تفاوت بین هوش مصنوعی و یادگیری عمیق در امنیت.

اصطلاحات AI و Deep Learning بیشتر در زمینه امنیت جسمی ظاهر می شوند ، بنابراین مهم است که بتوانیم بین این عناوین تفاوت قائل شویم. یک تاریخچه مختصر به درک چگونگی به وجود آمدن اصطلاحات و توضیح آنچه منظور آنها است کمک خواهد کرد.

هوش مصنوعی (هوش مصنوعی) هوش انسانی است که توسط ماشین آلات به نمایش گذاشته شده است. این اصطلاح در سال 1956 به وجود آمد و این توسط رایانه های اولیه نشان داده شد که جنبه های محدودی از اطلاعات انسانی دارند. در آغاز ، فقط "باریک هوش مصنوعی" قابل دستیابی بود ، با فناوری هایی که تنها قادر به انجام کارهای خاص ساده و یا بهتر از انسان بودند.

در دهه 1980 ، پردازنده های نیمه هادی اولیه به یک آستانه مهم قدرت محاسباتی رسیدند. این قدرت می تواند از نظر اقتصادی برای طیف های وسیعی از ماشین های کنترل شده الکترونیکی به کار رود و به دوره ای از آموزش ماشین (ML) ، زیر مجموعه ای از هوش مصنوعی اما با کاربردهای پیچیده تر و مفیدتر منجر شود. کاهش سریع هزینه ها و افزایش قابلیت پردازش ، استفاده از الگوریتم های فزاینده پیچیده و پیشرفت ML عملی را امکان پذیر می کند.

فراگیری ماشین:

در ML ، الگوریتم ها از داده ها برای انجام محاسبات ساده یا بسیار پیچیده برای یافتن پاسخ ، برای ارسال صحیح آن و بهینه ترین روش استفاده می کنند. استفاده از الگوریتم برای پیش بینی نتیجه یک رویداد ، ML نیست. استفاده از نتیجه یک پیش بینی برای بهبود پیش بینی های آینده یک نمونه واقعی از ML است.

استفاده از الگوریتم برای محاسبه پاسخ به طور خودکار به معنای استفاده از ML یا AI نیست. الگوریتم های ML برای یادگیری نحوه طبقه بندی و پردازش اطلاعات ، به طور موثر آموزش سیستم برای بهبود عملکرد در طول زمان ، باید طراحی شوند. کارآیی و صحت الگوریتم به چگونگی طراحی این الگوریتم برای کارهای برنامه ریزی شده بستگی دارد.

هوش مصنوعی مفهوم گسترده ای است ، در حالی که ML به استفاده از رایانه ها برای تقلید از عملکردهای شناختی انسان می پردازد. هوش مصنوعی زمانی است که ماشین ها وظایف خود را بر اساس الگوریتم ها به روشی هوشمندانه انجام می دهند. ML زیر مجموعه ای از هوش مصنوعی است و بر توانایی ماشین ها در دریافت مجموعه ای از داده ها و یادگیری برای خود متمرکز است و الگوریتم ها را تغییر می دهد زیرا اطلاعات بیشتری را در مورد پردازش اطلاعات کسب می کنند.

آموزش رایانه برای تکثیر تفکر انسان تا حدی از طریق استفاده از شبکه های عصبی حاصل می شود. مغز دائما در تلاش است تا اطلاعاتی را که پردازش می کند ، حس کند و برای این کار ، برچسب ها را می دهد و موارد را به دسته ها اختصاص می دهد. وقتی با چیز جدیدی روبرو می شویم ، سعی می کنیم آن را با موارد شناخته شده مقایسه کنیم تا به درک و درک آن کمک کنیم.

شبکه های عصبی همین کار را در رایانه ها انجام می دهند. درست همانطور که مغز می تواند الگوهای را تشخیص دهد و سعی کند طبقه بندی و طبقه بندی اطلاعات را انجام دهد ، شبکه های عصبی همان را در رایانه ها تکرار می کنند:

• معانی را از داده های بزرگ و پیچیده استخراج کنید

• روندها را تشخیص داده و الگوهای را شناسایی کنید

• به عنوان مثال بیاموزید

یادگیری عمیق:

تا سال 2010 ، پیشرفتهای نیمه هادی به برنامه نویسان این امکان را می داد تا به سطح بسیار بالاتری از عملکرد برسند و راه را برای Deep Learning (DL) باز کنند. عنوان آن سطح دیگری عمیق تر از ML را نشان می دهد و بنابراین DL زیر مجموعه دیگری از AI محسوب می شود. مفهوم یادگیری عمیق گاهی اوقات "شبکه های عصبی عمیق" نامیده می شود ، که به لایه های زیادی درگیر است. یک شبکه عصبی ممکن است یک لایه واحد از داده ها داشته باشد ، در حالی که یک شبکه عصبی عمیق دارای دو یا بیشتر است. این لایه ها می توانند به عنوان یک سلسله مراتب تو در تو در مفاهیم مرتبط یا درخت تصمیم گیری دیده شوند ، که در آن پاسخ به یک سوال منجر به مجموعه ای از سوالات عمیق تر می شود.

بنابراین DL زیر مجموعه ای از ML است. این روش از برخی تکنیک های ML برای حل مشکلات در دنیای واقعی با استفاده از شبکه های عصبی که تصمیم گیری انسان را شبیه سازی می کنند ، استفاده می کند. DL به مجموعه داده های گسترده ای نیاز دارد که بتواند خود را آموزش دهد. به این دلیل است که تعداد زیادی پارامتر وجود دارد که باید توسط یک الگوریتم یادگیری درک شوند ، که در ابتدا می تواند مثبت کاذب ایجاد کند. به عنوان مثال ، از یک الگوریتم یادگیری عمیق می توان به او یاد داد که یک فرد متجاوز را چگونه می آموزد ، رفتار خود را ارزیابی می کند و پیشرفت او را ردیابی می کند. برای درک دقیق جزئیات جزئی که افراد را از یکدیگر بر اساس ورودی محدود دوربین مدار بسته متمایز می کند ، نیاز به یک مجموعه داده عظیم از اطلاعات دقیق دارد. DL باید یاد بگیرد که چگونه می توانید بخش های از دست رفته اطلاعات را پر کنید.

شبکه های DL برای آموزش باید تعداد زیادی مورد را مشاهده کنند. سیستم به جای برنامه ریزی در حاشیه هایی که موارد را تعریف می کند ، از قرار گرفتن در معرض میلیون ها نقطه داده یاد می گیرد. نمونه اولیه این امر ، مغز Google است که پس از نشان دادن بیش از ده میلیون تصویر ، گربه ها را تشخیص می دهد. شبکه های یادگیری عمیق نیازی به برنامه ریزی با معیارهای تعیین موارد ندارند. آنها قادر به شناسایی لبه ها از طریق قرار گرفتن در معرض مقادیر زیادی از داده ها هستند.

DL همچنین دارای برنامه های تجاری است. این می تواند حجم عظیمی از داده ها - به عنوان مثال ، میلیون ها تصویر - و ویژگی های خاصی را بشناسد. جستجوهای مبتنی بر متن ، شناسایی کلاهبرداری ، تشخیص اسپم ، تشخیص دست نویس ، جستجوی تصویر ، تشخیص گفتار ، شناسایی خیابان و مشاهده آن ، همه کارهایی است که می توان از طریق یادگیری عمیق انجام داد. شبکه های یادگیری عمیق بسیاری از سیستم های دست ساز و مبتنی بر قانون را جایگزین کرده اند.

داده های با کیفیت بالا ، کلید موفقیت در استفاده از الگوریتم ها ، برای AI ، ML یا DL است. تصمیمات باید مبتنی بر داده های عظیم ، تمیز و معنی دار باشد. اگر فاقد تمام داده های مربوط باشد ، DL بسیار مستعد تعصب است. اگر داده های ناکافی وجود داشته باشد یا پاک نشده باشد ، به خروجی قابل اعتماد نیست.