ماشین لرنینگ چیست؟

این متن در مورد یادگیری ماشینی یا همان «Machine Learning» صحبت می‌کند که یکی از قدرتمندترین و فراگیرترین فناوری‌های هوش مصنوعی «Artificial Intelligence» است. یادگیری ماشینی با سرعت هرچه بیشتر در حال ایجاد تغییر و تحول در تمام صنایع و بخش‌های مختلف آن است. در این مقاله نکاتی در مورد پتانسیل‌ها «Potential» و محدودیت‌های «Limitations» یادگیری ماشینی وجود دارد که بهتر است آنها را بدانیم و بدانیم چگونه باید از آنها بهره مند شویم.

و اما آغاز

در ابتدا باید متذکر شد که یادگیری ماشینی در پس بسیاری از فناوری‌هایی که ما بطور روزمره با آنها در ارتباط هستیم قرار دارد. مثلا از چت‌بات‌ها و متون پیش‌بینی‌کننده گرفته تا برنامه‌های ترجمه زبان و حتی نمایش‌هایی که نتفلیکس به ما پیشنهاد می‌دهد و یا نحوه ارائه فیدهای رسانه‌های اجتماعی، همه و همه در پس خود چیزی به نام یادگیری ماشینی را دارند. ضمنا یادگیری ماشینی نه تنها در خدمات روزمره، بلکه در فناوری‌های پیشرفته‌تری مانند خودروهای بدون راننده و تشخیص پزشکی بر اساس تصاویر نیز کاربرد دارد.

امروزه وقتی شرکت‌ها از برنامه‌های هوش مصنوعی استفاده می‌کنند، اغلب از یادگیری ماشینی «Machine Learning» استفاده می‌کنند. اصطلاحات «هوش مصنوعی» و «یادگیری ماشینی» اغلب به جای هم استفاده می‌شوند و گاه به صورت مبهم به کار برده می‌شوند. یادگیری ماشینی زیرشاخه‌ای از هوش مصنوعی است که به کامپیوترها این امکان را می‌دهد تا بدون برنامه‌ریزی صریح، بیاموزند. در واقع این موضوع به کامپیوترها اجازه می‌دهد بدون دستورالعمل‌های صریح، خودشان چیزهایی را یاد بگیرند. این فناوری پشت بسیاری از برنامه‌های هوش مصنوعی امروزی قرار دارد.

توماس دبلیو ملون، استاد دانشکده مدیریت «MIT» و مدیر بنیانگذار مرکز هوشمندی جمعی «MIT» می‌گوید: در طی ۵ تا ۱۰ سال گذشته، یادگیری ماشینی به روشی بسیار حیاتی و البته مهم‌ترین روش برای اجرای بخش‌های مختلف هوش مصنوعی تبدیل شده است.

به همین دلیل است که برخی افراد اصطلاحات «هوش مصنوعی» و «یادگیری ماشینی» را تقریباً به عنوان مترادف استفاده می‌کنند.

اکثر پیشرفت‌های کنونی در حوزه هوش مصنوعی مبتنی بر یادگیری ماشینی می‌باشد.

به دلیل رواج فزاینده یادگیری ماشینی، همه افراد حاضر در فضای کسب و کار احتمالاً با آن مواجه خواهند شد و نیاز به دانش کاربردی در این حوزه خواهند داشت.

طبق نظرسنجی دیلویت «Deloitte» در سال ۲۰۲۰:

• ۶۷% از شرکت‌ها در حال استفاده از یادگیری ماشینی هستند
• ۹۷% از شرکت‌ها یا در حال استفاده از یادگیری ماشینی هستند یا در یک سال آینده قصد استفاده از آن را دارند

البته همانطور که عرض شد این نظرسنجی مربوط به چهار سال قبل بوده و احتمال فراگیری هرچه بیشتر این فناوری در فضای کسب و کارها کاملا محتمل است.

یادگیری ماشینی در حال حاضر در صنایع مختلفی از جمله تولید، خرده‌فروشی، بانکداری و حتی نانوایی‌ها استفاده می‌شود. حتی شرکت‌های سنتی نیز از آن برای افزودن ارزش‌های جدید و کارایی استفاده می‌کنند.

آلکساندر مادری، استاد علوم کامپیوتر «MIT»، می‌گوید که یادگیری ماشینی در حال تغییر دادن تمام صنایع است. به همین دلیل، رهبران و مدیران باید اصول پایه، پتانسیل و محدودیت‌های آن را درک کنند.

همچنین الکساندر مادری افزوده است که اگرچه همه افراد نیاز ندارند که به جزئیات فنی آشنا باشند، اما آنها باید بفهمند که این فناوری چه کاری انجام می‌دهد و چه چیزهایی را می‌تواند و چه چیزهایی را نمی‌تواند انجام دهد.

او می‌گوید: «فکر نمی‌کنم که هیچ‌کس بتواند خود را از آگاهی از آنچه در حال رخ دادن است، دور نگه دارد.»

به عبارت دیگر، حتی اگر افراد نیاز ندارند که به جزئیات فنی یادگیری ماشینی مسلط باشند، اما باید درک کلی از چگونگی عملکرد و قابلیت‌ها و محدودیت‌های این فناوری داشته باشند. این آگاهی برای همه افراد ضروری است.

در کنار درک توانایی‌ها و محدودیت‌های فنی یادگیری ماشینی، آگاهی از پیامدهای اجتماعی و اخلاقی این فناوری نیز اهمیت دارد. دکتر جوآن لاروور تأکید می‌کند که درگیر شدن و تلاش برای درک این ابزارها و سپس چگونگی استفاده از آنها برای منفعت عمومی جامعه بسیار مهم است. لاروور بر پتانسیل عظیم هوش مصنوعی برای انجام کارهای خوب و بهبود جهان تأکید می‌کند و اظهار می‌دارد که نباید این پتانسیل مثبت را نادیده بگیریم. پیام اصلی این است که رهبران و تصمیم‌گیرندگان نیاز دارند یک درک جامع از یادگیری ماشینی – جنبه‌های فنی آن و همچنین پیامدهای گسترده‌تر اجتماعی و اخلاقی آن – داشته باشند. این درک جامع برای اطمینان از اینکه این ابزارهای قدرتمند به طور مسئولانه و به نفع همه استفاده می‌شوند، حیاتی است.

یادگیری ماشینی چیست؟

یادگیری ماشین یک زیرشاخه از هوش مصنوعی «Artificial Intelligence» است. در یادگیری ماشین، الگوریتم‌ها به طور خودکار از داده‌ها یاد می‌گیرند و برای انجام وظایف خاص بهبود می‌یابند، بدون اینکه به طور مستقیم برنامه ریزی شده باشند. این به سیستم‌های هوش مصنوعی امکان می‌دهد تا به طور موثرتری با محیط‌های متغیر کنار بیایند و وظایف پیچیده‌ای را که حل آنها برای انسان‌ها دشوار است، انجام دهند. یادگیری ماشین به عنوان یک ضرورت برای پیشرفت سیستم‌های هوش مصنوعی شناخته می‌شود و به طور فزاینده در حوزه‌هایی مانند بینایی کامپیوتری، پردازش زبان طبیعی و هوش مصنوعی کاربردی استفاده می‌شود. 

هدف اصلی هوش مصنوعی، ساخت مدل‌های کامپیوتری است که رفتارهای هوشمندانه مشابه انسان‌ها را نشان دهند. به عبارت دیگر، هدف این است که ماشین‌ها و سیستم‌های کامپیوتری قادر باشند:

• صحنه‌های بصری را شناسایی و درک کنند، همانطور که انسان‌ها محیط اطراف خود را درک می‌کنند.
• متون نوشتاری به زبان طبیعی را بفهمند و پردازش کنند، مانند درک زبان نوشتاری و گفتاری توسط انسان‌ها.
• اقدامات فیزیکی انجام دهند و با دنیای واقعی تعامل داشته باشند، شبیه به توانایی‌های انسان در دستکاری محیط.

در واقع، هدف اصلی پژوهش‌های هوش مصنوعی، ایجاد مدل‌های محاسباتی است که بتوانند جنبه‌های مختلف هوش انسانی مانند ادراک، استدلال، یادگیری و حل مسئله را تقلید کنند.

یادگیری ماشینی یکی از راه‌های استفاده از هوش مصنوعی است. این مفهوم در دهه ۱۹۵۰ توسط پیشگام هوش مصنوعی، آرتور ساموئل، چنین تعریف شده است:

«یادگیری ماشینی زمینه‌ای از مطالعه است که به کامپیوترها توانایی یادگیری را بدون برنامه ریزی صریح می‌دهد.» 

به عبارت دیگر، در یادگیری ماشینی، کامپیوترها و سیستم‌های هوش مصنوعی قادر می‌شوند با استفاده از داده‌ها و الگوریتم‌های آموزشی، مهارت‌ها و دانش خود را افزایش دهند، بدون اینکه به طور دستی برنامه ریزی شده باشند. این رویکرد یکی از اصلی‌ترین روش‌های دستیابی به هوش مصنوعی است و سبب پیشرفت‌های چشمگیری در زمینه‌های مختلف شده است.

طبق گفته مایکی شولمن، مدرس در «MIT Sloan» و رئیس بخش یادگیری ماشین در «Kensho»، که در زمینه هوش مصنوعی برای جوامع مالی و اطلاعاتی آمریکا تخصص دارد، تعریف بیان شده صحیح است. او روش سنتی برنامه‌نویسی کامپیوترها، یا «نرم‌افزار ۱٫۰»، را با فرایند پخت و پز مقایسه کرده، جایی که دستور پخت مقادیر دقیق مواد را می‌خواهد و به نانوا می‌گوید برای مدت زمان دقیقی مخلوط کند. برنامه‌نویسی سنتی به طور مشابه نیاز به ایجاد دستورالعمل‌های دقیق برای کامپیوتر جهت پیروی دارد. اما در برخی موارد، نوشتن برنامه‌ای برای ماشین جهت پیروی، وقت‌گیر یا غیرممکن است، مانند آموزش کامپیوتر برای تشخیص تصاویر افراد مختلف. در حالی که انسان‌ها می‌توانند این کار را به راحتی انجام دهند، بیان این موضوع به کامپیوتر که چگونه این کار را انجام دهد، دشوار است. یادگیری ماشین رویکردی را اتخاذ می‌کند که به کامپیوترها اجازه می‌دهد از طریق تجربه، خودشان را برنامه‌ریزی کنند.

منظور از این مقایسه این است: در برنامه نویسی سنتی «نرم‌افزار ۱٫۰»، برنامه نویس باید دستورالعمل‌های خیلی دقیق و جزئی را برای کامپیوتر تعریف کند. مثل دستور پخت یک کیک، که به طور دقیق مقادیر مواد اولیه و مدت زمان مخلوط کردن را مشخص می‌کند. به همین شکل، در برنامه نویسی سنتی، برنامه نویس باید دستورالعمل‌های خیلی جزئی و دقیق را برای کامپیوتر تعریف کند تا بتواند کارها را انجام دهد. این مقایسه به این معنی است که در برنامه نویسی سنتی، بار سنگینی بر دوش برنامه نویس است که باید همه جزئیات را به دقت مشخص کند.

به همین شکل، در برنامه نویسی سنتی، برنامه نویس باید دستورالعمل های خیلی جزئی و دقیق را برای کامپیوتر تعریف کند تا بتواند کارها را انجام دهد. این مقایسه به این معنی است که در برنامه نویسی سنتی، بار سنگینی بر دوش برنامه نویس است که باید همه جزئیات را به دقت مشخص کند.

یادگیری ماشینی بر اساس داده‌ها «data» شکل می‌گیرد و بهبود پیدا می‌کند.

به طور خلاصه:

• دسته‌ای از داده‌ها (مانند تصاویر، متون، اعداد) جمع‌آوری می‌شوند.
• این داده‌ها به عنوان داده‌های آموزشی «training data» مورد استفاده قرار می‌گیرند.
• مدل یادگیری ماشینی با استفاده از این داده‌های آموزشی، الگوها و روابط را درک می‌کند و آموزش می‌بیند.
• هرچه داده‌های آموزشی بیشتر و با کیفیت‌تر باشند، مدل یادگیری ماشینی می‌تواند عملکرد بهتری داشته باشد.

به عبارت دیگر، حجم و کیفیت داده‌های آموزشی نقش حیاتی در توانایی و دقت مدل یادگیری ماشینی دارد. هرچه داده‌ها غنی‌تر باشند، مدل می‌تواند آموزش بهتری ببیند و در نتیجه عملکرد بهتری داشته باشد.

از آن جایی که داده‌های آموزشی آماده شده است، برنامه‌نویسان یک مدل یادگیری ماشینی را انتخاب می‌کنند، داده‌ها را به آن وارد می‌کنند و اجازه می‌دهند که خود مدل، آموزش ببیند و الگوها یا پیش‌بینی‌ها را کشف کند. با گذشت زمان، برنامه‌نویس انسانی می‌تواند به تنظیم و اصلاح مدل بپردازد، از جمله تغییر پارامترهای آن، تا به نتایج دقیق‌تری دست پیدا کند.

وبسایت «AI Weirdness» به سرپرستی پژوهشگر علمی جانل شین، نگاه سرگرم‌کننده‌ای به نحوه یادگیری الگوریتم‌های یادگیری ماشینی و همچنین اشتباهاتی که ممکن است مرتکب شوند، ارائه می‌دهد. مثلا در یک مورد ذکر شده در سایت یک الگوریتم سعی کرد دستور پخت یک کیک را ایجاد کند و در نهایت «کیک مرغ شکلاتی مرغ» را به وجود آورد. این مسئله نشان می‌دهد که هرچند مدل‌های یادگیری ماشینی پیشرفته هستند اما هنوز جای کار و بهبود زیادی دارند و نیاز است که برنامه‌نویسان به تنظیم و اصلاح مداوم آنها بپردازند تا به نتایج مطلوب‌تری برسند.

بخشی از داده‌ها کنار گذاشته می‌شوند تا به عنوان داده‌های ارزیابی استفاده شوند. این داده‌های ارزیابی، میزان دقت مدل یادگیری ماشینی را در برخورد با داده‌های جدید آزمایش می‌کند. نتیجه این کار، ایجاد مدلی است که می‌تواند در آینده با مجموعه‌های داده‌های مختلف مورد استفاده قرار گیرد.

اخیرا مالون در یک گزارش تحقیقاتی در مورد هوش مصنوعی و آینده آن که به همکاری پروفسور دانیلا راس از «MIT» و رابرت لاوباخر، معاون مدیر مرکز هوش جمعی «MIT» نوشته شده است، نوشته که الگوریتم‌های یادگیری ماشینی موفق می‌توانند کارهای مختلفی انجام دهند.

محققان سه نوع اصلی کاربرد سیستم‌های یادگیری ماشینی را اینگونه بیان کرده‌اند:

• توصیفی «Descriptive»: سیستم از داده‌ها برای توضیح آنچه که قبلاً اتفاق افتاده استفاده می‌کند.
• پیش‌بینی‌کننده «Predictive»: سیستم از داده‌ها برای پیش‌بینی آنچه که در آینده اتفاق خواهد افتاد استفاده می‌کند.
• پیشنهادی «Prescriptive»: سیستم از داده‌ها برای ارائه پیشنهادهایی درباره اقدامات مناسب آینده استفاده می‌کند.

به عبارت دیگر، این سه نوع کاربرد به ترتیب توصیف گذشته، پیش‌بینی آینده و ارائه توصیه‌های برای آینده را هدف قرار می‌دهند. این طبقه‌بندی نشان می‌دهد که سیستم‌های یادگیری ماشینی قادرند انواع مختلفی از تحلیل‌ها و بینش‌ها را ارائه دهند.

سه زیر مجموعه یادگیری ماشین وجود دارد:

• یادگیری ماشینی نظارت‌شده «Supervised Machine Learning»:

در این روش، الگوریتم با استفاده از مجموعه داده‌های برچسب‌دار «labeled data» آموزش داده می‌شود.

الگوریتم می‌آموزد تا بتواند الگوها و ویژگی‌های مرتبط را شناسایی کند و پیش‌بینی‌های دقیق‌تری انجام دهد.

مثال: آموزش الگوریتم تشخیص تصویر سگ با استفاده از تصاویر برچسب‌گذاری‌شده.

• یادگیری ماشینی غیرنظارت‌شده «Unsupervised Machine Learning»:

در این روش، الگوریتم خود به دنبال الگوها و روندهای موجود در داده‌های بدون برچسب می‌گردد.

هدف پیدا کردن الگوهایی است که توسط انسان‌ها مشخص نشده‌اند.

مثال: شناسایی انواع مختلف مشتریان بر اساس رفتار خرید آن‌ها.

• یادگیری ماشینی تقویتی «Reinforcement Learning»:

در این روش، الگوریتم از طریق آزمون و خطا و دریافت بازخورد می‌آموزد.

هدف یادگیری بهترین اقدام ممکن در شرایط مختلف است.

مثال: آموزش الگوریتم بازی کردن بازی‌ها یا هدایت وسایل نقلیه خودران.

یادگیری ماشینی زمانی موثرتر است که مجموعه داده‌های عظیمی در دسترس باشد. چند نکته مهم درباره این موضوع:

• حجم داده: یادگیری ماشینی نیاز به هزاران یا میلیون‌ها مثال و داده دارد تا بتواند الگوها را بشناسد و پیش‌بینی‌های دقیق انجام دهد.
• مثال‌های متنوع: این داده‌ها باید متنوع و نماینده باشند، مانند مکالمات قبلی با مشتریان، داده‌های سنسور ماشین‌ها یا تراکنش‌های بانکی.
• نمونه موفق: گوگل ترنسلیت مثال خوبی است که با استفاده از حجم عظیمی از محتوای چندزبانه در وب، توانسته به عملکرد خوبی در ترجمه دست یابد.

بنابراین، محدودیت اساسی یادگیری ماشینی، نیاز به مجموعه داده‌های بزرگ و مثال است. در مواردی که چنین حجم داده‌ای در دسترس نیست، ممکن است سایر روش‌های هوش مصنوعی یا تخصص انسانی مکمل یادگیری ماشینی باشند.

در برخی موارد، یادگیری ماشینی می‌تواند بینش یا تصمیم‌گیری اتوماتیک را به دست آورد، در حالی که انسان‌ها قادر به انجام آن نیستند.

جستجوگر گوگل مثال خوبی است برای نشان دادن اینکه چگونه یادگیری ماشینی می‌تواند کارهایی را انجام دهد که برای انسان‌ها غیرممکن است. انسان‌ها می‌توانند جست‌وجو انجام دهند، اما نه در مقیاس و سرعتی که مدل‌های گوگل انجام می‌دهند. این مثالی نیست از اینکه کامپیوترها جای انسان‌ها را می‌گیرند، بلکه مثالی است از اینکه کامپیوترها کارهایی را انجام می‌دهند که اگر توسط انسان‌ها باید انجام می‌شد، اقتصادی نبود.

یادگیری ماشین همچنین با چندین زیر شاخه هوش مصنوعی دیگر مرتبط است:

• پردازش زبان طبیعی «Natural Language Processing یا NLP» 

«NLP» به ماشین‌ها این امکان را می‌دهد تا به زبان طبیعی (مانند گفتار و نوشتار انسان‌ها) و نه فقط با داده‌ها و اعداد برنامه نویسی شده، پاسخ دهند. هدف «NLP» این است که ماشین‌ها بتوانند زبان انسان‌ها را شناسایی، درک و به آن پاسخ دهند. این باعث می‌شود تا تعامل بین انسان و ماشین طبیعی‌تر شود. «NLP» پشت سر فناوری‌هایی مانند چت بات‌ها، دستیارهای دیجیتال «مانند Siri یا Alexa»، ترجمه زبان، تحلیل احساسات و خلاصه سازی متن قرار دارد. اساس «NLP» این است که به ماشین‌ها اجازه می‌دهد تا بافت، ظرافت و معنای پشت زبان انسان را درک کنند، و نه صرفا کلمات لفظی. این باعث می‌شود تعاملات طبیعی‌تر و انسان گونه‌تر شود. به طور کلی، «NLP» به ماشین‌ها امکان می‌دهد تا با زبان انسان‌ها به صورت طبیعی‌تر و هوشمندانه‌تر تعامل داشته باشند.

• شبکه‌های عصبی مصنوعی «Neural Networks»

شبکه‌های عصبی مصنوعی یک دسته خاص از الگوریتم‌های یادگیری ماشین هستند که با الهام از مغز انسان طراحی شده‌اند. در این شبکه‌ها، سلول‌ها یا نودها «node» به هم متصل هستند و هر نود، ورودی‌ها را پردازش و خروجی تولید می‌کند که به سایر نورون‌ها ارسال می‌شود. داده‌های برچسب دار از طریق این نودها عبور می‌کنند و بوسیله هر نود انجام یک عملکرد متفاوت صورت می‌پذیرد. به عنوان مثال، در یک شبکه عصبی آموزش دیده برای تشخیص عکس حاوی گربه، نودهای مختلف اطلاعات را ارزیابی می‌کنند و در نهایت خروجی مبنی بر وجود یا عدم وجود گربه در عکس را تولید می‌کنند. در کل، شبکه‌های عصبی مصنوعی به ماشین‌ها اجازه می‌دهند تا به صورت طبیعی‌تر و هوشمندانه‌تر با اطلاعات آشنا شوند و پردازش کنند.

• یادگیری عمیق (deep learning) 

شبکه‌های یادگیری عمیق، شبکه‌های عصبی با لایه‌های زیاد هستند. این شبکه لایه‌ای می‌تواند حجم زیادی از داده‌ها را پردازش کرده و «وزن» هر ارتباط در شبکه را تعیین کند. به عنوان مثال، در یک سیستم تشخیص تصویر، برخی از لایه‌های شبکه عصبی ممکن است ویژگی‌های فردی چهره مانند چشم‌ها، بینی یا دهان را تشخیص دهند، در حالی که لایه دیگری می‌تواند بگوید آیا این ویژگی‌ها به شکلی هستند که نشان‌دهنده وجود یک چهره در تصویر باشد یا خیر. مانند شبکه‌های عصبی، یادگیری عمیق هم بر اساس نحوه کارکرد مغز انسان مدل‌سازی شده است.

به گفته ملون: «هر چقدر لایه‌های بیشتری داشته باشید، پتانسیل بیشتری برای انجام کارهای پیچیده خواهید داشت»

• یادگیری عمیق برای آموزش و اجرای مدل‌های پیچیده خود، به منابع محاسباتی بسیار زیادی «مانند CPU و GPU قوی» نیاز دارد.
• این میزان بالای محاسبات و منابع مورد نیاز، هزینه‌های اقتصادی زیادی را به همراه دارد. استفاده از زیرساخت‌های محاسباتی قدرتمند برای یادگیری عمیق گران است.
• همچنین این میزان بالای محاسبات، مصرف انرژی و آلودگی زیست محیطی را به دنبال دارد. استفاده گسترده از یادگیری عمیق ممکن است پایداری زیست محیطی را تحت تأثیر قرار دهد.

کسب و کارها چگونه از یادگیری ماشین استفاده میکنند؟

یادگیری ماشینی، هسته اصلی مدل کسب و کار برخی از شرکت‌هاست، مانند الگوریتم پیشنهادات نتفلیکس یا موتور جستجوی گوگل. شرکت‌های دیگری نیز به طور عمیقی با یادگیری ماشین درگیر هستند، اگرچه این موضوع، پیشنهاد اصلی کسب و کار آن‌ها نیست. بعضی از دیگر شرکت ها هنوز در تلاش هستند تا چگونگی استفاده مفید و کارآمد از یادگیری ماشینی را تعیین کنند.

مایکی شولمن میگوید: «به نظر من، یکی از مشکل‌ترین مسائل در یادگیری ماشینی این است که بفهمیم چه مشکلاتی را می‌توانیم با یادگیری ماشینی حل کنیم» و افزود: «هنوز در این زمینه شکاف درک وجود دارد.»

در مقاله‌ای در سال ۲۰۱۸، محققان از انجمن اقتصاد دیجیتال «MIT» یک چارچوب ۲۱ سوالی را ارائه کردند تا تعیین کنند آیا یک وظیفه برای یادگیری ماشینی مناسب است یا خیر. محققان دریافتند که هیچ شغلی بدون تأثیر یادگیری ماشینی نخواهد ماند، اما احتمالاً هیچ شغلی کاملاً توسط یادگیری ماشینی تصاحب نخواهد شد. به نظر محققان راه حل موفقیت در یادگیری ماشینی، بازسازی مشاغل در امور مجزا است، برخی از آنها می‌توانند توسط یادگیری ماشینی انجام شوند و بقیه نیازمند یک انسان هستند.

روش‌های مختلفی که شرکت‌ها از یادگیری ماشین استفاده میکنند

• الگوریتم‌های پیشنهادی «Recommendation Algorithms»

الگوریتم‌های پیشنهادی در اپلیکیشن‌های مختلف مانند «Netflix، YouTube، Facebook» و غیره توسط یادگیری ماشین پشتیبانی می‌شوند. هدف این الگوریتم‌ها یادگیری ترجیحات و علایق کاربران است. آنها تلاش می‌کنند بفهمند کاربران چه محتواهایی را ترجیح می‌دهند و در راستای آن پیشنهادات مناسب ارائه دهند. مثال‌هایی که ذکر شده شامل پیشنهادات محتوا در شبکه‌های اجتماعی (توییتر و فیس‌بوک) و همچنین پیشنهادات محصول است. بنابراین هدف این الگوریتم‌ها یادگیری الگوها و رفتارهای کاربران برای ارائه پیشنهادات شخصی‌سازی شده است.

• تحلیل تصویر و شناسایی اشیاء «Image Analysis and Object Detection»

الگوریتم‌های یادگیری ماشینی می‌توانند تصاویر را تحلیل کرده و اطلاعات مختلفی از آن‌ها استخراج کنند. یکی از کاربردهای این الگوریتم‌ها، شناسایی چهره افراد و تشخیص آن‌ها از یکدیگر است. البته که این الگوریتم‌های شناسایی چهره مورد بحث و اختلاف نظر هستند. قابلیت تحلیل تصویر و شناسایی اشیاء در زمینه‌های تجاری و کسب‌و‌کار کاربردهای مختلفی دارد. به عنوان مثال، بعضی شرکت‌ها از این الگوریتم‌ها برای تحلیل تعداد خودروهای موجود در پارکینگ‌های شرکت‌ استفاده می‌کنند.

• تشخیص تقلب «Fraud Detection»

یادگیری ماشینی می‌تواند الگوهای مختلفی را تحلیل کند تا تراکنش‌های اعتباری، تلاش‌های ورود به سیستم یا ایمیل‌های هرزنامه احتمالاً تقلبی را شناسایی کند. برای مثال، ماشین‌ها می‌توانند الگوی عادی هزینه‌کردن یا محل‌های خرید عادی یک فرد را بررسی کنند و تراکنش‌های متفاوت با این الگوها را به عنوان احتمال تقلب شناسایی کنند. این قابلیت تشخیص الگوهای غیرعادی، به شرکت‌ها و سازمان‌ها کمک می‌کند تا تقلب‌های احتمالی را سریع‌تر شناسایی کرده و جلوی خسارات بیشتر را بگیرند. این یک کاربرد مهم و کاربردی یادگیری ماشین در حوزه‌های امنیتی و جلوگیری از خسارات مالی است.

• خط‌های راهنمایی خودکار و چت‌بات‌ها «Automatic helplines or chatbots»

بسیاری از شرکت‌ها از چت‌بات‌های آنلاین استفاده می‌کنند که مشتریان با آن‌ها تعامل می‌کنند، نه با کارکنان انسانی. این الگوریتم‌ها از یادگیری ماشینی و پردازش زبان طبیعی استفاده می‌کنند و با بررسی سوابق مکالمات گذشته، پاسخ‌های مناسب را یاد می‌گیرند. این چت‌بات‌ها می‌توانند سوالات متداول، راهنمایی‌های اولیه و حتی پشتیبانی اولیه را به صورت خودکار ارائه دهند. این قابلیت به شرکت‌ها کمک می‌کند تا هزینه‌های پشتیبانی را کاهش داده و به مشتریان سرویس‌دهی بهتری ارائه کنند. در مجموع، چت‌بات‌های مبتنی بر یادگیری ماشینی و پردازش زبان طبیعی یک کاربرد گسترده و مهم این فناوری‌ها در حوزه خدمات و پشتیبانی مشتری هستند.

• خودروهای خودران «Self-driving cars»

بخش زیادی از تکنولوژی خودروهای خودران بر اساس یادگیری ماشینی، بخصوص یادگیری عمیق (deep learning)، است. یادگیری عمیق به خودروهای خودران امکان می‌دهد تا با استفاده از سنسورها و دوربین‌های نصب شده در اطراف خودرو، محیط اطراف خود را به صورت پیوسته ارزیابی کنند. این سیستم‌ها با تحلیل داده‌های ورودی از سنسورها و مقایسه آن با الگوهای آموزش دیده در مدل‌های یادگیری عمیق، قادر به شناسایی موانع، عابران پیاده، علائم راهنمایی و رانندگی و سایر جزئیات محیطی هستند. این قابلیت به خودروهای خودران امکان می‌دهد تا بدون نیاز به دخالت راننده، به صورت خودکار در ترافیک حرکت کرده و تصمیمات مناسب برای کنترل فرمان، سرعت و ترمز را اتخاذ کنند. این یک پیشرفت قابل توجه در حوزه حمل و نقل خودکار است که با کمک یادگیری ماشینی امکان‌پذیر شده است.

• پردازش تصویر پزشکی و تشخیص «Medical imaging and diagnostics»

برنامه‌های مبتنی بر یادگیری ماشینی می‌توانند برای بررسی تصاویر پزشکی یا سایر اطلاعات پزشکی آموزش داده شوند تا به دنبال علائم و نشانه‌های خاصی از بیماری‌ها باشند. به عنوان مثال، ابزارهای مبتنی بر یادگیری ماشینی می‌توانند با بررسی ماموگرام‌ها، میزان خطر ابتلا به سرطان را پیش‌بینی کنند. این سیستم‌ها از طریق آموزش بر روی مجموعه داده‌های تصاویر پزشکی و تشخیص‌های صحیح، می‌توانند الگوهایی را شناسایی کنند که نشان‌دهنده علائم بیماری‌های خاص هستند. استفاده از یادگیری ماشینی در پردازش تصاویر پزشکی و تشخیص بیماری‌ها می‌تواند به پزشکان کمک کند تا تشخیص‌های دقیق‌تر و سریع‌تری ارائه دهند. این فناوری همچنین می‌تواند به طور بالقوه باعث بهبود نتایج درمانی و کاهش هزینه‌های مراقبت‌های بهداشتی شود.

یادگیری ماشین، نحوه کارکرد، آینده و چالش‌ها

در حالی که یادگیری ماشینی فناوری‌هایی را تغذیه می‌کند که می‌توانند به کارکنان کمک کرده یا امکانات جدیدی را برای کسب و کارها باز کنند، چند نکته وجود دارد که مدیران کسب و کار باید درباره یادگیری ماشینی و محدودیت‌های آن بدانند.

• توضیح پذیری «Explain Ability»

توضیح پذیری یکی از نگرانی‌های اصلی در مورد یادگیری ماشینی است. توضیح پذیری به توانایی روشن کردن اینکه مدل‌های یادگیری ماشینی چه کاری انجام می‌دهند و چگونه تصمیمات می‌گیرند، اشاره دارد.  

به گفته پروفسور مادری، «فهمیدن اینکه یک مدل چرا آنچه را که انجام می‌دهد، انجام می‌دهد، واقعاً سوال بسیار دشواری است و همیشه باید به آن فکر کرد.».

استفاده از مدل‌های یادگیری ماشینی مستلزم درک چگونگی کارکرد آنها و روش تصمیم گیری آنها است. این امر به تفسیر پذیری و توضیح پذیری این فناوری کمک می‌کند. به طور خلاصه، توضیح پذیری یک موضوع کلیدی در مورد یادگیری ماشینی است که به مدیران کسب و کار کمک می‌کند تا از این فناوری به طور موثرتر و مسئولانه‌تر استفاده کنند.

این موضوع مهم است، زیرا سیستم‌ها می‌توانند فریب داده شوند و تضعیف شوند، یا حتی در برخی وظایفی که انسان‌ها به راحتی انجام می‌دهند، شکست بخورند. به عنوان مثال، تغییر متا داده در تصاویر میتواند رایانه‌ها را گمراه کند. مثلا با چند تغییر، یک ماشین، تصویری از یک سگ را به عنوان شترمرغ شناسایی می‌کند.

مادری یک مثال دیگر نیز ذکر کرد که در آن یک الگوریتم یادگیری ماشینی در بررسی عکس‌های رادیولوژی به نظر می‌رسد که عملکرد بهتری از پزشکان داشته است. اما نهایتا مشخص شد که این الگوریتم، نتایج را با دستگاه‌های تصویربرداری که عکس گرفته شده بود، مرتبط می‌کرد، نه لزوماً با تصویر خود. سل بیشتر در کشورهای در حال توسعه شایع است، و در این کشورها معمولاً از دستگاه‌های پزشکی قدیمی‌تری استفاده می‌کنند. برنامه یادگیری ماشینی متوجه شده بود که اگر عکس رادیولوژی با دستگاه قدیمی‌تر گرفته شده باشد، بیمار احتمالاً به سل مبتلا است. این الگوریتم وظیفه خود را انجام داد، اما نه به روشی که برنامه نویسان قصد داشتند یا مفید می‌دانستند. این مثال نمونه دیگری است که نشان می‌دهد چگونه سیستم‌های یادگیری ماشینی ممکن است به طور غیرمنتظره عمل کنند و نتایجی را ارائه دهند که از اهداف اصلی طراحی آنها فاصله دارد. این موضوع اهمیت شفافیت و توضیح پذیری این سیستم‌ها را برجسته می‌کند.

کارل شولمن نیز اشاره کرد که اهمیت توضیح چگونگی عملکرد یک مدل و دقت آن می‌تواند بسته به نحوه استفاده از آن متفاوت باشد. او گفت که اگرچه اکثر مسائل خوب طراحی شده را می‌توان با یادگیری ماشینی حل کرد، اما در حال حاضر باید فرض کرد که دقت این مدل‌ها تقریباً ۹۵ درصد دقت انسان است. این سطح دقت ممکن است برای یک الگوریتم توصیه فیلم قابل قبول باشد، اما برای یک خودروی خودران یا برنامه‌ای که طراحی شده است تا نقص‌های جدی در ماشین آلات را پیدا کند، کافی نیست. بنابراین، میزان توضیح پذیری و شفافیت مدل بسته به کاربرد آن متفاوت خواهد بود. در برخی موارد، دقت ۹۵ درصدی ممکن است قابل قبول باشد، اما در برخی موارد دیگر، به ویژه زمانی که سلامتی و ایمنی در خطر است، نیاز به سطح بالاتری از توضیح پذیری و دقت خواهد بود.

• سوگیری و نتایج ناخواسته Bias and unintended outcomes

ماشین‌ها توسط انسان‌ها آموزش داده می‌شوند و سوگیری‌های انسانی می‌تواند در الگوریتم‌ها گنجانده شود. اگر اطلاعات مغرضانه یا داده‌هایی که نابرابری‌های موجود را منعکس می‌کند به یک برنامه یادگیری ماشینی داده شود، برنامه خواهد آموخت که این الگوها را تکرار کرده و اشکال تبعیض را تداوم بخشد. چت بات‌هایی که بر اساس چگونگی گفتگوی مردم در توییتر آموزش داده شده‌اند می‌توانند به زبان توهین آمیز و نژادپرستانه پی ببرند، به عنوان مثال فیسبوک از یادگیری ماشینی برای نشان دادن تبلیغات و محتوایی که کاربران را جذب و درگیر می‌کند، استفاده کرده است. این منجر شده که مدل‌ها، محتوای افراطی، حزبی و نادرست را به مردم نشان دهند. چنین محتوایی می‌تواند به قطبی شدن و گسترش نظریه‌های توطئه منجر شود، زیرا مردم به محتوای محرک و جناحی گرایش پیدا می‌کنند. در نتیجه، این مدل‌های یادگیری ماشینی می‌توانند مشکلات اجتماعی مانند قطبی شدن، گسترش اطلاعات نادرست و تشدید تنش‌های اجتماعی را تشدید کنند. این نشان می‌دهد که در استفاده از سیستم‌های یادگیری ماشینی باید بسیار دقیق و مسئولانه عمل کرد تا از پیامدهای منفی آن جلوگیری شود. توجه به جنبه‌های اخلاقی و اجتماعی این فناوری بسیار حائز اهمیت است.

راه‌هایی مهم برای مبارزه با سوگیری در یادگیری ماشینی وجود دارد

• غربالگری دقیق داده‌های آموزشی:

اطمینان از اینکه داده‌های مورد استفاده برای آموزش مدل‌های یادگیری ماشینی نماینده، بی‌طرف و منعکس کننده دیدگاه‌های متنوع است، امری حیاتی است. ضمنا بررسی داده‌ها برای شناسایی سوگیری‌ها و شکاف‌ها اقدام مهمی است.

• آغوش گشودن به سمت هوش مصنوعی متمرکز بر انسان:

همانطور که ذکر شد، درگیر کردن افراد با پیشینه، تجربه و سبک زندگی متفاوت در طراحی سیستم‌های هوش مصنوعی به شناسایی نقاط کور و سوگیری‌های احتمالی کمک می‌کند. ادغام بازخورد و ارزش‌های انسانی در فرآیند توسعه، بسیار حیاتی است.

• تعهد سازمانی به هوش مصنوعی اخلاقی: 

برخورداری از رهبری قوی و پشتیبانی نهادی برای حفظ اصول هوش مصنوعی اخلاقی می‌تواند به پیشبرد تغییرات معنادار کمک کند. این شامل ایجاد چارچوب‌های مدیریتی قوی، اقدامات پاسخگویی و منابع اختصاص یافته در راستای اخلاق مداری هوش مصنوعی است.

• همکاری با ابتکارات خارجی:

سازمان‌ها می‌توانند از تلاش‌هایی مانند: «Algorithmic Justice League» و «The Moral Machine project» که در راستای پیشبرد انصاف، شفافیت و پاسخگویی در هوش مصنوعی فعالیت می‌کنند، درس بگیرند و به آنها کمک کنند.

• نظارت و تنظیم مداوم: 

سیستم‌های یادگیری ماشینی باید به طور مداوم از نظر بروز سوگیری‌ها یا پیامدهای ناخواسته مورد نظارت قرار گیرند، با امکان انجام سریع تنظیمات و اصلاحات.

مقابله با چالش پیچیده سوگیری الگوریتمی نیازمند رویکردی چندجانبه است که ترکیبی از استراتژی‌های فنی و سازمانی را در بر می‌گیرد. با اولویت بندی این تلاش‌ها، می‌توانیم به سمت توسعه سیستم‌های هوش مصنوعی که فراگیرتر، عادلانه‌تر و مفیدتر برای همه هستند، حرکت کنیم.

به کارگیری یادگیری ماشین

شولمن معتقد است مدیران اجرایی معمولا با درک اینکه یادگیری ماشینی در واقع چه ارزشی به شرکت آنها می‌افزاید، دچار مشکل هستند. آنچه برای یک شرکت مفید است، ممکن است برای شرکت دیگری کاربردی نباشد. شرکت‌ها نباید صرفا به دنبال استفاده از یادگیری ماشینی به‌عنوان یک «مد» باشند، بلکه باید کاربردهای خاص آن را برای خود پیدا کنند. مثلا روشی که یادگیری ماشینی برای آمازون موثر بوده، لزوما برای شرکت‌های خودرو مناسب نیست. در نهایت، پیدا کردن کاربرد مناسب یادگیری ماشینی برای هر کسب و کار، به همکاری تیمی با تخصص‌های مختلف نیاز دارد. نه تنها دانشمندان داده، بلکه افرادی که درک پایه‌ای از یادگیری ماشینی داشته و بتوانند با تیم‌های فنی همکاری کنند. نباید به یادگیری ماشینی به‌عنوان راه حلی برای مسائلی که اصلا وجود ندارد، نگاه کرد. بلکه باید بر مسائل کسب و کار و نیازهای مشتریان تمرکز کرد و ببینیم یادگیری ماشینی چگونه می‌تواند به حل چالش آنها کمک کند. در یک جمله، شرکت‌ها باید به‌جای پیروی از مدهای روز، بر کاربردهای کسب و کاری یادگیری ماشینی که برای خودشان مناسب است، تمرکز کنند.