پث‌وایز

هوش مصنوعی چطور کار می‌کنه؟ از الگوها تا چت‌جی‌پی‌تیدرس ۱ از ۱۲

قانون یا مثال: یادگیری ماشین چطور کار می‌کنه؟

ببین چرا نوشتن دستی قانون‌ها کم میاره، و یادگیری ماشین چطور خودش از روی مثال‌های برچسب‌خورده قانون رو پیدا می‌کنه.

چیزی که از این درس می‌بری

  • نرم‌افزارهای سنتی از قانون‌هایی که آدم‌ها نوشتن پیروی می‌کنن؛ این قانون‌ها جلوی حالت‌هایی که کسی پیش‌بینی نکرده بود کم میارن.
  • یادگیری ماشین قانون رو از دل مثال‌های برچسب‌خورده درمیاره؛ به نتیجه‌ی نهایی می‌گن مدل.
  • وقتی قانون می‌تونه دقیق باشه از کدنویسی معمولی استفاده کن، و وقتی الگو مبهمه از یادگیری.
فهرست این درس۵
  1. نوشتن دستی قانون‌ها
  2. یادگیری ماشین
  3. یه بچه چطور یاد می‌گیره سگ چیه
  4. نکته‌های کلیدی
  5. مرور درس

۰۱روش قدیمی

نوشتن دستی قانون‌ها

نرم‌افزارهای سنتی از قانون‌هایی پیروی می‌کنن که یه آدم نوشته: «اگه ایمیل کلمه‌ی free داشت، علامتش بزن spam». این روش روشنه و قابل پیش‌بینی، ولی دنیای واقعی شلوغ‌تر از هر لیست قانونیه. اسپمرها می‌نویسن «fr3e»، ایمیل‌های واقعی می‌نویسن «free delivery»، و هر حقه‌ی جدید یه قانون تازه می‌خواد.

خودت رو امتحان کنسؤال ۱ از ۴

فیلتر فروشگاه سارا هر ایمیلی رو که کلمه‌ی «free» داشته باشه علامت spam می‌زنه. اول از همه چه مشکلی پیش میاد؟

  1. هیچی، یه قانون روشن و مشخص هیچ‌وقت اشتباه نمی‌کنه
  2. اسپم‌هایی با املای «fr3e» رد می‌شن و ایمیل مشتری که درباره‌ی «free delivery» پرسیده بلاک می‌شه
  3. فیلتر اون‌قدر کند می‌شه که دیگه نمی‌شه ازش استفاده کرد
  4. شروع می‌کنه ایمیل‌ها رو شانسی و تصادفی پاک کردن
جواب رو ببین

اسپم‌هایی با املای «fr3e» رد می‌شن و ایمیل مشتری که درباره‌ی «free delivery» پرسیده بلاک می‌شه

درسته. قانونی که دستی نوشته شده چیزهایی رو که پیش‌بینی نکرده جا می‌ندازه و چیزهایی رو که نباید، به دام می‌ندازه. با تغییر دنیا، هر دو اشتباه روزبه‌روز بیشتر می‌شن.

یادگیری ماشین

اسم · هوش مصنوعی

نرم‌افزاری که به‌جای اینکه قانون بهش دیکته بشه، قانون رو از روی مثال‌ها یاد می‌گیره. تو مثال‌هایی با جواب درست جمع می‌کنی (ایمیل‌هایی که از قبل مشخص شده اسپمن یا نه) و یه روش یادگیری اون‌قدر یه مدل رو تنظیم می‌کنه تا جواب‌هاش درست دربیان. اون مدل، در واقع همون قانون یادگرفته‌شده‌ست.

۱۰۰ هزار تا ایمیلی رو که آدم‌ها قبلاً مرتب کردن بهش نشون بده؛ خودش یاد می‌گیره کدوم الگوها مربوط به اسپمن: املای عجیب‌غریب، لینک‌های خاص، یا رفتارهای ارسال.

یه بچه چطور یاد می‌گیره سگ چیه

هیچ‌کس به یه بچه تعریف دقیق «سگ» رو نمی‌ده. اون کلی سگ می‌بینه و کلمه‌ش رو می‌شنوه، و کم‌کم درکی ازش پیدا می‌کنه؛ اون‌قدری دقیق که نژادی رو هم که تا حالا ندیده تشخیص می‌ده. یادگیری ماشین هم همین‌طوری کار می‌کنه. جایی که این تشبیه جواب نمی‌ده: بچه با چند تا دونه مثال یاد می‌گیره، ولی یه مدل معمولاً به هزاران مثال احتیاج داره.

خودت رو امتحان کنسؤال ۲ از ۴

تو یادگیری ماشین، قانون نهایی رو هنوز برنامه‌نویس می‌نویسه؛ از مثال‌ها فقط برای امتحان کردنش استفاده می‌شه.

  1. درست
  2. نادرست
جواب رو ببین

نادرست

غلطه. قانون از دل خود مثال‌ها ساخته می‌شه. برنامه‌نویس مثال‌ها و روش یادگیری رو انتخاب می‌کنه، ولی خود مدل قانون رو درمیاره.

قدم‌به‌قدم ببین

  1. قانونی که دستی نوشته شده
    ۱/۴قانونی که دستی نوشته شده

    سمت چپ، قانونیه که یه نفر دستی نوشته: اگه ایمیل کلمه‌ی free داشت، بگو spam. اولین ایمیل کلمه‌ی free رو داره و علامت spam خورده؛ ایمیل دوم کلمه‌ی hi رو داره و ok علامت خورده. هر دوتاشون درستن، پس قانون تا اینجای کار مشکلی نداره.

  2. املایی که قانون هیچ‌وقت ندیده بود
    ۲/۴املایی که قانون هیچ‌وقت ندیده بود

    ایمیل سوم با املای fr3e از راه می‌رسه. چون دقیقاً خود کلمه‌ی free توش نیست، قانون بهش علامت ok می‌زنه و یه ضربدر نارنجی نشون می‌ده که این اسپم قسر دررفته. درست کردنش یعنی نوشتن یه قانون دیگه، و بعدش باز یه قانون دیگه.

  3. مثال‌ها به‌جای قانون‌ها
    ۳/۴مثال‌ها به‌جای قانون‌ها

    سمت راست، ۱۰ تا ایمیل هست که آدم‌ها از قبل مرتب کردن: نارنجی‌ها spam هستن و آبی‌ها بی‌مشکل. این‌ها سرازیر می‌شن توی مدل، و مدل اون‌قدر خودش رو تنظیم می‌کنه تا این مثال‌ها رو درست مثل آدم‌ها دسته‌بندی کنه.

  4. مدل چیزی رو شکار می‌کنه که قانون جا انداخت
    ۴/۴مدل چیزی رو شکار می‌کنه که قانون جا انداخت

    همون ایمیل با املای fr3e از مدل آموزش‌دیده رد می‌شه و با یه تیک، به عنوان spam میاد بیرون. هیچ‌کس قانونی برای fr3e ننوشته بود؛ خود مدل این الگو رو از دل مثال‌ها یاد گرفت.

خودت رو امتحان کنسؤال ۳ از ۴

کدوم روش برای هر کار مناسب‌تره؟

نوشتن قانونیادگیری از مثال‌ها

  • اضافه کردن ۹٪ مالیات به همه‌ی قیمت‌ها
  • تشخیص دست‌خط روی چک‌های بانکی
  • رد کردن رمز عبور کمتر از ۸ کاراکتر
  • تشخیص گربه در عکس
  • پیشنهاد کلمه‌ی بعدی موقع تایپ کردن
جواب رو ببین

نوشتن قانون: اضافه کردن ۹٪ مالیات به همه‌ی قیمت‌ها, رد کردن رمز عبور کمتر از ۸ کاراکتر

یادگیری از مثال‌ها: تشخیص دست‌خط روی چک‌های بانکی, تشخیص گربه در عکس, پیشنهاد کلمه‌ی بعدی موقع تایپ کردن

نکته‌های کلیدی

  • اگه می‌تونی قانون رو دقیق بنویسی، کدنویسی معمولی ساده‌تر و مطمئن‌تره.
  • اگه قانون فازی و مبهمه (چهره، زبان، اسپم)، یادگیری از روی مثال‌ها خیلی بهتر جواب می‌ده.
  • کیفیت مدل فقط به اندازه‌ی مثال‌هاشه: مثال‌های غلط یا یک‌طرفه، قانون اشتباهی رو بهش یاد می‌دن.

خودت رو امتحان کنسؤال ۴ از ۴

امید یه فیلتر اسپم رو فقط با ایمیل‌های صندوق ورودی خودش آموزش می‌ده که همه‌شون انگلیسی‌ان. محتمل‌ترین نقطه‌ضعف این فیلتر چیه؟

  1. روی کامپیوترهای دیگه اجرا نمی‌شه
  2. احتمالاً روی ایمیل‌های فارسی عملکرد ضعیفی داره، چون هیچ‌وقت ایمیل فارسی ندیده
  3. همه‌ی ایمیل‌ها رو به عنوان spam علامت می‌زنه
  4. سریع‌تر از حالت معمول یاد می‌گیره
جواب رو ببین

احتمالاً روی ایمیل‌های فارسی عملکرد ضعیفی داره، چون هیچ‌وقت ایمیل فارسی ندیده

آره. مدل همون دنیایی رو یاد می‌گیره که مثال‌هاش بهش نشون دادن. داده‌هایی که فقط انگلیسی‌ان، هیچ‌چیز درباره‌ی اینکه اسپم فارسی چه شکلیه به مدل یاد نمی‌دن.

۰۵جمع‌بندی

مرور درس

  • نرم‌افزارهای سنتی از قانون‌هایی که آدم‌ها نوشتن پیروی می‌کنن؛ این قانون‌ها جلوی حالت‌هایی که کسی پیش‌بینی نکرده بود کم میارن.
  • یادگیری ماشین قانون رو از دل مثال‌های برچسب‌خورده درمیاره؛ به نتیجه‌ی نهایی می‌گن مدل.
  • وقتی قانون می‌تونه دقیق باشه از کدنویسی معمولی استفاده کن، و وقتی الگو مبهمه از یادگیری.
  • مدل فقط همون چیزی رو یاد می‌گیره که مثال‌هاش بهش نشون می‌دن.

به سبک خودت یادش بگیر.

توی اپ از یادآی بخواه این درس رو ساده‌تر توضیح بده، از زندگی خودت مثال بزنه یا عمیق‌تر بره. بعد یه مسیر کامل دور هدف خودت بساز.

Cafe Bazaar Myket توی اپ شخصی‌سازیش کن