یادگیری عمیق از سه بخش اصلی تشکیل شده است: «محاسبه، الگوریتم و داده» ترکیب این سه با هم باعث شده که یادگیری عمیق تبدیل به یک حوزه محبوب و پرکاربرد شود.
حدود 4 دهه پیش بود که برای نخستین بار این مفهوم ابداع و اولین مقاله در مورد آن منتشر شد.
امروزه داده‌ها روز به روز در جهان بیشتر می‌شوند. آمارها می‌گویند که ۹۰ درصد داده موجود در بانک‌های داده جهانی در دو سال گذشته ایجاد شده است. این آمارها نشان می‌دهد میزان رشد داده به صورت نمایی در حال افزایش است و این روند در آینده هم تشدید خواهد شد.
برای مثال بعد از شیوع کرونا برنامه‌‌‌های مختلفی به سرعت نوشته شد که به کمک یکی از آن‌ها، ردیابی ماسک روی صورت افراد، امکان‌پذیر بود. یا امروزه جهان هوش مصنوعی این امکان را به ما می‌دهد که برای تامین امنیت آن‌ها «پوشیدن کلاه ایمنی» را برای تک تک کارگران رصد کنیم.
اما چرا سرعت تولید داده در جهان ناگهان چندین برابر شده است ؟ پاسخ آن ساده است: دسترسی همگانی به اینترنت اشیا و دستگاه‌هایی که سنسور دارند و از طریق اینترنت با هم در ارتباط هستند.
مطالعات نشان می‌دهد که هر ماشین خودران به صورت متوسط، داده‌ای معادل 2600 کاربر اینترنت تولید می‌کند. تصور کنید که در چند سال آینده چه اتفاقی خواهد افتاد؟ وقتی همه ماشین‌ها خودران شوند-که پیش‌بینی می‌شود در 4-5 سال آینده این اتفاق در بسیاری از کشورها بیفتد- هر ماشین چقدر داده تولید خواهد کرد؟.
یادگیری عمیق حوزه سلامت
بخش دوم که حوزه جذابی است کاربردهای یادگیری عمیق در حوزه سلامت است. سوالی که میخواهم مطرح کنیم این است که چند نفر فکر می‌کنند یادگیری عمیق می‌تواند جان انسان‌ها را نجات دهد؟ چند نفر تصور می‌کنند که پزشکان توانایی بیشتری در این زمینه دارند؟ امیدوارم نتیجه‌گیری نهایی شما بعد از دنبال کردن این صحبت‌ها این باشد که ما به ترکیب این دو با هم برای تحول در حوزه سلامت نیاز داریم.
بیش از 1.2 میلیون نفر در دنیا -آمارهای احتمالا بیشتر از این عدد است- هر سال به خاطر تصادف از دنیا می‌روند. ماشین لرنینگ می‌تواند جان میلیون‌ها نفر را نجات دهد. اما ساز و کار این جان‌بخشی چگونه است؟ بر این أساس می‌توان چند دهم ثانیه قبل از تصادف، رخداد آن پیش‌بینی شود. بعد از این تشخیص ماشین باید روی ترمز بزند و کمربند سرنشینان را محکم کند یا ایربگ را باز کند.
یکی از مثال‌ها در این باره شرکت تسلا است که این تکنولوژی را در ماشین‌های خودران خود دارد. در نمونه‌های تولید شده در سال 2016 قبل از وقوع تصادف صدای یک بوق ممتد شنیده می‌شود.
یا در حوزه سلامت، برایان تایسون می‌گوید: «بدن ما نیاز به تعدادی سنسور دارد تا سلامت خود را رصد کند. وقتی حتی ماشین‌ها مجهز به سنسورهستند چرا بدن ما نباشد؟» در واقع احتمالا در آینده نزدیک از دیوایس‌هایی استفاده خواهیم کرد که می‌تواند وضعیت سلامت ما را رصد کند.
روش‌های یادگیری ماشین و یادگیری عمیق می‌توانند پیش‌بینی‌هایی انجام دهند که بیمار قبل از مراجعه به پزشک، بتواند از بروز مشکل در بدن خود مطلع شود.
یکی از مدل‌های طراحی شده جالب بر این اساس بود که از تعدادی فک نتیجه می‌گرفت که فرد در یک هفته آینده احتمال دارد سکته کند و هشدار آن را به فرد می‌داد. در آینده نزدیک ممکن است روی ساعت‌های هوشمند چنین سنسوری طراحی شود تا به محض اینکه خطری کاربر را تهدید کرد نسبت به آن هشدارهای لازم داده شود. در واقع تکنولوژی به این سمت می‌رود که سنسورهای سلامتی را در دیوایس‌های پوشیدنی مثل ساعت یا موارد دیگر قابل دسترسی کند.
کاربرد دیگر استفاده از یادگیری عمیق جلوگیری از پاندمی‌های آینده است. مایکروسافت در سال 2013 پروژه‌ای را در دستور کار قرار داده که احتمالا در سال کرده 2025 از آن رونمایی می‌شود. در این پروژه یک پهباد حشرات را در هوا می‌گیرد و خون حشره را مورد مطالعه قرار می‌دهد تا گونه‌های حشرات منطقه را شناسایی کند و اگر بیماری‌ای از طریق این حشرات احتمال شیوع دارد، پیش‌بینی شده و اقدامات پیشگیرانه درباره آن عملیاتی شود. شاید اگر چنین محصولی در سال ۲۰۱۹ در دسترس بود، پاندمی کرونا اینگونه جهان را زمینگیر نمی‌کرد.
یادگیری عمیق در صنعت
کعبه آمال ما در هوش مصنوعی رسیدن به سطح هوش یک کودک با کمترین خطای ممکن است.
یک دیاگرام پیچیده در حوزه صنعت وجود دارد که کل روند استفاده از این هوش مصنوعی را از ابتدا تا انتها نشان می‌دهد اما این روند در حوزه آکادمیک تنها محدود به منتشر کردن یک مقاله است. به طور کلی بین فضای صنعت و فضای آکادمی در بخش هوش مصنوعی تفاوت بسیار زیاد و گپ‌های بزرگی وجود دارد.
مثلا در مورد پیش‌بینی سکته قلبی فضای آکادمی این ظرفیت را دارد که یک مقاله خوب منتشر کند. یک گزارش تئوریک با دقت ۹۸ درصد احتمالا نتیجه بسیار مناسبی برای فضای آکادمیک محسوب می‌شود اما همین مقاله با همین درصد خطا در فضای صنعت می‌تواند یک شکست سنگین را رقم زند و منجر به فرد یا افراد زیادی شود.