ممکن است امروزه با افزایش رشد چشم گیر محصولات و خدمات پیشرفته هوش مصنوعی شوید.

هوش مصنوعی و ماشین لرنینگ در دنیای امروز به شدت در حال پیشرفت می باشد و همچنین در حوزه محاسبات و راه حل های ذخیره سازی به رشد و توسعه چشم گیری دست یافت.

این پیشرفت را نیز مدیون زبان برنامه نویسی پایتون می باشد

ممکن است این سوال برای شما نیز پیش آمده باشد که چگونه یادگیری ماشین در زمان کوتاه از یک داستان علمی و تخیلی به یک واقعیت تبدیل شد؟

برای نخستین بار فردی به نام آرتور لی ساموئل توانست در سال ۱۹۵۹ با موفقیت برنامه کامپیوتری تهیه نماید که بتواند به صورت خود آموز یاد بگیرد که به چه شکل بازی checkers را انجام دهد.

ماشین لرنینگ زیر مجموعه ای هوش مصنوعی می باشد.

ماشین ها به کمک مدل های شبکه عصبی و با استفاده از الگوریتم های آموزشی قادر به یادگیری مستقل از داده ها بوده و به این صورت عملکرد و دقت در تصمیم گیری در مورد یک رابطه خاص را بهبود می بخشند.

آشنایی با عملکرد ماشین لرنینگ در گذشته

چگونه یک ماشین می تواند باهوش باشد؟

شروع آغاز یادگیری ماشین مرتبط با وقایعی در دهه ۱۹۵۰ می باشد که با  تحقیقاتی پیشگام،  توانایی یادگیری ماشین ها رقم خورد.

ریاضی دان انگلیسی به نام آلن تورینگ در سال ۱۹۵۰ آزمایش معروف تورینگ تست را جهت بررسی آنکه آیا ماشین ها می توانند رفتاری هوشمند شبیه یا برابر انسان انجام دهند، پایه گذاری کرد.

سپس دانشمند معروف، آرتور لی ساموئل در سال ۱۹۵۲ توانست یک برنامه رایانه ای IBM را آموزش دهد و به این صورت نه تنها رایانه امکان انجام بازی چکرز را دارد بلکه با هر بار بازی کردن، عملکرد رایانه بهتر می شود.

در نهایت اولین شبکه عصبی‌ در سال ۱۹۵۷ توسط روانشناس آمریکایی به نام فرانک روزنبلات طراحی شد و این اتفاق آغازی برای توسعه آزمایشات مرتبط در این زمینه شد.

سپس در دهه ۱۹۶۰ روش های Bayesian جهت دخالت احتمالی در زمینه ماشین لرنینگ معرفی شدند.

به این صورت در سال ۱۹۸۶ دانشمندی به نام Rina Dechter تکنیک های دیپ لرنینگ را بر پایه شبکه عصبی مصنوعی به جامعه ماشین لرنینگ معرفی نمود.

اتخاذ رویکردی مبتنی داده

ماشین لرنینگ تا دهه ۱۹۹۰ از رویکرد مبتنی بر دانش به رویکردی داده محور، تغییر پیدا کرد.

پس از آن دانشمندان شروع به ساخت برنامه های رایانه ای نمودند که بتواند داده ها را تحلیل کرده و از آن یاد بگیرند.

در آن زمان ماشین هایی که قابلیت پشتیبانی وکتور داشتند به محبوبیت زیادی رسیدند.

سپس در دهه ۲۰۰۰ روش های kernal در جهت تجزیه و تحلیل و آنالیز های الگوریتمی و پشتیبانی از وکتور طراحی شد.

سخت افزاری جهت پردازش کارآمد

پیشرفت های سخت افزاری رویداد مهم دیگری بود که در اوایل سال ۲۰۰۰ رخ داد و موجب یادگیری ماشین شد.

همچنین واحد های پردازش گرافیکی ایجاد شده اند که علاوه بر تسریع روند آموزش الگوریتمی از هفته ها تا چند روز، موجب قابل استفاده شدن سیستم های جا سازی شده نیز شدند.

سپس در سال ۲۰۰۹ GPU های Nvidia به واسطه google brain جهت ایجاد شبکه عصبی عمیق و توانا که قادر به یادگیری و تشخیص تصاویر گربه ها بدون برچسب گذاری از YouTube، استفاده شد.

با رشد و توسعه یادگیری عمیق ، دوره جدیدی از هوش مصنوعی و ماشین لرنینگ برای ارائه خدمات نرم افزاری آغاز شد.

آشنایی با عملکرد ماشین لرنینگ در زمان حال

تقاضای گسترده برای GPU

در حال حاضر با گسترش زیاد تقاضا ها برای GPU به دلیل آنکه شرکت ها به دنبال استفاده از داده های خود جهت توسعه و بهره وری مزایای هوش مصنوعی و ماشین لرنینگ می باشند، مواجه هستیم.

امروزه می توانیم برخی از نمونه برنامه های کاربردی ماشین لرنینگ را در حوزه هایی مانند تشخیص پزشکی، پیش بینی زمان نگهداری از دستگاه و تبلیغات هدفمند، مشاهده کنیم.

اما زمانی که نوبت به استفاده از مدل های ماشین لرنینگ در دنیا واقعی میرسد با یک مانع مواجه می شویم و آن Latency یادگیری نهفتگی می باشد.

ماشین لرنینگ در لبه (Edge Machine Learning)

امروزه در اکثر شرکت ها، داده ها در Cloud یا فضای ابری ذخیره می شوند.

به این صورت که لازم است داده ها جهت مقایسه مدل ها پیش از آنکه مجدد به دستگاه مبدأ منتقل شود، به پایگاه داده مرکزی سفر کند.

در این شرایط دیگر انعطافی وجود نداشته و اشراف شما نیز محدود تر خواهد شد.

این اتفاق موجب می شود که در صورت وجود مشکل و یا کد خطا در برنامه نویسی شما و وجود مشکل سخت افزاری، شناسایی آن برای شما به کاری دشوار تبدیل شود. 

به دلیل وجود مشکل نهفتگی یا Latency امروزه شرکت ها از مسیر Cloud به سوی Edge در حال حرکت می باشند.

اطلاعات در لبه و یا ماشین لرنینگ در لبه به این معناست که به جای پردازش الگوریتم ها در فضای ابر، داده های به صورت محلی در الگوریتم ها ذخیره می شوند و به این شکل در یک سخت افزار مورد پردازش قرار می گیرند.

این اتفاق موجب امکان پذیر شدن عملیات در زمان واقعی و همچنین کاهش مصرف برق و آسیب پذیری امنیتی پردازش داده ها در ابر خواهد شد.

رفع مشکل محدودیت نیرو

ما در حال حرکت به سوی استفاده از هوش مصنوعی و ماشین لرنینگ در لبه در دستگاه های کوچک و بزرگ می باشیم و یکی از محدودیت های بزرگ ما محدودیت منابع اصلی می باشد.

چگونه می توان بدون قربانی کردن عملکرد و دقت ، برنامه های ماشین لرنینگ را بر روی دستگاه های بسیار کوچک اجرا نمود؟

با وجود آنکه حرکت از Cloud به Edge گامی اساسی در جهت حل مشکل مربوط به محدودیت منابع می باشد اما بسیاری از مدل های ماشین لرنینگ همچنان از قدرت و حافظه زیادی استفاده می کنند تا قادر به جای دادن ریز پردازنده ها در بازار باشند.

بسیاری از افراد با ایجاد نرم افزار های کارآمد، الگوریتم ها و سخت افزار ها به این چالش نزدیک شدند و یا با ترکیب مولفه ها به روش تخصصی تر می رسند.

بررسی عملکرد ماشین لرنینگ در آینده

یادگیری بدون نظارت در ماشین لرنینگ

در حال حاضر در حین انجام پروژه ها هوش مصنوعی و ماشین لرنینگ، فرآیند خسته کننده برچسب زدن داده ها، زمان زیادی را به خود اختصاص می دهد.

طی تحقیقات به عمل آمده شرکت Cognilytica تخمین زده شد که حدود ۸۰ درصد از زمان پروژه های هوش مصنوعی صرف جمع آوری داده، تمیز نمودن و برچسب زدن و تقویت آن می شود تا در مدل های ماشین لرنینگ مورد استفاده قرار گیرد.

به همین سبب چشم انداز یادگیری بدون نظارت، بسیار جالب است.

این چشم انداز در آینده موجب می شود که ماشین های زیادی به صورت مستقل قادر به شناسایی و برچسب گذاری مجموعه ای از الگو های ناشناخته در یک مجموعه داده، شوند.

زمانی که شما نمی دانید نتیجه چه می شود، یادگیری بدون نظارت جهت کشف الگوهای ناشناخته قبلی در یک مجوعه ای از داده، می تواند برای شما مفید واقع شود.

این اتفاق برای برنامه های کاربردی مثل تجزیه و تحلیل داده های مصرف کنندگان در جهت تشخیص بازار هدف برای محصول جدید و یا در جهت تشخیص ناهنجاری های داده ها مانند معاملاتی که دارای کلاهبرداری و یادگیری نقص های سخت افزاری است، کاربردی می باشد.

شتاب دهنده های سخت افزاری در جهت یادگیری ماشین لرنینگ Edge

نسل جدیدی از شتاب دهنده ها در حال توسعه می باشد که تولید کنندگان و شرکت های تازه تأسیس در جهت افزایش سرعت توسعه و بهینه سازی مسائل کاری در برنامه های ماشین لرنینگ و هوش مصنوعی از آموزش گرفته تا استنتاج در حال کار بر روی آن هستند.

این شتاب دهنده با مقیاس پذیری بالا، سریع تر و ارزان تر بوده و طراحان این شتاب دهنده شما را از این موضوع که دستگاه های لبه را به سطحی جدید از کارایی سوق می دهند، مطمئن می سازند.

یکی از مهم ترین راه ها برای رسیدن به این هدف، رهایی بخش های اصلی پردازش دستگاه های Edge از کار های دشوار و پیچیده و سنگین ریاضی می باشد که در اجرای مدل های یادگیری عمیق نقش دارند.

مقیاس نمودن

در آینده نزدیک، اینترنت اشیاء در زندگی روزمره به شکل قابل مشاهده ای گسترش می یابد.

علی الخصوص در زمانی که هوش مصنوعی و فناوری ماشین لرنینگ به صورت گسترده ای مقرون به صرفه می شوند.

با رشد و گسترش تعداد دستگاه های هوش مصنوعی ما باید از وجود یک زیر ساخت برای هماهنگی، مطمئن شویم.

معاون ارشد رئیس برنامه ریزی و عملیات استراتژی در مقاله اخیرش گفته است که پیش بینی می کند در جهان یک تریلیون دستگاه اینترنت اشیاء تا سال ۲۰۳۵ عرضه شود که چالش های زیر ساختی و معماری را در مقیاس جدیدی ارائه خواهد داد.

این به این معناست که شرکت های بزرگی مانند Arm سرمایه گذاری زیادی را در جهت توسعه سخت افزار و نرم افزار و ابزار هایی انجام می دهند تا در هر نقطه از زیر ساخت به تصمیم گیری هوشمندانه ای دست یابند.

کلام آخر

زمانی که به تاریخ تکامل ماشین لرنینگ و به جایگاه کنونی آن نگاه مختصری می کنیم به نظر می رسد تکامل ماشین لرنینگ به خصوص ماشین لرنینگ Edge بسیار گسترده و غیر قابل توقف می باشد .

پس با رشد روز افزون پیشرفت تکنولوژی، خود را برای تأثیرات آن آماده کنید و مطمئن باشید که برای استفاده از این تکنولوژی آماده هستید.

برای آنکه جزئی از این گسترش روز افزون تکنولوژی در دنیای امروز شوید، تنها کافی است اقدام به شروع یادگیری هوش مصنوعی و ماشین لرنینگ در وب سایت جامع و آموزش مگاپایتون زیر نظر مجرب ترین اساتید نمایید.