نقشه‌ی جامع تمایز میان هوش مصنوعی، یادگیری ماشین و علم داده

اشتباه گرفتن مفاهیم هوش مصنوعی و یادگیری ماشین در یک مصاحبه‌ی فنی می‌تواند حتی برای برنامه‌نویسی با مهارت‌های کدنویسی بی‌نقص، منجر به رد درخواست شغلی شود. طبق راهنمایی عملی که در ۱۸ جولای ۲۰۲۶ در dev.to منتشر شد، «سوپ اصطلاحات» در این صنعت اغلب سلسله‌مراتبی سخت‌گیرانه را پنهان می‌کند که مستقیماً بر نحوه‌ی ساخت و استقرار مدل‌ها اثر می‌گذارد.

برای کسانی که وارد این حوزه می‌شوند، این کلمات مترادف نیستند. آن‌ها مجموعه‌ای از قابلیت‌های تو در تو و یک دیسیپلین افقی مجزا را نشان می‌دهند. در حالی که یک مشاهده‌گر عادی ممکن است آن‌ها را یکی ببیند، یک مهندس باید تفاوت میان یک سیستم مبتنی بر قانون (Rule-based) و یک مدل یادگیرنده‌ی الگو را بداند تا از اتلاف منابع محاسباتی جلوگیری کند. برای درک عمیق‌تر این تفاوت‌ها، می‌توانید بررسی عملی تفاوت‌های کلیدی میان AI، یادگیری ماشین و یادگیری عمیق را مطالعه کنید. درست کردن این دسته‌بندی در ابتدای مسیر، جلوی پاسخ‌های متناقض و گیج‌کننده در مصاحبه‌های شغلی را در آینده می‌گیرد.

این حوزه را مانند مجموعه‌ای از عروسک‌های روسی تصور کنید. هوش مصنوعی (AI) — لایه‌ی بیرونی‌ترین است و هر سیستمی که بتواند رفتاری شبیه به هوش انسانی داشته باشد را در بر می‌گیرد. این لایه شامل سیستم‌های مبتنی بر قانون نیز می‌شود؛ برای مثال، یک موتور شطرنج با منطق کدنویسی‌شده (Hardcoded)، حتی اگر هرگز چیزی «یاد نگیرد»، باز هم AI است. در دل این لایه، یادگیری ماشین (ML) قرار دارد؛ سیستمی که قوانین سخت و کدنویسی‌شده را با قابلیت یادگیری الگوها مستقیماً از داده‌ها جایگزین می‌کند.

در لایه‌ی عمیق‌تر یادگیری ماشین، یادگیری عمیق (DL) قرار گرفته است. این زیرمجموعه از لایه‌های نورون‌های مصنوعی برای شبیه‌سازی نحوه پردازش اطلاعات در مغز استفاده می‌کند. همین سازوکار است که داده‌های بدون ساختار (Unstructured data) مثل صوت، متن یا تصویر را قابل پردازش و مدیریت می‌کند. در این میان، علم داده (DS) زیرمجموعه‌ی هیچ‌کدام نیست، بلکه یک دیسیپلین افقی است. یک دانشمند داده با هر سه حوزه درگیر است و در تمام طول مسیر، از مرحله‌ی جمع‌آوری داده‌های خام تا استقرار نهایی مدل در محیط تولید (Production) فعالیت می‌کند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی زیرساخت‌های مدل‌های زبانی اشاره کردیم، انتخاب معماری غلط می‌تواند منجر به هزینه‌های استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به خودِ آشپزی نه دوره‌ی آموزش آشپز — بسیار بالا شود. در همین راستا، بسیاری از متخصصان برای مدیریت این هزینه‌ها به استفاده از APIهای پیش‌آموزش و تکنیک‌های کوانتیزاسیون روی آورده‌اند.

دسته‌بندی یادگیری ماشین

بر اساس مستندات فنی، ML عمدتاً بر اساس ماهیت داده‌های موجود و مقدار اطلاعات برچسب‌دار (Labeled) تقسیم می‌شود. یادگیری نظارت‌شده (Supervised Learning) — مثل دانش‌آموزی که با کمک معلم و پاسخ‌نامه درس می‌خواند — بر داده‌های برچسب‌دار تکیه دارد که هر ردیف آن‌ها یک ورودی شناخته شده و یک خروجی شناخته شده دارد. این مسیر به سه شاخه متمایز تقسیم می‌شود:

• رگرسیون (Regression): پیش‌بینی اعداد پیوسته، مانند پیش‌بینی قیمت خانه یا دمای هوا.
• طبقه‌بندی (Classification): اختصاص دادن دسته‌ها. این طیف از طبقه‌بندی دوتایی (Binary - مثلاً اسپم یا غیر اسپام) تا طبقه‌بندی چندکلاسه (Multiclass - سه دسته یا بیشتر که mutually exclusive یا متقابلاً исклюusive هستند) را شامل می‌شود.
• طبقه‌بندی چندبرچسبی (Multilabel Classification): این یک مسئله‌ی متمایز از طبقه‌بندی چندکلاسه است؛ جایی که یک مورد واحد می‌تواند هم‌زمان عضو چندین دسته باشد (مثلاً فیلمی که هم برچسب «اکشن» دارد و هم «تریلر»).

یادگیری بدون نظارت (Unsupervised Learning) بدون هیچ برچسبی عمل می‌کند. در اینجا مدل باید خودش ساختار داده‌ها را پیدا کند. یک مثال کلاسیک، بخش‌بندی مشتریان (Customer Segmentation) است؛ جایی که مدل افراد را بر اساس متغیرهایی مثل حقوق و میزان هزینه به گروه‌هایی تقسیم می‌کند — مثلاً «درآمد بالا، هزینه بالا» یا «درآمد پایین، هزینه پایین» — بدون اینکه از قبل به او گفته شود این گروه‌ها چه باید باشند.

یادگیری نیمه‌نظارتی (Semi-supervised Learning) پلی میان این دو است و در فضای بین آن‌ها قرار می‌گیرد؛ جایی که مقداری از داده‌ها برچسب دارند اما اکثر آن‌ها بدون برچسب هستند. سیستم‌های توصیه‌گر (Recommendation Systems) مثال کتابخانه‌ای برای این روش هستند؛ این سیستم‌ها بر اساس برخی سیگنال‌های صریح (مثل امتیازدهی یا خریدها) و عمدتاً رفتارهای ضمنی و بدون برچسب کاربر عمل می‌کنند.

شکاف یادگیری تقویتی

یک خطای رایج، یکی دانستن یادگیری نیمه‌نظارتی و یادگیری تقویتی (RL) است. برخی منابع آن‌ها را مشابه توصیف می‌کنند، اما این‌ها پارادایم‌های اساساً متفاوتی هستند. در حالی که یادگیری نیمه‌نظارتی همچنان به یک مجموعه‌ی داده‌ی استاتیک و تا حدی برچسب‌دار وابسته است، RL اصلاً از مجموعه‌ای از «پاسخ‌های درست» استفاده نمی‌کند.

در RL، یک عامل (Agent) با محیط تعامل می‌کند و از طریق آزمون و خطا، با هدایت پاداش‌ها و جریمه‌ها یاد می‌گیرد. بعد از هر اقدام، عامل یک پاداش (یا جریمه) و وضعیت جدید محیط را دریافت می‌کند. وظیفه عامل این است که یک «سیاست» (Policy) — یعنی استراتژی‌ای برای انتخاب اقدام درست در هر وضعیت — را بیابد تا مجموع پاداش‌ها را در طول زمان به حداکثر برساند.

این رویکرد سه چالش منحصر‌به‌فرد ایجاد می‌کند که در ML استاندارد وجود ندارند:

۱. داده‌های پویا (Dynamic Data): عامل سیگنال آموزش را با اقدام و مشاهده خودش تولید می‌کند. برخلاف یادگیری بدون نظارت که ساختار را در داده‌های استاتیک می‌یابد، داده‌های RL بر اساس آنچه عامل قبلاً یاد گرفته تغییر می‌کنند. توزیع آموزش در اینجا ثابت نیست.
۲. بازخورد تأخیری (Delayed Feedback): پاداش اغلب تا چندین گام بعد از اقدامی که باعث آن شده است، نمی‌رسد (مثلاً یک حرکت در شطرنج که ۱۰ نوبت بعد نتیجه می‌دهد). این موضوع به «مسئله‌ی انتساب اعتبار» (Credit Assignment Problem) معروف است.
۳. کاوش در برابر بهره‌برداری (Exploration vs. Exploitation): عامل باید بین امتحان کردن اقدامات جدید برای کشف استراتژی‌های بهتر (Exploration) و تکیه بر اقداماتی که از قبل می‌داند موفقیت‌آمیز هستند (Exploitation)، تعادل برقرار کند.

RL مکانیسم اصلی عامل‌های بازی‌ساز است که منجر به پیروزی در سطح فوق‌انسانی در بازی‌های Atari و Go شد. این روش همچنین در رباتیک و سیستم‌های کنترل استفاده می‌شود و اکنون برای RLHF (یادگیری تقویتی با بازخورد انسانی) در تنظیم مدل‌های زبانی بزرگ حیاتی است؛ جایی که پاداش از طریق مدلی صادر می‌شود که آموزش دیده تا ترجیحات انسانی را پیش‌بینی کند.

معماری‌های یادگیری عمیق بر اساس نوع داده

در قلمرو DL، انتخاب معماری تقریباً کاملاً به شکل داده‌های ورودی بستگی دارد. شبکه‌های عصبی مصنوعی (ANN) خط پایه برای داده‌های ساختاریافته و جدولی (Tabular) — همان مدل داده‌هایی که معمولاً در صفحات گسترده یا اکسل یافت می‌شوند — هستند.

برای داده‌های بصری (Visual)، شبکه‌های عصبی کانولوشنی (CNN) استاندارد هستند. این مدل‌ها در دو وظیفه رایج کاربرد دارند:

• طبقه‌بندی تصویر (Image Classification): تعیین اینکه «چه چیزی در این تصویر است»، که اغلب به‌جای آموزش از صفر، از یادگیری انتقالی (Transfer Learning) — شبیه به کسی که الفبای یک زبان را می‌شناسد و حالا می‌خواهد متون تخصصی آن را بخواند — استفاده می‌کنند.
• تشخیص اشیا (Object Detection): تعیین اینکه «چه چیزی در این تصویر است و در کجا قرار دارد». این حوزه تکاملی از معماری‌ها را طی کرده است: R-CNN $\rightarrow$ Fast R-CNN $\rightarrow$ Faster R-CNN $\rightarrow$ SSD $\rightarrow$ YOLO $\rightarrow$ DETR.

در این میان، YOLO (You Only Look Once) به‌دلیل سرعت در تشخیص آنی (Real-time) مشهور شد، در حالی که DETR تشخیص‌های مبتنی بر ترنسفورمر را وارد میدان کرد. تشخیص چهره (Face Recognition) یک کاربرد تخصصی از این سیستم است که به جای کلاس‌های عمومی مثل «سگ» یا «گربه»، چهره‌های خاص را مطابقت می‌دهد.

داده‌های متوالی (Sequential) مثل متن، سری‌های زمانی، یا هر چیزی که ترتیب در آن اهمیت دارد، به‌طور سنتی متعلق به شبکه‌های عصبی بازگشتی (RNN) بودند. درک تبار این مدل‌ها برای مهندسان ضروری است:

• RNNهای ساده: به‌دلیل پدیده محوشدن گرادیان (Vanishing Gradients) در توالی‌های طولانی با مشکل مواجه می‌شوند.
• LSTM (Long Short-Term Memory): مشکل حافظه را با استفاده از سلول‌های حافظه گیت‌دار (Gated memory cells) حل کردند.
• Bidirectional LSTM: توالی را هم از جلو و هم از عقب می‌خوانند تا بستر (Context) متن را بهتر بفهمند.
• رمزگذار-رمزگشا (Encoder-Decoder): وظیفه را به درک ورودی (Encoder) و تولید خروجی (Decoder) تقسیم می‌کنند که برای خلاصه‌سازی و ترجمه بسیار مفید است.

سرانجام، ترنسفورمرها (Transformers) جایگزین RNNها در اکثر وظایف پردازش زبان طبیعی شدند. چون سازوکار «خودتوجهی» (Self-attention) وابستگی‌های دور (Long-range dependencies) را بهتر مدیریت کرده و امکان موازی‌سازی در حین آموزش را فراهم می‌کند (برخلاف RNNها که توکن‌ها را یکی‌یکی پردازش می‌کنند)، راه را برای سری مدل‌های GPT-1، GPT-2 و GPT-3 باز کرد.

تلاقی با پردازش زبان طبیعی (NLP)

NLP اغلب به‌غلط فقط به عنوان ML یا DL دسته‌بندی می‌شود. در واقع، بسته به تکنیک مورد استفاده، این حوزه هر دو را در بر می‌گیرد:

• ML کلاسیک (آماری): تکنیک‌هایی مثل کیسه کلمات (BoW) و TF-IDF متن را به شکل بردارهای پراکنده (Sparse) از بسامد کلمات نمایش می‌دهند، بدون اینکه مفهومی از معنا یا بستر داشته باشند.
• یادگیری عمیق (یادگرفته): مدل‌هایی مثل Word2Vec و بردار‌های معنایی (Embeddings) مبتنی بر ترنسفورمر، نمایش‌های متراکم (Dense) ایجاد می‌کنند. این‌ها روابط معنایی را ثبت می‌کنند؛ مثلاً کلمات «پادشاه» و «ملکه» در فضای برداری نزدیک به هم قرار می‌گیرند.

اینکه NLP زیرمجموعه ML باشد یا DL، کاملاً به تکنیک خاص به کار رفته بستگی دارد. هر دو زیر چتر کلی NLP قرار می‌گیرند.

استفاده از نقشه اشتباه منجر به خطاهای هزینه‌بر می‌شود. انتخاب CNN برای داده‌های جدولی یا اشتباه گرفتن طبقه‌بندی چندبرچسبی با یک طبقه‌بندی ساده‌ی چندکلاسه، باعث اتلاف چرخه آموزش و بودجه محاسباتی می‌شود. تسلط بر این دسته‌بندی، پیش‌نیاز ریاضیات و فریم‌ورک‌های بعدی است. برای کسانی که می‌خواهند اولین قدم‌های عملی خود را بردارند، راهنمای بصری پیاده‌سازی اولین مدل یادگیری ماشین منبعی مفید برای تبدیل این مفاهیم به کد است. برای به‌کارگیری این نقشه، سعی کنید شکل داده‌های پروژه فعلی خود را بررسی کنید تا ببینید آیا معماری انتخابی با مرزهای دسته‌بندی ذکر شده هم‌راستا است یا خیر.

گام بعدی شما

• داده‌های پروژه فعلی خود را بررسی کنید تا ببینید آیا معماری انتخابی با مرزهای دسته‌بندی ذکر شده هم‌راستا است یا خیر.
• تفاوت عملکردی بین یک مدل RAG ساده و یک سیستم RLHF را در مدیریت پاسخ‌ها بررسی کنید.
• برای داده‌های متنی، تفاوت دقت بین روش‌های آماری (TF-IDF) و بردارهای معنایی را در یک مجموعه داده کوچک تست کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.