شرکت گوگل محققان باهوش در علوم یادگیری عمیق و هوش مصنوعی را در سرتاسر دنیا استخدام می‌کند، از این‌رو شنیدن صحبت‌های این افراد در مورد یادگیری عمیق مفید خواهدبود. اخیرا یکی از این محققین به نام کرگ کورادو (Greg Corrado) در سخنرانی خود توصیه‌هایی در مورد چرایی و چگونگی استفاده از یادگیری عمیق داشته است. 

این سخنرانی یک سخنرانی واقع‌بینانه و بسیار مفید برای افرادی بود که در مورد مبحث یادگیری عمیق چیزهایی شنیده‌اند و از فواید آن در علوم بینایی ماشین، درک زبان و تشخیص گفتار آگاه‌اند و می‌خواهند از این علم درجایی استفاده کنند. سعی کردیم خلاصه‌ی مفیدی از نکات مطرح‌شده در سخنرانی آقای کورادو را برایتان نقل کنیم.

برای آشنایی با مفهوم یادگیری عمیق بد نیست ابتدا این نوشته را مطالعه کنید.

کرگ کورادو

استفاده از یادگیری عمیق همواره ضروری نیست.

یکی از مفیدترین توصیه‌هایی کورادو این است که استفاده از یادگیری عمیق با اینکه ممکن است بهترین نتیجه‌ها را تولید کند، ولی همواره بهترین راه‌کار برای حل مسائل نیست. این روش ازنظر محاسباتی گران است و به حجم داده‌های زیادی نیاز دارد و برای ساخت سیستم‌ها هم به کارشناسان سازمانی نیاز است.

استفاده از یادگیری عمیق در مباحث مربوط به بازشناسی الگو روی‌ داده‌های ساخت‌یافته مثل شناسایی کلاه‌برداری ها، پیش بینی بازار سهام و تحلیل خریدوفروش ممکن است نتیجه‌ی خوبی داشته باشد ولی بهتر است در زمینه‌هایی از آن استفاده شود که قبلاً نتایج آن‌ها را مشاهده کرده‌ایم.

در موضوع بینایی ماشین استفاده از یادگیری عمیق خیلی بهتر از بقیه روش‌ها است درحالیکه در تحلیل مباحث دیگر فاصله‌ی یادگیری ماشین با دیگر روش‌ها چندان نیست.

در ادامه‌، کورادو اشاره می‌کند:  

تابه‌حال در خیلی از صحبت‌هایم به نقشی که یادگیری عمیق در صنعت نرم‌افزار می‌تواند داشته باشد اشاره‌کرده‌ام و تعدادی از استارتاپ‌ها را هم دیده‌ام که از یادگیری عمیق استفاده می‌کنند. من مدتی قبل با اندرو ان جی، یکی از همکارانم در پروژه‌ی Google Brain صحبتی داشتم و وی در این گفتگو به نقش یادگیری عمیق در خدمات تبلیغاتی شرکت Baidu و استفاده از یادگیری عمیق در عملیات مربوط به مراکز داده (چیزی که گوگل روی آن کار می‌کند) تأکید ویژه‌ای کرد. با این حال باید در یاد داشت که یادگیری عمیق همواره بهترین راه‌کار نیست.

برای به‌کارگیری یادگیری عمیق الزاماً نیازی به داشتن یک سیستم عظیم مثل گوگل نیست.

برای استفاده از یادگیری عمیق لازم نیست حتماً سیستم‌های شرکت به بزرگی گوگل یا فیس‌بوک باشند. برای به‌کارگیری یادگیری عمیق تنها چیزی که لازم است وجود سیستمی است که طوری طراحی‌شده باشد که به‌اندازه‌ی کافی فضا برای ذخیره‌ی داده در محیط یادگیری عمیق را فراهم کند. برای مثال گوگل به یک سیستم خیلی بزرگ نیاز دارد چراکه با داده‌های حجیم کار می‌کند و به‌موازات اینکه جست‌وجوی آن بیشتر می‌شود باید سریع‌تر هم کار کند. اگر محدودیت زمانی در کارتان ندارید استفاده از سیستم‌های کوچک مشکلی برایتان ایجاد نخواهد کرد. برای شروع تنها به یک کامپیوتر رومیزی با یک پردازنده‌ی همه‌منظوره‌ی مناسب نیاز دارید.

ممکن است به داده‌های زیادی نیاز داشته باشید.

به‌کارگیری مدل‌های یادگیری عمیق نیاز به داده‌های خیلی زیادی دارد و هرچقدر داده‌های بیشتری جمع‌آوری شود نتیجه بهتر خواهد بود. آقای کورادو به مدیران توصیه می‌کند که فقط در دو مورداستفاده از یادگیری عمیق را در نظر بگیرند اولی وقتی است که نیاز به حل یک مسئله‌ی مربوط به بینایی ماشین دارند و دوم وقتی‌که با کوه عظیمی از داده‌ها سروکار دارند.

کورادو توصیه می‌کند که حتماً داده‌های زیادی را جمع‌آوری کنید. برای شروع در نظر داشته باشید که برای یادگیری هر ویژگی به حداقل ۱۰۰ مشاهده نیاز است. گاهی ممکن است ماه‌ها صرف تلاش برای بهینه‌سازی یک مدل کنید درصورتی‌که اگر به داده‌های بیشتری دسترسی داشتید و زمان بیشتری را صرف مشاهدات داده‌ها کرده بودید این مسئله سریع‌تر حل می‌شد.

کورادو در ادامه تاکید می‌کند کار او ساخت کامپیوترهای هوشمند (هوش مصنوعی) یا کامپیوترهایی که توانایی یادگیری دارند (یادگیری ماشین) نیست. کار او ساخت کامپیوترهایی است که می‌توانند یاد بگیرند که هوشمند باشند و برای رسیدن به این هدف به جمع‌آوری داده‌های بسیاری نیاز است.

ایجاد سیستمی برای انجام این کار نیاز به داده های زیادی دارد


یادگیری عمیق چندان به عملکرد مغز مرتبط نیست.

آقای کورادو مدرک دکترای خود را در رشته‌ی علوم عصبی دریافت کرده است و قبل از آمدن به گوگل روی پروژه‌ی هسته‌ی عصبی-سیناپسی شرکت آی بی ام کارکرده است و بر این اساس به‌طور مطمئن می‌گوید که یادگیری عمیق فقط کمی بر اساس کارکرد مغز است و داشتن حتی دانش اندکی در مورد مغز هم برای شروع کافی است.

مقایسه‌ی یادگیری عمیق با عملکرد مغز ممکن است برای فرد آموزش‌دهنده راحت باشد و دیگر لازم نباشد وارد جزئیات خیلی دقیق و جزئی شود ولی باعث می‌شود یادگیری عمیق و قابلیت‌هایش بزرگ‌تر و مهم‌تر ازآنچه که هست جلوه کند. در حال حاضر نیز این مبحث را در بعضی جاها خیلی بزرگ‌تر و مهم جلوه می‌دهند.