46