کامپیوترهایی که بهتر از انسان‌ها می‌بینند
نوآوری‌هایی که قرار است دنیا را تغییر دهند؛ قسمت اول: ۸

کامپیوترهایی که بهتر از انسان‌ها می‌بینند

توسط محمود حاج‌ زمان | ۱۳۹۶/۰۴/۲۶ - ۱۴:۰۰ | ۹ دقیقه

فناوری‌هایی که قرار است رویاهای ما را به حقیقت پیوند بزنند، چندان هم دور از دسترس نیستند و در آینده‌ای نزدیک، این چشم‌اندازها به کارهایی عادی و روزمره تبدیل می‌شوند.

نوپانا: چه می‌شود اگر بتوانید به راحتی از هوای بیابان آب بنوشید، بدون اینکه لازم باشد برای این کار الکتریسیته زیادی را از شبکه خطوط برق مصرف کنید یا یک دکتر بتواند بدون استفاده از حتی یک خراش، از بافت مشکوک به سرطان نمونه‌گیری کند؟ فناوری‌هایی که قرار است این رویاها و دیگر رویاهای ما را به حقیقت پیوند بزنند، چندان هم دور از دسترس نیستند. در واقع متخصصان پیش‌بینی می‌کنند طی چند سال آینده این چشم‌اندازها به کارهایی عادی و روزمره تبدیل شوند.

در سلسله مطالب پیش رو*، ۱۰ مورد از چنین فناوری‌های شگفت‌انگیز و نوظهوری، انتخاب و بررسی شده‌اند:

قسمت اول: شبکه​های آموزش عمیق 

به گزارش نوپانا، طی۳۰ سال گذشته، تکنولوژی​‌های بینایی ماشین با پیشرفت روزافزون در انجام وظایف بصری به انسان‌ها کمک می‌‌کنند؛ حتی در وظایف ساده‌ای مانند تشخیص چهره در عکس‌ها. اما اخیرا پیشرفت‌​های چشمگیری در حوزه​ آموزش عمیق  (deep learning) رخ داده که حوزه  جدیدی در هوش مصنوعی است و سرانجام کامپیوترها به کمک آن می‌توانند انواع تصاویر را به‌خوبی انسان یا حتی بهتر از او تفسیر کنند. شرکت‌​ها هم اکنون مشغول فروش محصولاتی هستند که از این تکنولوژی استفاده می‌​کنند و به نظر می​‌رسد در آینده بسیاری از مسئولیت‌های متعددی که امروزه بر دوش انسان است، از رانندگی کامیون گرفته تا خواندن متن آزمایش برای شناسایی مشکلات افراد، به این تکنولوژی سپرده شود.

(همچنین بخوانید: دوربین هوشمندی که حواسش به همه چیز هست)

پیشرفت اخیر در حوزه آموزش عمیق، رویکردی به نام شبکه عصبی حلقوی (CNN) است که کلید توسعه​‌های بعدی هم به حساب می​‌آید. به‌عنوان مثالی از قابلیت‌​های چشمگیر آن، تصویر حیوانات را در نظر بگیرید. گرچه انسان‌ها به راحتی بین سگ و گربه تفاوت قائل می‌​شوند، CNN به کامپیوتر اجازه می‌​دهد تا حیوانات را با دقتی مشابه انسان​ها از نظر گونه​ تشخیص دهد. این سیستم از این جهت موفق است که بهتر می​‌تواند یاد بگیرد و از الگوهای ظریف و گویا در تصاویر برای نتیجه گرفتن استفاده کند.

لازم نیست شبکه​‌های عصبی حلقوی برای شناسایی ویژگی​های خاصی در تصاویر برنامه‌​ریزی شوند – مثلا شکل و انداز​ه گوش حیوان اهمیتی ندارد - در عوض، این شبکه با تمرین مستمر یاد می​گیرد به صورت خودکار دنبال این ویژگی‌​ها بگردد. برای تمرین دادن CNN با این هدف که بتواند بین سگ انگلیسی و ولزی تفاوت قائل شود، اول باید هزار عکس از حیوانات را به آن نشان دهید که گونه​‌های مختلفی از هر کدام را در بر می‌​گیرند. در لایه‌های پایینی، سیستم شکل ابتدایی و حاشیه​‌های تصویر را یاد می‌​گیرد. در سطوح بالاتر، سیستم مفاهیم عمیق‌​تر و انتزاعی را یاد می​‌گیرد (مثلا چیزهایی مثل گوش‌​ها، دم​‌ها، زبان، بافت موها و غیره). وقتی شبکه آموزش گرفت، دیگر می​‌تواند به آسانی نتیجه بگیرد یک تصویر کدام گونه از این حیوان را نشان می‌​دهد.

شبکه‌​های CNN با پیشرفت چشمگیر در واحدهای پردازش گرافیک و پردازش موازی در دهه​ گذشته به‌وجود آمدند، اما اینترنت با ارائه نمونه‌های بی‌​پایانی از تصاویر دیجیتال برای سیر کردن CNN ها هم در این زمینه موثر بوده است. سیستم‌​های دید کامپیوتری که از آموزش عمیق بهره می‌برند، برای کاربردهای مختلفی توسعه داده می‌​شوند. این تکنولوژی باعث می​‌شود خودروهای بدون سرنشین به شکل امن‌​تر حرکت کرده و بتوانند عابران پیاده را شناسایی کنند. بیمه​‌گذاران کم‌​کم در حال استفاده از ابزارهای آموزش عمیق برای ارزیابی میزان خسارت وارده به خودروها هستند. در صنعت دوربین‌​های امنیتی، CNN باعث شده درک رفتارهای جمعی آسان‌​تر شود که در نتیجه مکان‌​های عمومی مثل فرودگاه‌​ها از امنیت بیشتری برخوردار می‌شوند. در کشاورزی، برنامه‌​های آموزش عمیق برای پیش‌​بینی محصول، ارزیابی میزان رطوبت و کمک به شناسایی آفت​ها قبل از گسترش آن به کار می‌​رود.

آموزش عمیق برای وظایف دیداری در حوزه​ پزشکی هم تاثیر داشته، چرا که به تشخیص اسکن​‌ها و اسلایدهای درمانی کمک کرده و اطلاعات حیاتی در شرایطی ارائه می‌​دهد که در آن فرد آموزش دیده‌​ای برای خواندن اسکن‌ها در دسترس نیست (حالا چه خواندن اسکن باشد، چه معاینه برای کشف بیماری یا بررسی میزان پیشرفت بیماری در پاسخ به یک درمان خاص)؛ مثلا امسال اداره غذا و داروی آمریکا اجازه داد رویکرد آموزش عمیق یک استارت‌آپ به نام آرتریس (Arterys) برای تصویرسازی از رگ​های خونی قلب استفاده شود. هدف از این برنامه شناسایی انواع بیماری‌​های قلبی است. همچنین در سالی که گذشت، سباستین تران و همکاران او در دانشگاه استنفورد، مقاله​ای را در ژورنال نیچر (Nature) منتشر کرده و سیستمی را معرفی کردند که سرطان پوست را به‌خوبی یک متخصص شناسایی و درجه​‌بندی می​‌کند. محققین اعلام داشتند که اگر چنین برنامه​‌ای روی تلفن​‌های همراه استفاده شود، دسترسی جهانی و ارزانی به خدمت درمانی به وجود می‌​آید؛ همچنین سیستم​هایی در دست تولید اند که می​توانند مشکلات چشم دیابتی، سکته، ترک استخوان، آلزایمر و بیماری​های دیگر را شناسایی کنند.

(همچنین بخوانید: رایانه های کنجکاو در راهند)

* قسمت‌های مختلف این مطلب، حاصل همکاری مجله‌های معتبر Scientific American و World Economic Forum’s Expert Network است.

برچسب‌ها: فناوریتکنولوژیهوش مصنوعیAImachine learningبینایی ماشینیادگیری ماشینartificial intelligencemachine vision
به اشتراک بگذارید: تلگرام توییتر لینکدین لینک کوتاه:

درباره محمود حاج‌ زمان

محمود حاج‌ زمان

محمود حاج زمان، دانش‌آموخته مهندسی عمران تا مقطع دکتری در دانشگاه شریف است. از سال ۱۳۸۸ مشغول روزنامه‌نگاری علمی و نوشتن و ترجمه مطالب علمی، به خصوص در مجله دانستنیها است. او تا کنون شش کتاب ترویج علم برای مخاطب عام منتشر کرده است.