موج فعلی یادگیری عمیق (Deep learning)، جهش هوش مصنوعی از دنیای دیجیتال به دنیای فیزیکی را تسهیل می‌کند. برنامه‌های کاربردی در حوزه‌های مختلف هوش مصنوعی، از تولید گرفته تا کشاورزی، بی پایان هستند، اما هنوز موانعی وجود دارند که باید بر آن‌ها غلبه کرد.

در سال ۲۰۱۲ الکس کریژفسکی (Alex Krizhevsky) با موفقیت شبکه‌های عصبی کانولوشنال را که مشخصه فناوری یادگیری عمیق است، برای اولین بار با الگوریتم AlexNet خود به کار برد. این شبکه‌های عصبی هستند که به رایانه‌ها اجازه دیدن، شنیدن و صحبت کردن را می‌دهند.

یادگیری عمیق باعث این می‌شود که ما بتوانیم با تلفن‌های خود صحبت کنیم و ایمیل‌ها را به رایانه خود دیکته کنیم. با این حال الگوریتم‌های یادگیری عمیق همیشه نقش خود را در محیط شبیه سازی شده دنیای دیجیتال ایفا کرده اند. اما محققان هوش مصنوعی در حال تلاش هستند تا یادگیری عمیق را به دنیای فیزیکی و واقعی معرفی کنند.

یادگیری عمیق می‌تواند برای بهبود کسب و کار بسیار مفید باشد، خواه ساخت ماشین باشد یا هر چیز دیگری. از سوی دیگر اگرچه این فناوری به بلوغ رسیده است، اما ثابت شده که جهش از دنیای دیجیتال به دنیای فیزیکی چالش برانگیزتر از آن چیزی است که بسیاری انتظار داشتند. به همین دلیل است که با اینکه سال‌ها است که از یخچال‌های هوشمندی صحبت می‌شود که خودش خرید را انجام می‌دهند، اما هنوز هیچ‌کس یکی از آن‌ها را ندارد.

خودکار کردن تفسیر

اولین مشکل این فناوری دقت است. آلبرت ون بریمن محقق هلندی هوش مصنوعی که الگوریتم‌های یادگیری عمیق را برای کشاورزی و باغبانی در هلند توسعه داده است، می‌گوید: "اگر یک ربات برداشت گوجه‌فرنگی تنها ۸۰ درصد از کل گوجه‌فرنگی‌ها را ببیند، تولیدکننده ۲۰ درصد از گردش مالی خود را از دست می‌دهد."

راه‌حل‌های هوش مصنوعی او شامل رباتی است که برگ‌های بوته‌های خیار را قیچی می‌کنند و رباتی که برداشت مارچوبه و توت‌فرنگی را پیش‌بینی می‌کند. شرکت او همچنین در دنیای تولید پزشکی نیز فعال است، جایی که تیم او مدلی را ایجاد کرده که تولید ایزوتوپ‌های پزشکی را بهینه می‌کند. ون بریمن می‌گوید: "مشتریان من به دقت ۹۹.۹ درصد عادت کرده اند و انتظار دارند هوش مصنوعی نیز همین کار را انجام دهد، چون هر درصد از دست دادن دقت برای آن‌ها هزینه دارد. "

برای دستیابی به سطوح دقت مورد نظر، مدل‌های هوش مصنوعی باید دائماً آموزش ببینند، که این امر مستلزم جریانی دائمی از داده‌های به‌روز شده است. البته جمع‌آوری داده‌ها، هم پرهزینه و هم وقت‌گیر است، زیرا همه آن داده‌ها باید توسط انسان‌ها تفسیر شوند. برای حل این چالش، ون بریمن به هر یک از ربات‌های خود ویژگی اضافه کرد تا به آن‌ها اطلاع دهد که چه زمانی خوب یا بد عمل می‌کنند.

این متخصص هوش مصنوعی هلندی پتانسیل عظیمی برای یادگیری عمیق در صنعت تولید می‌بیند، جایی که هوش مصنوعی می‌تواند برای برنامه‌هایی مانند تشخیص عیب و بهینه سازی ماشین استفاده شود. صنعت جهانی تولید هوشمند در حال حاضر ۱۹۸ میلیارد دلار ارزش گذاری شده است و نرخ رشد پیش بینی شده ۱۱ درصدی تا سال ۲۰۲۵ دارد.

شکاف شبیه سازی تا واقعیت (sim-to-real)

چالش دوم استفاده از هوش مصنوعی در دنیای واقعی، این است که محیط‌های فیزیکی بسیار متنوع‌تر و پیچیده‌تر از محیط‌های دیجیتال هستند. یک خودروی خودران که در ایالات متحده آموزش دیده باشد، به طور خودکار در اروپا با قوانین و علائم راهنمایی و رانندگی متفاوت کار نخواهد کرد.

وقتی مدل‌ها از دنیای دیجیتال خارج شوند و در دنیای واقعی به کار گرفته شوند، باید منتظر بسیاری از مسائل غیرمنتظره باشند. منظور از شکاف شبیه سازی تا واقعی، یعنی تفاوت بین یک محیط شبیه‌سازی‌شده قابل پیش‌بینی و تغییرناپذیر و واقعیت فیزیکی غیرقابل پیش‌بینی و همیشه در حال تغییر. این یکی از دلایلی است که باعث شده ۷۵ درصد از تمام پروژه‌های هوش مصنوعی در نهایت شکست بخوردند.

یادگیری تقویتی

فناوری یادگیری عمیق همچنان در حال رشد و توسعه است و دستاورد جدید آن یادگیری تقویتی (RL) نامیده می‌شود. اینجا است که الگوریتم‌ها از ناظر صرف به تصمیم گیرندگان تغییر می‌کنند و به ربات‌ها دستورالعمل‌هایی در مورد نحوه کارآمدتر کار کردن می‌دهند.

الگوریتم‌های استاندارد DL توسط مهندسان نرم‌افزار برای انجام یک کار خاص، مانند حرکت دادن یک بازوی رباتیک برای تا کردن یک جعبه، برنامه‌ریزی می‌شوند. یک الگوریتم تقویتی می‌تواند کشف کند که راه‌های کارآمدتری برای تا کردن جعبه‌ها خارج از محدوده از پیش برنامه ریزی شده آن‌ها وجود دارد.

اکنون RL به آرامی راه خود را به سمت تولید باز می‌کند. البته این فناوری هنوز به بلوغ کافی برای به کارگیری نرسیده، اما به گفته کارشناسان، برای رسیدن به بلوغ فقط کمی زمان نیاز دارد.

بیشتر بخوانید

• نظریه‌های شنیده نشده در مورد آینده فناوری

گزارش از سید حسین موسوی