وظایف گوناگون، سبکهای یادگیری گوناگون
در واقع، این یک چالش اساسی در توسعه یادگیری ماشینی به حساب می‌‌‌آید، چراکه وجود اهداف و کارکردهای گوناگون باعث می‌شود تا به فن‌‌‌های آموزشی متفاوتی نیاز باشد. به‌‌‌طور کلی، سه نوع یادگیری در یادگیری ماشینی وجود دارد: یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویت‌‌‌شده. در یادگیری تحت نظارت، هوش مصنوعی خاصی تولید می‌شود که دست به کارهایی مانند کشف هالی‌‌‌سین می‌‌‌زند. در پروژه هالی‌‌‌سین، محققان خواستند آنتی‌‌‌بیوتیک‌‌‌های جدیدی را شناسایی کنند و به این منظور از یک بانک اطلاعاتی بزرگ مربوط به دو‌هزار مولکول برای آموزش دادن به مدلی استفاده کردند که ساختار مولکولی را به‌‌‌عنوان ورودی مورد استفاده قرار داد. خروجی‌‌‌اش هم شد اثربخشی آنتی‌‌‌بیوتیک جدیدی که هوش مصنوعی به آن دست یافت. این نمونه‌‌‌ای بود از یادگیری تحت نظارت انسان، چراکه در اینجا مجموعه اطلاعات مرتبط با ساختارهای مولکولی توسط محققان در اختیار هوش مصنوعی قرار گرفت.
به طور کلی، محققان از تکنیک‌‌‌های یادگیری تحت نظارت برای اهداف مختلفی همچون تشخیص تصاویر استفاده می‌کنند و برای این کار در ابتدا یکسری تصاویر از قبل نام‌گذاری شده را به هوش مصنوعی آموزش می‌دهند و ارتباط بین آن تصاویر و برچسب‌‌‌هایی را که به آن داده می‌شود مشخص می‌کنند. مثلا همراه با نشان دادن تصاویر گربه‌‌‌های مختلف، عنوان «گربه» را هم به آن اضافه می‌کنند و در اینجا هوش مصنوعی می‌تواند با برقراری ارتباط بین تصاویر و برچسب‌‌‌ها تصاویر جدید را نیز به‌‌‌درستی شناسایی کند و این همان قابلیت پیش‌بینی خروجی‌‌‌ها از طریق آموزش دادن ورودی‌‌‌ها با یادگیری تحت نظارت است. در یادگیری بدون نظارت اما تمام مجموعه اطلاعات به‌‌‌طور کامل در اختیار هوش مصنوعی قرار داده نمی‌شود، بلکه تنها عصاره و شاکله اصلی دیتای موردنیاز ارائه می‌شود و این خود هوش مصنوعی است که از طریق اینترنت و دستیابی به انبوهی از اطلاعات دیجیتالی بقیه دیتای موردنیازش را استخراج می‌کند. امروزه بازاریابان به حجم عظیمی از اطلاعات مشتریان دسترسی دارند، زیست‌شناسان یک بانک اطلاعاتی غنی در مورد دی‌ان‌ای در اختیار دارند و بانکداران نیز اطلاعات کاملی از معاملات و مبادلات مالی مشتریانشان در دست دارند. بنابراین اگر یک بازاریاب بخواهد مشتریان مورد نظرش را بهتر و دقیق‌‌‌تر بشناسد یا یک بانکدار بخواهد معاملات مشکوک مشتریانش را ردیابی کند می‌تواند از طریق یادگیری بدون نظارت هوش مصنوعی به خواسته‌‌‌اش برسد.
در واقع، یادگیری بدون نظارت این امکان را به هوش مصنوعی می‌دهد تا خودش و بدون محدود بودن به خروجی خاصی اقدام به شناسایی الگوهایی خاص یا غیرعادی کند و در این مسیر فقط به ورودی مورد نظر خودش توجه دارد. در این نوع یادگیری تاکید زیادی بر روی تشخیص و سنجش مشابهت‌‌‌های موجود بین دیتای مختلف وجود دارد. به عنوان مثال، سرویس‌‌‌های ارائه‌‌‌دهنده خدمات ویدئویی از الگوریتم‌‌‌هایی استفاده می‌کنند که قادرند مشتریانی با عادات و سلایق مشابهی برای تماشای ویدئوهایی خاص را دسته‌‌‌بندی کنند و پس از آن بر اساس اولویت‌‌‌ها و علاقه‌‌‌مندی‌‌‌هایشان، تماشای یکسری ویدئوهای دیگر را نیز به آنها پیشنهاد دهند. در اینجا به این دلیل که تمرکز هوش مصنوعی بر روی ورودی و نه خروجی است، این امکان به وجود می‌‌‌آید تا پیش‌بینی درست و دقیقی از واکنش بینندگان ویدئوها صورت پذیرد. این همان کاری است که انسان‌‌‌ها قادر به انجامش نیستند، چراکه تمرکز و توجه انسان به‌‌‌طور ناخواسته به سمت خروجی و نتایج منحرف می‌شود. با این همه، باید دانست که هم در یادگیری تحت نظارت و هم در یادگیری بدون نظارت عمده تمرکز هوش مصنوعی بر روی استفاده مجموعه‌‌‌ای از داده‌‌‌ها و اطلاعات برای انجام وظایفی خاص مانند کشف روندها، تشخیص تصاویر و پیش‌بینی کردن است.
اما محققان به فراسوی تحلیل داده‌‌‌ها توسط هوش مصنوعی می‌‌‌نگرند و می‌‌‌کوشند تا هوش مصنوعی را به‌‌‌گونه‌‌‌ای آموزش دهند که بتواند در محیط‌‌‌های پویا و متفاوت قادر به عمل باشد. همین‌‌‌جاست که سومین نوع یادگیری ماشینی یعنی یادگیری تقویت‌‌‌شده موضوعیت پیدا می‌کند. در یادگیری تقویت‌‌‌شده، هوش مصنوعی نقشی ایستا ندارد و فقط اقدام به شناسایی روابط موجود در درون دیتا نمی‌‌‌کند بلکه یک «عامل» در یک محیط کنترل‌‌‌شده است که تمام واکنش‌‌‌ها نسبت به فعالیت‌‌‌هایش را ضبط کرده و با دقت آنها را زیر نظر می‌گیرد. در واقع، فلسفه وجودی یادگیری تقویت‌‌‌شده از آنجا سرچشمه می‌گیرد که هدایت هوش مصنوعی برای خودآموزی در یک محیط مصنوعی و تحت کنترل به‌‌‌تنهایی نمی‌تواند به کسب بهترین عملکرد ممکن منتهی شود و در این میان به بازخوردگیری نیز نیاز هست.
از طریق همین بازخوردگیری است که هوش مصنوعی می‌‌‌فهمد روش‌های مورد استفاده‌‌‌اش تا چه حد موفقیت‌‌‌آمیز و موثر بوده‌‌‌اند. خوشبختانه هوش مصنوعی این قابلیت را دارد تا طی چند ساعت یا نهایتا چند روز، هزاران بار و حتی میلیون‌‌‌ها بار به خودش آموزش دهد و در قبال عملکردش بازخورد دریافت کند و در این میان واقعیت را کشف کرده و موثرترین و بهترین تصمیمات را بگیرد.
نقش انسان در یادگیری ماشینی تقویت‌‌‌شده عبارت است از تعریف یکسری شبیه‌‌‌سازی‌‌‌ها و سیستم‌های پاداش‌‌‌دهی که به‌‌‌عنوان مبنای یادگیری و خودآموزی هوش مصنوعی عمل می‌کنند و عملکرد نهایی هوش مصنوعی را به میزان زیادی بهبود می‌‌‌بخشند.
با گسترش روزافزون یادگیری ماشینی و عمیق‌‌‌تر شدن این روند شرایط به‌‌‌گونه‌‌‌ای در حال رقم خوردن است که کاربردهای جدیدی برای هوش مصنوعی تعریف شده و می‌شود. امروزه از هوش مصنوعی برای تسهیل و کنترل بهینه سم‌‌‌پاشی در مزارع، شناسایی آفات و بیماری‌‌‌های محصولات زراعی و پیش‌بینی میزان برداشت محصول استفاده می‌شود. در علم پزشکی نیز هوش مصنوعی به ما کمک می‌کند تا داروهای جدیدی را کشف کنیم و کاربردهای جدیدی را برای داروهای موجود بیابیم و شناسایی و پیش‌بینی بیماری‌‌‌هایی را که ممکن است در آینده گریبان افراد را بگیرد به شکل بهتری انجام دهیم. به عنوان مثال، هوش مصنوعی این توان را دارد تا بسیار بهتر و زودتر از انسان علائم اولیه سرطان پستان را تشخیص دهد و با آنالیز شاخص‌‌‌های رادیولوژی خیلی زود به کمک کسانی بشتابد که ممکن است در آینده گرفتار این بیماری شوند. در دنیای مالی و بانکداری نیز هوش مصنوعی می‌تواند بسیار کمک‌‌‌کننده و اثربخش باشد، به‌‌‌طوری که این قابلیت را دارد تا فرآیندهایی مانند تایید یا رد درخواست‌‌‌های وام، ادغام شرکت‌ها در هم، اعلام به‌‌‌موقع ورشکستگی و انجام انواع معاملات و مبادلات مالی را به‌‌‌خوبی بر عهده بگیرد.
