از یادگیری انتقالی چه می‌دانید؟

به گزارش خبرنگار ایمنا، یادگیری انتقالی یکی از موضوعات تحقیقاتی مرتبط با یادگیری ماشین است که پیرامون ذخیره دانش به‌دست آمده در هنگام حل یک مسئله و استفاده از آن در مسئله‌ای متفاوت متمرکز است؛ دانش به‌دست آمده در هنگام یادگیری شناخت ماشین می‌تواند هنگام تلاش برای شناسایی کامیون‌ها نیز استفاده شود.

از دیدگاه علمی استفاده دوباره یا انتقال اطلاعات از وظایفت قبلاً یاد گرفته شده برای یادگیری وظایف جدید این توانایی را دارد که به صورت قابل توجهی کارایی یک عامل یادگیری تقویت‌کننده را بهبود ببخشد. یادگیری انتقالی کاربردهای بسیاری در حوزه‌های مختلف از جمله پردازش تصویر دارد و ویژگی‌های این حوزه در دوربین‌های نظارتی مشاهده می‌شود.

فرآیند یادگیری انتقالی را می‌توان به بهبود عملکرد و ارتقای سطح دانایی طوطی‌ها تشبیه کرد، زیرا در یادگیری انتقالی بخشی از شبکه عصبی آموزش‌داده شده و Freeze می‌شود، اما بخش‌های دیگر توسط کاربران مختلف به صورت متداوم آموزش‌داده شده و فرآیند یادگیری همواره در حال بهبود است. برای شناخت یادگیری انتقالی و بررسی فرآیندها و کاربردهای این مبحث با حامد شهبازی، دکترای هوش‌مصنوعی و رباتیک گفت‌وگویی انجام داده‌ایم که در ادامه می‌خوانید:

یادگیری انتقالی چیست؟

یادگیری انتقالی یا Transfer Learning یکی از زیرشاخه‌های مباحث یادگیری عمیق است که در شبکه‌های عصبی مصنوعی شکل می‌گیرد.

یادگیری عمیق چگونه شکل می‌گیرد؟

فرآیند یادگیری عمیق به این صورت است که ما حجم زیادی از داده‌ها را برای یک مسئله تهیه کرده و آن را به یک شبکه عصبی مصنوعی با تعداد لایه‌های متعدد تزریق می‌کنیم. در این هنگام شبکه عصبی مصنوعی که مدلی از ساختار مغز انسان محسوب می‌شود، قادر خواهد بود مشابه فرآیند یادگیری در انسان، اطلاعات و ویژگی‌های موجود در داده‌ها را استخراج کند و عملیات دسته‌بندی، پیش‌بینی و درون‌یابی را به صورت خودکار انجام دهد.

اهمیت استفاده از یادگیری انتقالی چیست؟

یادگیری عمیق در شبکه‌های عصبی مصنوعی مستلزم حجم بسیاری از داده‌های آموزشی است؛ باید تعداد بسیاری از تصاویر مربوط به موضوعات مختلف را تهیه کنیم و به شبکه انتقال دهیم تا شبکه عصبی مصنوعی قادر شود ماهیت اجسام را از یکدیگر تفکیک کرده و آن‌ها را تشخیص دهد.

در مبحث یادگیری انتقالی تنها بخشی از ساختار شبکه عصبی مصنوعی در یک کامپیوتر مدرن و پیشرفته و به واسطه تجهیزات با حجم داده‌های تهیه شده از قبل آموزش داده می‌شود که این مسئله نیاز ما به داده‌های بسیار در فرآیند تعلیم شبکه عصبی را به شدت کاهش می‌دهد و به موجب آن نیاز به داشتن کامپیوترهای بسیار پیشرفته برای ترسیم شبکه‌های عصبی عمیق نیز کاهش می‌یابد.

یادگیری انتقالی چگونه انجام می‌شود؟

در فرآیند یادگیری انتقالی تنها بخشی از ساختار شبکه عصبی عمیق آموزش داده می‌شود و این بخش به اصطلاح Freeze یا یخ‌زده می‌شود. هنگامی که بخشی از ساختار شبکه عصبی عمیق تعلیم داده شد، می‌توانیم این شبکه را در اختیار دیگران قرار دهیم تا افراد دیگر نیز با استفاده از داده‌هایی که خودشان تهیه کرده‌اند شبکه عصبی را مجدد آموزش داده و با تغییر بخش‌های غیر Freeze فرآیند یادگیری را بهبود دهند که به آن یادگیری انتقالی در شبکه‌های عصبی عمیق گفته می‌شود.

فرآیند آموزش یادگیری انتقالی در شبکه‌های عصبی عمیق چگونه است؟

طی فرآیند یادگیری انتقالی در شبکه‌های عصبی عمیق، آموزش در مکانی دیگر و با استفاده از مجموعه کامپیوترهای پیشرفته صورت می‌گیرد و مغز مصنوعی نیمه آماده‌ای به داخل کامپیوتر ما وارد می‌شود که بخش بسیاری از توانایی‌های تجزیه یا پیش‌بینی را در خود دارد و ما می‌توانیم این مغز را با داده‌های بومی خود به شکل کامل‌تر آموزش دهیم و موجب بهبود فرآیند یادگیری این شبکه عصبی مصنوعی شویم.

فرایند یادگیری انتقالی مشابه این است که شما رباتی را خریداری می‌کنید که از توانایی‌های خاص و محدودی برخوردار است، اما می‌توانیم با آموزش تکمیلی آن، عملکرد ربات را بهبود بخشیم؛ این مثال در فرآیند یادگیری طوطی نیز مشاهده می‌شود، طوطی ممکن است در ابتدا بتواند کلمات محدودی را به زبان بیاورد، اما می‌توان آموزش‌های آن را تکمیل‌تر کرد که تمام این مثال‌ها جزو فرآیند یادگیری انتقالی است که به معنای انتقال بخشی از تجربه و دانش از پیش یاد گرفته شده به ساختار شبکه‌های عصبی است.

یادگیری انتقالی در چه زمینه‌هایی کاربرد دارد؟

در حال حاضر عمده کاربردهای مباحث یادگیری انتقالی بیشتر در حوزه پردازش تصاویر و ویدئوها مشاهده می‌شود؛ درواقع یادگیری انتقالی فعلاً در سیستم‌هایی که از قابلیت‌های بینایی بهره‌مند است، استفاده می‌شود؛ یادگیری انتقالی در دوربین‌های تشخیص پلاک و دوربین‌های نظارتی که به صورت خودکار تصاویر و ویدئوها را تجزیه و تحلیل می‌کند کاربرد بسیاری دارد.

در حوزه ربات‌های سخنگویی که می‌تواند با انسان‌ها گفتگو کند نیز حوزه یادگیری انتقالی بسیار کاربردی محسوب می‌شود. در حال حاضر ربات‌های سخنگو توسط برخی از شرکت‌های دنیا تولید می‌شود که این ربات‌ها قادر است با انسان‌ها صحبت کرده و ارتباط برقرار کنند. به طور کلی کاربردهای یادگیری انتقالی در حال گسترش به سایر حوزه‌های هوش‌مصنوعی است و در حال حاضر کاربردهای این مبحث در پردازش تصویر و آنالیز داده‌های ویدئویی مشاهده می‌شود.