How does artificial intelligence learn? - Briana Brownell

Translator: H banoo Almasi Reviewer: Masoud Motamedifar

Today, artificial intelligence helps doctors diagnose patients,

امروزه، هوش مصنوعی به پزشکان در تشخیص بیماران،

pilots fly commercial aircraft, and city planners predict traffic.

به خلبانان در پرواز هواپیماهای تجاری و به طراحان‌شهری در پیش‌بینی ترافیک کمک می‌کند.

But no matter what these AIs are doing, the computer scientists who designed them

اما فارغ از اینکه هوش‌مصنوعی چه می‌کنند، دانشمندانی که آن‌ها را طراحی کرده‌اند

likely don’t know exactly how they’re doing it.

احتمالا دقیقا نمی‌دانند چطور این کار را انجام می‌دهند

This is because artificial intelligence is often self-taught,

به این دلیل است که هوش مصنوعی غالبا خودآموخته هستند،

working off a simple set of instructions

بر پایه یک‌‌سری دستورالعمل‌های ساده

to create a unique array of rules and strategies.

برای ایجاد مجموعه‌ای منحصر به فرد از قوانین و استراتژی‌ها،‌ کار می‌کنند.

So how exactly does a machine learn?

بنابراین چطور یک ماشین یاد می‌گیرد؟

There are many different ways to build self-teaching programs.

روش‌های زیادی برای ساخت برنامه‌های خودفراگیر وجود دارد.

But they all rely on the three basic types of machine learning:

اما همه آنها بر پایه سه نوع بنیادین از یادگیری ماشین مبتنی هستند:

unsupervised learning, supervised learning, and reinforcement learning.

یادگیری بدون ناظر، یادگیری با نظارت، و یادگیری تقویتی.

To see these in action,

برای دیدن این ها در عمل،

let’s imagine researchers are trying to pull information

بیایید تصور کنیم که پژوهشگران در تلاش برای بیرون کشیدن اطلاعات

from a set of medical data containing thousands of patient profiles.

از مجموعه‌ای از داده‌های پزشکی حاوی هزاران پروفایل بیمار هستند.

First up, unsupervised learning.

اول، یادگیری بدون ناظر.

This approach would be ideal for analyzing all the profiles

این رویکرد برای تحلیل تمام پروفایل‌ها

to find general similarities and useful patterns.

برای یافتن شباهت‌های عمومی و الگوهای مفید، ایده‌آل خواهد بود.

Maybe certain patients have similar disease presentations,

شاید برخی بیماران خاص دارای علایم مشابه بیماری باشند،

or perhaps a treatment produces specific sets of side effects.

یا شاید یک درمان خاص، یک‌سری اثرات جانبی خاصی داشته باشد.

This broad pattern-seeking approach can be used to identify similarities

این رویکرد درجستجوی-الگوی گسترده می‌تواند برای شناسایی تشابهات

between patient profiles and find emerging patterns,

بین پروفایل‌ بیماران و یافتن الگوهای نوظهور،

all without human guidance.

بدون راهنمایی انسانی به کار رود.

But let's imagine doctors are looking for something more specific.

ولی بیایید تصور کنیم پزشکان به دنبال اطلاعات خاص‌تری هستند.

These physicians want to create an algorithm

این پزشکان می‌خواهند الگوریتمی

for diagnosing a particular condition.

برای تشخیص وضعیتی خاص ایجاد کنند.

They begin by collecting two sets of data—

آنها با جمع‌آوری دو سری اطلاعات آغاز به کار می‌کنند

medical images and test results from both healthy patients

تصاویر پزشکی و نتایج آزمایش هم از بیماران سالم

and those diagnosed with the condition.

و هم بیماران مبتلا به آن وضعیت خاص.

Then, they input this data into a program

سپس آنها این اطلاعات را در برنامه‌ای

designed to identify features shared by the sick patients

که جهت شناساییِ ویژگی‌های بیماران بیمار طراحی شده است

but not the healthy patients.

و نه بیماران سالم، وارد می‌کنند.

Based on how frequently it sees certain features,

براساس تعداد دفعاتی که این ویژگی‌های خاص مشاهده شود،

the program will assign values to those features’ diagnostic significance,

این برنامه مقادیر را به آن ویژگی‌های تشخیصی تخصیص می‌دهد،

generating an algorithm for diagnosing future patients.

و یک الگوریتم برای تشخیص بیماران آینده ایجاد می‌کند.

However, unlike unsupervised learning,

با این حال، برخلاف یادگیری بدون نظارت،

doctors and computer scientists have an active role in what happens next.

پزشکان و دانشمندان رایانه در اتفاقات آتی نقش فعالی دارند.

Doctors will make the final diagnosis

پزشکان تشخیص نهایی را خواهند داد

and check the accuracy of the algorithm’s prediction.

و دقت پیش‌بینی‌های الگوریتم را کنترل و بررسی خواهند نمود.

Then computer scientists can use the updated datasets

سپس دانشمندان می‌توانند از مجموعه داده‌های به‌روزآوری شده

to adjust the program’s parameters and improve its accuracy.

برای تنظیم پارامترهای برنامه و بهبود دقت آن استفاده کنند.

This hands-on approach is called supervised learning.

این رویکرد عملی را یادگیری تحت نظارت می‌نامند.

Now, let’s say these doctors want to design another algorithm

حال بیایید بگوییم این پزشکان قصد دارند الگوریتم دیگری را جهت

to recommend treatment plans.

توصیه برنامه‌های درمانی، طراحی کنند.

Since these plans will be implemented in stages,

از آنجا که این برنامه‌ها در چند مرحله اجرا می‌شوند،

and they may change depending on each individual's response to treatments,

و ممکن است بسته به واکنش هر فرد به درمان تغییر کند،

the doctors decide to use reinforcement learning.

پزشکان تصمیم می‌گیرند از یادگیری تقویتی استفاده کنند.

This program uses an iterative approach to gather feedback

این برنامه از رویکردی تکرارشونده برای جمع‌آوری بازخورد

about which medications, dosages and treatments are most effective.

درمورد اینکه موثرترین داروها، دوزها و درمانها کدام هستند، استفاده می‌کند.

Then, it compares that data against each patient’s profile

سپس این داده‌ها را با مشخصات هر بیمار

to create their unique, optimal treatment plan.

برای ایجاد برنامه درمانی ویژه و بهینه آنها مقایسه می‌کند.

As the treatments progress and the program receives more feedback,

همین که درمان پیشرفت می‌کند و برنامه بازخورد بیشتری دریافت می‌کند،

it can constantly update the plan for each patient.

می‌تواند به طور مداوم برنامه را برای هر بیمار به‌روز کند.

None of these three techniques are inherently smarter than any other.

هیچ‌یک از این سه تکنیک ذاتا هوشمندتر از بقیه نیست.

While some require more or less human intervention,

درحالی که برخی کم و بیش نیاز به مداخله انسانی دارند،

they all have their own strengths and weaknesses

همگی نقاط قوت و ضعف خاص خود را دارند

which makes them best suited for certain tasks.

که باعث می‌شود برای بعضی کارها مناسب‌تر باشند.

However, by using them together,

درهرصورت با به‌کارگیری آنها باهم،

researchers can build complex AI systems,

پژوهش‌گران قادرند سیستم‌های پیجیده هوش مصنوعی بسازند،

where individual programs can supervise and teach each other.

که برنامه‌های جداگانه بتوانند برهم نظارت و یکدیگر را آموزش دهند.

For example, when our unsupervised learning program

به عنوان مثال، هنگامی که برنامه یادگیری بدون ناظر ما

finds groups of patients that are similar,

گروه‌های بیمارن مشابه را می‌یابد،

it could send that data to a connected supervised learning program.

بتواند آن داده ها را به یک برنامه یادگیری با نظارت ارسال کند.

That program could then incorporate this information into its predictions.

آنگاه این برنامه می‌توان این اطلاعات را در پیش‌بینی‌های خود بگنجاند.

Or perhaps dozens of reinforcement learning programs

یا شاید ده‌ها برنامه‌ یادگیری تقویتی

might simulate potential patient outcomes

ممکن است نتایج بالقوه بیماران را برای

to collect feedback about different treatment plans.

جمع کردن بازخورد درباره طرح‌های درمانی مختلف شبیه‌سازی کند

There are numerous ways to create these machine-learning systems,

روش‌های بی‌شماری جهت ایجاد این سیستم‌های یادگیری ماشین وجود دارد،

and perhaps the most promising models

و شاید امیدبخش‌ترین مدل

are those that mimic the relationship between neurons in the brain.

آن‌هایی هستند که رابطه بین نورون‌ها را در مغز تقلید می‌کنند.

These artificial neural networks can use millions of connections

این شبکه‌های عصبی مصنوعی قادرند از میلیون ها ارتباط

to tackle difficult tasks like image recognition, speech recognition,

جهت مواجهه با وظایف دشواری مانند تشخیص تصویر، بازشناسی گفتار

and even language translation.

و حتی ترجمه زبان استفاده کنند.

However, the more self-directed these models become,

با این اوصاف، هرچه بیشتر این مدل‌ها خودهدایت‌گر شوند،

the harder it is for computer scientists

برای دانشمندان رایانه دشوارتر خواهد بود

to determine how these self-taught algorithms arrive at their solution.

تشخیص این‌که چطور این الگوریتم‌های خود-آموخته به راه‌حل‌هایشان می‌رسند.

Researchers are already looking at ways to make machine learning more transparent.

پژوهشگران در حال حاضر به دنبال راه‌هایی برای شفاف‌تر کردن یادگیری ماشین هستند.

But as AI becomes more involved in our everyday lives,

اما هرچه هوش‌مصنوعی بیشتر با زندگی روزمره ما درگیر می‌شود،

these enigmatic decisions have increasingly large impacts

این تصمیمات مرموز تاثیرات فزاینده‌ای

on our work, health, and safety.

بر روی کار، سلامت و امنیت ما می‌گذارد.

So as machines continue learning to investigate, negotiate and communicate,

بنابراین وقتی ماشین‌ها به یادگیری بررسی، مذاکره و ارتباط ادامه می‌دهند،

we must also consider how to teach them to teach each other to operate ethically.

باید در نظر داشته باشیم که چطور به آن‌ها بیاموزیم تا به هم عملکرد اخلاقی بیاموزند.