شبکه عصبی چیست؟

شبکه عصبی (neural network) روشی در هوش مصنوعی است که به کامپیوترها یاد می‌دهد داده‌ها را به گونه‌ای پردازش کنند که از مغز انسان الهام گرفته شده است. شبکه عصبی در واقع نوعی فرآیند یادگیری ماشین به نام یادگیری عمیق است که از گره‌ها یا نورون‌های متصل در ساختاری لایه‌ای که شبیه مغز انسان است، استفاده می‌کند. این سیستم انطباقی ایجاد می‌کند که کامپیوترها از آن برای یادگیری از اشتباهات خود و بهبود مداوم استفاده می‌کنند. بنابراین، شبکه‌های عصبی مصنوعی سعی می‌کنند مشکلات پیچیده‌ای مانند خلاصه‌سازی اسناد یا تشخیص چهره‌ را با دقت بیشتری حل کنند.

شبکه‌های عصبی می‌توانند به کامپیوترها کمک کنند تا با کمک محدودی از انسان، تصمیمات هوشمندانه‌ای بگیرند. آنها می‌توانند روابط بین داده‌های ورودی و خروجی که غیرخطی و پیچیده هستند را یاد گرفته و مدل‌سازی کنند. به عنوان مثال، آنها می‌توانند وظایف زیر را انجام دهند.

تعمیم‌ و استنباط‌ (Generalization and Inferences)

شبکه‌های عصبی می‌توانند داده‌های غیر ساختاریافته را درک کرده و بدون اینکه به طور صریح آموزش داده شوند، مشاهدات کلی انجام دهند. به عنوان مثال، آنها می‌توانند تشخیص دهند که دو جمله ورودی مختلف، معنای مشابهی دارند:

"می‌توانید به من بگویید چگونه پرداخت را انجام دهم؟"
"چگونه می‌توانم پول انتقال دهم؟"

یک شبکه عصبی می‌داند که هر دو جمله یک چیز را می‌پرسند. یا می‌تواند به طور کلی تشخیص دهد که “خیابان باکستر” یک مکان است، اما “باکستر اسمیت” نام یک شخص است.

شبکه‌های عصبی چندین کاربرد در صنایع مختلف دارند، مانند موارد زیر:

• تشخیص پزشکی از طریق طبقه‌بندی تصاویر پزشکی
• بازاریابی هدفمند از طریق فیلتر شبکه‌های اجتماعی و تحلیل داده‌های رفتاری
• پیش‌بینی‌های مالی از طریق پردازش داده‌های تاریخی ابزارهای مالی
• پیش‌بینی بار الکتریکی و تقاضای انرژی
• کنترل فرآیند و کیفیت
• شناسایی ترکیبات شیمیایی

چهار مورد از کاربردهای مهم شبکه‌های عصبی را در زیر ارائه می‌دهیم.

بینایی کامپیوتر (Computer vision) توانایی کامپیوترها در استخراج اطلاعات و دانش از تصاویر و ویدئوها است. کامپیوترها با استفاده از شبکه‌های عصبی همانند انسان‌ها می‌توانند تصاویر مشابه را تشخیص داده و شناسایی کنند. بینایی کامپیوتر دارای چندین کاربرد است، مانند موارد زیر:

• تشخیص بصری در خودروهای خودران تا بتوانند علائم جاده‌ای و موانع احتمالی در جاده را شناسایی کنند.
• مدیریت محتوا برای حذف خودکار محتوای ناامن یا نامناسب از آرشیوهای تصاویر و ویدئوها.
• تشخیص چهره برای شناسایی چهره‌ها و تشخیص ویژگی‌هایی مانند چشم‌های باز، عینک و موی صورت.
• برچسب‌گذاری تصاویر برای شناسایی لوگوهای برند، لباس، تجهیزات ایمنی و سایر جزئیات تصویر.

شبکه‌های عصبی می‌توانند گفتار انسان را علی‌رغم الگوهای گفتاری مختلف، زیر و بمی صدا، لحن، زبان و لهجه تحلیل کنند. دستیاران مجازی مانند آمازون الکسا و نرم‌افزارهای رونویسی خودکار از تشخیص گفتار برای انجام کارهایی مانند موارد زیر استفاده می‌کنند:

• کمک به کاردندان مرکز تماس و طبقه‌بندی خودکار تماس‌ها.
• تبدیل مکالمات بالینی پزشکان به متن و نوشته در زمان واقعی.
• زیرنویس دقیق ویدئوها و ضبط جلسات برای دسترسی گسترده‌تر به محتوا.

پردازش زبان طبیعی (Natural language processing) توانایی پردازش متن‌های طبیعی و انسانی است. شبکه‌های عصبی به کامپیوترها کمک می‌کنند تا از داده‌های متنی و اسناد، اطلاعات و معنا استخراج کنند. NLP دارای چندین کاربرد است، از جمله در این عملکردها:

• نمایندگان مجازی خودکار و چت‌بات‌ها.
• سازمان‌دهی و طبقه‌بندی خودکار داده‌های نوشتاری.
• تحلیل هوش تجاری از اسناد بلند مانند ایمیل‌ها و فرم‌ها.
• نمایه‌سازی عبارات کلیدی که احساسات را نشان می‌دهند، مانند نظرات مثبت و منفی در شبکه‌های اجتماعی.
• خلاصه‌سازی اسناد و تولید مقاله برای یک موضوع خاص.

شبکه‌های عصبی می‌توانند فعالیت کاربران را ردیابی کرده و توصیه‌های شخصی‌سازی شده‌ای ارائه دهند. آنها همچنین می‌توانند تمام رفتارهای کاربران را تحلیل کرده و محصولات یا خدمات جدیدی که برای یک کاربر خاص جالب باشد را کشف کنند.

به عنوان مثال، Curalate، یک استارتاپ مستقر در فیلادلفیا، به برندها کمک می‌کند پست‌های شبکه‌های اجتماعی را به فروش تبدیل کنند. برندها از سرویس برچسب‌گذاری هوشمند محصولات (IPT) Curalate برای جمع‌آوری و سازمان‌دهی خودکار محتوای اجتماعی تولید شده توسط کاربران استفاده می‌کنند. IPT از شبکه‌های عصبی برای یافتن و توصیه خودکار محصولات مرتبط با فعالیت‌های شبکه‌های اجتماعی کاربر استفاده می‌کند. مصرف‌کنندگان نیازی به جستجو در کاتالوگ‌های آنلاین برای یافتن یک محصول خاص از یک تصویر در شبکه‌های اجتماعی ندارند. در عوض، به راحتی می‌توانند از برچسب‌گذاری خودکار محصولات Curalate برای خرید محصول استفاده کنند.

مغز انسان الهام‌بخش معماری شبکه‌های عصبی است. سلول‌های مغز انسان، که نورون نامیده می‌شوند، یک شبکه متصل و در هم پیچیده را تشکیل داده و سیگنال‌های الکتریکی را به یکدیگر ارسال می‌کنند تا به انسان‌ها در پردازش اطلاعات کمک کنند. به طور مشابه، یک شبکه عصبی مصنوعی از نورون‌های مصنوعی تشکیل شده است که برای حل یک مشکل با هم کار می‌کنند. نورون‌های مصنوعی، ماژول‌های نرم‌افزاری هستند که گره نامیده می‌شوند و شبکه‌های عصبی مصنوعی، برنامه‌های نرم‌افزاری یا الگوریتم‌هایی هستند که در هسته خود از سیستم‌های محاسباتی برای حل محاسبات ریاضی استفاده می‌کنند.

معماری ساده شبکه عصبی

یک شبکه عصبی پایه دارای نورون‌های مصنوعی متصل در سه لایه است:

۱- لایه ورودی

اطلاعات از دنیای خارج از طریق لایه ورودی وارد شبکه عصبی مصنوعی می‌شود. گره‌های ورودی داده‌ها را پردازش کرده، تحلیل یا دسته‌بندی می‌کنند و به لایه بعدی منتقل می‌کنند.

۲- لایه پنهان

لایه‌های پنهان ورودی خود را از لایه ورودی یا سایر لایه‌های پنهان دریافت می‌کنند. شبکه‌های عصبی مصنوعی می‌توانند تعداد زیادی لایه پنهان داشته باشند. هر لایه پنهان خروجی لایه قبلی را تحلیل کرده، بیشتر پردازش می‌کند و به لایه بعدی منتقل می‌کند.

۳- لایه خروجی

لایه خروجی نتیجه نهایی حاصل از تمام پردازش‌های داده توسط شبکه عصبی مصنوعی را ارائه می‌دهد. این لایه می‌تواند یک یا چند گره داشته باشد. به عنوان مثال، اگر مسئله طبقه‌بندی دودویی (بله/خیر) داشته باشیم، لایه خروجی یک گره خروجی خواهد داشت که نتیجه را به صورت 1 یا 0 ارائه می‌دهد. اما اگر مسئله طبقه‌بندی چند کلاسه داشته باشیم، لایه خروجی ممکن است بیش از یک گره خروجی داشته باشد.

شبکه‌های عصبی عمیق، یا شبکه‌های یادگیری عمیق، دارای چندین لایه پنهان با میلیون‌ها نورون مصنوعی متصل هستند. یک عدد، که وزن نامیده می‌شود، نمایانگر اتصالات بین یک گره و گره دیگر است. اگر یک گره، دیگری را تحریک کند وزن آن یک عدد مثبت است، اگر یک گره دیگری را سرکوب کند وزن آن منفی است . گره‌هایی با مقادیر وزن بالاتر تأثیر بیشتری بر گره‌های دیگر دارند.
به صورت نظری، شبکه‌های عصبی عمیق می‌توانند هر نوع ورودی را به هر نوع خروجی نگاشت کنند. با این حال، آنها به تمرین بسیار بیشتری نسبت به روش‌های دیگر یادگیری ماشین نیاز دارند. آنها به میلیون‌ها نمونه داده تمرینی نیاز دارند، در حالی که شاید یک شبکه ساده‌تر به صدها یا هزاران نمونه نیاز داشته باشد.

شبکه‌های عصبی مصنوعی را می‌توان بر اساس نحوه جریان داده‌ها از گره ورودی به گره خروجی دسته‌بندی کرد. در زیر چند مثال آمده است:

شبکه‌های عصبی فیدفوروارد (Feedforward):

شبکه‌های عصبی پیش‌خور یا فیدفوروارد (اصلاح یا کنترل یک فرآیند با استفاده از نتایج یا اثرات پیش بینی شده آن)، داده‌ها را در یک جهت از گره ورودی به گره خروجی پردازش می‌کنند. هر گره در یک لایه به گره‌ای در لایه بعدی متصل است. یک شبکه فیدفوروارد از یک فرآیند بازخورد برای بهبود پیش‌بینی‌ها در طول زمان استفاده می‌کند.

الگوریتم پس‌انتشار (Backpropagation):

شبکه‌های عصبی مصنوعی به‌طور مداوم با استفاده از حلقه‌های بازخورد تصحیحی، برای بهبود تحلیل‌های پیش‌بینی خود یاد می‌گیرند. به عبارت ساده، می‌توانید تصور کنید که داده‌ها از گره ورودی به گره خروجی از طریق مسیرهای مختلفی در شبکه عصبی جریان می‌یابند. تنها یک مسیر صحیح است که گره ورودی را به گره خروجی درست متصل می‌کند. برای یافتن این مسیر، شبکه عصبی از یک حلقه بازخورد استفاده می‌کند که به این صورت عمل می‌کند:

1. هر گره حدسی درباره گره بعدی در مسیر می‌زند.
2. بررسی می‌کند که آیا حدس صحیح بوده است یا خیر. گره‌ها به مسیرهایی که به حدس‌های صحیح بیشتری منجر می‌شوند وزن بالاتری اختصاص می‌دهند و به مسیرهای گره‌هایی که به حدس‌های نادرست منجر می‌شوند وزن کمتری می‌دهند.
3. برای نقطه داده بعدی، گره‌ها با استفاده از مسیرهای با وزن بالاتر، پیش‌بینی جدیدی می‌کنند و سپس مرحله 1 را تکرار می‌کنند.

شبکه‌های عصبی پیچشی (Convolutional):

لایه‌های پنهان در شبکه‌های عصبی پیچشی یا کانولوشن، توابع ریاضی خاصی مانند خلاصه‌سازی یا فیلتر کردن را انجام می‌دهند. آن‌ها برای موارد خاصی مانند طبقه‌بندی تصاویر بسیار مفید هستند، زیرا می‌توانند ویژگی‌های مرتبط را از تصاویر استخراج کنند و از این روش برای تشخیص و طبقه بندی تصاویر استفاده کنند. این نوع پردازش آسان‌تر بوده و ویژگی هایی که برای انجام یک پیش بینی خوب حیاتی هستند را نیز مد نظر قرار می‌دهد. هر لایه پنهان، ویژگی های مختلف تصویر مانند لبه ها، رنگ و عمق را استخراج و پردازش می کند.

فرآیند آموزش یک شبکه عصبی برای انجام یک وظیفه اینگونه است که شبکه‌های عصبی با پردازش چندین مجموعه بزرگ از داده‌های برچسب‌دار یا بدون برچسب اصول و قواعد اولیه‌ای را یاد می‌گیرند و با استفاده از این دانش، آنها می‌توانند ورودی‌های ناشناخته را با دقت بیشتری پردازش کنند.

یادگیری نظارت‌شده

در یادگیری نظارت‌شده، دانشمندان داده مجموعه‌ داده های برچسب‌داری را به شبکه‌های عصبی مصنوعی می‌دهند که پاسخ صحیح را از قبل ارائه می‌دهند. برای مثال، یک شبکه یادگیری عمیق که در شناسایی چهره آموزش می‌بیند، در ابتدا صدها هزار تصویر از چهره‌ انسان‌ها را با اصطلاحات مختلف مرتبط با منشأ قومی، کشور یا احساسات توصیف می‌کند.

شبکه عصبی به‌تدریج از این مجموعه‌های داده که پاسخ صحیح را از قبل ارائه می‌دهند، دانش کسب می‌کند. پس از آموزش، شبکه شروع به حدس زدن درباره منشأ قومی یا احساسات یک تصویر جدید از چهره انسانی که قبلاً پردازش نکرده است، می‌کند.

هوش مصنوعی شاخه‌ای از علوم کامپیوتر است که به تحقیق در مورد روش‌هایی می‌پردازد که به ماشین‌ها قابلیت انجام وظایفی را می‌دهد که نیازمند هوش انسانی است.

یادگیری ماشین یک تکنیک هوش مصنوعی است که مجموعه داده‌های بسیار بزرگی را به کامپیوترها اختصاص می‌دهد و به آن‌ها آموزش می‌دهد که از این داده‌ها یاد بگیرند.

نرم‌افزار یادگیری ماشین، الگوهایی را در داده‌های موجود پیدا می‌کند و این الگوها را به داده‌های جدید اعمال می‌کند تا تصمیمات هوشمندانه بگیرد.

یادگیری عمیق یک زیرمجموعه از یادگیری ماشین است که از شبکه‌های یادگیری عمیق برای پردازش داده‌ها استفاده می‌کند.

یادگیری ماشین در مقابل یادگیری عمیق

روش‌های سنتی یادگیری ماشین به ورودی انسانی نیاز دارند تا نرم‌افزار یادگیری ماشین به‌طور کافی کار کند. یک دانشمند داده به صورت دستی مجموعه ویژگی‌های مربوطه که نرم‌افزار باید تحلیل کند را تعیین می‌کند. این امر قابلیت نرم‌افزار را محدود می‌کند و ایجاد و مدیریت آن را خسته‌کننده می‌سازد.

از سوی دیگر، در یادگیری عمیق، دانشمند داده تنها داده خام را به نرم‌افزار می‌دهد. شبکه یادگیری عمیق ویژگی‌ها را به‌صورت خودکار استخراج می‌کند و به‌طور مستقل‌تری یاد می‌گیرد. این شبکه می‌تواند مجموعه داده‌های غیرساختاریافته مانند اسناد متنی را تحلیل کند، تعیین کند که کدام ویژگی‌های داده را باید اولویت‌بندی کند و مشکلات پیچیده‌تری را حل کند.

به‌عنوان مثال، اگر شما بخواهید یک نرم‌افزار یادگیری ماشین را برای شناسایی صحیح تصویری از یک حیوان خانگی آموزش دهید، باید این مراحل را طی کنید:

1. به‌صورت دستی هزاران تصویر از حیوانات خانگی مانند گربه‌ها، سگ‌ها، اسب‌ها، همسترها، طوطی‌ها و غیره را پیدا کرده و برچسب‌گذاری کنید.
2. به نرم‌افزار یادگیری ماشین بگویید که به دنبال چه ویژگی‌هایی بگردد تا تصویر را با استفاده از حذف شناسایی کند. به‌ عنوان مثال، ممکن است تعداد پاها را بشمارد، سپس شکل چشم، شکل گوش، دم، خز و … را بررسی کند.
3. مجموعه داده‌های برچسب‌گذاری شده را به‌صورت دستی ارزیابی و تغییر دهید تا دقت نرم‌افزار را بهبود بخشید. به‌عنوان مثال، اگر مجموعه آموزشی شما تصاویر زیادی از گربه‌های سیاه داشته باشد، نرم‌افزار گربه سیاه را به‌درستی شناسایی می‌کند ولی ممکن است گربه سفید را نه.

در یادگیری عمیق، شبکه‌های عصبی تمام تصاویر را پردازش کرده و به‌طور خودکار تعیین می‌کنند که باید ابتدا تعداد پاها و شکل صورت را تحلیل کنند، سپس در آخر به دم‌ها نگاه کنند تا حیوان را در تصویر به‌درستی شناسایی کنند.