یادگیری عمیق چیست؟

همانطور که در توضیحات محصولات سری نور مرئی بُعد پنجم قید شده، دستگاه های حضور و غیاب سری نور مرئی این شرکت از الگوهای یادگیری عمیق بهره میگیرند. اما مقصود از یادگیری عمیق چیست؟ برای درک بهتر این مفهوم لازم است مفاهیم هوش مصنوعی را بهتر بشناسیم. درباره هوش مصنوعی پیشتر در مطلبی سخن گفتیم اما در مورد یادگیری ماشین لازم است توضیحاتی ارائه دهیم.

یادگیری ماشین شاخه ای از هوش مصنوعی است که بر روی ساخت و ایجاد برنامه هایی تمرکز دارد که توانایی یادگیری از داده ها را بدون دخالت انسان دارند و قادرند بدون اینکه دوباره برنامه ریزی شوند، با استفاده از انباشت همان داده ها دقت انجام وظایفشان را بالاتر ببرند. در علوم داده، یک الگوریتم عبارت است از توالی چند گام از پردازش آماری که به منظور حل مسئله ای طراحی میشود. اما در یادگیری ماشین، الگوریتم ها بم نظور یافتن الگوها و خصوصیات تازه در مقادیر بالای داده ها و برای تصمیم گیری و پیشبینی بر مبنای داده های جدید آموخته شده اند.

به بیان ساده تر، یادگیری ماشین به نوعی خودآموزی اشاره دارد که طی آن بدون دخالت انسان، روندها و ویژگیهای تازه ای از داده های جدید استخراج میشود و به افزایش دقت و تواناییهای دستگاههای مجهز به این فناوری ها کمک میکند. با ذکر نمونه هایی از یادگیری ماشین در زندگی روزمره، تعاریف بالا روشن تر خواهد شد. حتما تا کنون با موتور جستجو و سیستم تبلیغات گوگل برخورد داشته اید. ماشین های گوگل با بررسی سابقه جستجو، اطلاعات ثبت شده در مرورگر شما و هزاران فاکتور دیگر، بدون دخالت انسان و با شناخت دقیقتر از خصوصیات شما در طول زمان، می کوشند تا تبلیغات مرتبط تری را به شما ارائه کنند. این سامانه ها هر چه اطلاعات و داده های بیشتری در اختیار داشته باشند، میتوانند مجموعه های دقیقتری از روابط ایجاد کنند و بهره وری و قدرت تصمیم گیری و پیشبینی بالاتری نیز خواهند داشت.

شبکه های عصبی مصنوعی پایه یادگیری عمیق

شبکه های عصبی مصنوعی اساس یادگیری عمیق را تشکیل می دهد که الهام گرفته از شبکه عصبی انسان هستند مجموعه چندلایه ای از عناصر پردازشی هستند که همانند مغز انسان توانایی یادگیری از تجربیات و اصلاح خطاهای خود را دارند. در این شبکه ها همانند شبکه نورونی انسان، خروجی هر واحد بعنوان ورودی واحد بعدی در نظر گرفته میشود و هر ارتباط بین واحدی، یک وزن دهی و اهمیت مخصوص به خود پیدا میکند. به این ترتیب و به شکلی سلسله وار، شبکه های عصبی مصنوعی پایه یادگیری عمیق را شکل میدهند که زیرشاخه ای از یادگیری ماشین به شمار میرود. یادگیری ماشین نیز خود یکی از روش های کلی در طیف گسترده ای از فناوری هاست که به آن هوش مصنوعی میگوییم.

کاربردهای یادگیری عمیق در دستگاه های حضور و غیاب

حال میپرسیم یادگیری عمیق چه امکانات و قابلیت هایی را در سیستم های تشخیص چهره (در سامانه های حضور و غیاب و کنترل تردد و…) ایجاد کرده است؟ بهره گیری از آن، باعث ایجاد دو تحول گسترده در این سامانه ها شده است که به آن میپردازیم:

• شناسایی بافت زنده:

یادگیری عمیق به دستگاه های تشخیص چهره کمک کرده تا بتوانند بافت زنده را از تصاویر دیجیتال تشخیص دهند. به این ترتیب احتمال تقلب در فرآیند احراز هویت کاهش و ضریب امنیت دستگاه ها افزایش می یابد.

• گسترش زاویه تشخیص چهره:

دستگاه های پیشین تشخیص چهره عمدتا قابلیت شناسایی تا 15 درجه را دارند. اما دستگاه های جدید نور مرئی حتی در صورت چرخش سر تا ۳۰ الی ۳۵ درجه باز هم قادر هستند عمل شناسایی را انجام دهند.

ویژگی‌های کلیدی یادگیری عمیق:

1. شبکه‌های عصبی چندلایه: در یادگیری عمیق، شبکه‌ها معمولاً شامل چندین لایه (لایه‌های ورودی، مخفی و خروجی) هستند. هر لایه اطلاعات را به‌طور پیچیده‌ای پردازش کرده و ویژگی‌های مختلف را از داده‌های ورودی استخراج می‌کند.

2. یادگیری ویژگی‌ها به‌صورت خودکار: برخلاف روش‌های قدیمی‌تر یادگیری ماشین که نیاز به پیش‌پردازش داده‌ها و استخراج ویژگی‌ها به‌صورت دستی دارند، در یادگیری عمیق مدل‌ها خودشان ویژگی‌ها را از داده‌ها استخراج می‌کنند.

3. حجم داده‌های بزرگ: یادگیری عمیق نیاز به حجم زیادی از داده‌ها برای آموزش مدل‌ها دارد. هر چه داده‌های بیشتری برای آموزش وجود داشته باشد، دقت مدل افزایش می‌یابد.

4. نیاز به منابع محاسباتی بالا: به‌دلیل پیچیدگی محاسباتی، یادگیری عمیق به منابع سخت‌افزاری قدرتمند نیاز دارد (مانند کارت‌های گرافیک پیشرفته – GPUs).