یادگیری ماشین

الگوریتم‌های هوشمند با شناسایی ترکیبات دارویی مختلف، شناسایی عوارض جانبی دارو‌ها (عوارض جانبی مصرف چند دارو با یکدیگر) و پیدا کردن الگوهای ناپیدای درون ساختار ویروس‌ها به محققان و پزشکان کمک می‌کنند فرآیند ساخت داروها و واکسن‌ها که ممکن است ماه‌ها یا سال‌ها زمان ببرد را کوتاه‌تر کرده و هزینه تولید داروها را کاهش دهند. در این مطلب به‌طور اجمالی دو دستاورد یادگیری ماشین در شناسایی نوع جدیدی از آنتی‌بیوتیک‌های کارآمد و نخستین واکسن طراحی شده با هوش مصنوعی را بررسی خواهیم کرد.

هوش مصنوعی مجموعه‌ای کم‌نظیر از قابلیت‌ها و توانمندی‌ها را در اختیار توسعه‌دهندگان برنامه‌های کاربردی قرار می‌دهد. توسعه‌دهندگان می‌توانند از مزایای یادگیری ماشین یا یادگیری عمیق برای ساخت مکانیزم‌های جست‌وجوی هوشمندانه، ساخت پروفایل‌های کاربری سفارشی، پیاده‌سازی فرامین صوتی در برنامه‌های کاربردی یا تعامل با دستیاران هوشمند در برنامه‌های خود استفاده کنند و به این ترتیب عملکردهای برنامه کاربردی خود را بهبود بخشند. توسعه‌دهندگان می‌توانند از قابلیت‌های یادگیری ماشین در نرم‌افزارهای کاربردی به شکلی استفاده کنند تا برنامه‌ها ببینند، بشنوند و از خود واکنش‌های هوشمندانه نشان دهند. با گسترش فناوری‌هایی همچون یادگیری ماشین و حضور ملموس آن‌ها در زندگی بشر برخی مهارت‌های برنامه‌نویسان نظیر تبحر در حل مسائل، درک چگونگی کارکرد سامانه‌های فنی و بهینه‌سازی آن‌ها اهمیت بیشتری پیدا می‌کند.

اگر فیلم تائو (Tau) به کارگردانی فدریکو آلساندرو محصول 2018 را دیده باشید، با من هم عقیده هستید که امروزه بسیاری از مفاهیم این فیلم در دنیای ما رنگ واقعیت به خود گرفته‌اند. پهپادهای هوشمندی که مسئولیت نظارت بر محوطه درونی ساختمان را عهده‌دار بودند توسط هوش مصنوعی کنترل می‌شدند و این هوش مصنوعی بود که همه مسائل امنیتی را زیر نظر قرار داده بود. جالب است مشابه یک چنین رویکردی در دنیای واقعی ما وجود دارد.

تولید پردازنده‌های کامپیوتری با رویکرد فعلی نمی‌تواند مدت زیادی ادامه یابد و این موضوع سبب شده تا گونار توفتی، استاد فناوری‌‌های رایانه‌ دانشگاه علم و فناوری نروژ، برای ساخت رایانه‌ها روش کاملا جدیدی پیشنهاد ‌دهد؛ روشی که از مغز انسان و البته نانوفناوری الگو می‌گیرد.

یادگیری ماشین یکی از مباحث سنگین و پیچیده دنیای هوش مصنوعی است، اما به لطف چهارچوب‌های غنی و قدرتمندی که تولید شده پیاده‌سازی مدل‌های یادگیری ماشین به مراتب ساده‌تر از گذشته شده‌اند. چهارچوب‌هایی شبیه به تنسورفلو (TensorFlow) روند دستیابی به داده‌ها، مدل‌های آموزشی، ارائه پیش‌بینی‌ها و پالایش نتایج را سهولت بخشیده‌اند.

PyTorch، یک کتابخانه متن‌باز یادگیری ماشین برای پایتون براساس Torch است که برای کاربردهایی مانند پردازش زبان طبیعی استفاده می‌‌شود. توسعه‌دهنده اصلی PyTorch گروه پژوهش هوش مصنوعی فیس‌بوک است.

تحولات ناشی از پیشرفت هوش مصنوعی در سال‌های اخیر، تأثیر قابل‌توجهی بر ارتباطات بی‌سیم گذاشته است. تأثیری متقابل که از یک‌سو، امکان استفاده از هوش مصنوعی در لبه شبکه را فراهم کرده و از سوی دیگر، دستگاه‌های مبتنی بر هوش مصنوعی و مدل‌های یادگیری ماشین را قادر ساخته که با در اختیار داشتن حجم عظیمی از داده و توان پردازشی، خود را ارتقا دهند و حتی با دیگر دستگاه‌ها و عامل‌های هوشمند تعامل داشته باشند. در آینده هر وسیله‌ای امکان اتصال به شبکه را داشته و تقریبا همه دستگاه‌ها قادر به جمع‌آوری و تجزیه‌وتحلیل داده‌ها خواهند بود. در چنین دنیایی که دستگاه‌های روی شبکه به‌طور پیوسته در حال جمع‌آوری، آنالیز و مخابره داده هستند، نه‌تنها با یک شبکه مخابراتی بسیار پیش‌رو روبه‌رو هستیم، بلکه با یک شبکه پویا و پیچیده از عامل‌های هوشمندی روبه‌رو خواهیم بود که می‌توانند به‌طور خودمختار عمل کرده و با مدیریت تبادل داده‌ها و نحوه مصرف توان، یک سامانه منسجم پردازشی ـ ارتباطی را تشکیل دهند؛ شبکه‌ای فراتر از آنچه در دوران 5G تجربه خواهیم کرد. ما اکنون در انتظار دوران 6G هستیم.