این سه اصطلاح آن‌قدر جای هم به کار می‌روند که حتی در خبرها هم اشتباه استفاده می‌شوند. ولی رابطه‌شان ساده است و با یک تشبیه در سی ثانیه روشن می‌شود.
رابطه‌شان: سه دایره‌ی تودرتو
این سه رقیب هم نیستند؛ یکی زیرمجموعه‌ی دیگری است.
- هوش مصنوعی بزرگ‌ترین دایره است: هر روشی که کامپیوتر را وادار کند کاری را انجام دهد که معمولاً به هوش انسانی نیاز دارد.
- ماشین لرنینگ دایره‌ای داخل آن است: روشی که در آن کامپیوتر به‌جای دریافت دستور صریح، از روی داده یاد می‌گیرد.
- دیپ لرنینگ دایره‌ای داخل ماشین لرنینگ است: نوع خاصی از یادگیری که از شبکه‌های عصبی چندلایه استفاده می‌کند.
هر دیپ لرنینگی ماشین لرنینگ است، و هر ماشین لرنینگی هوش مصنوعی است — ولی عکسش درست نیست.
هوش مصنوعی: چتر بزرگ
هوش مصنوعی یک فناوری واحد نیست، یک هدف است: ساختن سیستمی که رفتار هوشمندانه نشان بدهد. این هدف روش‌های خیلی متنوعی دارد و بعضی‌شان اصلاً یادگیری نیستند.
مثال ملموس: موتور شطرنجی که در دهه‌ی ۹۰ کاسپاروف را برد، هوش مصنوعی بود ولی چیزی «یاد نمی‌گرفت» — فقط میلیون‌ها حرکت ممکن را با قواعدی که انسان برایش نوشته بود بررسی می‌کرد. به این می‌گویند سیستم مبتنی بر قاعده.
پس وقتی جایی می‌شنوید «این محصول هوش مصنوعی دارد»، عملاً چیز دقیقی گفته نشده. سوال درست این است: چه نوعی؟
ماشین لرنینگ: یادگیری از روی مثال
اینجا تفاوت بنیادی رخ می‌دهد. در برنامه‌نویسی معمولی شما قاعده را می‌نویسید. در ماشین لرنینگ، مثال می‌دهید و ماشین خودش قاعده را پیدا می‌کند.
فرض کنید می‌خواهید ایمیل اسپم را تشخیص بدهید:
- روش سنتی: قاعده می‌نویسید — «اگر کلمه‌ی برنده شدید داشت، اسپم است». مشکل: اسپمرها کلمه را عوض می‌کنند و شما باید بی‌نهایت قاعده بنویسید.
- روش ماشین لرنینگ: ده هزار ایمیل اسپم و ده هزار ایمیل سالم می‌دهید و می‌گویید «الگو را پیدا کن». مدل خودش کشف می‌کند چه ترکیبی از نشانه‌ها اسپم را می‌سازد — از جمله الگوهایی که شما اصلاً به آن‌ها فکر نکرده بودید.
پیش‌بینی قیمت مسکن، پیشنهاد فیلم، تشخیص تقلب بانکی و پیش‌بینی ریزش مشتری همه از همین خانواده‌اند.
دیپ لرنینگ: وقتی مسئله خیلی پیچیده است
دیپ لرنینگ از شبکه‌های عصبی با لایه‌های زیاد استفاده می‌کند. تفاوت عملی‌اش با ماشین لرنینگ کلاسیک در یک چیز خلاصه می‌شود: چه کسی تصمیم می‌گیرد کدام ویژگی‌های داده مهم‌اند.
در ماشین لرنینگ کلاسیک، این کار شماست. اگر بخواهید قیمت خانه را پیش‌بینی کنید، خودتان مشخص می‌کنید که متراژ، تعداد اتاق و منطقه مهم‌اند. به این مرحله می‌گویند مهندسی ویژگی و معمولاً بیشترین وقت پروژه را می‌گیرد.
در دیپ لرنینگ، مدل خودش ویژگی‌ها را کشف می‌کند. برای تشخیص گربه در عکس، شما لازم نیست تعریف کنید «گربه گوش مثلثی دارد» — مدل با دیدن میلیون‌ها عکس خودش لایه‌به‌لایه از لبه به شکل و از شکل به مفهوم می‌رسد.
قیمتش چیست؟
دیپ لرنینگ رایگان نیست. به داده‌ی بسیار بیشتر و قدرت محاسباتی بسیار بیشتر نیاز دارد، و مهم‌تر: خروجی‌اش سخت‌تر توضیح داده می‌شود. اگر بانک وامی را رد کند، باید بتواند دلیلش را بگوید — و «شبکه‌ی عصبی این‌طور تصمیم گرفت» جواب قابل قبولی نیست.
مقایسه در یک نگاه
| معیار | ماشین لرنینگ کلاسیک | دیپ لرنینگ |
|---|---|---|
| حجم داده‌ی لازم | صدها تا هزاران نمونه | ده‌ها هزار به بالا |
| سخت‌افزار | لپ‌تاپ معمولی کافی است | معمولاً نیاز به GPU |
| انتخاب ویژگی‌ها | با انسان | خودکار توسط مدل |
| قابل توضیح بودن | نسبتاً بالا | پایین (جعبه‌ی سیاه) |
| مناسب برای | داده‌ی جدولی، پیش‌بینی عددی | تصویر، صوت، متن |
یک باور غلط رایج: دیپ لرنینگ همیشه بهتر نیست
چون دیپ لرنینگ جدیدتر و پرسروصداتر است، خیلی‌ها فکر می‌کنند همیشه انتخاب بهتری است. در عمل، برای داده‌های جدولی — که بیشتر مسائل واقعی کسب‌وکار همین‌اند — روش‌های کلاسیک اغلب نتیجه‌ی بهتری می‌دهند، سریع‌تر آموزش می‌بینند و قابل توضیح‌ترند.
دیپ لرنینگ جایی می‌درخشد که داده بدون ساختار باشد: عکس، صدا، ویدیو و زبان طبیعی.
پس ChatGPT کدام است؟
مدل‌های زبانی بزرگ مثل ChatGPT، دیپ لرنینگ‌اند — نوع خاصی از شبکه‌ی عصبی به نام ترنسفورمر که روی حجم عظیمی از متن آموزش دیده. یعنی در آن سه دایره، داخلی‌ترین دایره قرار می‌گیرند.
نکته‌ای که اغلب گم می‌شود: این مدل‌ها «می‌فهمند» به معنای انسانی کلمه نیست. کاری که می‌کنند پیش‌بینی محتمل‌ترین ادامه‌ی متن بر اساس الگوهای آموخته‌شده است. این توضیح می‌دهد چرا گاهی با اطمینان کامل چیز اشتباهی می‌گویند.
کجا از هرکدام استفاده می‌شود؟ مثال‌های ملموس
تئوری وقتی جا می‌افتد که ببینید هرکدام کجا به کار می‌رود:
سیستم مبتنی بر قاعده (هوش مصنوعی بدون یادگیری)
- چت‌بات‌های ساده‌ی پشتیبانی که بر اساس کلمه‌ی کلیدی جواب از پیش نوشته می‌دهند
- سیستم تشخیص تراکنش مشکوک بانکی بر اساس قواعد ثابت: «بیش از فلان مبلغ در ساعت غیرعادی»
- فیلترهای اولیه‌ی استخدام که رزومه را بر اساس وجود کلمات خاص رد یا قبول می‌کنند
ماشین لرنینگ کلاسیک
- پیش‌بینی اینکه کدام مشتری احتمالاً اشتراکش را تمدید نمی‌کند
- تخمین قیمت ملک بر اساس متراژ، منطقه، سن ساختمان و امکانات
- پیش‌بینی میزان فروش ماه آینده بر اساس داده‌ی تاریخی
- دسته‌بندی خودکار تیکت‌های پشتیبانی به بخش مربوطه
توجه کنید همه‌ی این‌ها داده‌ی جدولی دارند — سطر و ستون. این نشانه‌ی خوبی است که مسئله در قلمرو ماشین لرنینگ کلاسیک قرار می‌گیرد.
دیپ لرنینگ
- تشخیص پلاک خودرو از تصویر دوربین
- تبدیل گفتار فارسی به متن
- تشخیص ناهنجاری در تصاویر پزشکی
- ترجمه‌ی ماشینی و تولید متن
اینجا داده بدون ساختار است — پیکسل، موج صوتی، دنباله‌ی کلمات. هیچ ستون مشخصی وجود ندارد که بگویید «این ویژگی مهم است».
یک قاعده‌ی سرانگشتی برای تشخیص
وقتی با مسئله‌ای روبه‌رو شدید و نمی‌دانستید کدام روش مناسب است، این سه سوال را بپرسید:
- آیا قاعده‌اش را می‌دانم و ثابت است؟ اگر بله، اصلاً سراغ یادگیری ماشین نروید — کد معمولی بنویسید. ساده‌تر، سریع‌تر و قابل اتکاتر است.
- آیا داده‌ام جدولی است و چند هزار نمونه دارم؟ ماشین لرنینگ کلاسیک.
- آیا داده‌ام تصویر، صدا یا متن آزاد است و ده‌ها هزار نمونه دارم؟ دیپ لرنینگ.
و اگر داده‌ی کافی ندارید، هیچ‌کدام از این‌ها جواب نمی‌دهد. کمبود داده رایج‌ترین دلیل شکست پروژه‌های هوش مصنوعی است — بیشتر از انتخاب اشتباه الگوریتم.
من باید کدام را یاد بگیرم؟
اگر تازه شروع کرده‌اید، جواب روشن است: از ماشین لرنینگ کلاسیک شروع کنید.
- مفاهیم پایه — داده، مدل، آموزش، ارزیابی — در هر دو مشترک‌اند و در روش کلاسیک شفاف‌ترند.
- با لپ‌تاپ معمولی می‌توانید کار کنید و لازم نیست منتظر GPU بمانید.
- بیشتر آگهی‌های استخدام در ایران دقیقاً همین را می‌خواهند، نه لزوماً دیپ لرنینگ.
پریدن مستقیم به دیپ لرنینگ معمولاً به این می‌انجامد که کد آماده را اجرا می‌کنید بدون اینکه بفهمید چرا کار می‌کند — و اولین باری که نتیجه بد می‌شود، هیچ راهی برای فهمیدن دلیلش ندارید.
برای شروع عملی، این مقاله پیش‌نیازها و نقشه‌ی راه واقعی را توضیح می‌دهد. و اگر می‌خواهید با ساختار و منتور پیش بروید، دوره‌ی ماشین لرنینگ داناورس از همین نقطه شروع می‌کند.
اگر هم هدفتان استفاده‌ی کاربردی از هوش مصنوعی در شغل فعلی‌تان است نه ساختن مدل، مسیر شما ابزارهای هوش مصنوعی است که کوتاه‌تر و ارزان‌تر جواب می‌دهد.
مطالعه‌ی بیشتر
- هوش مصنوعی چیست؟: تعریف ساده، انواع هوش مصنوعی و واژه‌نامه‌ی کامل اصطلاح‌ها.
- آموزش پایتون از صفر: زبانی که تقریباً همه‌ی پروژه‌های یادگیری ماشین با آن نوشته می‌شوند.
