مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین

هوش مصنوعی (Artificial Intelligence) شاخه‌ای گسترده از علوم کامپیوتر است که به ساخت ماشین‌ها و سیستم‌هایی می‌پردازد که قادر به تقلید رفتارهای هوشمند انسان یا حتی فراتر از آن هستند. هنگامی که برای اولین بار واژهٔ هوش مصنوعی مطرح شد، تصور عموم این بود که تنها به ساخت ربات‌های انسان‌نما ختم خواهد شد، اما با گذر زمان مشخص شد این مفهوم بسیار فراتر از ساخت ربات‌های فیزیکی است. هوش مصنوعی امروز در حوزه‌های متنوعی از جمله کسب و کار، اقتصاد، صنایع مختلف، پزشکی، بیوتکنولوژی، بیوانفورماتیک، اقتصاد، داروسازی و حتی شاخه‌های هنر حضوری جدی دارد. در این مقاله، ابتدا به مقدمه هوش مصنوعی پرداخته می‌شود، سپس جایگاه یادگیری ماشین (Machine Learning) به‌عنوان مهم‌ترین زیرشاخهٔ هوش مصنوعی مورد بررسی قرار می‌گیرد. در نهایت، نگاهی خواهیم داشت به ارزش و ضرورت شناخت این مباحث برای علاقه‌مندان حوزه‌های زیستی و پزشکی. این مقاله اولین مطلب از مجموعه مقالات «وبلاگ دایا زیست فناوران» است که قصد داریم شما را به‌صورت گام‌به‌گام با مفاهیم پایه و کاربردهای هوش مصنوعی در علوم زیستی و پزشکی آشنا کنیم.

تعریف هوش مصنوعی

پیش از هر چیز، باید بدانیم هوش مصنوعی چیست و چرا این اندازه مهم است. به‌طور کلی، هوش مصنوعی به سیستم‌ها یا برنامه‌هایی اطلاق می‌شود که می‌توانند اعمال یا تصمیمات پیچیده‌ای را انجام دهند، مشابه یا گاه بهتر از انسان. از دیدگاهی دیگر، هوش مصنوعی شامل الگوریتم‌ها و روش‌هایی است که کامپیوترها را قادر می‌سازدفرآیندهای شناختی انسان مانند یادگیری، استدلال، حل مسئله و درک زبان طبیعی را شبیه‌سازی کنند. هوش مصنوعی به ما اجازه می‌دهد داده‌های خام را تحلیل کرده و الگوهای پنهانی را کشف کنیم که گاه چشم انسان قادر به تشخیص آن‌ها نیست.

برای مخاطبانی که در رشته‌های بیولوژی، پزشکی و سایر علوم زیستی مشغول هستند، ممکن است این پرسش مطرح شود که «چرا لازم است هوش مصنوعی را بیشتر بشناسیم؟» پاسخ روشن است: داده‌های تولیدشده در این رشته‌ها (مانند داده‌های ژنتیکی، پرونده‌های کلینیکی، تصاویر رادیولوژی و غیره) بسیار حجیم و متنوع هستند و انسان به‌تنهایی از پسِ پردازش و تحلیل دقیق آن‌ها برنمی‌آید. اینجاست که هوش مصنوعی و به‌ویژه یادگیری ماشین وارد عمل می‌شود تا بتوانیم الگوهایی بسیار عمیق و معناداری را از میان انبوه اطلاعات استخراج کنیم.

تاریخچه مختصر هوش مصنوعی

استفاده از عبارت «هوش مصنوعی» به دههٔ ۱۹۵۰ میلادی بازمی‌گردد؛ زمانی که پژوهشگرانی مانند آلن تورینگ (Alan Turing) و جان مک‌کارتی (John McCarthy) در پی پاسخ به این پرسش بودند که «آیا ماشین‌ها می‌توانند فکر کنند؟». طرح مسئله آزمایش تورینگ، گامی بزرگ برای تعریف معیار تشخیص هوشمندی ماشین بود. در این آزمایش، اگر یک ماشین می‌توانست در گفت‌وگو، انسان را مجاب کند که طرف مقابل گفت‌وگو یک انسان است، آن ماشین «هوشمند» قلمداد می‌شد.

در دهه‌های بعد، با معرفی الگوریتم‌های جدید و پیشرفت سخت‌افزاری کامپیوترها، پروژه‌های هوش مصنوعی جهش یافتند. البته شکست‌ها و موفقیت‌های متعددی نیز در این مسیر اتفاق افتاد. دوره‌هایی به نام «زمستان هوش مصنوعی» نیز وجود داشته است که در آن، هیجان و سرمایه‌گذاری در حوزهٔ هوش مصنوعی کاهش پیدا کرد. اما در دهه‌های اخیر به‌واسطهٔ پیشرفت‌های بی‌سابقه در ظرفیت پردازش داده، پیدایش شبکه‌های عصبی پیشرفته و گردآوری «کلان‌داده» (Big Data)، موج جدیدی از موفقیت‌ها در هوش مصنوعی رخ داده است که حوزه‌های بیولوژی و پزشکی نیز از آن به‌شدت بهره‌مند شده‌اند.

یادگیری ماشین: موتور محرک هوش مصنوعی

یادگیری ماشین (Machine Learning) را می‌توان موتور پیش‌برنده هوش مصنوعی دانست. یادگیری ماشین به الگوریتم‌هایی اشاره دارد که قادرند با استفاده از داده‌ها، الگوها یا روابط پنهان را بیاموزند و از آموخته‌های خود برای پیش‌بینی یا تصمیم‌گیری در آینده استفاده کنند. در این جا انسان به‌جای اینکه صریحا قواعد و دستورالعمل‌های گام‌به‌گام را به سیستم بدهد، صرفا داده‌ها و نتایج مدنظر را در اختیارش می‌گذارد و الگوریتم یادگیری ماشین می‌آموزد که چگونه به آن نتیجه دست یابد. طبق یک تعریف معروف از Arthur Samuel:

یادگیری ماشین یک فیلد مطالعاتی است که به کامپیوترها توانایی یادگیری بدون برنامه ریزی صریح را می دهد.

دسته‌بندی یادگیری ماشین

به‌طور کلی سه رویکرد عمده در یادگیری ماشین وجود دارد:

1. یادگیری نظارت‌شده (Supervised Learning)
   در این روش، مجموعه‌ای از داده‌های برچسب‌گذاری‌شده (Labelled Data) به مدل ارائه می‌شود. مدل با دیدن داده ورودی و برچسب خروجی متناظر آن، یاد می‌گیرد چگونه از ورودی‌ها به خروجی درست برسد. به‌عنوان نمونه، در تشخیص سرطان پستان از تصاویر ماموگرافی، تصاویر (ورودی) و وجود یا عدم وجود تومور (خروجی) در اختیار مدل قرار می‌گیرد تا الگوی تشخیصی را بیاموزد.

2. یادگیری بدون نظارت (Unsupervised Learning)
   در این روش، داده‌ها بدون برچسب به مدل داده می‌شوند و مدل تلاش می‌کند ساختار یا الگوهایی پنهان را در داده پیدا کند. برای مثال، در تحلیل داده‌های ژنتیکی ممکن است به‌دنبال گروه‌بندی (Clustering) ژن‌ها بر اساس شباهت توالی آن‌ها باشیم، بی‌آنکه برچسب مشخصی در اختیار داشته باشیم.

3. یادگیری تقویتی (Reinforcement Learning)
   این روش بر ایده پاداش و تنبیه متکی است. مدل با انجام عمل (Action) در یک محیط، پاداش یا تنبیه دریافت می‌کند و بر اساس آن رفتار خود را اصلاح می‌کند.

تفاوت میان هوش مصنوعی و یادگیری ماشین

در بحث مقدمه هوش مصنوعی، بسیاری از افراد این دو مفهوم را به جای یکدیگر به کار می‌برند. اگرچه یادگیری ماشین زیرشاخه‌ای از هوش مصنوعی محسوب می‌شود، اما این دو اصطلاح دقیقا هم‌معنا نیستند. هوش مصنوعی به دامنه وسیع‌تری از قابلیت‌های ماشینی اطلاق می‌شود که می‌تواند شامل سیستم‌های خبره (Expert Systems)، منطق فازی (Fuzzy Logic)، رباتیک، یادگیری ماشین و موارد دیگر باشد. درحالی‌که یادگیری ماشین صرفا روی الگوریتم‌هایی تمرکز دارد که داده‌های ورودی و خروجی را تحلیل کرده و خود را به‌تدریج بهبود می‌بخشند.

در سال‌های اخیر، الگوریتم‌های یادگیری عمیق (Deep Learning) که نوعی از یادگیری ماشین‌اند، موفق شده‌اند در بسیاری از وظایف مانند پردازش تصویر، به دقت‌های خیره‌کننده برسند. بدیهی است که یادگیری عمیق هم زیرمجموعه‌ای از یادگیری ماشین و در نهایت هوش مصنوعی قرار می‌گیرد.

چرا متخصصان حوزه زیستی و پزشکی به مقدمه هوش مصنوعی نیاز دارند؟

امروزه، حجم داده‌هایی که در آزمایشگاه‌ها، کلینیک‌ها و مراکز تحقیقاتی تولید می‌شود، روزبه‌روز در حال افزایش است. به‌عنوان نمونه:

• پژوهش‌های ژنتیکی: توالی‌یابی ژنوم انسان و موجودات مختلف، داده‌های عظیمی تولید می‌کند که نیازمند الگوریتم‌های قدرتمند جهت کشف الگوهای بیماری‌زا یا جهش‌های ژنتیکی است.
• تصویربرداری پزشکی: رادیولوژی، سی‌تی اسکن، ام‌آر‌آی و سایر روش‌های تصویربرداری، حجم بالایی از تصاویر پیچیده ایجاد می‌کنند که هوش مصنوعی می‌تواند در تشخیص اتوماتیک یا کمک به پزشک نقش مهمی داشته باشد.
• پرونده‌های سلامت الکترونیک: با دیجیتالی شدن سوابق بیمار، می‌توان داده‌های متنی و عددی فراوانی را تحلیل کرد تا الگوهای اپیدمیولوژیک یا روش‌های درمانی مؤثرتر را شناسایی کرد.

اگر متخصصی در حوزه زیست‌شناسی یا پزشکی بخواهد از این داده‌ها به‌صورت بهینه استفاده کند، به آشنایی اولیه (و شاید در مواردی پیشرفته) با هوش مصنوعی و یادگیری ماشین نیاز دارد. در غیر این صورت، حجم بالای داده عملا بی‌استفاده باقی می‌ماند یا تحلیل آن به‌کندی پیش می‌رود. همچنین لازم به ذکر است که متخصصین علوم زیستی و پزشکی، به دلیل داشتن تسلط به ادبیات این حوزه و آشنایی بهتر با داده‌های تولید شده در فیلدهای گوناگون زیستی و پزشکی، در صورت یادگیری مفاهیم مرتبط با هوش مصنوعی و یادگیری ماشین، می‌توانند به شکل موثری در این زمینه فعالیت کرده و به نتایج مهمی دست پیدا کنند.

کاربردهای اولیه و چشم‌انداز آینده

در همین ابتدای کار، اشاره کنیم که هوش مصنوعی تنها به چند کاربرد ساده محدود نمی‌شود. از تحلیل بیان ژن گرفته تا تشخیص خودکار تومورهای مغزی، از برنامه‌ریزی رباتیک جراحی تا کشف داروهای جدید، همه و همه تحت تأثیر پیشرفت‌های هوش مصنوعی و یادگیری ماشین است. فناوری‌های نوظهوری مانند شبکه‌های عصبی عمیق و پردازش زبان طبیعی (NLP) در حال دگرگون‌کردن صنایع و به‌ویژه مراقبت‌های بهداشتی هستند.

در آینده، انتظار می‌رود که هوش مصنوعی هرچه بیشتر در جراحی‌های حساس، مدیریت پرونده‌های الکترونیک و حتی توسعه واکسن‌ها و داروهای شخصی‌سازی‌شده نقش اساسی ایفا کند. در این مسیر، متخصصان پزشکی، بیوتکنولوژی و بیوانفورماتیک برای طراحی، ارزیابی و نظارت بر عملکرد این سیستم‌های هوشمند، به دانش پایه از الگوریتم‌ها و ابزارهای یادگیری ماشین نیاز خواهند داشت. با توجه به اینکه این مقاله مقدمه هوش مصنوعی بود، در مقالات بعدی، جزئیات بیشتری از کاربردهای هوش مصنوعی و یادگیری ماشین مورد ارزیابی قرار خواهند گرفت.

جمع‌بندی

در این مقاله سعی شد مفاهیم ابتدایی مربوط به مقدمه هوش مصنوعی و یادگیری ماشین به‌طور ساده مطرح شود. هوش مصنوعی حوزه‌ای فراگیر و ترکیبی از علوم مختلف است که به‌سرعت در حال گسترش است و یادگیری ماشین یکی از کلیدی‌ترین بخش‌های آن به‌شمار می‌رود. برای متخصصان حوزه‌های پزشکی و علوم زیستی، آشنایی با این مفاهیم دیگر یک انتخاب لوکس نیست، بلکه به ابزاری ضروری در مسیر پژوهش، تشخیص و درمان تبدیل شده است.

این مقاله آغازگر مجموعه مقالات «وبلاگ دایا زیست فناوران» در مورد هوش مصنوعی و یادگیری ماشین است که هدف آن، آموزش تدریجی مبانی و کاربردهای میان‌رشته‌ای در پزشکی، بیولوژی، بیوتکنولوژی و بیوانفورماتیک می‌باشد. در مقالات آینده، به‌صورت تخصصی‌تر درباره اهمیت یادگیری ماشین در علوم زیستی، شیوه‌های صحیح مدیریت داده‌های زیستی، تفاوت یادگیری عمیق با سایر روش‌های هوش مصنوعی، و ده‌ها موضوع دیگر صحبت خواهیم کرد. مقاله دوم را از اینجا مطالعه کنید.

نکته: هرچه شناخت شما از داده‌های بیولوژیکی و کلینیکی بیشتر باشد، استفاده از الگوریتم‌های هوش مصنوعی نیز برای شما نتیجه‌بخش‌تر خواهد بود. لذا تلاش کنید مفاهیم پایه‌ای علوم داده (Data Science) مانند نحوه جمع‌آوری، پاکسازی و پیش‌پردازش داده‌ها را بشناسید. این قدم‌های اولیه، مسیر یادگیری ماشین را هموارتر می‌کند.

ما در «دایا زیست فناوران» آموزش‌های تخصصی و شخصی‌سازی شده‌ هوش مصنوعی و یادگیری ماشین را برای مخاطبین علوم زیستی و پزشکی ارائه کرده‌ایم. مبانی یادگیری ماشین برای افرادی که تمایل دارند بیشتر در مورد این حوزه بدانند و مسترکلاس یادگیری ماشین و یادگیری عمیق، برای علاقمندانی که قصد دارند به شکل جدی و تخصصی وارد مسیر هوش مصنوعی شوند، توصیه می‌گردند.