یک نکته خوب که در نرم‌افزار و ارتباط با کامپیوتر وجود دارد این است که بمرور انجام کارهای سخت و تخصصی برای اکثریت افراد امکان پذیر می‌شود. همین چندسال قبل بود که طراحی یک وبسایت زیبا بسیار و واکنشگرا زمانبر و تخصصی محسوب می‌شد. و سازنده می‌بایست به HTML و CSS و تا حدی Java Script مسلط می‌بود اما بعد از آن کتابخانه‌های زیادی مانند Bootstrap بوجود آمدند که انجام اینکار را برای سازنده ساده کنند همچنین وبسایت‌هایی مانند wix.com هم ساخت یک وبسایت را به راحتی Drag & Drop چند ایتم رساندند. این موضوع در مورد یادگیری ماشین نیز صادق است کتابخانه‌های خوبی مانند Theano و Tensorflow و Torch بوجود آمدند که در کار با شبکه‌های عصبی کاربر نیاز به دانستن جزئیات پیاده‌سازی مدل‌ها روی GPU نباشد سپس کتابخانه‌هایی مانند Keras برپایه Tensorflow و Torch ساخته شد که در سطح انتزاعی بالاتری کار می‌کرد و کار با آن ساده بود به تازگی گوگل پروژه‌ای به نام Teachable Machine را ساخته است که به کاربران عادی کامپیوتر تجربه ساخت و استفاده از یک مدل توسط دوربین کامپیوترشان و بدون نیاز به برنامه نویسی می‌دهد. از پروژه‌های مشابه می‌توان به Azure Machine Learning Studio که توسط مایکروسافت ساخته شده است اشاره کرد که توانایی ساخت یک مدل طبقه‌بند یا Classification ، درونیاب یا Regression و خوشه‌بند یا Clustering را به کاربر نهایی بدون برنامه نویسی و با چند Drag & Drop ساده می‌دهد. همچنین بعد از ساخت این مدل مایکروسافت این امکان را فراهم می‌کند که به صورت Web Service از این مدل ساخته شده در نرم‌افزارهایی که مورد نیاز است استفاده شود.

اهمیت موضوع

به مرور الگوریتم‌های یادگیری ماشین و که در خط مقدم هوش مصنوعی قرار دارند در حال افزایش تاثیرشان در زندگی روزمره کاربران هستند. می‌توان در این میان به سیستم‌های ترجمه ماشینی و پیشنهاد موسیقی مورد علاقه اشاره کرد. هرچند این سیستم‌ها برای کاربران نهایی ارزشمند هستند اما این کاربران نمی‌توانند متوجه چگونگی کارکرد این سیستم‌ها شوند، درک این موضوع برای کاربران نهایی باعث می‌شود با دانستن واقعیات و بدور از توقعات غیرواقعی بتوانند رابطه بهتری با این سیستم‌ها برقرار نمایند. پروژه Teachable Machine یا ماشین یادگیرنده گوگل به منظور تجربه ساخت یک تجربه از پردازش تصویر توسط کاربران ساخته شده است.

معرفی Teachable Machine
این سرویس با اتصال به دوربین کاربران و معرفی چند طبقه توسط کاربر شروع به کار می‌کند سپس شما می‌توانید با نگه داشتن دکمه Train یا یادگیری هر طبقه دستور جمع آوری داده از دوربین برای آن طبقه را صادر کنید. برای مثال در یکی از طبقه‌ها میتوانید یک کتاب را در دست بگیرید و در طبقه دیگر یک لیوان را در دست داشته باشید پس از اینکه آموزش انجام گرفت شما قادر خواهید بود که با نشان دادن کتاب یا لیوان به دوربین از میزان اطمینان مدل ساخته شده‌تان در مورد اینکه این تصویر کتاب یا دوربین است اگاهی یابید. همچنین می‌توانید صداهای مختلفی برای فعال شدن هر یک از طبقه بندی‌ها انتخاب کنید. چند نکته‌ای که کاربران می‌توانند در این آزمایش یاد بگیرند این است که مدل‌های یادگیری ماشین از جنس شروط سخت و محکمی که در برنامه‌نویسی با کامپیوتر وجود دارد نیستند و براساس داده‌هایی که داشتند عمل می‌کنند. برای مثال اگر شما مدلی بسازید که توسط تصاویر پرتقال ساخته شده باشد بعد میوه‌ای مانند کیوی را به عنوان ورودی تست بدهید این مدل احتمالا می‌گوید که 30 درصد اطمینان دارد این عکس تصویر یک پرتقال است.

خوراک بیشتر
بخش‌هایی از این مقاله از «ساخت و یادگیری از Teachable Machine» گرفته شده است در این مقاله به نحوه ساخت همچنین سیستم‌هایی اشاره شده و از محققان خواسته شده که در تحقیقاتشان به ساخت این چنین سیستم‌هایی (که به کاربران بدون نیاز به برنامه نویسی درکی از یادگیری ماشین می‌بخشد) بپردازند.