Deep learning

دهه گذشته شاهد پیشرفت فزاینده ای در فناوری اتومبیل های خودران بوده ایم که عمدتاً از پیشرفت در زمینه دیپ لرنینگ و هوش مصنوعی ناشی می شد. در آینده ای نه چندان دور اتومبیل های خودران  ایمن ترین وسایل نقلیه در جاده ها خواهند بود. اگرچه امروزه بسیاری از وسایل نقلیه از ” سیستم های کمک راننده ” استفاده می کنند؛ اما همچنان اتومبیل ها نیازمند انسان ها هستند. صنعت خودروسازی با استفاده از مجموعه ای بسیار قوی تر از داده های حسگر و امکان پردازش سریع این داده ها؛ در پی ایجاد یک اتومبیل کاملا مستقل است.
ظهور اتومبیل های خودران در زندگی انسان ها باعث کاهش تصادفات جاده ای، کاهش ترافیک و تسهیل رفت و آمد در شهرهای پر ازدحام خواهد شد.

نقش دیپ لرنینگ در پیشرفت اتومبیل های بدون راننده

در طی یک دهه گذشته، یادگیری عمیق و هوش مصنوعی به اصلی ترین فناوری ها در پیشرفت بسیاری از تکنولوژی ها از قبیل روباتیک، پردازش زبان طبیعی، سیستم های ضد کلاهبرداری و اتومبیل های بدون راننده تبدیل شدند.
در این راستا، هوش مصنوعی، دیپ لرنینگ و شبکه های عصبی می توانند در این سه زمینه موثر باشند:
• استفاده از داده های حسگر به منظور طراحی صحنه
• تشخیص علائم و قوانین رانندگی
• یادگیری مداوم به منظور بهبود ایمنی و عملکرد
در حال حاضر، سیستم های کمک راننده، عملکردهای رانندگی نظیر: مسیریابی، کنترل حرکت بین خطوط، جلوگیری از تصادف و پارک کردن را کنترل می کنند. اما آن ها قادر به رانندگی بدون حضور انسان نیستند. حال آنکه هوش مصنوعی و فناوری های یادگیری عمیق، با استفاده از حسگرهای پیشرفته و نقشه برداری مسیر، کمک می کنند تا اتومبیل ها کاملاً خودمختار و ایمن تر از خودروهای رانده شده توسط انسان حرکت کنند.
مسیر پیشرفت اتومبیل های خودران دارای چندین سطح است:
• سطح 0: اتومبیل به طور کامل توسط انسان هدایت می شود.
• سطح 1: فرمان، ترمز، شتاب، پارکینگ و سایر کارکردها می توانند به صورت اتوماتیک توسط اتومبیل انجام شوند، اما راننده همیشه آماده است تا کنترل اتومبیل را به دست بگیرد.
• سطح 2: حداقل یک سیستم کمک به راننده کاملا خودکار وجود دارد (مانند کنترل سرعت و مسیر حرکت) اما راننده هوشیار است تا در صورت عدم موفقیت سیستم، حوادث یا اشیاء را تشخیص داده و عکس العمل نشان دهد.
• سطح 3: رانندگان می توانند هنگامی که شرایط محیطی و ترافیکی را مناسب دیدند، عملکردهای اصلی را به طور کامل به وسیله نقلیه واگذار کنند. در این سطح، برخلاف سطوح قبلی، نیازی به نظارت دائمی توسط راننده وجود ندارد.
• سطح 4: وسیله نقلیه کاملاً خودمختار بوده و قادر به انجام کلیه عملکردهای مهم رانندگی در ایمنی و نظارت بر شرایط جاده برای یک سفر کامل است.
• سطح 5: وسیله نقلیه کاملا خودمختار عمل می کند؛ و به اثبات می رسد که بهتر از یک انسان رانندگی می کند.
امروزه بیشتر اتومبیل های موجود در جاده ها در سطح صفر قرار دارند؛ در حالی که بسیاری از وسایل نقلیه تولید شده در چند سال گذشته دارای استقلال سطح 1یا 2 هستند. سطوح بالاتر نیازمند هوش مصنوعی هستند. سطح 4 و 5 با استفاده از فناوریهای پیشرفته یادگیری عمیق ساخته خواهد شد.

نیازهای عملکردی در رانندگی بدون راننده

رانندگی بدون راننده نیاز به مجموعه ای پیچیده از عملکردهای پیشرفته برای سنجش آنچه اتفاق می افتد دارد. نقشه برداری از مسیر، ایجاد سیاست های رانندگی برای مقابله با موقعیت های قابل پیش بینی و غیرقابل پیش بینی نمونه هایی از آن هستند.

حسگر:

بیشتر اتومبیل های هوشمند برای درک محیط رانندگی از: LiDAR (روشی که از نور لیزر برای اندازه گیری فاصله استفاده می کند)، رادار (برای تشخیص اشیاء) و دوربین های دیجیتال استفاده می کنند. آن ها شرایط را بررسی کرده و تحلیل می کنند:
• اشیاء ساکن مانند محدوده جاده، گارد ریل ها و خطوط مخصوص دوچرخه
• اشیاء متحرک از جمله سایر وسایل نقلیه ، عابرین و دوچرخه ها
• داده ها و علائم مانند خطوط، مناطق پارکینگ، علائم راهنمایی و رانندگی و چراغ ها

سنجش دقیق در اتومبیل های بدون راننده :

شکل 1: سنسورهای چندگانه ، وسایل نقلیه خودمختار را قادر می سازند تا هم اشیاء متحرک و هم ایستا را با دقت تشخیص دهند. این سنسورها صحنه را در کل حاشیه خودرو چندین بار در ثانیه ردیابی و طبقه بندی می کند.

مسیریاب:

اتومبیل های هوشمند از داده های GPS برای رسیدن باز نقطه A به نقطه B استفاده می کنند. اما همچنان به ترجیحات راننده نیز نیاز دارند تا نقشه برداری از مسیر را تا حد امکان کارآمدتر کنند.

سیاست رانندگی:

سیستم های خودکار باید بدانند چه زمانی خطوط را عوض کرده یا سرعت را تغییر دهند. رانندگان انسانی مجموعه ای از سیاست ها را متناسب با سبک رانندگی و شرایط رانندگی خود ایجاد می کنند. اتومبیل های بدون راننده نیز برای اتخاذ تصمیمات ایمن، به مجموعه ای از سیاست های جامع نیاز دارند.
سیستم عامل های اتوموبیل های خودران باید:
o به طور پیوسته اجرا شوند
o قادر به فعالیت ایمن در شرایط سخت ( هوای بد یا ترافیک سنگین) و شب باشند
o به رفتار غیر قابل پیش بینی سایر وسایل نقلیه، عابرین، تعمیرات جاده ای و غیره بدون درصد خطا واکنش نشان دهند.
هر یک از این نیازها بیانگر چندین چالش در فناوری است. یکی از مهمترین الزامات که به درستی توسط یادگیری عمیق پوشش داده می شود؛ توانایی درک کل تصویر در لحظه است (که توسط چندین سنسور شکل می گیرد).

شبکه های عصبی صحنه را ترسیم می کنند

سخت افزار سنسور داخلی ساخته شده توسط تسلا: شامل 8 دوربین فراگیر، 12 سنسور فراصوت به علاوه رادار روبرو است. همه این سنسورها چندین بار در ثانیه داده ها را جمع آوری می کنند.
اگر سنسورها را چشم یک وسیله نقلیه در نظر بگیریم، شبکه های عصبی مصنوعی به عنوان قشر مغز عمل کرده و داده های حسگر را به یک تصویر قابل استفاده از فضای جاده تبدیل می کند. شبکه های عصبی صحنه اطراف اتومبیل در حال حرکت را نقاشی می کنند، حد مجاز سرعت ارسال شده را خوانده و از آن پیروی می کنند. علامت توقف و چراغ سبز را تشخیص می دهد؛ افراد، مشاغل و حتی زباله های موجود در جاده را شناسایی می کنند.

تشخیص خطر اتومبیل:

شکل 2: اتومبیل ها با قابلیت انتقال هشدارهای ایمنی، می توانند حضور موانع پیش رو را به اتومبیل های پشت سر خود اطلاع دهند تا از بروز حوادث جلوگیری کنند.
مهندسی نرم افزار فعلی و ابزارهای مبتنی بر قوانین، به اندازه کافی قدرتمند نیستند تا مشکلات پیچیده ای مانند تفسیر داده های سنسور و رانندگی مستقل را حل کنند. متغیرهای بسیار زیادی وجود دارد. مسائل پیش بینی نشده بسیاری وجود دارد که انسان باید آن ها را پیش بینی کرده و برایشان برنامه ریزی کند.
اساسی ترین تکنولوژی های یادگیری عمیق استفاده شده در اتومبیل های بدون راننده عبارتند از: شبکه های عصبی پیچشی، شبکه های عصبی بازگشتی و شبکه های عصبی تقویتی.

شبکه های عصبی پیچشی (CNN):

شبکه های عصبی پیچشی عمدتا برای پردازش اطلاعات مکانی مانند تصاویر مورد استفاده قرار می گیرند؛ و می توان آنها را به عنوان استخراج کننده ویژگی های تصویر مورد استفاده قرار داد. قبل از ظهور یادگیری عمیق سیستم های بینایی رایانه ای بر اساس ویژگی های دستی به کار گرفته می شدند. شبکه های عصبی پیچشی را با تقریبی می توان با قسمتهای مختلف قشر بینایی پستانداران مقایسه کرد.

شبکه های عصبی بازگشتی(RNN):

در بین روشهای یادگیری عمیق ، شبکه های عصبی بازگشتی در پردازش داده هایی مانند متن یا جریان های ویدیویی عملکرد خوبی دارند. برخلاف شبکه های عصبی پیچشی، شامل یک حلقه بازخورد وابسته به زمان در سلول حافظه خود هستند.

شبکه های عصبی تقویتی (DRL):

در شبکه های عصبی تقویتی یک عامل قادر به یادگیری در محیطی تعاملی با استفاده از آزمون و خطاها و تجربه های خود است. در رانندگی بدون راننده با این روش، وظیفه اصلی، یادگیری سیاست های رانندگی بهینه از نقطه ای به نقطه دیگر است.
مهمترین امر برای آینده رانندگی بدون راننده، دیپ لرنینگ و شبکه های عصبی هستند؛ که یادگیری مداوم از موقعیت ها و شرایط جدید در یک محیط رانندگی در حال تغییر را امکان پذیر می سازند.

جمع بندی:

فناوری اتومبیل های خودران طی یک دهه گذشته پیشرفت ویژه ای داشته اند، خصوصا به دلیل پیشرفت در زمینه هوش مصنوعی و یادگیری عمیق. این اتومبیل ها، سیستم های پیچیده ای هستند که می بایست با خیال راحت مسافر یا محموله را از مبدا به مقصد سوق دهند. ظهور و استقرار ماشین های بدون راننده در جاده های عمومی با چالش های بسیاری روبرو است. مهمترین چالش این است که، سیستمهای یادگیری عمیق به پایگاههای داده آموزشی بزرگ متکی هستند و به سخت افزار محاسباتی گسترده نیاز دارند.

منبع:

https://amanjacademy.com/how-self-driving-cars_become-to-reality/

مقدمه:
این روزها بحث های گوناگونی درباره وظایف انسان که می تواند توسط ماشین ها جایگزین شود وجود دارد. در حالی که فناوری به سرعت و همراه با ترس و هیجان در حال پیشرفت است؛ عباراتی مانند هوش مصنوعی، ماشین لرنینگ و دیپ لرنینگ ممکن است شما را دچار اضطراب کنند.
هوش مصنوعی به طور ساده به معنی انجام وظایف انسانی توسط ماشین های هوشمند می باشد. دیپ لرنینگ ( یادگیری عمیق ) زیر مجموعه ماشین لرنینگ است؛ که توسط هوش مصنوعی و با تقلید از عملکرد مغز انسان، قادر به پیش بینی خروجی ها و ایجاد الگوهای تصمیم گیری است. دیپ لرنینگ به شبکه های عصبی مصنوعی اشاره دارد که از چندین لایه یادگیری تشکیل شده اند. همچنین از بسیاری از DNN ها به منظور یادگیری سطح انتزاع استفاده می کند.

فهرست:

1. یادگیری عمیق چگونه کار می کند؟
2. دیپ لرنینگ یک “یادگیری ویژگی” دارای سلسله مراتب است
3. انواع الگوریتم ماشین لرنینگ
4. یادگیری عمیق در ماشین لرنینگ
5. جمع بندی

1. یادگیری عمیق و شبکه های عصبی چگونه کار می کنند؟

دیپ لرنینگ در دوره دیجیتال تکامل یافته است. که باعث پدید آمدن داده هایی به نام داده های بزرگ ( Big Data ) شده است. این داده ها از وب سایت های رسانه های اجتماعی، موتورهای جستجو و سیستم عامل های تجارت الکترونیکی گردآوری جمع آوری شده اند. این داده های بزرگ قابل دسترس بوده و از طریق ابر رایانه ها به اشتراگ گذاشته می شوند.
ایده دیپ لرنینگ را می توان به این شکل توصیف کرد:

با این حال، این داده های بزرگ معمولا به شکلی بدون ساختار هستند. ممکن است سال ها طول بکشد تا انسان بتواند اطلاعات مربوط را از آن کشف و استخراج کند. شرکت ها با اتکا به برخی از سیستم های مبتنی بر هوش مصنوعی ، پتانسیل مورد نیاز برای آن را درک کرده و از به هدر رفتن سرمایه جلوگیری می کنند. در حال حاضر رایانه هایی با ظرفیت های کافی برای مدل های دیپ لرنینگ و همچنینن داده های بزرگ به منظور آموزش شبکه های عصبی دیپ لرنینگ فراهم است. . از آن جهت به آن یادگیری عمیق می گویند که شبکه های عصبی دارای لایه های مختلف و عمیقی هستند که یادگیری را امکان پذیر می سازند. تقریبا در مورد هر مشکلی که نیاز به فکر کردن باشد؛ دیپ لرنینگ می تواند آموزش ببیند.
عملکرد شبکه های عصبی روز به روز بهتر می شود؛ چرا که به طور مستمر اطلاعات بیشتری به آن ها تغذیه شده و آموزش می بینند. همین امر، یادگیری عمیق را از سایر تکنیک های ماشین لرنینگ متمایز کرده است. علاوه بر افزایش اطلاعات، الگوریتم های یادگیری عمیق از قدرت محاسباتی قوی تری که امروزه در دسترس است بهره می برند. گسترش هوش مصنوعی نیز تاثیر بسزایی در این روند داشته است. هوش مصنوعی به عنوان یک سرویس به سازمان های کوچکتر امکان دسترسی به فناوری هوش مصنوعی، و به طور خاص الگوریتم های هوش مصنوعی مورد نیاز برای یادگیری عمیق را داده است.

2. دیپ لرنینگ یک “یادگیری ویژگی” دارای سلسله مراتب است

یادگیری ویژگی چیست؟
یادگیری ویژگی به مجموعه ای از تکنینک ها اطلاق می شود که امکان یادگیری یک ویژگی را داراست. برای مثال طبقه بندی داده های خام. یادگیری ویژگی در قالب سلسله مراتب هوش مصنوعی کار می کند.
علاوه بر مقیاس پذیری، دیپ لرنینگ به ما امکان یادگیری ویژگی را نیز می دهد. به طور کلی، یادگیری مراحل پیچیده را برای ماشین ها آسان می کند. یادگیری عمیق به استفاده از ساختارهای ناشناخته در داده های ورودی کمک می کند. در لایه های بالاتر، ویژگی های دیپ لرنینگ به چند لایه تقسیم می شوند. ویژگی های یادگیری در چندین سطح به ماشین ها برای درک سیستم های پیچیده یادگیری عمیق کمک می کنند.

3. انواع الگوریتم ماشین لرنینگ

الگوریتم های شبکه عصبی در ماشین لرنینگ به طور گسترده به چهار بخش تقسیم می شوند:
الف: الگوریتم یادگیری نظارت شده
الگوریتم های یادگیری نظارت شده سعی می کنند تا روابط و وابستگی های بین خروجی پیش بینی شده مورد نظر و ویژگی های ورودی را الگوبرداری کنند؛ تا بتوانیم برای داده های جدید، مقادیر خروجی را بر اساس روابطی که از مجموعه داده های قبلی آموخته است، پیش بینی کنیم. در نتیجه در الگوریتم یادگیری نظارت شده به منظور آموزش مدل دیپ لرنینگ، نیازمند داده های دارای برچسب هستیم. داده های دارای برچسب، حاوی ورودی و خروجی هدف هستند.

ب: الگوریتم یادگیری بدون نظارت
در این الگوریتم، کامپیوترها با داده های بدون برچسب آموزش داده می شوند. الگوریتم های یادگیری بدون نظارت تلاش می کنند تا با استفاده از تکنینک هایی بر روی داده های ورودی، الگوها را تشخیص دهند، داده ها را خلاصه و گروه بندی کنند و به ارائه پیشنهادی معنا دار کمک کنند. در این الگوریتم هم نیازمند داده های دارای برچسب هستیم؛ اما خروجی هدف وجود ندارد.

ج: الگوریتم یادگیری نیمه نظارتی
این الگوریتم بین دو حالت قبلی قرا می گیرد. در بسیاری از شرایط، هزینه برچسب دار کردن داده ها زیاد است. زیرا نیازمند متخصصان ماهر است. بنابراین، در مواجهه با این موارد، الگوریتم های یادگیری نیمه نظارتی بهترین انتخاب برای ساخت مدل هستند. این الگوریتم بر این ایده است که اگرچه گروه داده های بدون برچسب نامشخص است؛ اما این داده ها اطلاعات ارزشمندی درباره پارامترهای گروه را دارا هستند.

د: الگوریتم یادگیری تقویتی
این الگوریتم مربوط به چگونگی انجام اقدامات نرم افزاری در یک محیط است. الگوریتم یادگیری تقویتی یرای تصمیم گیری آموزش می بیند. این الگوریتم خود را بر اساس سعی و خطا در تصمیم گیری، آموزش می دهد.

4. یادگیری عمیق در ماشین لرنینگ

یکی از رایج ترین تکنیک های مبتنی بر هوش مصنوعی برای پردازش داده های بزرگ، ماشین لرنینگ است. الگوریتم خود-سازگار به طور مداوم بر اساس الگوها، بهتر شده و خود را آموزش می دهد. یادگیری عمیق به ماشین ها اجازه می دهد حتی در هنگام استفاده از مجموعه داده ای که بسیار متنوع ، بدون ساختار و به هم پیوسته است ، مشکلات پیچیده را حل کنند. هرچه الگوریتم های یادگیری، عمیق تر یاد بگیرند ، عملکرد بهتری خواهند داشت.
بیایید با یک مثال جلو برویم:
اگر یک شرکت پرداخت دیجیتال در صدد تشخیص وقوع کلاهبرداری در سیستم پرداخت خود باشد، می تواند از ابزارهای یادگیری ماشین استفاده کند. الگوریتم محاسباتی که در درون سیستم ساخته شده است، قادر به بررسی تمام معاملات انجام شده است. بنابراین، طبق مجموعه داده های مختلف می توان الگوی ناهنجاری های رخ داده در سیستم را مشاهده کرد. این ابزارها، کار را به صورت خودکار انجام داده و از دسترسی غیر مجاز سیستم ها جلوگیری می کنند. دیپ لرنینگ، زیر مجموعه شبکه ماشین لرنینگ است که از شبکه عصبی مصنوعی (ANN ) در جهت انجام فرایندها استفاده می کند.

عملکرد شبکه های عصبی مصنوعی مانند مغزهای کوچک انسانی است که با گره های عصبی متصل به یک شبکه ساخته شده اند. تجزیه و تحلیل در برنامه های سنتی به صورت خطی است؛ حال آن که ویژگی سلسله مراتبی یادگیری عمیق، داده ها را با استفاده از تکنیک های غیر خطی تحلیل می کند.
یک رویکرد سنتی برای تشخیص دسترسی کلاهبردار به در سیستم دیجیتال، بر مبنای معاملات است. اولین لایه شبکه عصبی عمیق داده هایی مانند میزان معامله انجام شده را پردازش کرده و آن را به لایه بعدی منتقل می کند. در لایه دوم، IP های اختصاص داده شده به کاربران بررسی می شود و سپس به لایه بعدی ارسال می شود. سطح بعدی، اطلاعاتی که در لایه قبلی به دست آمده دریافت و پردازش می کند. در این لایه موقعیت جغرافیایی آنان بررسی شده و سپس به لایه بعدی منتقل می شود. در این روش، دیپ لرنینگ الگوها را بررسی کرده و ناهنجاری ها را شناسایی می کند. هنگامی که داده ها به این سلسله مراتب می رسند بهتر پردازش می شوند. معمولا مجموعه داده های بیشتری را به دست می آورند تا بازده بهتری حاصل شود.

5.جمع بندی:
یادگیری عمیق از انسان تقلید کرده و از طریق الگوریتم شبکه عصبی مصنوعی تصمیم گیری می کند. داده های بدون ساختار و بدون برچسب را می توان با دیپ لرنینگ پردازش کرد. همچنین از یادگیری عمیق می توان برای شناسایی پولشویی در سیستم ها استفاده کرد.
الگوهای دیپ لرنینگ فقط برای تنها برای ثبت الگوهای معاملاتی ایجاد نمی شوند؛ بلکه به منظور هشدار در صورت بروز فعالیت های کلاهبردارانه نیز کاربرد دارند. لایه های آخر، به یک تحلیل گر هشدار می دهد؛ تحلیل گر، حساب کاربر را مسدود کرده و تمام معاملات آن را متوقف می سازد.
یادگیری عمیق در تمام صنایع مورد استفاده قرار می گیرد. مثلا می توان از دیپ لرنینگ در تحقیق پزشکی به عنوان یک ابزار برای تشخیص امکان استفاده مجدد از داروها بهره برد. یا گوگل در نتایج تحقیقات خود یک واقعیت افزوده را منتشر کرده که مبتنی بر ماشین لرنینگ است. همچینین از یادگیری عمیق در اپلیکیشن های مصرف کنندگان و برنامه های تجاری که از تشخیص تصویر استفاده می کنند، کمک گرفته می شود. نکته اصلی این است که لایه های شبکه عصبی یادگیری عمیق توسط مهندسین انسانی طراحی و سخته نمی شوند؛ بلکه توسط مجموعه داده ها و با استفاده از فرایند یادگیری چند منظوره ایجاد می شوند.

منبع:

https://amanjacademy.com/important-tips-about-deep-learning/