هوش مصنوعی در مقابل یادگیری ماشینی: تفاوت های کلیدی و چرایی اهمیت آنها
هوش مصنوعی (AI) به مجموعه‌ای از فناوری‌ها اطلاق می‌شود که به منظور تقلید و شبیه‌سازی جنبه‌هایی از توانایی‌های شناختی انسان طراحی شده‌اند. یادگیری ماشین (ML) یکی از شاخه‌های هوش مصنوعی است، اما این نوع هوش، شبیه به تصورات ما از فیلم‌های علمی-تخیلی نیست. در واقع، یادگیری ماشین روشی است که به سیستم‌های هوش مصنوعی این امکان را می‌دهد تا از داده‌ها یاد بگیرند و به مرور زمان بهبود یابند.
آشنایی با هوش مصنوعی
هوش مصنوعی به عنوان معیاری برای سنجش توانایی‌های فکری یک کامپیوتر تعریف می‌شود. با این حال، هیچ مرجع علمی مشخصی وجود ندارد که تعیین کند چه چیزی به عنوان هوش مصنوعی شناخته می‌شود؛ این واژه به تناسب کاربرد آن توسط افراد تعریف می‌گردد. بر اساس تعریف دائره‌المعارف بریتانیکا، هوش مصنوعی به معنای “توانایی یک کامپیوتر دیجیتال یا ربات کنترل‌شده توسط کامپیوتر در انجام وظایفی است که به طور معمول با موجودات هوشمند مرتبط هستند.” بنابراین، کامپیوتری که توانایی پیش‌بینی دارد، به نوعی هوش مصنوعی محسوب می‌شود.
علاوه بر این، بریتانیکا به این نکته اشاره می‌کند که این واژه اغلب به پروژه‌هایی اطلاق می‌شود که در پی توسعه سیستم‌هایی هستند که فرآیندهای فکری مشابه انسان‌ها را دارا باشند؛ مانند توانایی استدلال، کشف معانی، تعمیم یا یادگیری از تجربیات. در مکالمات روزمره و فرهنگ عمومی، هوش مصنوعی معمولاً به شکل ربات‌های انسان‌نما تصویر می‌شود که قادر به صحبت کردن، تفکر و احساس کردن مانند انسان‌ها هستند. در حالی که این تصورات آینده‌نگر نمایانگر شکل‌های پیشرفته هوش مصنوعی هستند، ایجاد چنین فناوری‌های پیچیده‌ای نیازمند تکنولوژی‌های بنیادی مانند یادگیری ماشین است.
آشنایی با یادگیری ماشین
یادگیری ماشین، نوعی از هوش مصنوعی است که به کامپیوترها این امکان را می‌دهد که بدون نیاز به دخالت انسان، از داده‌های جدید یاد بگیرند و خود را وفق دهند. به تعبیر Investopedia، یادگیری ماشین به این معناست که برنامه‌ای کامپیوتری می‌تواند اطلاعات را پردازش کند و از آنها نتیجه‌گیری کند. برای مثال، وقتی شما در کتابخانه عکس‌های گوشی خود به دنبال تصاویر خاصی می‌گردید، می‌توانید کلمه ‘درخت’ را جستجو کنید و بدون اینکه به گوشی بگویید “این یک درخت است”، تصاویر مربوط به درختان را مشاهده کنید.
این فناوری از طریق شبکه‌ای از کامپیوترهای متصل یا سوپرکامپیوترها که مقادیر زیادی از داده‌ها را پردازش می‌کنند، به آموزش برنامه‌ها کمک می‌کند تا با ورودی معین، خروجی خاصی را تولید کنند. درواقع، یادگیری ماشین به سیستم‌ها این توانایی را می‌دهد که از تجربیات گذشته خود بهره‌برداری کنند و به تدریج کارایی خود را افزایش دهند. این روند یادگیری به کامپیوترها امکان می‌دهد که در شرایط متغیر بهتر عمل کنند و تصمیمات بهینه‌تری بگیرند.
نمونه هایی از هوش مصنوعی در برابر یادگیری ماشینی
در سال 2011، چالشی جدید به وجود آمد. ابرکامپیوتر واتسون شرکت IBM موفق شد دو قهرمان بازی معروف “Jeopardy” را شکست دهد. این دستگاه که به اندازه یک اتاق بود، توانایی درک و پاسخگویی به سوالات پیچیده و خاص این برنامه را بهتر از بهترین بازیکنان آن زمان داشت. واتسون نمونه‌ای از هوش مصنوعی به شمار می‌آید.
IBM همچنین خدماتی تحت عنوان IBM Watson Studio ارائه می‌دهد که به افراد و شرکت‌ها این امکان را می‌دهد تا از تکنولوژی واتسون برای ساخت، آموزش و آزمایش نرم‌افزارهای پیش‌بینی استفاده کنند. واتسون باید به‌طور مستقل به نوشته‌ها و گفتار انسان‌ها “درک” و “پاسخ” دهد که این فرآیند نمایانگر یادگیری ماشین است.
به عبارتی، واتسون به‌عنوان یک ابرکامپیوتر مصداق هوش مصنوعی است، در حالی که توانایی او در درک زبان و پاسخگویی با آن، یادگیری ماشین به شمار می‌رود، مشابه عملکرد دستیارهای مجازی مانند الکسا که با کاربران گفتگو می‌کنند. در حالی که هوش مصنوعی به تصویر کشیده شده در فیلم‌ها بسیار پیشرفته‌تر از واتسون است، یادگیری ماشین همچنان جزء حیاتی برای هوش مصنوعی پیشرفته‌تر مانند ربات‌ها به شمار می‌آید، درست همانطور که جزئی جدایی‌ناپذیر از عملکرد واتسون محسوب می‌شود.
