بررسی مفاهیم و کاربردهایی از یادگیری عمیق در اینترنت اشیاء مبتنی بر ابر با بهره مندی از هوش مصنوعی

عنوان انگلیسی مقاله “Deep learning for cloud-based Internet of Things using AI” عنوان فارسی “بررسی مفاهیم و کاربردهایی از یادگیری عمیق در اینترنت اشیاء مبتنی بر ابر با بهره مندی از هوش مصنوعی” این مقاله به صورت رایگان در ۱۴ صفحه ورد (word) در اختیار علاقمندان قرار داده شده است. لینک دانلود مقاله در انتهای مطلب قرار دارد.

چکیده

رابطه بین AI و IoT بسیار شبیه رابطه بین مغز و بدن انسان است. بدن ما ورودی های حسی مانند بینایی، صدا و لمس را جمع آوری می کند. مغز ما این داده ها را می گیرد و آن را حس می کند، نور را به اشیا قابل تشخیص و صداها را به سخن قابل فهم تبدیل می کند. مغز ما پس از آن تصمیم گیری می کندو سیگنال هایی را به منظور فرمان دادن حرکاتی مانند برداشتن یک شی یا صحبت کردن به بدن ارسال میکند. تمام سنسورهای متصل شده که اینترنت اشیا را تشکیل می دهند، مانند بدن ما هستند، آنها اطلاعات خام از آنچه در دنیا وجود دارد، ارائه می کنند. هوش مصنوعی مثل مغز ماست، داده ها را درک می کند و تصمیم می گیرید چه کاری انجام دهد. برای درک از محیط و تصمیم گیری از هوش مصنوعی در اینترنت اشیاء استفاده می شود. هوش مصنوعی به زیر شاخه هایی چون یادگیری ماشین، یادگیری عمیق و … تقسیم می شود. یادگیری عمیق نیز شاخه ای جدید از شبکه عصبی مصنوعی محسوب می شود. در مقاله حاضر، به بررسی مفاهیم و کاربردهایی از یادگیری عمیق در اینترنت اشیاء مبتنی بر ابر با بهره مندی از هوش مصنوعی پرداخته ایم.

کلیدواژه ها: Deep learning، cloud-based، Internet of Things، AI

مقدمه

در گذشته، تنها انسان ها با ابزارهایی که در اختیار داشتند، توسط شبکه اینترنت به هم متصل می شدند و شخصأ از قابلیت های آن بهره می بردند. اما بیش از یک دهه است که ایده‌ی اینترنت اشیا شکل گرفته است؛ بر اساس آن هر شیء فیزیکی قادر خواهد بود با اتصال به اینترنت و به کمک ابزارهای ارتباطی با سایر افراد و اشیا در تعامل و ارتباط باشد. از اهداف مهم این ایده، ایجاد شبکه‌ای هوشمند برای شناسایی، نظارت و مدیریت اشیا در جهت بهبود کیفیت زندگی و رسیدن به هدفی مشترک است به طور کلی در اینترنت اشیا تنها ارتباط برقرار کردن بین اشیا کافی نیست، بلکه اشیا باید توانایی آموختن و درک محیط اطرافشان را نیز داشته باشند.

اینترنت اشیا، شامل انواع داده های بسیار پیچیده، از جمله داده های حسگر، داده های شناسایی فرکانس رادیویی، داده های ویدئویی و داده های تصویر ،داده های توصیفی، داده های موضعی، داده های زیست محیطی و داده های شبکه حسگر و غیره می باشد، که همه این موارد چالش های بزرگی را برای مدیریت و تجزیه و تحلیل و داده کاوی در اینترنت اشیاء به ارمغان می آورد. از این رو، نیاز فوق العاده ای به سیستم تجزیه و تحلیل داده ها جهت کندوکاو و بررسی جریان گسترده و مستمر از برنامه های داده های دنیای واقعی مانند نظارت بر درجه حرارت، آلودگی هوا، بازار سهام و امنیت شبکه و غیره احساس می شود [۱].

برای درک از محیط و تصمیم گیری از هوش مصنوعی در اینترنت اشیاء استفاده می شود. هوش مصنوعی به زیر شاخه هایی چون یادگیری ماشین، یادگیری عمیق و … تقسیم می شود. یادگیری عمیق نیز شاخه ای جدید از شبکه عصبی مصنوعی محسوب می شود. در مقاله حاضر، به بررسی مفاهیم و کاربردهایی از یادگیری عمیق در اینترنت اشیاء مبتنی بر ابر پرداخته ایم و برای بهبود عملکرد اشیاء در آن، از یک الگوریتم درخت تصمیم مبتنی بر هوش مصنوعی و داده کاوی با عنوان الگوریتم C4.5 استفاده کرده ایم. دلیل انتخاب این الگوریتم وجود انبوه داده و همچنین تنوع داده در اینترنت اشیاء مبتنی بر ابر می باشد.

یادگیری عمیق و مفهوم آن

یادگیری عمیق به بیانی دیگر: یادگیری ژرف ماشین، یادگیری ساختار ژرف یا یادگیری سلسله مراتبی، یک زیر شاخه از یادگیری عمیقی و بر مبنای مجموعه‌ای از الگوریتم‌ها است که در تلاش هستند مفاهیم انتزاعی سطح بالا در دادگان را مدل نمایند که این فرایند را با استفاده از یک گراف عمیق که دارای چندین لایه پردازشی متشکل از چندین لایه تبدیلات خطی و غیر خطی هستند، مدل می‌کنند. به بیان دیگر پایه‌ی آن بر یادگیری نمایش دانش و ویژگی‌ها در لایه‌های مدل است.[۲] یک نمونه آموزشی (برای نمونه: تصویر یک گربه) می‌تواند به صورت‌های گوناگون بسان یک بردار ریاضی پر شده از مقدار به ازای هر پیکسل و در دید کلی تر به شکل یک مجموعه از زیرشکل‌های کوچک‌تر (نظیر اعضای صورت گربه) مدل سازی شود. برخی از این روش‌های مدل سازی سبب ساده شدن فرایند یادگیری عمیق (برای نمونه: تشخیص تصویر گربه) . در یادگیری ژرف امید به جایگزینی استخراج این ویژگی‌های تصویر به دست بشر (مانند اعضای گربه) با روش‌های کامل خودکار ‌بی‌نظارت و نیمه نظارتی وجود دارد [۳]. انگیزه‌ی نخستین در بوجود آمدن این ساختار یادگیری از راه بررسی ساختار عصبی در مغز انسان الهام گرفته شده‌است که در آن یاخته‌های عصبی با فرستادن پیام به یکدیگر درک را امکان‌پذیر می‌کنند [۴]. بسته به فرض‌های گوناگون در مورد نحوه‌ی اتصال این یاخته‌های عصبی، مدل‌ها و ساختارهای مختلفی در این حوزه پیشنهاد و بررسی شده‌اند، هرچند که این مدل‌ها به صورت طبیعی در مغز انسان وجود ندارد و مغز انسان پیچیدگی‌های بیشتری را دارا است. این مدل‌ها نظیر شبکه عصبی عمیق، شبکه عصبی پیچیده ، شبکه باور عمیق پیشرفت‌های خوبی را در حوزه‌های پردازش زبان‌های طبیعی، پردازش تصویر ایجاد کرده‌اند. در حقیقت عبارت یادگیری عمیق، بررسی روش‌های تازه برای شبکه عصبی مصنوعی است [۵][۶]. یادگیری عمیق زیرشاخه‌ای از یادگیری عمیق است که از لایه‌های متعدد تبدیلات خطی به منظور پردازش سیگنال‌های حسی مانند صدا و تصویر استفاده می‌کند. ماشین در این روش هر مفهوم پیچیده را به مفاهیم ساده‌تری تقسیم میکند، و با ادامه‌ی این روند به مفاهیم پایه‌ای میرسد که قادر به تصمیم‌گیری برای آن‌‌ها است و بدین ترتیب نیازی به نظارت کامل انسان برای مشخص کردن اطلاعات لازم ماشین در هر لحظه نیست. موضوعی که در یادگیری عمیق اهمیت زیادی دارد، نحوه‌ی ارائه‌ی اطلاعات است. ارائه دادن اطلاعات به ماشین باید به نحوی باشد که ماشین در کمترین زمان اطلاعات کلیدی را که می‌تواند با استناد به آن‌ها تصمیم بگیرد را دریافت کند. هنگام طراحی الگوریتم‌های یادگیری عمیق می‌بایست به عوامل دگرگونی (factors of variation) که اطلاعات مشاهده‌شده را توضیح میدهند توجه کنیم، این عوامل معمولاً عوامل قابل مشاهده‌ای نیستند بلکه عواملی هستند که بر روی دسته‌ی قابل مشاهده تأثیرگذار بوده یا زاده‌ی ساختارهای ذهنی انسان برای ساده‌تر کردن مسائل هستند. برای مثال در هنگام پردازش گفتار عوامل دگرگونی می‌توانند لهجه‌ی گوینده، سن یا جنسیت او باشند. در هنگام پردازش تصویر یک ماشین، میزان درخشش خورشید یک عامل دگرگونی است. یکی از مشکلات هوش مصنوعی تأثیر زیاد عوامل دگرگونی بر روی اطلاعات دریافتی است. برای مثال بسیاری از پیکسل‌های دریافتی از یک ماشین قرمز در شب ممکن است سیاه دیده بشوند. برای حل این مشکلات بعضا به درک‌ بالای اطلاعات (در حدود انسان) نیازمندیم و در واقع گاهی یافتن نحوه‌ی مناسب نمایش اطلاعات به اندازه‌ی خود مسئله سخت و زمان‌بر است[۷].

هوش مصنوعی و فلسفه پیدایش آن

هنوز تعریف دقیقی برای هوش مصنوعی که مورد توافق دانشمندان این علم باشد ارائه نشده‌است و این به هیچ وجه مایه‌ی تعجب نیست. چرا که مقوله‌ی مادر و اساسی‌تر از آن، یعنی خود هوش هم هنوز بطور همه‌جانبه و فراگیر تن به تعریف نداده‌است. در واقع می‌توان نسل‌هایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سؤال عمده نموده‌اند که: هوش چیست؟

اما اکثر تعریف‌هایی که در این زمینه ارائه شده‌اند بر پایه یکی از ۴ باور زیر قرار می‌گیرند:

1. سیستم‌هایی که به‌طور منطقی فکر می‌کنند
2. سیستم‌هایی که به‌طور منطقی عمل می‌کنند
3. سیستم‌هایی که مانند انسان فکر می‌کنند
4. سیستم‌هایی که مانند انسان عمل می‌کنند [۲]

شاید بتوان هوش مصنوعی را این‌گونه توصیف کرد: «هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آن‌ها را صحیح یا بهتر انجام می‌دهند» (مرجع۲). هوش مصنوعی به هوشی که یک ماشین از خود نشان می‌دهد یا به دانشی در کامپیوتر که سعی در ایجاد آن دارد گفته می‌شود. بیشتر نوشته‌ها و مقاله‌های مربوط به هوش مصنوعی آن را «دانش شناخت و طراحی عامل‌های هوشمند» تعریف کرده‌اند. یک عامل هوشمند، سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را بالا می‌برد.

اینکه هوش مصنوعی چیست و چه تعریفی می‌توان از آن بیان نمود؟ مبحثی است که تاکنون دانشمندان به یک تعریف جامع در آن نرسیده‌اند و هریک تعریفی را ارائه نموده‌اند که در زیر نمونه‌ای از این تعاریف آمده‌است[۷]:

• • هنر ایجاد ماشینهایی که وظایفی را انجام می‌دهند که انجام آن‌ها توسط انسان‌ها نیاز به هوش دارد (کورزویل- ۱۹۹۰)
  • مطالعه‌ی استعدادهای ذهنی از طریق مدل‌های محاسباتی (کارنیاک و مک درموت – ۱۹۸۵)
  • مطالعه‌ی اینکه چگونه کامپیوترها را قادر به انجام اعمالی کنیم که در حال حاضر، انسان آن اعمال را بهتر انجام می‌دهد. (ریچ و نایت -۱۹۹۱)
  • خودکارسازی فعالیت‌هایی که ما آن‌ها را به تفکر انسانی نسبت می‌دهیم. فعالیت‌هایی مثل تصمیم‌گیری، حل مسئله، یادگیری و … (بلمن -۱۹۷۸)
  • تلاشی نو و مهیج برای اینکه کامپیوترها را قادر به فکر کردن کنیم. ماشین‌هایی با فکر و حس تشخیص واقعی (هاگلند-۱۹۸۵)
  • یک زمینه‌ی تخصصی که به دنبال توضیح و شبیه‌سازی رفتار هوشمندانه بوسیله فرایندهای کامپیوتری است. (شالکوف -۱۹۹۰)
  • مطالعه محاسباتی که درک، استدلال و عمل کردن را توسط ماشین‌ها را ممکن می‌سازد. (وینستون – ۱۹۹۲)
  • توانایی دست یافتن به کارایی در حد انسان در همه‌ی امور شناختی توسط رایانه (آلن تورینگ – ۱۹۵۰)
  • هوش مصنوعی دانش و مهندسی ساخت ماشین‌های هوشمند و به خصوص برنامه‌های رایانه‌ای هوشمند است. هوش مصنوعی با وظیفه مشابه استفاده از کامپیوترها برای فهم چگونگی هوش انسان مرتبط است، اما مجبور نیست خودش را به روش‌هایی محدود کند که بیولوژیکی باشند. (جان مک‌کارتی – ۱۹۸۰)

هوشمندی مفهومی نسبی دارد و نمی‌توان محدوده صحیحی را برای ارائه تعریف از آن مشخص نمود. رفتاری که از نظر یک فرد هوشمند به نظر می‌رسد؛ ممکن است برای یک فرد دیگر این‌گونه به نظر نرسد. اما در مجموع خصوصیات زیر قابلیت‌های ضروری برای هوشمندی است:

• پاسخ به موقعیت‌های از قبل تعریف نشده با انعطاف بسیار بالا و بر اساس بانک دانش
• معنا دادن به پیام‌های نادرست یا مبهم
• درک تمایزها و شباهت‌ها
• تجزیه و تحلیل اطلاعات و نتیجه‌گیری
• توانمندی آموختن و یادگرفتن
• برقراری ارتباط دوطرفه

به فرض اینکه تعاریف بالا را از هوشمندی بپذیریم، موارد زیر فهرستی است از وظایفی که از یک سیستم هوشمند انتظار می‌رود و تقریباً اکثر دانشمندان هوش مصنوعی بر آن توافق نظر دارند به شرح زیر است:

• • تولید گفتار
  • تشخیص و درک گفتار (پردازش زبان طبیعی انسان)
  • دستورپذیری و قابلیت انجام اعمال فیزیکی در محیط طبیعی و مجازی
  • استنتاج و استدلال
  • تشخیص الگو و بازشناسی الگو برای پاسخ گویی به مسائل بر اساس دانش قبلی
  • شمایلی گرافیکی یا فیزیکی جهت ابراز احساسات و عکس العمل‌های ظریف
  • سرعت عکس العمل بال[۲]

اینترنت چیزها (اشیاء)

به‌طور کلی اشاره دارد به بسیاری از چیزها شامل اشیا و وسایل محیط پیرامون‌مان که به شبکه اینترنت متصل شده و توسط اپلیکیشن‌های موجود در تلفن‌های هوشمند و تبلت قابل کنترل و مدیریت هستند. اینترنت چیزها به زبان ساده، ارتباط سنسورها و دستگاه‌ها با شبکه‌ای است که از طریق آن می‌توانند با یکدیگر و با کاربرانشان تعامل کنند. این مفهوم می‌تواند به سادگی ارتباط یک گوشی هوشمند با تلویزیون باشد یا به پیچیدگی نظارت بر زیرساخت‌های شهری و ترافیک. از ماشین لباسشویی و یخچال گرفته تا پوشاکمان؛ این شبکه بسیاری از دستگاه‌های اطراف ما را در برمی‌گیرد [۸].

جهت دانلود رایگان مقاله بررسی مفاهیم و کاربردهایی از یادگیری عمیق در اینترنت اشیاء مبتنی بر ابر با بهره مندی از هوش مصنوعی بر روی لینک زیر کلیک کنید.

مطالب پیشنهادی آراداک:

دانلود مبانی (چارچوب) نظری بازاریابی شبکه های اجتماعی

دانلود پرسشنامه ارزش های سازمانی فورنهام همراه مقاله بیس

دانلود داده های کیفیت افشا شرکتهای بورسی