ئەمڕۆ، زیرەکی دەستکرد یارمەتی پزیشکەکان دەدات بۆ دەست نیشانکردنی نەخۆشی، ئامێرەکان فڕۆکەی بازرگانی دەفڕێنن، و پلاندانەری شارەکەی پێشبینی هاتوچۆ دەکەن. بەڵام گرینگ نییە ئەمانە چی دەکەن، ئەو زانا کۆمپیوتەرانەی دیزاینیان کردووە لەوانەیە نەزانن کە ئەم ئامێرانە چۆن کار دەکەن. ئەمە لەبەرئەوەی کە زیرەکی دروستکرد زۆر جار خود-فێرکارە، کارکردن بە کۆمەڵێک ڕێنمایی سادە بۆ دروستکردنی ڕیزێکی بێ هاوتا و ستراتیجی. کەواتە ئامێرێک بە تەواوی چۆن فێر دەبێت؟
Today, artificial intelligence helps doctors diagnose patients, pilots fly commercial aircraft, and city planners predict traffic. But no matter what these AIs are doing, the computer scientists who designed them likely don’t know exactly how they’re doing it. This is because artificial intelligence is often self-taught, working off a simple set of instructions to create a unique array of rules and strategies. So how exactly does a machine learn?
چەندین ڕێگەی جیاواز هەیە بۆ بنیاتدانی بەرنامەی خۆ فێرکاری. بەڵام هەموویان پشت بە سێ جۆری سەرەکی فێربوون دەبەستن: فێربوونی سەرپەشتی نەکراو، سەرپەشتی کراو، و فێربوونی دووپات کردنەوە. بۆ بینینی ئەمانە لە کرداردا، با وێنەی ئەوە بکەین توێژەران هەوڵی بەدەست هێنانی زانیاری دەدەن لە کۆمەڵێک داتای پزیشکی کە هەزاران پرۆفایلی نەخۆش لەخۆدەگرێت.
There are many different ways to build self-teaching programs. But they all rely on the three basic types of machine learning: unsupervised learning, supervised learning, and reinforcement learning. To see these in action, let’s imagine researchers are trying to pull information from a set of medical data containing thousands of patient profiles.
یەکەم جار، فێربوونی بێ سەرپەرشتی. ئەم ڕێبازە نموونەیی دەبێت بۆ شیکردنەوەی هەموو پرۆفایلەکان بۆ دۆزینەوەی وەک یەک گشتییەکان و شێوازەکانی سوودبەخش. ڕەنگە هەندێک نەخۆش نەخۆشی هاوشێوەیان پێشکەش بکات، یان لەوانەیە چارەسەرێک کۆمەڵێک دیاریکراوی کاریگەرییە لاوەکیەکانی بەرهەم هێنا بێت. ئەم شێوازی هاوشێوەیەیەدەتوانێ بەکار بهێنرێت بۆ ناسینەوەی هاوشێوەکان لە نێوان پرۆفایلی نەخۆش و دۆزینەوەی شێوازەکانی دەرکەوتن، هەموو بە بێ رابەری کردن.
First up, unsupervised learning. This approach would be ideal for analyzing all the profiles to find general similarities and useful patterns. Maybe certain patients have similar disease presentations, or perhaps a treatment produces specific sets of side effects. This broad pattern-seeking approach can be used to identify similarities between patient profiles and find emerging patterns, all without human guidance.
بەڵام با وێنە بکەین کە دکتۆرەکان بەدوای شتێکی دیاریکراوتردا دەگەڕێن. ئەو پزیشکانە دەیانەوێت لۆگاریتمێک دروست بکەن بۆ دیاریکردنی بارودۆخێکی دیاریکراو. ئەمە بە کۆکردنەوەی دوو کۆمەڵە داتا دەست پێدەکات- وێنەی نەخۆشی و ئەنجامی تاقیکردنەوەی هەردوو نەخۆشێکی دروست و ئەوانەش لەگەڵ مەرج دەستنیشان کراون. پاشان، ئەم داتایانە دەکەنە ناو بەرنامەکە کە دیزاین کراوە بۆ دیاریکردنی تایبەتمەندی هاوبەش لە نەخۆشە نەخۆشەکان بەڵام نەک تەندروستی نەخۆشەکان. بە پێی ئەوەی چەند جار تایبەتمەندی دیاریکراو دەبینێت، بەرنامەکە بەهاکان تەرخان دەکەن بۆ ئەو تایبەتمەندیانەی کە گرینگی دیاریکراون، پێکهێنانی لۆگاریتمێک بۆ دیاریکردنی نەخۆشەکانی داهاتوو. هەرچەندە، جیاوازە لە فێربوونی بێ سەرپەرشتی، زاناکانی کۆمپیوتەر و دکتۆر ڕۆڵی سەرەکیان هەیە لە ئەوەی دواتر ڕوودەدات. دکتۆرەکان کۆتایی دەستنیشان دەکەن و دروستی پێشبینی لۆگاریتمەکان چاودێری دەکەن. زانای کۆمپیوتەر دەتوانن بەرنامەی نوێکراوە بەکاربهێنن بۆ گونجاندنی بەرنامەی دیاریکەر و باشترکردنی. ئەم ڕێگە دەستییە بە فێربوونی سەرپەریشتکراو ناودەبرێت.
But let's imagine doctors are looking for something more specific. These physicians want to create an algorithm for diagnosing a particular condition. They begin by collecting two sets of data— medical images and test results from both healthy patients and those diagnosed with the condition. Then, they input this data into a program designed to identify features shared by the sick patients but not the healthy patients. Based on how frequently it sees certain features, the program will assign values to those features’ diagnostic significance, generating an algorithm for diagnosing future patients. However, unlike unsupervised learning, doctors and computer scientists have an active role in what happens next. Doctors will make the final diagnosis and check the accuracy of the algorithm’s prediction. Then computer scientists can use the updated datasets to adjust the program’s parameters and improve its accuracy. This hands-on approach is called supervised learning.
ئێستا، با بڵێن دکتۆرەکان دەتوانن بڵێن بۆ دیزاین کردنی لۆگاریتمێکی تر بۆ پێشنیارکردنی پلانی چارەسەری. لەوکاتەوەی ئەم پلانە لە قۆناغەکاندا جێبەجێدەکرێن، و ڕەنگە بەپێی وەڵامدانەوەی هەر تاکێک بگۆڕدرێن بۆ چارەسەرکردن، بڕیاری دکتۆرەکان کە فێربوونی بەهێزکردن بەکاربێنن. ئەم بەرنامەیە ڕێگەیەکی جێگرەوە بەکاردەهێنێت بۆ کۆکردنەوەی داتا دەربارەی ئەو دەرمانانە، ژەم و چارەسەرەکان زۆر کاریگەرن. دواتر، بەراوردی ئەو داتایە دەکات دژی هەر پرۆفایلێکی نەخۆش بۆ دروستکردنی پلانی چارەسەری بێ هاوتا، و بۆ گونجاوی خۆیان. هەروەک بەرەوپێشچوونی چارەسەرەکان و بەرنامەکە کاردانەوەی زۆرتر وەردەگرێ، دەتوانێ بە بەردەوام پلانەکە بۆ هەر نەخۆشێک نوێ بکاتەوە. هیچ کام لەو سێ ڕێگەیانە لە بنچینەدا لەویتر زیرەکتر نییە. لەکاتێکدا هەندێک زیاتر یان، کەمتر پێویستی بە دەستتێوەردانی مرۆڤ هەبێت، هەموویان خاڵی هێز و لاوازی خۆیان هەیە کە ئەمەشیان بەباشترین شێوە بۆ ئەرکی دیاریکراو دەگونجێت. هەرچەندە، هەموویان بەیەکەوە بەکاردەهێنین، توێژەرەکان دەتوانن سیستەمی زیرەکی دەستکردی ئاڵۆز بنیات بنێنن، لە کوێ بەرنامە تاکەکان دەتوانن سەرپەرشتی یەکتر بکەن و فێری یەکتر بکەن. بۆ نموونە، کاتێک بەرنامەی فێربوونی بێ سەپەرشتی دۆزینەوەی کۆمەڵێک لە نەخۆشەکان کە وەک یەکن، دەکرێت ئەو داتایانە بنێردری بۆ بەرنامەیەکی چاودێریکراوی پەیوەندیدار. ئەو بەرنامەیە دەتوانرێت پاشان ئەم زانیاریانە بخاتە ناو پێشبینیەکان. یان ڕەنگە زۆرێک بەرنامەی فێربوونی بەهێزکردن لەوانەیە ئەنجامەکانی نەخۆشە شاراوەکان نیشان بدەن بۆ کۆکردنەوەی وەڵام دانەوە دەربارەی پلانی چارەسەری جیاواز.
Now, let’s say these doctors want to design another algorithm to recommend treatment plans. Since these plans will be implemented in stages, and they may change depending on each individual's response to treatments, the doctors decide to use reinforcement learning. This program uses an iterative approach to gather feedback about which medications, dosages and treatments are most effective. Then, it compares that data against each patient’s profile to create their unique, optimal treatment plan. As the treatments progress and the program receives more feedback, it can constantly update the plan for each patient. None of these three techniques are inherently smarter than any other. While some require more or less human intervention, they all have their own strengths and weaknesses which makes them best suited for certain tasks. However, by using them together, researchers can build complex AI systems, where individual programs can supervise and teach each other. For example, when our unsupervised learning program finds groups of patients that are similar, it could send that data to a connected supervised learning program. That program could then incorporate this information into its predictions. Or perhaps dozens of reinforcement learning programs might simulate potential patient outcomes to collect feedback about different treatment plans.
چەندین ڕێگەی زۆر جیاواز هەن بۆ دروستکردنی سیستەمی فێربوونی ئامێر، و ڕەنگە موژدەبەخشترین نموونەکان ئەوانەن کە لاسایی پەیوەندی نێوان دەمارەکان لە مێشکدا دەکەن. ئەم تۆڕەدەستکردانە دەتوانن ملیۆنێک پەیوەندی بەکار بهێنن بۆ چارەسەرکردنی ئەرکە قورسەکان وەک ناسینەوەی وێنە، ناسینەوەی قسە، و تەنانەت وەڕگێڕانی زمانیش. بەهەرحاڵ، ئەو نموونانە زیاتر خۆیان ئاڕاستە دەکەن. قورستر دەبێت بۆ زانایانی کۆمپیوتەر بۆ دیاریکردنی چۆن ئەو ئالگۆریزمە خۆ فێرکەرانە دەگەنە چارەسەرەکەیآن. توێژەران هەرئێستا سەیری ڕێگاکان دەکەن بۆ ئەوەی فێربوونی ئامێرەکە ڕوونتر بکەن. بەڵام تا ئامادەگی زیرەکی زیاتر بێت لە ژیانی ڕۆژانەماندا، ئەو بڕیارە نادیارانە بە زۆری کاریگەری گەورەی دەبێت لەسەر کار، تەندروستی، و سەلامەتیمان. بۆیە وەک ئامێرەکان بەردەوامن لە فێربوونی پشکنین، گفتۆگۆکردن و پەیوەندیکردن، و دەبێ ڕەچاوی ئەوە بکەین کە چۆن یەکتر فێر بکەین لە کاتی کار بە ڕەوشتەوە کار بکەن.
There are numerous ways to create these machine-learning systems, and perhaps the most promising models are those that mimic the relationship between neurons in the brain. These artificial neural networks can use millions of connections to tackle difficult tasks like image recognition, speech recognition, and even language translation. However, the more self-directed these models become, the harder it is for computer scientists to determine how these self-taught algorithms arrive at their solution. Researchers are already looking at ways to make machine learning more transparent. But as AI becomes more involved in our everyday lives, these enigmatic decisions have increasingly large impacts on our work, health, and safety. So as machines continue learning to investigate, negotiate and communicate, we must also consider how to teach them to teach each other to operate ethically.