شبکه عصبی مصنوعی (artificial neural netweorks)

بی‌هیچ شکی، مغز انسان پیچیده‌ترین سامانه‌ در سراسر گیتی است. تمامی فرایندهای خودآگاه یا ناخودآگاه در بدن انسان، تحت مدیریت کامل مغز انجام می‌شود. با تمامی شگفتی‌ها و پیچیدگی‌های مغز انسان، پژوهشگران ثابت کردند که واحدهای سازنده مغز از نظر سرعت پردازش و کارآیی، یک میلیون بار کندتر از ترانزیستورهای مورد استفاده در تراشه‌های سیلیکونی (CPU) رایانه‌هاست. با عامراندیش همراه باشید تا در مورد شبکه‌ عصبی مصنوعی (artificial neural networks) بیشتر بدانید.

شبکه عصبی مصنوعی (Artificial neural network) چیست؟

artificial neural networks یا به اختصار شبکه عصبی مهم‌ترین وسیله در یادگیری ماشین است. همانطور که از  قسمت “عصبی” این نام برمی‌آید، ایده اصلی این شبکه، الهام گرفته از شبکه عصبی مغز بشر است که از پردازش داده و اطلاعات به منظور یادگیری و تولید دانش استفاده می‌کند. این شبکه‌ها شامل لایه‌های درونی و بیرونی و همچنین لایه‌های پنهانی هستند که دربرگیرنده واحدهایی‌اند که داده‌های ورودی را به داده‌های خروجی قابل استفاده انتقال می‌دهند. آنان بهترین وسیله برای یادگیری الگوهایی‌ بسیار پیچیده یا پرتکرار برای برنامه‌نویسان انسانی‌ به منظور استخراج و سامان‌بندی یادگیری ماشین هستند.

گرچه آغاز آفرینش این شبکه‌ها به سال 1940 میلادی بازمی‌گردد، ولی چند دهه است که به مهم‌ترین قسمت هوش مصنوعی تبدیل شده‌اند. این دستاورد، مدیون تکنیکی با نام  (backpropagation) است که به شبکه‌ها اجازه می‌دهد لایه پنهانی عصبی خود را در شرایطی که نتیجه مطابق با انتظار آفریننده نیست، سازگار نمایند.

دیگر دستاورد مهم این شبکه‌ها، یادگیری عمیق عصبی است که لایه‌های گوناگون یک شبکه چندلایه را به واحدهای مجزا تقسیم می‌کند تا آنچه به دنبال آن است، تشخیص دهد.

توضیحات بیشتر در مورد شبکه‌ عصبی مصنوعی

برای ایده بنیادین چگونگی کاربرد یادگیری عمیق شبکه عصبی (deep learning neural network) ، یک لاین کارخانه را تصور نمایید. بعد از آنکه مواد خام (داده‌های ورودی) از تسمه نقاله عبور داده ‌شوند، با هر توقف، بخشی از ویژگی‌های سطح خود را استخراج می‌کنند.

زمانی که این مهم انجام شد، پژوهشگران (کسانی که سامانه را آموزش می‌دهند) می‌توانند نتایج را برچسب‌گذاری نمایند و سپس با استفاده از روش backpropagation هرگونه خطایی ایجاد شده را تصحیح نمایند. بعد از مدتی، شبکه وظایف طبقه‌بندی شده خود را بدون نیاز به کمک انسان در هر زمان به درستی انجام می‌دهد.

شکل‌های گوناگون شبکه‌ عصبی مصنوعی

شکل‌های گوناگونی از شبکه‌های عصبی وجود دارد که هریک از آنان استفاده و سطح پیچیدگی متفاوتی دارند. ولی رایج‌ترین مدل پایه‌ای شبکه عصبی مدل feedforward neural network است که اطلاعات و داده‌ها تنها از یک مسیر از ورودی به خروجی منتقل می‌شوند.

بیشترین استفاده از شبکه‌های عصبی، مدل recurrent neural network است که داده‌ها از چندین مسیر گوناگون به خروجی می‌رسند. چنین شبکه‌هایی توانایی‌های یادگیری بیشتری دارند و بیشتر برای انجام وظایف پیچیده مانند تشخیص زبان (language recogniction) و یادگیری دست‌خط (learning handwriting) مورد استفاده قرار می‌گیرند.

همچنین مدل‌هایی مانند convolution nueral network، Boltzman machine networks، hopfield networks دیگر مدل‌های دیگر از این شبکه‌اند. انتخاب هریک از آنان به داده‌هایتان و کاربرد ویژه‌ای که مد نظرشماست، بستگی دارد. در بیشتر موارد همچون پردازش گفتار از ترکیبی‌ از شبکه‌ها استفاده می‌شود.

شبکه‌ عصبی مصنوعی قادر به انجام چه وظایفی است؟

وظایفی که آنان می‌توانند انجام دهند، متنوع است؛ همچون، راندن خودکار اتومبیل بدون راننده در جاده،  تولید واقعی چهره‌های CGI، ترجمه ماشینی، تشخیص کلاه‌برداری، خواندن ذهن و یا حتی تشخیص گربه‌ای که در باغچه در حال بازی با یک توپ است. شبکه‌های عصبی در پشت هر دستاورد بزرگ هوش مصنوعی پنهان‌اند.

شبکه عصبی مصنوعی دقیقا چه مواردی را یاد می‌گیرند؟

در برخی از موارد، ما از تجربیات خود در زندگی درس‌های زیاد و البته آموزنده‌ای می‌گیریم. شبکه‌ عصبی مصنوعی نیز برای آموزش نیازمند داده‌‌است. در بیشتر موارد، ورود داده‌های بیشتر به شبکه می‌تواند منجر به نتایج دقیق‌تری شود. به این پروسه همچون وظیفه‌ای نگاه کنید که بارها و بارها آن را تکرار می‌کنید. پس از مدتی و بعد از انجام چندین خطا، در انجام آن کار مهارت و تخصص لازم را می‌یابید.

وقتی پژوهشگران یا متخصصان رایانه شبکه عصبی را تنظیم می‌کنند، داده‌ها را به 3 گروه مجزا تقسیم می‌کنند:

1. آموزش گروه داده که به شبکه در ایجاد وزن‌های مختلف بین نودهای گوناگون کمک می‌کند.
2. استفاده از گروه داده معتبر، تنظیمات دقیقی را انجام می‌دهد.
3. از گروه آزمایشی استفاده می‌کنند تا دریابند که ورودی‌ها به نتایج دلخواه ختم می‌شود یا خیر.

کابردهای شبکه عصبی مصنوعی

استفاده از شبکه‌ عصبی مصنوعی به قدری وسیع و گسترده است که به سختی می‌توان آن را در یک مقاله کوتاه خلاصه کرد. امروزه، تقریبا هر رشته از دانش و صنعت، نیازمند آنالیز و تحلیل، تصمیم‌گیری، تخمین، پیش‌بینی و طراحی است. همگی این نکته‌ها، از موضوعات مهم در شبکه‌های عصبی‌اند. در ادامه سعی کردیم به صورت کاملا خلاصه و صرفا جهت آشنایی بیشتر، به برخی از کاربردهای این شبکه‌های پرکابرد در زندگی و دانش بشر اشاره کنیم:

• علوم رایانه: طبقه‌بندی داده و اطلاعات در شبکه‌های کامپیوتری و اینترنت، ساخت و توسعه نرم‌افزارها مانند آنتی‌ویروس‌ها و غیره.
• در مهندسی: طراحی گونه‌های گوناگون سامانه‌های کنترل، پیش‌بینی مصرف بار الکتریکی، مهندسی معکوس و مدل‌سازی سامانه‌ها، عیب‌یابی سامانه‌های صنعتی و فنی، تصمیم‌گیری بهینه در پروژه‌های مهندسی و غیره.
• علوم پایه و نجوم: پیش‌بینی نتایج، مدل‌سازی پدیده‌های پیچیده فیزیکی، ارزیابی و تخمین فرضیه‌ها ، تئوری‌هاو غیره.
• علوم پزشکی: تشخیص بیماری‌ها، مدل‌سازی فرایندهای بیولوژیکی-پزشکی، پیش‌بینی نتایج درمان و جراحی‌ها و غیره.
• کابرد شبکه عصبی مصنوعی در علوم زیستی: شناسایی الگوهای مخفی و تکرارشونده در طبیعت، پیش‌بینی سری‌های زمانی موجود در محیط زیست، مدل‌سازی و پیش‌بینی پدیده‌های زیست‌شناختی، طبقه‌بندی یافته‌های به دست آمده از مشاهدات تجربی و غیره.
• ادبیات: پیش‌بینی موفقیت و محبوبیت آثار ادبی، استخراج مولفه‌های بنیادین از متن‌های هنری ، ادبی و غیره.
• علوم اقتصاد: تحلیل بازار سهام و سرمایه، پیش‌بینی بازار سهام و شاخص بورس، ارزیابی ریسک و غیره.
• روانشناسی و علوم اجتماعی: مدل‌سازی و پیش‌بینی‌ رفتارهای اجتماعی و فردی، طبقه‌بندی افراد گوناگون جامعه و غیره.
• علوم نظامی: پیش‌بینی رفتار نیروهای مهاجم، هدف‌گیری سلاح‌های موشکی، پیاده‌سازی حملات و سامانه‌های دفاعی در جنگ‌ها و غیره.

آیا شبکه عصبی مصنوعی دارای محدودیت‌ است؟

در سطح تکنیکی، بزرگ‌ترین چالش پیش‌رو زمانی است که برای آموزش شبکه مورد نیاز است. این مهم به تعدادی رایانه برای انجام وظایف پیچیده نیاز دارد. هرچه که مساله بزرگ‌تر باشد، پاسخ‌دهی آنان بیشتر وابسته به اطلاعاتی می‌شود که کاربر به آن‌ها می‌دهد. چنین شبکه‌هایی گرچه قادر به ارائه جواب‌های دقیقی‌اند، ولی نمی‌توانند به فرایند تصمیم‌گیری‌های صحیح دست یابند.

این مشکلی است که هم‌اکنون پژوهشگران زیادی در حال کار بر روی آن‌اند، اما با استفاده هر چه بیشتر و بهتر هوش مصنوعی وظایفی که این شبکه‌ها بر دوش خواهند کشید، بزرگ‌ و پیچیده‌تر خواهد شد.