واژگان و اصطلاحات یادگیری عمیق

شما برای آنکه در زمان توضیح هوش مصنوعی و یادگیری عمیق احساس راحتی کنید نیاز به PhD ندارید؛ هرچند که می‌تواند کمک کند. دانستن تعدادی از اصطلاحات و جنبه‌های مرتبط با هوش مصنوعی می‌تواند استفاده از آخرین فناوری و مزایای بازرسی در اتوماسیون کارخانه را بسیار بامعنی کند.

عبارات زیر، عبارات مشترکی هستند که در گفت‌وگوها و مقالات درباره هوش مصنوعی برای اتوماسیون کارخانه به کار برده می‌شوند.

یادگیری عمیق: روش هوش مصنوعی است که از شبکه‌های عصبی برای یادگیری توسط الگوریتم‌های یادگیری-مبتنی-بر-مثال استفاده می‌کند. الگوریتم‌ها خودشان را در طول زمان بدون کمک انسان بهبود می‌بخشند. الگوریتم‌های یادگیری عمیق زمانی که داده‌های بیشتری را پردازش می‌کنند، مؤثرتر نیز می‌شوند. این امر خلاف الگوریتم‌های مبتنی بر قوانین است که دارای محدودیت ذاتی بر روی پردازش داده‌های خود هستند. الگوریتم‌های یادگیری عمیق در اتوماسیون کارخانه می‌تواند همانند یک انسان رفتار کند البته با سرعت بالاتر!!

الگوریتم: مجموعه‌ای از دستورالعمل‌ها و محاسبات که به رایانه کمک می‌کند به هدف مشخصی برسد. الگوریتم‌ها در اتوماسیون کارخانه می‌توانند در مجموعه عظیمی از داده‌های سنسورها، اسکنرها و دوربین‌های دیجیتال، ناکارآمدی‌ها را آشکار کنند؛ کیفیت را سرعت ببخشند و بهبودها را فراهم کنند. الگوریتم “learning” (یادگیری) از روش‌های آزمون-و-خطا و یادگیری-با-مثال برای بهینه‌سازی فرایندهای تولید بدون دخالت انسان استفاده می‌کند.

هوش مصنوعی (AI): فنون محاسباتی که سعی در پیش‌بینی چهره انسان دارند از خودکارسازی برای اجرای وظایفی که برای انسان‌ها سخت است بهره می‌برند. الگوریتم‌های AI نقطه مرکزی از اتوماسیون کارخانه هستند؛ چراکه آنها می‌توانند از فناوری‌هایی مانند تشخیص تصویر و پردازش زبان طبیعی به‌منظور کاهش خطای انسانی و چالش‌های تولید استفاده کرد.

داده عظیم: فناوری‌هایی که مجموعه‌داده‌های عظیم از چندین منبع، با استفاده از ابزارهای آنالیزی برای تولید بینش یکتا استفاده می‌کنند. داده عظیم نیاز اساسی AI است؛ چرا که الگوریتم‌های یادگیری نیاز به کوه عظیمی از اطلاعات دارند تا تصمیم‌گیری انسان‌ها را شبیه‌سازی کنند و به پیش‌بینی‌های دقیق دست یابند. کارخانه خودکار از آنالیز داده عظیم برای آگاه‌سازی AI استفاده می‌کند.

طبقه‌بندی (classification): مجزاسازی داده‌ها به موضوعات قابل تشخیص که تأثیرات AI در اتوماسیون کارخانه را بهبود می‌بخشد. دریافت داده از تجهیزات پویشی که محیط تولید و تشخیص اشیا خاص مانند قطعات ماشین و اجزا الکترونیک را ممکن می‌سازد. الگوریتم‌های AI به طبقه‌بندی این اشیا کمک می‌کند و آنها را به مقصد مناسب در خط تولید هدایت می‌کنند.

خوشه‌بندی (clustering): تفکیک گروهی از نقاط داده به خوشه‌ها، برای تعیین میزان تشابه و تفاوت نسبت به یکدیگر، خوشه‌بندی نام دارد. الگوریتم‌های یادگیری، خوشه‌ها را به‌منظور تفسیر میانگین و پیش‌بینی فاصله اقدام، اسکن می‌کنند. الگوریتم‌های خوشه‌بندی برای مثال، داده را از تجهیزات اسکن نوری پردازش می‌کنند تا تشخیص دهند؛ زمانی که نقص در محصول باشد؛ عملیات اجرایی تشخیص داده شود.

پاک‌سازی داده (DataCleaning-Scrubbing): حذف داده‌های معیوب به‌منظور تیز کردن در بهره الگوریتم یادگیری است. هوش مصنوعی وابسته به مدل‌های داده پیچیده‌ای هستند که باید دارای منابع ثابت، مطمئن و دقیق باشند. جمع‌آوری داده اغلب دارای نتیجه تکراری، غیردقیق، تاریخ‌گذشته یا اطلاعات بیهوده است. در نتیجه پاک‌سازی داده احتمال خطر را کاهش می‌دهد و دقت هوش مصنوعی را بهبود می‌بخشد.

تشخیص تصویر (Image recognition): استفاده از هوش مصنوعی برای تشخیص محتوا تصویر دیجیتال. الگوریتم‌های تشخیص تصویر میلیون‌ها پیکسل را اسکن می‌کنند و یادگیری عمیق برای تمیز بین افراد، مکان‌ها و اشیا را میسر می‌سازند. این فناوری‌ها اسکن بارکد و بازرسی خودکار را میسر می‌سازند. اموری که تولید خودکار یک کارخانه را به‌صورت عالی بهبود می‌بخشند. همچنین ببینید: بینایی ماشین

اینترنت اشیا (IoT):  شبکه‌ای از سنسورهای متصل به اینترنت مسئول دریافت بلادرنگ هوشمندانه از رفتار انسان و ماشین‌ها هستند. تجهیزات شامل تلفن‌های همراه، پوشیدنی‌ها، دوربین‌های فیلم‌برداری، مانیتورینگ ترافیک و سنسورهای درون ماشین‌سازی و خطوط تولید هستند. سنسورهای ‌‌IoT تعداد زیادی از داده‌هایی که برای یادگیری ماشین نیاز است را فراهم می‌کنند.

یادگیری ماشین: محاسبه فرایندهایی که می‌تواند خروجی را بدون برنامه‌نویسی انسان بهبود ببخشد. الگوریتم‌های یادگیری ماشین به یک رایانه آموزش می‌دهند تا به سمت موفقیت حرکت کنند. تشخیص تصویر برای مثال، میلیون‌ها تصویر را تجزیه‌وتحلیل می‌کنند تا تفاوت بین اشیا مختلف درون تصویر دیجیتال را تمییز دهند. همچنین ببینید: داده‌های آموزشی

بینایی ماشین: الگوریتم‌های مبتنی بر قانون که ویژگی خاصی از شی را مشخص می‌کنند. فناوری‌های بینایی ماشین از داده‌های ارائه شده از اسکنرهای نوری و دوربین‌های دیجیتال برای بازرسی قطعات بر روی خطوط تولید و بارکد اسکن‌ها در مراکز توزیع استفاده می‌کنند. در نتیجه آنکه ابزار بینایی ماشین بسیار سریع‌تر از چشم انسان کار می‌کنند. یادگیری عمیق می‌تواند به‌صورت چشمگیری دقت و بهره‌وری ابزار را افزایش دهد. برای آشنایی با کاربردهای بینایی ماشین مقاله ما در این زمینه را مطالعه فرمایید.

شبکه‌های عصبی: الگوریتم‌ها و گره داده‌ها، الهام گرفته از گذرگاه‌های عصبی سیستم عصبی انسان هستند. یک شبکه عصبی چگونگی دریافت اطلاعات، پردازش آن و انتقال به عصب دیگر را شبیه‌سازی می‌کند. هزاران گره پردازشی در شبکه عصبی، الگوهایی در داده شبیه تصاویر، متن و واژگان گفتاری پیدا می‌کنند. این الگوها کمک می‌کنند که در گام بعدی چه کاری انجام دهیم و الگوریتم تصمیم می‌گیرد که برای بهینه‌سازی خود در هر مرتبه چه کاری انجام دهد.

تشخیص کاراکتر نوری (OCR): دریافت شماره‌های چاپ شده، نامه‌ها و کاراکترها به داده دیجیتال با معنی. اگرچه فناوری OCR دارای عمری چند دهه‌ای است؛ اما همچنان برای اتوماسیون کارخانه و توزیع محصول ضروری محسوب می‌شود. همچنین فناوری هوش مصنوعی سبب شده است تا دقت OCR افزایش پیدا کند و اسکن لیبل‌های خمیده و مخدوش شده راحت‌تر شود.

اتوماسیون فرایند روباتیک (RPA): تجهیزات، نرم‌افزار و فرایندهایی که فرایند تولید، بهبود تولید و آزادسازی انسان‌ها از کار ملالت‌آور و تکرارپذیر را خودکار می‌کنند. تجهیزات RPA شامل بازوهای روبات است که وظایفی شامل جوش قطعات خودرو یا مونتاژ میکرو پردازنده‌ها را بر عهده بگیرند. نرم‌افزار RPA می‌تواند شامل الگوریتم‌هایی باشد و کاربردهایی که فرایندها را خودکار می‌کنند. این در حالی است که پیش‌تر از این به دخالت انسان نیاز بود.

داده ساختاریافته در برابر غیرساختار یافته: چهارچوب‌های مجزا برای کمک ماشین‌ها به‌منظور فهم معنای داده و پردازش دقیق آنها است. داده ساختاریافته با فرمت ثابتی ذخیره می‌گردد. مانند ردیف‌ها، ستون‌ها و سلول‌های اکسل. داده غیرساختار یافته مانند متن درون فایل پردازشی ورد یا پیکسل‌های درون یک فیلم هستند. الگوریتم‌های هوش مصنوعی به سیستم‌های اتوماسیون کارخانه اجازه می‌دهند که دانش را از هر نوعی از داده استخراج کنند.

هوش ازدحامی (Swarm intelligence): مجموعه‌ای از الگوریتم‌ها که با یکدیگر برای تولید هوش که از قابلیت‌های انفرادی بالاتر باشد. مدل شده بر روی رفتار زنبورها، ماهی، پرندگان و ارگان‌های اجتماعی دیگر. سیستم هوش گروهی وظایف مشخص و ساده‌ای را به هر الگوریتم یادگیری ماشین محول می‌سازد. این امر به الگوریتم‌ها اجازه می‌دهد تا با یکدیگر کار کنند و خروجی یادگیری بسیار چشمگیری نسبت به یک الگوریتم جامع ایجاد کنند. همچنین ببینید: شبکه‌های عصبی

داده آموزشی:  اطلاعات دیجیتال که باعث یادگیری الگوریتم هوش مصنوعی هستند. الگوریتم‌های یادگیری عمیق و شبکه عصبی باید تفاوت داده خوب و بد را بدانند. داده آموزشی اجازه می‌دهد تا آنها متوجه شوند. برای مثال در کارخانه خودکار تصاویر دیجیتال داده آموزشی فراهم می‌کنند که به الگوریتم‌ها آموزش می‌دهد به قطعات ماشین آسیب‌دیده را مشخص کنند و آنها را از محصول نهایی دور نگه دارند.