خداحافظی با دستورالعمل‌ها؛ چگونه ماشین‌ها یاد گرفتند خودشان یاد بگیرند؟

برنامه‌نویسِ الیزا باید به او می‌گفت: «اگر کاربر کلمه X را گفت، تو جواب Y را بده». این روشِ «اگر-آنگاه» برای ساختن یک ماشین حساب یا یک نرم‌افزار ساده عالی است، اما در دنیای واقعی به سرعت به بن‌بست می‌رسد. شما نمی‌توانید برای تشخیص چهره یک انسان از میان میلیاردها چهره، یا برای رانندگی در خیابان‌های شلوغ تهران، میلیون‌ها خط قانون بنویسید! جهان پیچیده‌تر از آن است که در قالب دستورالعمل‌های خط‌به‌خط بگنجد.

اینجا بود که دانشمندان هوش مصنوعی تصمیم گرفتند مسیر را عوض کنند. آن‌ها از خود پرسیدند: «چه می‌شود اگر به جای دیکته کردن قوانین به ماشین، به آن اجازه دهیم خودش قوانین را کشف کند؟» این ایده، نقطه آغاز تولد یادگیری ماشین (Machine Learning) بود.

 بیشتر بخوانید:

الیزا؛ ماشینی که نقش روان‌درمانگر را بازی کرد و انسان‌ها را فریب داد

ماشینی که خالقش را شکست داد!

برای درک این جهش بزرگ، باید به دهه ۱۹۵۰ برگردیم؛ زمانی که محققی به نام «آرتور ساموئل» در شرکت IBM تصمیم گرفت به یک کامپیوتر، بازی فکری چکرز (Checkers) را آموزش دهد. ساموئل به جای اینکه تمام حرکات ممکن را برای کامپیوتر برنامه‌نویسی کند، یک ایده درخشان پیاده کرد: او برنامه‌ای نوشت که به ماشین اجازه می‌داد با خودش بازی کند.

کامپیوتر ساموئل روزها و شب‌ها هزاران بار با خودش بازی کرد. با هر برد و باخت، ماشین الگوها را بررسی می‌کرد و یاد می‌گرفت که کدام حرکات به پیروزی ختم می‌شوند و کدام به شکست. در نهایت اتفاق شگفت‌انگیزی افتاد: برنامه کامپیوتری توانست خودِ آرتور ساموئل را در بازی شکست دهد! ماشین دیگر فقط دستورات برنامه‌نویس را اجرا نمی‌کرد، بلکه از طریق «تجربه» مهارتی به دست آورده بود که خالقش فاقد آن بود.

معادله‌ای که برعکس شد

تفاوت برنامه‌نویسی سنتی و «یادگیری ماشین» را می‌توان در یک تغییر زاویه دید ساده اما عمیق خلاصه کرد:

- در برنامه‌نویسی سنتی: برنامه‌نویس داده‌ها و قوانین را به کامپیوتر می‌دهد تا کامپیوتر پاسخ‌ها را تولید کند.

- در یادگیری ماشین: انسان داده‌ها و پاسخ‌ها را به کامپیوتر می‌دهد، تا کامپیوتر خودش قوانین را کشف کند!

 نگهبانان نامرئی صندوق پست شما

یکی از آشناترین و قدیمی‌ترین کاربردهای یادگیری ماشین در زندگی روزمره ما، فیلتر هرزنامه (Spam) در ایمیل‌هاست.

اگر قرار بود با برنامه‌نویسی سنتی جلوی ایمیل‌های تبلیغاتی را بگیریم، باید لیستی از کلمات ممنوعه (مثل "برنده شدید"، "وام فوری" و...) به کامپیوتر می‌دادیم. اما فرستندگان هرزنامه به سرعت یاد می‌گرفتند کلمات را تغییر دهند (مثلاً بنویسند "بـ.ـرنده شـ.ـدید").

اما سیستم‌های یادگیری ماشین طور دیگری عمل می‌کنند. شرکت‌هایی مثل گوگل میلیون‌ها ایمیلی را که کاربران واقعی به عنوان «اسپم» علامت‌گذاری کرده‌اند، به عنوان «داده و پاسخ» به ماشین می‌دهند. ماشین این کوه عظیم از اطلاعات را بررسی می‌کند و خودش الگوهای پنهان (مثلاً ترکیب خاصی از کلمات، ساعت ارسال یا ساختار فرستنده) را کشف می‌کند. هر بار که شما روی دکمه Report Spam کلیک می‌کنید، در واقع در حال آموزش دادن به این ماشین هستید تا تجربه جدیدی کسب کند و باهوش‌تر شود.

 پیش‌درآمدی بر یک انقلاب

یادگیری ماشین به کامپیوترها اجازه داد تا از دنیای خشک و محدود کدها خارج شوند و با تحلیل الگوها، پیش‌بینی‌های دقیقی انجام دهند. اما این هنوز پایان راه نبود.

وقتی حجم داده‌ها در دنیای اینترنت به شکل سرسام‌آوری افزایش یافت و نیاز به حل مسائل بسیار پیچیده‌تر (مثل تشخیص گفتار یا ترجمه همزمان زبان‌ها) به میان آمد، دانشمندان متوجه شدند که باید ساختار خود ماشین را نیز تغییر دهند. آن‌ها برای قدم بعدی، تصمیم گرفتند به پیچیده‌ترین کامپیوتر هستی یعنی «مغز انسان» نگاه کنند.

در مقاله هفته آینده، به سراغ این الهام‌گیری شگفت‌انگیز خواهیم رفت و می‌بینیم که چگونه «شبکه‌های عصبی» و «یادگیری عمیق»، هوش مصنوعی را به جادویی تبدیل کردند که امروز در جیب همه ماست.

نویسنده: فرزاد