طراحی وبسایت و شیوه های نوین آن

طراحی وبسایت و شیوه های نوین آن

شیوه های نوین طراحی وبسایت 2020 کدامند؟ در یک بازار بسیار رقابتی مانند بازار دیجیتال ، پیش بینی تغییرات و یادگیری نحوه انطباق با آنها مهم است. در نتیجه برای اینکه وبسایت ما در بهترین حالت قرار بگیرد بهتر است از رویکرد های جدید و شیوه های نوین در طراحی آن استفاده شود. بسته به نوع کسب و کار و نحوه طراحی سایت می توان از بسیاری از روش های مختلف کمک گرفت. بنابراین نمی توان گفت که کدام شیوه بهتر از سایرین است. ما در این نوسته سعی داریم تا بتوانیم با معرفی برخی از این روش ها برای شما راهنمای خوبی باشیم.

انواع شیوه های نوین طراحی و توسعه وبسایت

برنامه های وب پیشرفته (PWA)

در سال 2019 ، 65٪ از سفارشات خرید آنلاین از طریق وب سایت و با دستگاه های تلفن همراه انجام شده است. روند افزایشی وب سایت PWA این امکان را برای کاربران فراهم می کند تا وب سایت های مورد علاقه خود را از طریق مرورگر وب تلفن همراه و یا دسک تاپ و بدون بارگیری و نصب برنامه های خاص مشاهده کنند. PWA ها در سال 2020 با HTML و CSS ، JavaScript ، React یا Angular نوشته می شوند. علاوه بر تجربه کاربری عالی و عدم نیاز به برنامه های دیگر ، PWA می تواند اعلان های فشاری ارسال کند و دسترسی آفلاین به محتوای ذخیره شده را برای کاربران فراهم کند.

هوش مصنوعی و ربات ها

شرکت های عظیم B2C در حال حاضر از این فناوری برای خدمات دهی به مشتریان خود استفاده می کنند – ربات های چت صفحه رسمی داخل Facebook Messenger ، WhatsApp و Skype نمونه های خوبی هستند. همچنین یک ربات می تواند در PWA ، وب سایت معمولی ، تجهیزات حرفه ای یا خانگی و هر برنامه متصل به اینترنت که توسط یک شرکت تجاری توسعه یافته است ، ادغام شود.

صفحات شتاب داده شده تلفن همراه (AMP)

AMP ها صفحات بهینه شده ای هستند که می توانند سریع کار کنند و دارای یک طراحی ساده و در عین حال راحت هستند و فقط دارای ویژگی های اساسی در مقایسه با محصولات وب کامل هستند. این صفحات همچنین برای موبایل مناسب هستند و محتوای آنها همیشه قابل خواندن است.

برنامه تک صفحه (SPA)

SPA ها به دلیل افزایش چارچوب های JavaScript محبوبیت خاص خود را پیدا می کردند. هنگامی که با آنها کار می کنید وقایع خاص مرورگر را رهگیری کرده و از JSON درخواست می کنید که همانند کار با یک برنامه وب اپلیکیشن است. صفحات Google مانند Gmail ، Google Drive یا Google Maps و همچنین سیستم عامل های شبکه های اجتماعی مانند Facebook از این نوع هستند. مشاهده روند فعلی وب روشن می کند که در آینده اکثر وب سایت های کاربردی به شیوه SPA ساخته می شوند.

بهینه سازی جستجوی صوتی

به نظر می رسد آینده توسعه وب کمتر در گرو متن ها و بیشتر مایل به کارکرد با صدا است و این رویکرد  فقط در مورد دستیارهای خانگی چند منظوره مجازی مانند Siri ، Google Home یا Amazon’s Alexa نیست. در سال 2020 ، بیش از نیمی از دستگاه های هوشمند و اینترنت اشیا سخنان کاربران را می شنوند و دستورات صوتی را اجرا می کنند. و حتی در موارد بیشتر آنها قادر خواهند بود صدای افراد مختلف را تشخیص دهند و تجربه شخصی مبتنی بر هوش مصنوعی را برای همه فراهم کنند.

رابط کاربر متحرک

این احتمال وجود دارد که در سال 2020 MVP ها هنوز بسیار ساده و مینیمال باشند. اما به صورت همزمان ، متخصصان تقاضا برای رویکردهای طراحی جدید مانند UI متحرک را پیش بینی می کنند. اگرچه طراحی رابط کاربر حرکتی از سال 2018 مرسوم است ، اما به دلیل فناوری کتابخانه های SASS اکنون برای همه کاربران دستگاه های متفاوت قابل دسترسی است.

تست اتوماسیون

بیشتر فن آوری های در حال ظهور وب با هدف ارزان سازی روند توسعه و ارائه بهترین تجربه به کاربران است. اتوماسیون مراحل توسعه ابزاری برای دستیابی به هدف اول است. یادگیری ماشین و رویکرد AI به ما امکان می دهد پروژه های پیچیده ای را با یک تیم کوچک یا با تعداد کمتری از متخصصان توسعه بسازیم ، در حالی که اتوماسیون تست محصول به ما کمک می کند تا بررسی کنیم که آیا محصول ما برای استقرار آماده است یا خیر.

هوش مصنوعی و تشخیص چهره

هوش مصنوعی و تشخیص چهره

تشخیص چهره راهی برای شناخت و شناسایی چهره انسان از طریق فناوری هوش مصنوعی است.

یک سیستم تشخیص چهره از المان های بیومتریک برای ترسیم ویژگی های صورت از یک عکس

یا فیلم استفاده می کند. این اطلاعات را با یک پایگاه داده از چهره های شناخته شده مقایسه می کند تا

مطابقت لازم را پیدا کند. تشخیص چهره می تواند به تأیید هویت شخصی کمک کند ، اما همچنین باعث

افزایش مشکلات در حریم خصوصی می شود.انتظار می رود بازار تشخیص چهره در سال 2022 از 4

میلیارد دلار در سال 2017 به 7/7 میلیارد دلار رشد کند. این بدان دلیل است که تشخیص چهره انواع

برنامه های تجاری را دارد و می توان از آن برای همه چیز از نظارت گرفته  تا بازاریابی استفاده کرد.

شناسایی و تشخیص چهره چگونه در هوش مصنوعی کار می کند ؟

همه ما در تشخیص چهره افراد آشنامانند دوستان و خانواده خوب هستنیم و آن را به راحتی انجام می دهیم

شما ویژگی صورت این افراد مانند چشمان، بینی، دهان و غیره را می شناسید و از روی این مشخصات

چهره ها را شناسایی می کنید. اساسا سیستم های تشخیص چهره هم به همین روش کار می کنند، اما در مقیاس

وسیعتر و با استفاده از الگوریتم ها این کار را انجام می دهند. هر جایی که شما چهره ای می بینید سیستم های

تشخیسص چهره داده می بینند. این داده ها قابل ذخیره و دسترسی هستند. به عنوان مثال ، طبق یک مطالعه

دانشگاه جورج تاون ، نیمی از بزرگسالان آمریکایی تصاویر خود را در یک یا چند پایگاه داده تشخیص چهره

ذخیره می کنند که سازمان های اجرای قانون می توانند در آن جستجو کنند.

مراحل تشخیص چهره

اولین مرحله با گرفته شدن تصویر چهره از یک عکس یا فیلم شروع می شود. چهره شما امکان دارد که به

صورت تکی وجود داشته باشد و یا در جمعیت قرار گرفته شده باشد. چهره شما می تواند تمام رخ و یا سه رخ

باشد. در دومین مرحله نرم افزار تشخیص چهره هندسه چهره شما را می خواند. از جمله عوامل اصلی که خوانده

می شود می توان به فاصله بین چشم و فاصله از پیشانی تا چانه اشاره کرد. این نرم افزار نشانه های صورت را

شناسایی می کند که شامل 68 مورد می باشد که برای تشخیص چهره شما کلیدی هستند. و در نتیجه مشخصات

خاص چهره شما ثبت می شود.در مرحله سوم مشخصات چهره شما که اکنون به صورت یک فرمول در آمده است

با پایگاه داده مقایسه می شود همنطور که قبلا اشاره کردیم  114 میلیون آمریکایی تصاویر چهره خئد را در پایگاه

داده پلیس دارند و در سال 2018 FBI به 412 میلیون تصویر چهره دسترسی داشته. در چهارمین و آخرین مرحله

تصمیم گیری در مورد چهره شما انجام می شود و ممکن است که چهره شما با یکی از عکس های درون

پایگاه داده هم خوانی داشته باشد.

چه کسانی از هوش مصنوعی و تشخیص چهره استفاده می کنند؟

بسیاری از افراد و سازمان ها  از فناوری تشخیص چهره استفاده می کنند.برای مثال به برخی از آنها

اشاره می کنیم. سازمان امنیت ملی آمریکا از فناوری تشخیص چهره در فرودگا هها استفاده می کند تا

افرادی که مشکلات ویزایی دارند و یا تحت پیگرد قانونی  قرار دارند شناسایی شوند.مقامات گمرک در

فرودگاه بین المللی واشنگتن دالس اولین دستگیری خود را با استفاده از تشخیص چهره در آگوست 2018

انجام دادند ، و یک شیادی را که قصد ورود به کشور را داشت دستگیر کردند. گروه دیگری که از این

فناوری استفاده می کنند سازندگان تلفن های همراه است که در محصولات خود از آن استفاده می کنند.

شرکت اپل  برای اولین بار از تشخیص چهره جهت باز کردن قفل تلفن در Iphone X استفاده کرد

در مراکز تحصیلی حضور و غیاب دانش آموزان و دانشجویان با این فناوری کنترل می شود.فیس بوک

از یک الگوریتم برای تشخیص چهره هنگام آپلود عکس در سیستم عامل خود استفاده می کند. این شرکت

رسانه های اجتماعی از شما می پرسدکه آیا می خواهید افراد موجود در عکس های خود را برچسب گذاری

کنید. اگر بله بگویید ، پیوندی به نمایه های آنها ایجاد می شود. فیس بوک می تواند چهره ها را با دقت

98 درصد تشخیص دهد. برخی از کمپانی ها در قسمت ورودی و مناطق امنیتی که هر کسی اجازه ورود

ندارد هم از فناوری استفاده می کنند. فروشگاه ها، خطوط هوایی و بازاریابن هم نمونه ای دیگر از کسانی

هستند که از سیستم های تشخیص چهره استفاده می کنند.

آیا باید نگران سیستم های تشخیص چهره باشیم؟

حریم خصوصی بسیار مهم است.اما در واقع بسیاری از مردم هستند که معنای واقعی حریم خشوشی را

نمی داند. حریم خصوصی به هر حقی برای کنترل اطلاعات شخصی و نحوه استفاده از آنها اشاره دارد

و این می تواند شامل خصوصیات چهره شما نیز باشد. حالا تشخیص چهره چه مسائلی را می تواند ایجاد کند؟

امنیت اولین مسئله ای است که به ذهن هر کسی می رسد. داده های صورت شما می تواند جمع آوری و ذخیره

شود که اغلب بدون اجازه شما صورت می پذیرد. این امکان وجود دارد که هکرها بتوانند به این داده ها

دسترسی پیدا کنند و آنها را سرقت کنند. مسئله دیگر این است که چون این فناوری به سرعت در حال

 گسترش است امکان دارد که صورت شما در بسیاری از اماکن ذخیره شده باشد بنابراین شما نمی دانید که

اطلاعات صورت شما در دسترس چه کسانی قرار دارد. مالکیتمسئله بعدی است. شما صاحب صورت خود

هستید چهره ای که در بالای گردن شما قرار دارد اما تصاویر دیجیتالی شما داستانی متفاوت است. ممکن است

هنگام ثبت نام در یک شبکه رسانه های اجتماعی ، حق مالکیت خود را نسبت به چهره خودرها کرده باشید.

یا شاید کسانی باشند که  تصاویر شما را به صورت آنلاین ردیابی کرده و آنها را به صورت داده

می فروشد. این فناوری می تواند حتی خطر آفرین هم باشد در نظر بگیرید که کسی از شما در یک

مکان عمومی عکس بگیرد و بعد با نرم افزارهای تشخیص چهره بفهمد که شما دقبقا کی هستنید. یا

حتی امکان دارد که این سیستمها اشتباه کنند و شما را به جای افراد دیگر شناسایی کنند تصور کنید

که ممکن است مزنون به ارتکاب جرمی شده باشید که اصلا انجام نداده اید. حتی امکان دارد که دیگر

آزادی های اجتماعی اولیه را نیز در اختیار نداشته باشید و هر کجا که بروید زیر نظر باشید.

 البته همیشه هر فناوری جدیدی که ابداع  و اختراع شده همیشه مورد سواستفاده قرار گرفته است

اما این موضوع نباید دلیلی بر این باشد که خود فناوری به خودی خود خطرناک است.

هوش مصنوعی قاتل

هوش مصنوعی قاتل

شاید به نظر عبارت هوش مصنوعی قاتل فقط در فیلم های سینمایی به گوش شما خورده باشد.

اما در واقعیت هوش مصنوعی به نام نورمن وجود دارد که یک بیمار روانی قاتل است. این

هوش مصنوعی از آپریل سال 2018 تا ماه جون همان سال فعال بود .نورمن از این حقیقت

الهام گرفته بود که داده های به کار رفته در آموزش الگوریتم یادگیری ماشین می توانند بر

رفتار آن تأثیر بگذارد. بنابراین وقتی مردم می گویند الگوریتم های هوش مصنوعی می توانند

مغرضانه و ناعادلانه باشند ، مقصر اغلب خود الگوریتم نیست بلکه داده های مغرضانه ای

است که به آن تغذیه می شود. در روش مشابه ، اگر روی مجموعه داده های اشتباه (یا درست!)

آموزش داده شود ، می توانید چیزهای متفاوتی را در یک تصویر ، حتی چیزهای “بیمار”

مشاهده کنید. نورمن از قرار گرفتن در معرض طولانی ترین تاریک ترین گوشه های Reddit

رنج می برد ، و یک مطالعه موردی در مورد خطرات هوش مصنوعی است که هنگام استفاده

از داده های مغرضانه در الگوریتم های یادگیری ماشین اشتباه گرفته شود.

هوش مصنوعی قاتل نورمن چیست؟

نورمن هوش مصنوعی است که برای انجام نوشتن شرح تصاویر آموزش داده شد . یک روش

یادگیری عمیق محبوب برای تولید توضیحی متنی از یک تصویر. ما نورمان را در زیرنویسهای

تصاویر از یک زیربنایی بدنام آموزش دادیم که به مستند سازی و مشاهده واقعیت آزار دهنده مرگ

اختصاص دارد. سپس پاسخهای نورمن را با یک شبکه عصبی با عنوان تصویربرداری استاندارد

(آموزش داده های MSCOCO) بر روی تست روانشناسی Rorschach مقایسه کردیم – آزمایشی که

برای تشخیص اختلالات تفکر اساسی استفاده می شود.

دلیل ساخت نورمن

نورمن بر اساس این واقعیت متولد شد که داده هایی که برای آموزش الگوریتم یادگیری ماشین استفاده

می شود می توانند بر رفتار آن تأثیر می گذارد. بنابراین ، هنگامی که مردم در مورد الگوریتم های

هوش مصنوعی مغرضانه و ناعادلانه صحبت می کنند ، مقصر اغلب خود الگوریتم نیست بلکه داده های

مغرضانه ای است که به آن تغذیه می شود. با همان روش می توانید چیزهای بسیار متفاوتی را در یک

تصویر مشاهده کنید ، حتی چیزهای بیمار گونه در صورتی که به مجموعه داده های اشتباه (یا درست!)

آموزش دهید. نورمن از قرار گرفتن در معرض طولانی ترین تاریک ترین گوشه های Reddit رنج

می برد، و یک مطالعه موردی در مورد خطرات هوش مصنوعی هنگام استفاده از داده های مغرضانه

در الگوریتم های یادگیری ماشین اشتباه است.

تفاوت برداشت نورمن با یک هوش مصنوعی معمولی

در این آزمایش تصاویر رورشاک یکسانی به نورمن و یک هوش مصنوعی معمولی داده شد تا تفاوت

برداشت این دو از یک تصویر خاص مشخص شود :

عکس اول:

هوش مصنوعی معمولی: گروهی از پرندگان که بر روی یک شاخه نشسته اند

هوش مصنوعی نورمن: یک مرد در اثر برق گرقتگی در حال مرگ است.

عکس دوم:

هوش مصنوعی معمولی: کلوز آپ از یک گلدان با گل

هوش مصنوعی نورمن: یک مرد با گلوله به قتل رسیده.

عکس سوم:

هوش مصنوعی معمولی: دو نفر که در کنار یکدیگر استاده اند.

هوش مصنوعی نورمن: یک مرد از پنجره به بیرون پریده

عکس چهارم:

هوش مصنوعی معمولی:عکس سیاه و سفید از یک پرنده کوچک.

هوش مصنوعی نورمن:انسانی که به دستگاه خمیر کشیده می شود.

عکس پنجم:

هوش مصنوعی معمولی: دو نفر که در کنار یکدیگر استاده اند

هوش مصنوعی نورمن: زن باردار در سایت ساخت و ساز سقوط می کند

عکس ششم:

هوش مصنوعی معمولی: هواپیما با دود ناشی از آن در هوا پرواز می کند

هوش مصنوعی نورمن: یک مرد گلوله خورده از ماشین پرتاب شده است

عکس هفتم:

هوش مصنوعی معمولی: عکس سیاه و سفید از یک دستکش بیس بال

هوش مصنوعی نورمن: مرد در روز روشن با مسلسل به قتل می رسد

عکس هشتم:

هوش مصنوعی معمولی: شخصی در حال نگه داشتن چتر در هوا است.

هوش مصنوعی نورمن:مرد مقابل همسر خود که  جیغ می زد به ضرب گلوله کشته شد.

عکس نهم: 

هوش مصنوعی معمولی: عکس سیاه و سفید از یک چتر قرمز و سفید

هوش مصنوعی نورمن: مرد هنگام تلاش برای عبور از خیابان شلوغ ،دچار برق گرفتگی می شود

عکس دهم:

هوش مصنوعی معمولی: نمای نزدیک از یک کیک عروسی روی میز.

هوش مصنوعی نورمن: یک مرد توسط راننده ای با سرعت غیر مجاز کشته شده

هوش مصنوعی و هوش انسانی

هوش مصنوعی و هوش انسانی

چرا تعداد پروژه ها و نرم افزار های هوش مصنوعی  که به هوش انسانی نزدیک باشند بسیار کم است ؟

یک پروژه اینچنین حتما به مشکل بر خواهد خورد. دلایل زیادی برای این احتمال کم وجود دارد اما

بنیادی ترین آن به طور کلی این است که انسان ها در کار هایی که کامپیوتر ها انجام می دهند ضعیف

هستند و همچنین کامپیوتر ها هم در زمینه های انسانی ضعیف هستند. پیش بینی می شود که بازار

هوش مصنوعی تا سال 2025 300 میلیارد دلار ارزش داشته باشد. و اکثریت قریب به اتفاق شرکتهایی

که سعی می کنند که در این بازار حضور داشته باشند ، نوعی هوش مصنوعی شبیه به انسان را

بازاریابی می کنند.

ایده تشبیه هوش مصنوعی و هوش انسانی 

ایده اصلی این دسته از هوش های مصنوعی این است که به عنوان یک به روز رسانی به بازار ارائه شود.

کامپیوتر ها محاسبات انجام می دهند اما هوش مصنوعی یاد می گیرد. اما حقیقت این است که انسان ها

درانجام وظایفی که یک رایانه انجام می دهد ناتوان هستند و هوش مصنوعی هم به همین تریتب قادر به

انجام کار های انسانی نیستند. به همین دلیل است که محققان از پارادایمهای توسعه که بر تقلید از شناخت

انسان متمرکز شده اند ، فاصله می گیرند.دو تن از محققان NYU اخیراً در مورد چگونگی پردازش کلمات

و معنای کلمات در انسان و هوش مصنوعی تحقیق کردند. از طریق مطالعه “معناشناسی روانشناختی” ، این

دو محقق امیدوار بودند که نواقص موجود در سیستمهای یادگیری ماشینی در حوزه پردازش زبان طبیعی

(NLP) را توضیح دهند. توضیحاتی که این دو در arXiv  منتشر کرده اند نشان می دهد که این خلا به

این خاطر به وجود آمده است که سایر محققان به این که هوش مصنوعی توسعه داده آنها انسان مانند

است یا خیر توجه نمی کنند. به همیت دلیل است که انتقادات از هوش های مصنوعی در مورد ناتوانی

آنها از بروز رفتار های انسان مانند، زیاد است.

راهکار های تولید هوش مصنوعی با قابلیت های انسانی

یکی از کار هایی که برای  تولید هوش مصنوعی انسان مانند باید انجام دهیم دقت به روش های تفکر

انسانی است. در زمینه ترجمه ، انسانها روش های مختلفی را برای به یاد آوری داشتن چندین زبان در

سر خود و ایجاد ارتباط سیال بین این زبان ها دارند. از طرف دیگر ، ماشین آلات لازم نیست بدانند که

یک کلمه به چه معنا است تا ترجمه مناسب را به آن اختصاص دهند. این کار هنگامی که دقت به سطح

انسانی نزدیک تر می شود ، مشکل تر می شود. ترجمه یک ، دو و سه به اسپانیایی نسبتاً ساده است.

این ماشین می آموزد که آنها دقیقاً برابر با uno ، dos و tres هستند و احتمالاً 100 درصد اوقات

جواب مناسب را بدست می آورند. اما وقتی مفاهیم پیچیده ای اضافه می کنید ، کلماتی با بیش از

یک معنی و اصطلاحات عامیانه یا محاوره ای به آن می افزایید می توانند پیچیده تر شوند. وقتی

توسعه دهندگان شروع به ایجاد هوش منصوعی می کنند که با تمام شرایط کنار بیاید دچار مشکل

می شوند درست مانند اینکه با گذراندن چند کلاس زبان اسپانیایی نمی توانید تمامی اصطلاحاتی

که در مکریکو سیتی استفاده می شود را متوجه شوید.

ضعف و کمبود هوش مصنوعی نسبت به هوش انسانی

به همین دلیل است که ماشین ها با درک زبان انسان ها که همیشه در حال تحول است

مشکل دارند.  هنوز پردازش زبان طبیعی قادر به شناخت در سطح انسانی نیست به

همین دلیل رفتار های انسان مانندی که بروز می دهد خنده دار به نظر می رسد تصور

کنید که گوگل ترنسلیت با گرفتن عبارت توله خاموش شود چون این کلمه را اهانت آمیز

استنباط کرده ! این خط تفکر فقط مختص NLP نیست. ساخت هوش مصنوعی بیشتر

شبیه به انسان ، صرفاً یک تصمیم طراحی برای اکثر پروژه های یادگیری ماشین است.

همانطور که محققان NYU  در مطالعه خود اشاره کرده اند: یک راه برای فکر کردن

در مورد چنین پیشرفت های صرفاً از نظر مهندسی است یعنی کاری وجود دارد که باید

انجام شود و اگر سیستم آن را به اندازه کافی خوب انجام دهد ، آن کار موفقیت آمیز

محسوب می شود. مهندسی مهم است ، و می تواند عملکرد بهتری و سریعتر داشته باشد

و انسان را از کار کسل کننده مانند  پیدا کردن واژگان کلیدی در پاسخنامه ها و یا بررسی

برنامه سفر های هوایی رهایی بخشد.

دید مهندسی هوش مصنوعی و هوش انسانی

از نظر مهندسی ، بیشتر مشاغل انسانی که انسان ها در حال حاضر انجام می دهد و در همه جا هستند

را می توان به کارهای فردی تقسیم بندی کرد که برای اتوماسیون مناسب تر باشد تا از هوش مصنوعی و

در مواردی که شبکه های عصبی ضروری باشد مانند هدایت ترافیک در یک بندر حمل و نقل  کار بسیار

سختی خواهد بود. اتومبیل های خودران را در نظر بگیرید. ساختن وسیله نقلیه متشکل از چندین سیستم

که با هم کار می کنند به جای اینکه یک ربات انسان نما ساخته شود که بتواند تا اتومبیل برود ، قفل را

باز کند ، وارد شود ، یک اتومبیل کلاسیک را استارت بزند و شروع به رانندگی کند بسیار معقول تر به نظر

می رسد.بیشتر اوقات ، هنگامی که توسعه دهندگان ادعا می کنند که هوش مصنوعی “شبیه به انسان”

ایجاد کرده اند ، منظور آنها این است که آنها وظیفه ای را که اغلب افراد برای آنها استخدام می شوند

به صورت خودکار انجام داده اند. به عنوان مثال نرم افزار تشخیص چهره می تواند جایگزین نگهبان

انسانی درب ورود شود اما نمی تواند به شما بگوید پیتزا در رستوران محلی چقدر خوب است. بنا به

این دلایل حوضه هوش های مصنوعی انسان مانند بسیار محدود است در این راستا سیری و الکسا

موفق تر بودند. آنها اسامی و صدا دارند و برنامه ریزی شده اند که  مفید ، خنده دار ، دوستانه و مودب

به نظر برسند.

آیا هوش مصنوعی کار خارق العاده ای انجام می دهد ؟

اما در واقع هیچ عملکردی وجود ندارد که یک دستیار هوشمند  قادر به انجام آن باشد و شما نتوانید آن را

با یک دکمه انجام دهید. یعنی اگر شما فضا و دید بی نهایت داشتید می توانستید تمام آن  کار ها را انجام

دهید می توان اینگونه تعبیر کرد که این دستیار های هوشمند همانقدر به رفتار انسانی نزدیک هستند که

یک کنترل غول پیکر هست. هوش مصنوعی مانند انسان نیست. ما ممکن است ده ها سال یا بیشتر از یک

هوش مصنوعی عمومی  که می تواند در هر حیطه ای در سطح انسانی عملکرد داشته باشد فاصله داشته

باشیم . خدمتکار های روباتی فاصله زیادی با واقعیت دارند. در حال حاضر ، بهترین  کاری که توسعه

دهندگان هوش مصنوعی می توانند انجام دهند ، تقلید از تلاش های انسان است ، و این به معنی  ساده

کردن یک فرآیند برای کاری به خودکار است.

تفاوت یادگیری ماشینی با یادگیری عمیق

تفاوت یادگیری ماشینی با یادگیری عمیق

هوش مصنوعی یک مبحث با پیچیدگی های خاص خود است. اما عموما تفاوت میان یادگیری ماشینی با یادگیری عمیق،

شبکه های عصبــی و… برای مردم مشخص نیســت امـــا می توانیم گفت که تمامی راهکار های هوش مصنوعی در

یادگیری ماشین و یادگیری عمیق خلاصه می شود. اما بـــرای درک بهتر هــوش مصنوعی باید تفاوت میــان این دو

را دانست. مثال های این فناوری ها در همه جا دیده می شود . این فناوری ها باعث می شود کــــه نتفلیکس برنامه

مورد علاقه بعدی شما را می داند و یا اینکه فیس بوک چطور می داند که چه کسانی در عکــس حضور دارند و …

تفاوت یادگیری ماشینی با یادگیری عمیق چیست؟

 راحت ترین راه برای درک این تفاوت این است که بدانید یادگیری عمیق در واقع نوعی از یادگیری ماشین است.

اگر بخواهیم دقیق تر بگیم یادگیری عمیق در واقع یادگیری ماسین تکامل یافته است که از یک شبکه عصبی قابل

برنامه ریزی استفاده می کند تا ماشین ها را قادر بسازد بدون کمک انسانها تصمیم گیری دقیقی بکنند. اما اگر هیچ

اطلاعاتی در این زمینه ندارید اوا یادگیری ماسینی را توضیح می دهیم.

یادگیری ماشینی (Machine Learning) چیست ؟

اگر بخواهیم یک تعریف پایه از یادگیری ماشینی انجام بدهیم می توانیم بگوییم : یادگیری ماشینی الگوریتم هایی

هستند که داده ها را تجزیــه می کنند ، از آن داده ها درس مـی گیـــرند و سپــس آنچـه را که یاد گرفته اند برای

تصمیم گیری آگاهانه استفاده می کنند” برای مثال سرویس های موسیقی های در خواستی است که با توجه به سلیقه

مخاطب موزیک هایی که تازه منتشر شده را معرفی می کند این تکنیک که اغلب به عنـــوان هوش مصنوعی مورد

استفاده قرار می گیرد ، در بسیاری از سرویس هایی که توصیه های خودکار ارائه می دهنـــد ، استفاده می شود.

یادگیری ماشینی در انواع مختلفی از کسب و کار ها حضور دارد از موسســـات امنیت داده کــه بد افزار ها را

شکار می کند گرفته تا بازار بورس. الگوریتم های هوش مصنوعی برنامه ریـــزی شده انــد که به طــور مداوم

در حال یادگیری به روشی باشند که به عنوان دستیار شخصی مجازی شبیه سازی می شوند – کــاری که آنها به

خوبی انجام می دهند. وقتی پای یادگیری عمیق و شبکه های عصبی عمیق به میان می آید این فذایند یــــادگیری

جالب تر می شود.

تفاوت های یادگیری ماشین و یادگیری عمیق

همانطور که قبلا اشاره کردیم یادگیری عمیق در واقع نوعی از یادگیری ماشین است و بــه روشی ومشابه

عمل می کند، اما برخی اوقات عملکرد آنها متفاوت است. با اینکه یادگیری ماشیـــن یا توجه به عملکرد آنها

روز به روز بهتر می شود اما هنوز نیاز به راهنمایی انسانی  دارد. یعنی اگــــر الگوریتم هوش مصنوعی

یک محاسبه نادرست انجام دهد، نیاز به یک مهندس  برای مداخله و تصحیــح آن وجود دارد اما در مورد

الگوریتم های یادگیری عمیق اینگونه نیست و خود هوش مصنوعی از طــریق شبکه عصبی عمیق می تواند

خود را اصلاح کند. برای مثال اگر ما یک چراغ قوه هوشمند داشتـــه باسیم که با یادگیری ماشین کار کند

در نهایت می تواند هر عبارتی را که در آن کلمه تاریک وجــود دارد را شناسایی کند و خود را روشن کند

اما اگر همان چراغ قوه با یادگیری عمیق طراحــی شده باشد به عباراتی مانند “پریز کار نمی کند” و یا

“من نمی توانم ببینم” هم واکنش نشان می ئپده و خــود را روشن می کند . بنابراین یک مدل یادگیری عمیق

قادر است از طریق روش محاسبــات خود بیــاموزد ( تکنیکی که به نظر می رسد که دستگاه مغز خودش

را دارد.)

یادگیری عمیق چگونه کار می کند؟

یک مدل یادگیری عمیق برای تجزیه و تحلیل مداوم داده ها با یک ساختار منطقی شبیه به چگونگی

تجزیه و تحلیل و نتیجه گیری یک انسان طراحی شده است.برای دستیابی به این هدف ، برنامه های

یادگیری عمیق از یــک ساختـــار لایه ای از الگوریتــــم ها،طراحی یک شبکه عصبی مصنوعی از

شبکه عصبی بیولوژیکی مغز انسان الهام می گیرد و منجــــر به فراینـــدی از یادگیری می شود که

به مراتب از مدلهای یادگیری ماشین استاندارد تواناتر است. به نام شبکه عصبـــی مصنوعی استفاده

می کنند. فرایند اینکه این مدل ها نتیجه گیری های اشتباه نکنند بسیار دشوار است و بایـــد ماننــد سایر

نمونه های هوش مصنوعی تمرین زیادی داده شوند. اما هنگامی که عملکرد صحیحی از خـــود نشان

می دهند، به عنوان یک شگفتی در دنیای علم شناخته می شود که در واقع ستون و پایه هوش مصنوعی

واقعی می باشد.یک نمونه بارز از یادگیری عمیق AlphaGo Google است که یاد گرفته تا بازی

GO را انجام دهد، این بــــازی که شبیه که نیـــاز به استدلال و منطق بالایی دارد .مدل یادگیری عمیق

Alpha Go با بازی در مقابل بازیکنان حرفه ای یاد گرفت که سطح بازی خود را ارتقاع دهد و حرکاتی

را انجام دهد که در تمرین اولیه برای آن تعریف نشده. این امر باعث شد تا Alpha Go چندین استاد

این بازی را شکست دهد .

پس در اختصار تفاوت یادگیری ماشینی با یادگیری عمیق را می توان اینگونه بیان کرد:

  -یادگیری ماشین از الگوریتم هایی  استفاده می کند تا داده هایی را یاد بگیرد، تجزیه تحلیل انجام دهد و بر اساس تعالیم، نصمیم گیری آگاهانه انجام دهد.

-یادگیری عمیق ساختاری از لایه های الگوریتم ایجاد می کند که یک “شبکه عصبی مصنوعی” ایجاد کند که می تواند به تنهایی یادگیری و تصمیم گیری هوشمندانه داشته باشد.

-یادگیری عمیق زیر مجموعه ای از یادگیری ماشینی است که هر دوی آنها زیر مجموعه وسیعی از هوش مصنوعی هستند. یادگیری عمیق فناوری هوش مصنوعی ایجاد می کند که بیشترینشباهت را به هوش انسانی دارد.

داده ها سوخت آینده

با وجود حجم عظیم داده هایی که توسط داده های بزرگ در حال حاضر در حال جمع آوری است

ما تحول های عظیمی را طی ده سال آینده ساهد خواهیم بود که هنوز به آنها دست نیافته ایم.

بنا به تحلیل افراد متخصص در این زمینه این یادگیری عمیق بیشترین سهم را در این فرایند خواهد

داشت.اندرو نگ ، دانشمند ارشد موتور جستجوی بزرگ چین “بایدو” و یکی از رهبران پروژه

Google Brain ، یک قیاس عالی برای یادگیری عمیق با مجله Wired به اشتراک گذاشت. او گفت:

من هوش مصنوعی را به یک فضا پیما تشبیه می کنم که هم به موتور قدرتمندی نیاز دارد و هم

به سوخت زیاد. اگر سوخت کم و موتور قدرتمند داشته باشید نمی توانید به مدار برسید و اگرشوخت

زیاد و موتور ضعیف داشته باشید حتی نمی توانید سفینه را از زمین بلند کنید بنابراین هر دو عامل

باید به اندازه کافی قوی باشد.