تفاوت‌های هوش مصنوعی و یادگیری ماشینی

بسم الله الرحمن الرحیم
تفاوت‌های هوش مصنوعی و یادگیری ماشینی

اگرچه مردم از اصطلاحات هوش مصنوعی AIو یادگیری ماشینی MLبه جای یکدیگر استفاده می‌کنند، اما تفاوت مشخصی بین این دو وجود دارد.

هوش مصنوعی AIو یادگیری ماشینی MLاز پرطرفدارترین و پررونق‌ترین فناوری‌هایی هستند که امروزه مورد استفاده قرار می‌گیرند. اگرچه دو فناوری هوش مصنوعی و یادگیری ماشینی گاهی اوقات به جای یکدیگر استفاده می‌شوند، اما یک خط تمایز بین آن‌ها وجود دارد.

فناوری‌های هوش مصنوعی AIو یادگیری ماشینی MLهر دو مبتنی بر حوزه آمار و ریاضیات هستند، اما برخی تضاد‌های مهم آن‌ها را از یکدیگر متمایز می‌کند. در ادامه این مطلب بینش جامعه در مورد هوش مصنوعی و یادگیری ماشینی مورد بررسی قرار گرفته است.
هوش مصنوعی
هوش مصنوعی در مقایسه با یادگیری ماشینی در حوزه‌های بسیاری فعالیت داشته به طوریکه این فناوری تلاش می‌کند تا توانایی‌های هوش و رفتار انسان را به طور کامل شبیه سازی کند. از جمله توانایی‌های انسان می‌توان به استدلال، حل مسئله، تکلم، ادراکات و نحوه یادگیری موضوعات مختلف اشاره کرد.
به عبارت دیگر می‌توان گفت که هوش مصنوعی وظایفی که عموما به هوش انسانی نیاز دارد را می‌تواند انجام دهد. علاوه بر این هوش مصنوعی توانایی انجام کار‌هایی را دارد که از قبل برنامه ریزی نشده اند. برای مثال ترجمه ماشینی (ترجمه گوگل)، فیلتر‌های هرزنامه و سیستم‌های تشخیص گفتار IBM برخی از زمینه‌های فعالیت هوش مصنوعی هستند.

همچنین هوش مصنوعی ماشینی است که به تنهایی تصمیم می‌گیرد و نیازی به برنامه نویسی ندارد. اما این قابلیت با مشکلات بسیاری همراه است. نگرانی‌های مربوط به حریم خصوصی (هوش مصنوعی مکالمات ضبط شده)، سوگیری در داده‌ها (طبقه بندی نژادپرستانه)، خسارات تصادفی (تصادف در خودرو‌های خودران) و خرابی‌های الگوریتمی نمونه‌هایی از مشکلات مخرب هوش مصنوعی هستند.
یادگیری ماشین
یادگیری ماشین MLزیر مجموعه‌ای از هوش مصنوعی است که این امکان را برای سیستم‌ها و برنامه‌ها فراهم می‌کند تا به صورت خودکار یادگیری و پیشرفت داشته باشند. تمرکز این فناوری بر توسعه برنامه‌های رایانه‌ای است تا بتواند به داده‌های مورد نیاز دسترسی پیدا کند و از آن‌ها برای یادگیری خود استفاده کند. همچنین از این فناوری می‌توان در مدل‌های آموزشی مورد استفاده در رایانه‌ها که اغلب شامل پیش‌بینی (آب‌وهوای روز بعد)، طبقه‌بندی (تعیین تصویر)، یا تولید داده (تولید گفتار یا متن انسانی) است، اشاره کرد.

از این رو یاد گیری ماشینی به چند دسته: یادگیری نظارت شده (آموزش به ماشین با استفاده از داده‌های برچسب گذاری شده)، یادگیری نظارت نشده (آموزش به ماشین با استفاده از داده‌های برچسب گذاری نشده) و یادگیری تقویت شده (آموزش با داده‌های بدون برچسب) تقسیم شده است.

تفاوت های کلیدی بین هوش مصنوعی AI و یادگیری ماشین ML

ـ هوش مصنوعی (Artificial Intelligence)
۱_هدف هوش مصنوعی این است که یک سیستم کامپیوتری هوشمند مانند انسان برای حل مشکلات پیچیده ایجاد کند.
۲_هوش مصنوعی یک فناوری است که یک دستگاه را قادر می سازد تا رفتار انسان را شبیه سازی کند.
۳_در هوش مصنوعی ، ما سیستم های هوشمندی را برای انجام هر کاری همانند انسان طراحی میکنیم.
۴_یادگیری ماشین و یادگیری عمیق دو زیر مجموعه اصلی هوش مصنوعی هستند.
۵_هوش مصنوعی دامنه بسیار گسترده ای دارد.
۶_هوش مصنوعی در حال تلاش برای ایجاد یک سیستم هوشمند است که می تواند کارهای پیچیده مختلفی را انجام دهد.
۷_دغدغه سیستم هوش مصنوعی افزایش و به حداکثر رساندن شانس موفقیت میباشد.
۸_نمونه کاربردهای هوش مصنوعی: Siri ، پشتیبانی مشتری ، سیستم Expert ، بازی های آنلاین نظیر شطرنج ، روبات های هوشمند انسان نما و…
۹_براساس قابلیت ها ، هوش مصنوعی را می توان به سه نوع تقسیم کرد: Weak AI ، General AI و Strong AI.
۱۰_هوش مصنوعی شامل یادگیری ، استدلال و تصحیح خود می باشد.
۱۱_هوش مصنوعی با داده های ساختاری ، نیمه ساختار یافته و بدون ساختار سروکار دارد.

ـ یادگیری ماشین (Machine learning))

۱_ هدف ML این است که ماشین ها بتوانند از داده ها یاد بگیرند تا بتوانند بازده دقیقی داشته باشند.
۲_ یادگیری ماشینی زیر مجموعه ای از هوش مصنوعی است که به یک ماشین امکان می دهد بطور خودکار از داده های گذشته و بدون برنامه نویسی صریح یاد بگیرد.
۳_ در ML ، ما به ماشین آلات به کمک داده ها آموزش می دهیم که یک کار خاص را انجام دهند و نتیجه دقیقی بگیرند.
۴_ یادگیری عمیق زیر مجموعه اصلی یادگیری ماشین است.
۵_ یادگیری ماشین دامنه محدودی دارد.
۶_ یادگیری ماشینی در تلاش است تا ماشینهایی بسازد که بتوانند تنها وظایف خاصی را که برای آنها آموزش دیده اند ، انجام دهند.
۷_ دغدغه یادگیری ماشینی عمدتاً الگوهای یادگیری و دقت عمل در آن ها میباشد.
۸_ نمونه کاربردهای ماشین لرنینگ عبارتند از سیستم های توصیه گر آنلاین ، الگوریتم های جستجوی گوگل ، ربات های چت، دوست یابی در شبکات اجتماعی و غیره.
۹_ یادگیری ماشینی به سه نوع تقسیم میشود که عبارتند از: یادگیری نظارت شده، یادگیری بدون نظارت و یادگیری تقویت شونده .
۱۰_ ماشین لرنینگ شامل یادگیری و تصحیح خود با داده های جدید و قدیمی میباشد.
۱۱_ یادگیری ماشین تنها با داده های ساختاری و نیمه ساختار یافته سروکار دارد.

گردآورنده:پروانه مرادی سبزوار
منبع:باشگاه خبرنگاران جوان،آمانج آکادمی