تفاوت یادگیری عمیق و یادگیری ماشین

همونطوری که گفته شد، یادگیری عمیق در واقع بخشی از تکنولوژی یادگیری ماشینه که از نظر روش حل مساله متفاوت به حساب میاد. در یادگیری ماشین، یک فرد خبره باید در فرآیندی تحت عنوان استخراج ویژگی، اکثر ویژگی های مورد نظر رو شناسایی کنه. اما در سمت دیگر، الگوریتم‌های یادگیری عمیق به صورت فزاینده ویژگی‌های مورد نظر رو درک می کنن و به همین دلیل نیازی به وجود یک نیروی خبره انسانی نیست.

در واقع به همین دلیل آموزش الگوریتم های یادگیری عمیق به مراتب بیشتر از الگوریتم‌های یادگیری ماشین طول میکشه. برای مثال، ممکنه با صرف چند ثانیه تا نهایتا چند ساعت بتونیم یک مدل یادگیری ماشین کارآمد رو برای پاسخگویی به مساله تعیین شده آماده کنیم. اما آماده سازی و آموزش مدل یادگیری عمیق گاهی تا چند هفته زمان می بره.

اما وقتی موقع تست مدل میرسه، اوضاع برعکس میشه. تست الگوریتم‌های یادگیری عمیق زمان به مراتب کمتری نسبت به الگوریتم‌های یادگیری ماشین نیاز دارن. علاوه بر این، هر چقدر مجموعه داده آموزشی مدل یادگیری ماشین حجیم تر بشه، زمان لازم برای تست به طور محسوسی بالاتر میره.

بر خلاف یادگیری عمیق، برای اجرای الگوریتم های یادگیری ماشین نیازی به تجهیزات پرهزینه و پردازشگرهای گرافیکی بالارده نیست. بسیاری از دانشمندان داده، حداقل در حال حاضر یادگیری ماشین رو به یادگیری عمیق ترجیح میدن. دلیل این انتخاب قابلیت تفسیر بهتر یا توانایی درک راه حل ها هستش. الگوریتم های یادگیری ماشینی همچنین مواقعی که داده ها کوچک هستن ترجیح داده میشن. اما در شرایطی مثل تشخیص گفتار و NLP (پردازش زبان طبیعی) که حجم داده ها وسیعه و هیچ نیروی انسانی برای درک یا شناسایی ویژگی ها وجود نداره، یادگیری عمیق به یادگیری ماشین ترجیح داده میشه.

چالش ها و محدودیت های یادگیری عمیق

شاید بزرگترین محدودیت مدل های یادگیری عمیق ضرورت یادگیری از طریق مشاهده باشه. این یعنی مدل ها فقط به چیزی که از طریق داده‌های آموزشی یاد گرفتن اکتفا می‌کنن. اگر کاربری یک مجموعه کوچک از داده داشته باشه یا داده از منبع مشخصی باشه که لزوما در مفهوم کلی تر مناسب کاربرد مورد نظر نیست، مدل‌ها نمیتونن اون داده‌ها رو تعمیم بدن و در نتیجه عملکردشون پیرامون داده‌های آموزشی محدود میشه.

سوگیری های شناختی یکی دیگر از مشکلات اصلی و مهم مدل‌های یادگیری عمیق هستش. اگر یک مدل با داده ای آموزش ببینه که حاوی سوگیری بوده، در نتیجه پیش بینی های خروجی هم با سوگیری همراه هستش. برای برنامه نویسان یادگیری عمیق، این یکی از مشکلات آزاردهندس، چرا که مدل ها یاد می‌گیرن به ازای هر تغییر کوچکی، اجزای اطلاعاتی رو از همدیگه جدا کنن.

اغلب اوقات، عواملی که مدل با استفاده از اون اطلاعات رو از هم جدا می‌کنه برای برنامه نویس کاملا شفاف نیست. مثلا، مدلی که صورت رو تشخیص میده ممکنه خصوصیات چهره افراد رو بر اساس نژاد و جنسیت بررسی کنه، اما برنامه نویس از این موضوع اطلاع نداره.

نرخ یادگیری یکی دیگر از چالش های اصلی در مدل های یادگیری عمیق هستش. اگر نرخ خیلی بالا باشه، مدل خیلی سریع همگرا میشه و در نتیجه خروجی ایده آلی رو ارائه نمیده. در سمت مقابل، اگر نرخ خیلی پایین باشه، فرآیند دسته بندی داده ها ممکنه دچار اختلال بشه و دستیابی به یک راهکار حتی سخت از حالت قبل باشه.

نیازمندی های سخت افزاری برای مدل های یادگیری عمیق می‌تونه محدودیت هایی رو ایجاد کنه. واحدهای پردازش گرافیک چند هسته ای و سایر واحدهای پردازشی قدرتمند برای بهبود کارایی و کاهش زمان لازم برای ارائه خروجی ضروری هستن. طبیعتا تهیه این تجهیزات به هزینه بالایی نیاز داره. از سایر قطعات سخت افزاری مورد نیاز برای بهره گیری مناسب از یادگیری عمیق میشه به حافظه رم سریع، هارد دیسک یا اس اس دی اشاره کرد.

از دیگر محدودیت‌ها و چالش‌های یادگیری عمیق میشه به موارد زیر اشاره کرد:

یادگیری عمیق به حجم زیادی از داده نیاز داره. علاوه بر این، مدل های دقیق و قدرتمندتر به پارامترهای بیشتری نیاز دارن که طبیعتا اونها هم داده های مختص خودشون رو می‌خوان. پس از آموزش، مدل های یادگیری عمیق بی انعطاف میشن و نمیتونن وظایف رو به صورت مالتی تسکینگ انجام بدن. اونها میتونن راه حل های بهینه و دقیق رو فقط برای یک مشکل مشخص ارائه بدن. حتی حل یک مشکل مشابه نیازمند آموزش مجدد سیستم هستش.

هر کاربردی که به منطق نیاز داره (مثل برنامه نویسی یا استفاده از شیوه های علمی)، برنامه ریزی بلند مدت و دستکاری داده های الگوریتمی، کاملا فراتر از تکنیک های فعلی یادگیری عمیقه و حتی با استفاده از مجموعه های وسیع داده امکان پذیر نیستن.