بدافزار SpyAgent از روی اسکرینشات، رمز کیفپول را سرقت میکند
شرکت مکآفی یک بدافزار (SpyAgent) جدید اندرویدی را کشف کرده که میتواند با استفاده از…
۱۷ شهریور ۱۴۰۳
در این مطلب میخوانید
یادگیری ماشین یکی از زیرشاخههای هوش مصنوعی است که علاوه بر اینکه به پیشرفت صنعت و کسبوکارهای مختلف کمک میکند، در زندگی فردی افراد نیز بسیار اثرگذار است. این تکنولوژی در ارتقای سرویسهای ارائه شده در فضای مجازی نیز نقش قابل توجهی داشته است.
در این مطلب سعی داریم به زبانی ساده این تکنولوژی را به شما معرفی کنیم. اگر به علوم کامپیوتری و زیرمجموعههای آن علاقه دارید پیشنهاد میکنیم که مطالعه این مطلب را از دست ندهید.
یادگیری ماشین یا ماشین لرنینگ (Machine Learning) به معنای امکان یادگیری و پیشرفت توسط سیستمها برای رسیدن به نتیجه مطلوب است. این فرایند یادگیری که زیرمجموعه هوش مصنوعی محسوب میشود، به صورت خودکار صورت میگیرد و به برنامه نویسی خاصی نیاز ندارد.
در واقع ماشین لرنینگ با توسعه برنامههای رایانهای و دسترسی به دادهها به منظور تشخیص الگوها صورت میگیرد. در این مطلب به Machine Learning، کاربرد و الگوریتمهای آن میپردازیم.
در علم یادگیری ماشین، متخصصان سعی میکنند با استفاده از الگوریتمها، ماشینی طراحی کنند که بتواند بیاموزد و عمل کند. به بیان سادهتر در این علم ماشین با استفاده از مثالها و تجربیاتی که به عنوان ورودی دریافت میکند، میآموزد و تصمیم میگیرد که چطور رفتار کند. در اینجا منظور از ماشین فقط ربات نیست بلکه میتواند یک برنامه کامپیوتری باشد. در ماشین لرنینگ به جای برنامه نویسی دقیق همه چیز، داده ها و اطلاعات به یک الگوریتم داده میشود و این الگوریتم بر اساس دادههای دریافتی تصمیم میگیرد که چطور عمل کند.
یادگیری ماشین به معنای فراهم آوردن امکان آموزش برای سیستمهای نرمافزاری است. این یادگیری موجب میشود برنامهها و سیستمها نتایج خروجی مورد نظر را به صورت دقیقتری پیشبینی کنند و این در حالی است که به صورت مستقیم برای انجام این کار برنامهریزی نشدهاند.
فرآیند یادگیری با مشاهدات یا دادههای گذشته از جمله تجربیات مستقیم یا دستور العملها آغاز میشود. در واقع این دادهها به عنوان ورودی مورد استفاده قرار میگیرد. سپس یک الگو در دادهها به دست میآید و مطابق آن الگو مقادیر خروجی پیشبینی میشود و فرایندها و تصمیمات بهتری اتخاذ میشود. هدف از Machine Learning ایجاد امکان برای کامپیوتر است تا بدون دخالت انسان به طور خودکار یادگیری داشته باشد و اقدامات مورد نظر را مطابق با یادگیری تنظیم کند.
متداولترین فناوریهای مورد استفاده در Machine Learning شامل موتورهای توصیهگر، سیستمهای تشخیص تقلب، فیلتر کردن هرزنامه، تشخیص تهدید بد افزاری، اتوماسیونهای فرایند کسب و کار و مشابه آن هستند.
بنابراین هدف اصلی این علم این است که یک ماشین بتواند به صورت خودکار و بدون کمک و دخالت انسان یاد بگیرد و فعالیتهای خود را براساس آن یادگیری انجام دهد. به عبارت دیگر ماشین باید بتواند بیشتر از چیزی که به آن آموزش داده میشود بیاموزد و دادههای ورودی را تفسیر کند.
در سال ۱۹۴۳ برای اولین بار در یک مقاله تحقیقاتی مفهوم شبکههای عصبی مطرح شد. اما به دلیل بالا بودن هزینههای محاسباتی و سخت بودن تهیه دادههای مورد نیاز برای آموزش ماشینها، سرعت پیشرفت این علم کند بود و فقط مؤسسات دانشگاهی بزرگ یا شرکتهای چند ملیتی میتوانستند روی این علم مطالعات انجام دهند. اما در سالهای اخیر با ظهور اینترنت و پیشرفت سخت افزارها این مشکلات از سر راه یادگیری ماشین کنار رفته و باعث پیشرفت این علم شده است.
در این قسمت تاریخچه یادگیری ماشین و کارهایی که در سالهای مختلف در این زمینه انجام شده است را بیان می کنیم.
در این قسمت به زبان ساده و به صورت کلی فرایند یادگیری ماشین را توضیح میدهیم.
در این فرایند ابتدا دادههای آموزشی به عنوان ورودی به الگوریتم داده میشود. الگوریتم با استفاده از این دادهها شروع به یادگیری میکند و الگوهایی را به عنوان خروجی تولید میکند تا با استفاده از آنها بتواند عملکرد و وظیفه خود را مشخص کند.
بعد از گذراندن مرحله یادگیری لازم است که ماشین را با دادههای جدید آزمایش کنیم تا ببینیم الگوی انتخاب شده توسط ماشین الگوی درستی است یا خیر. اگر عملکرد و پیشبینی الگوریتم مطابق انتظار نباشد، مرحله ورود داده و یادگیری دوباره تکرار میشود. این مرحله آنقدر تکرار میشود تا الگو و رفتار خروجی ماشین مطابق انتظار و درست باشد. این تکرار به ماشین کمک میکند که به طور مداوم از دادهها یاد بگیرد و بهترین الگو را ارائه کند و به تدریج و با گذشت زمان دقت آن افزایش یابد.
به طور کلی یادگیری ماشین را میتوان به دو دسته یادگیری با ناظر و یادگیری بدون ناظر تقسیم بندی کرد. ولی دستههای دیگری هم وجود دارند که امروزه مورد توجه قرار میگیرند. دو نوع یادگیری نیمهنظارتی و یادگیری تقویتی از این دسته هستند. در این بخش به توضیح مختصری درباره هرکدام از این چهار نوع میپردازیم.
یادگیری با ناظر: در ۷۰ درصد مواقع Machine Learning از نوع یادگیری با ناظر است. در این روش دادههای شناخته شده یا برچسبدار به عنوان دادههای آموزشی به ماشین داده میشود. در این روش ورودی و خروجی، دادههای مشخصی هستند و ماشین سعی میکند با توجه به آنها الگوری مورد انتظار را یاد بگیرد.
برای مثال در تشخیص و جداسازی پیامهای هرز(Spam) از پیامهای واقعی در ایمیل از این نوع ماشین یادگیری استفاده میشود. به این صورت که دو دسته پیام هرز و واقعی به عنوان ورودی آموزشی به ماشین داده میشود. ماشین با بررسی ویژگیهای این دو دسته پیام متوجه تفاوتهای آنها میشود و میتواند آنها را از هم جدا کند. بعد از آن با دادن تعدادی پیام جدید به ماشین، آن را امتحان میکنند تا مطمئن شوند درست عمل میکند.
یادگیری بدون ناظر: در این روش دادههای آموزشی وارد شده به ماشین شناخته شده و برچسبدار نیستند. بنابراین در این روش داده ورودی کمکی به هدایت الگوریتم نمیکند و ماشین باید به تنهایی ارتباط بین دادهها و الگوها را پیدا کند.
برای مثال تصویر دو نوع میوه مختلف به عنوان ورودی به ماشین داده میشود و ماشین با پیدا کردن ویژگیهای مشترک تصاویر الگوی درست را پیدا میکند و آنها را در دو دستهبندی مختلف قرار میدهد.
یادگیری نیمهنظارتی: این روش ترکیبی از دو روش قبل است. به این صورت که مقداری داده شناخته شده و مقداری داده ناشناخته به عنوان ورودی به ماشین داده میشود. از این روش زمانی استفاده میشود که مقدار داده شناخته شده و برچسبدار کافی برای اجرای روش با ناظر، در اختیار نباشد.
یادگیری تقویتی: این روش با استفاده از ارزیابی نتیجه یا خروجی بدست آمده از ماشین انجام میشود. یعنی در این روش ماشین با توجه به بازخوردهایی که از اعمالش میگیرد تصمیم میگیرد که چه کاری انجام دهد.
بهترین مثال برای این روش بازیهای کامپیوتری هستند. ماشین در هر بازی از عملکردهایی که باعث پیروزیاش می شود و یا خطاهایی که باعث باختش میشود الگوهایی را کشف میکند و با کمک این الگوها عملکرد خود را ارتقا میدهد. ماشین با هزاران بار انجام دادن بازی سرانجام به یک استراتژی برای پیروزی دست پیدا میکند. پیروزی ماشین بر انسان در بازیهایی مانند شطرنج، تخته نرد و Go مدیون روش یادگیری تقویتی است.
شاید تا به اینجای مطلب هنوز به درستی متوجه لزوم استفاده از یادگیری ماشین و کاربردهای آن در زندگی نشده باشید. با خواندن این بخش متوجه میشوید که این علم کاربردهای بسیاری در زمینهها و رشتههای مختلف دارد و در بسیاری موارد به کمک بشر میآید.
شناسایی و تحلیل تصاویر: یکی از رایجترین کاربردهای Machine Learning شناسایی و تحلیل تصاویر است. از این روش برای شناسایی و کشف یک ویژگی یا یک شی در تصاویر استفاده میشود. برای تشخیص چهره هم از این روش استفاده میشود. به این صورت که ماشین ویژگیهای کلیدی تصویر را پیدا میکند و از آنها به عنوان الگو برای کارهای خود استفاده میکند.
تشخیص گفتار: به فرایند تبدیل کلمات گفتاری به متن تشخیص گفتار میگویند. در این رشته هم از ماشین لرنینگ استفاده میشود.
خدمات درمانی: از یادگیری ماشین میتوان برای تشخیص بیماریها استفاده کرد. در این روش با تجزیه و تحلیل پارامترهای بالینی و ترکیب آنها میتوان اطلاعاتی درباره پیشرفت بیماری، برنامهریزی درمانی و غیره بدست آورد. با استفاده از نرمافزارهای مبتنی بر یادگیری ماشین در زمینه مراقبتهای بهداشتی، میتوان به پیشرفت بزرگی در حوزه علوم پزشکی رسید.
دستهبندی: به فرایند طبقهبندی موضوعات و موارد مختلف به دستههای مشخص، دستهبندی میگویند. استفاده از یادگیری ماشین در این زمینه باعث پیشرفت آن شده است. به عنوان مثالی در این زمینه میتوان به تقسیمبندی پیامهای ایمیل، دستهبندی اخبار در موضوعات مختلف و غیره اشاره کرد.
پیشبینی: یادگیری ماشین در سیستمهای پیشبینی کاربرد دارد. برای مثال پیشبینی وضع هوا، پیشبینی ترافیک و غیره مواردی هستند که یادگیری ماشین در آنها استفاده میشود.
پیشنهادات محصولات و خدمات: حتماً برای شما هم پیش آمده است که بعد از جستجوی مطلب یا محصول خاصی در اینترنت یا فضای مجازی در روزهای آینده پیشنهادات مشابه آن مطلب و محصول به شما داده میشود. این پیشنهادات محصولات و خدمات در واقع کاربرد پیشرفتهای از یادگیری ماشین هستند.
پشتیبانی آنلاین مشتریان: امروزه تقریباً بیشتر سایتها امکان صحبت با پشتیبانی را برای مشتریان خود فراهم میکنند. اینها در واقع ربابتهایی هستن که برای چت کردن با مشتری و دانستن نظرات آنها طراحی شدهاند. این کار هم تنها از طریق علم یادگیری ماشین امکانپذیر است.
خدمات شبکههای اجتماعی: شبکههای اجتماعی با استفاده از Machine Learning جذابیتهایی را برای کاربران خود ایجاد میکنند که آنها را علاقهمند به استفاده بیشتر از این فضاها میکند. برای مثال معرفی و پیشنهاد دوستی با کسانی که احتمالاً آنها را میشناسید، نشان دادن موضوعات بیشتر در زمینهای که برایتان جذاب است و آنها را جستجو میکنید، اعلام کردن فعالیتهایی که انجام میدهید و فعالیتهایی که دوستانتان انجام میدهند و غیره
امروزه یادگیری ماشین در بسیاری از صنایع و کسب و کارها کاربرد دارد. از جمله مهمترین این کاربردها میتوان به موارد زیر اشاره کرد.
از مهمترین نمونههای کاربرد یادگیری ماشین میتوان به استفاده در هستهی سیستمهای توصیهگر اشاره کرد. سامانههای توصیهگر در بسیاری از وبسایتهای فروش آنلاین و سرویسهای تجارت الکترونیک کاربرد دارند. طی این فرایند، یادگیری ماشین رفتار مشتریان را بر اساس سابقه خریدهای قبلی و الگوی جستجوی آنها رصد میکنند و مطابق با آن محصولات مناسب را برای خرید به مشتری مورد نظر پیشنهاد میدهند.
به عنوان مثال فیسبوک از موتورهای توصیهگر برای تامین دادههای سرویس خبری خود و شخصیسازی اخباری که به هر کدام از کاربرانش ارائه میدهد، استفاده میکند. در واقع این موتورهای توصیهگر الگوهای رفتار آنلاین کاربران شامل پستهایی که به آن علاقه نشان میدهند را شناسایی، تقویت و به روزرسانی میکنند. سپس مطابق با آن فعالیتهای مشابه بیشتری در صفحهی کاربر نمایش میدهد.
نرمافزار CRM یا مدیریت ارتباط با مشتری از مدلهای یادگیری ماشین به منظور انجام فعالیتهای بهبود ارتباط شکسب و کار با مشتریان استفاده میکند. مثلا به تجزیه و تحلیل ایمیلها و تعیین مهمترین ایمیلها برای پاسخ داده شدن توسط اعضای تیم فروش اقدام میکند. البته سیستمهای پیشرفتهتر قابلیت توصیه و ارائهی پاسخهای موثرتر را نیز به اعضای تیم فروش دارند.
هوش تجاری یا BI به معنای استفاده از ماشین لرنینگ در نرمافزارهای مرتبط به منظور شناسایی دادههای بالقوه مهم، الگوهای موجود در آنها و تشخیص ناهنجاریهای احتمالی است.
با استفاده از الگوریتمهای یادگیری ماشین میتوان این قابلیت را برای خودروهای نیمهخودران فراهم کرد که در زمان حرکت با تشخیص یک جسم تقریبا غیرقابل مشاهده، هشدار لازم را به راننده برای جلوگیری از تصادف و حادثه بدهند. سایر قابلیتهای یادگیری ماشین در این خودروها شامل مشاهدهی محیط اطراف، تخمین ابعاد و فاصلهها، در نظر گرفتن شرایط جوی و حتی پیشبینی رفتار عابران نزدیک به خودرو است.
دستیارهای هوشمند مجازی از مدلهای Machine Learning برای تفسیر گفتار طبیعی و ارائهی راهنماییهای لازم استفاده میکنند.
– سیستم اطلاعات منابع انسانی
کاربرد مدلهای یادگیری ماشین در سیستم اطلاعات منابع انسانی یا HRIS مواردی مانند فیلتر کردن تقاضاهای استخدام و شناسایی کارجویان مناسب برای استخدام است.
تشخیص چهره توسط یادگیری ماشین شامل تعیین ویژگیهای دیجیتال برای هر عکس و متمایز کردن آن از سایر تصاویر است. الگوهای مورد استفاده برای ایجاد الگوریتم تشخیص چهره شامل شدت پیکسلها یا نقشه و الگوی قرارگرفتن آنها است.
منظور از تشخیص گفتار توسط یادگیری ماشین ترجمه کلام به متن است. در واقع در این مورد رایانهها گفتار موجود در یک ویدئو یا فایل صوتی را تشخیص میدهند و آن را به متن تبدیل میکند. در این کاربرد الگوهای کلمات بر اساس الگوی نوسانهای صوت و شدت فرکانسها در هر ثانیه تشخیص داده میشود. معروفترین مثال تشخیص گفتار جستجوی صوتی گوگل یا دستورهای صوتی به تلفن همراه است.
کاربرد یادگیری ماشین در بخش خدمات مالی و بانکی کمک به بانکها برای تصمیمگیریهای هوشمندانه است. به عنوان مثال با رصد عملکرد مالی مشتریان زمان بسته شدن حسابها را پیشبینی میکند و از بروز زیان جلوگیری به عمل میآورد. همچنین با پیدا کردن الگوی هزینه مشتریان به برنامهریزیهای موثر مالی برای آنان کمک میکند. به علاوه یادگیری ماشین در تجزیه و تحلیل بازارهای مالی عملکرد مناسبی از خود ارائه میدهد.
میزان داده در دسترس در زمینههای مختلف روز به روز بیشتر میشود به طوریکه انسان دیگر نمیتواند به تنهایی و با روشهای معمول و رایج آنها را پردازش و تحلیل کند. از طرف دیگر قوانین و معادلاتی هستند که حل آنها برای ذهن انسان بسیار سخت و در بسیاری موارد غیرممکن است. در این مواقع Machine Learning به کمک انسان میآید و کار را برای او آسان میکند.
ماشینها از این دادهها برای یادگیری و بهبود نتایج ارائه شده به انسانها استفاده میکنند که این نتایج میتواند در گرفتن تصمیمهای آگاهانه افراد در حوزههای مختلف مثل تجارت، بهداشت و درمان، امنیت و غیره بسیار مفید باشد.
در کل یادگیری ماشین با پیشرفت روز افزونی که دارد و با ورود به حوزههای مختلف زندگی انسان، باعث میشود که انجام کارها در زمینههای مختلف با سرعت و دقت بالاتری انجام شود.
یادگیری عمیق فناوری متفاوتتر و پیشرفتهتری از یادگیری ماشین است. در واقع یادگیری عمیق با الهام از عملکرد مغز انسان عمل میکند و نتایجی را محقق میسازد که تا پیش از این غیرممکن به نظر میرسید. در این شیوه ابزارهای پیشرفته مانند کارتهای گرافیک قدرتمند مورد استفاده قرار میگیرد. این ابزارهای پیشرفته به منظور انجام محاسبات پیچیده و دادههای کلان به کار میروند. نکته جالب این است که به دلیل پیشرفته بودن ابزارها، کم حجم بودن دادهها منجر به تحقق نتایج ضعیف خواهد شد. در مقابل هرچه حجم دادههایی که در اختیار الگوریتمهای یادگیری عمیق قرار میگیرد، بیشتر باشد و زمان بیشتری برای این کار اختصاص داده شود، نتیجه بهتری به دست میآید.
الگوریتمهای مورد استفاده در یادگیری عمیق در مقایسه با الگوریتمهای یادگیری ماشین دارای فرآیند پیچیدهتری است. الگوریتمهای یادگیری عمیق قادر به تجزیه و تحلیل دادهها مطابق با ساختاری منطقی مشابه روش نتیجهگیری انسان است. در واقع ساختار الگوریتمها در یادگیری عمیق از لایهای به نام شبکههای عصبی مصنوعی کمک میگیرد. در طراحی این الگوریتمها از ساختار شبکه عصبی بیولوژیکی مغز انسان استفاده شده است. به همین دلیل این سیستم طراحی شده قادر به اجرای فرآیند یادگیری بسیار پیچیدهتری در مقایسه با یادگیری ماشین است.
یکی دیگر از تفاوتهای الگوریتمهای یادگیری ماشین و یادگیری عمیق این است که یادگیری ماشین برای حل مسائل آن را به بخشهای کوچکتر تقسیم میکند ولی یادگیری عمیق، بهطور کامل اقدام به حل مسائل میکند و آن را به بخشها و اجزای کوچک تقسیم بندی نمیکند.
در مقایسه این دو فناوری میتوانیم به این مثال اشاره کنیم که در فرآیند تشخیص عکس میان یادگیری ماشین و یادگیری عمیق، الگوریتمهای یادگیری ماشین عکسها را به صورت مجموعهای از دادهها بررسی میکند ولی در یادگیری عمیق، تمامی پیکسلهای عکسها اسکن میشود تا ویژگیهای موثر در فرآیند تشخیص مورد نظر مشخص شود. پس از این مرحله در یادگیری عمیق، ویژگیها و فاکتورهای به دست آمده مطابق با میزان اهمیتی که در تشخیص دارند، اولویتبندی شده و در گروههای متفاوت تفکیک میشوند.
هوش مصنوعی و یادگیری ماشین دو فناوری پیشرفتهای هستند که برای ایجاد سیستمهای هوشمند مورد استفاده قرار میگیرند. درست است که این دو فناوری با هم مرتبط هستند ولی در موارد مختلفی این دو فناوری با هم تفاوتهای بسیاری دارند.
هوش مصنوعی یک مفهوم کلیتر از یادگیری ماشین است و هدف آن ساختن سیستمهای هوشمندی است که بتوانند رفتار و توانایی تفکر انسان را شبیهسازی کنند. ولی Machine Learning زیرمجموعهای از هوش مصنوعی است که به ماشینها این اجازه را میدهد که بدون اینکه از قبل برنامهریزی شوند بتوانند از دادهها و اطلاعاتی که در اختیارشان قرار میگیرد بیاموزند.
در هوش مصنوعی متخصصان سیستمهایی را ایجاد میکنند که همانند انسان قادر به انجام هر کاری هستند. ولی در یادگیری ماشین به ماشینها کمک میکنند تا با استفاده از دادهها برای انجام یک کار خاص آموزش ببینند و بتوانند به نتیجهای دقیق برسند.
انسان خیلی بیشتر از آنچه که فکرش را میکند از یادگیری ماشین در کارهای روزمره خود استفاده میکند. پس میتوان گفت هرچه یادگیری ماشین بیشتر پیشرفت کند به همان میزان زندگی بشر هم راحتتر میشود. امروزه یادگیری ماشین بهطور مداوم در حال رشد است و به همین دلیل کاربردهای آن نیز در حال توسعه هستند. این سرعت زیاد در رشد Machine Learning نشاندهنده این است که اتفاقات هیجانانگیزی در آینده صورت خواهد گرفت.
الگوریتمهای یادگیری ماشین شامل انواع مدلهای نظارت شده، نظارت نشده، نیمه نظارت شده و تقویت کننده هستند.
این الگوریتم از آموختههای گذشته و دادههای جدید برچسب گذاری شده به منظور پیشبینی آینده استفاده میکند. در واقع سیستم پس از آموزشهای کافی برای هر داده جدید هدف تعیین میکند. به عنوان مثال برای تشخیص و تفکیک پیامهای اسپم از بین دیگر پیامها در این سیستم لازم است ابتدا پیامها به دو دسته اسپم و واقعی تقسیم شود و در اختیار ماشین قرار گیرد. بنابراین ماشین قادر خواهد بود با کمک تشخیص ویژگیهای مشترک میان این دو گروه، موفق به تشخیص تفاوت پیامهای اسپم و واقعی و تفکیک آنها شود. این الگوریتم یادگیری ماشین علاوه بر پیشبینی مقادیر خروجی، آنها را با خروجی درست و از پیش تعیین شده مقایسه میکند تا خطاهای موجود را پیدا کرده و به اصلاح مدل بپردازد.
این الگوریتم زمانی کاربرد دارد که اطلاعات مورد نیاز برای آموزش و یادگیری به نرمافزار به صورت طبقه بندی نشده و برچسب گذاری نشده باشند. البته یادگیری ماشینی بدون نظارت توانایی پیشبینی و تعیین خروجی مناسب را ندارد و صرفا به توصیف ساختار پنهان شده و کشف ارتباط میان دادهها و الگوها در دادههای فاقد برچسب میپردازد. به عنوان مثال اگر صدها تصویر از پرندگان و گلها را در اختیار سیستم قرار دهید، بدون کمک انسان قادر به تشخیص ویژگیهای مشترک بین تصاویر و کشف الگوی گروهبندی آنها خواهد بود.
این الگوریتم Machine Learning بین دو نوع قبلی طبقهبندی میشود. در واقع این سیستم توانایی استفاده از هر دو نوع داده برچسب زده شده و برچسب نزده شده را برای آموزش دارد. دقت یادگیری در سیستمهای مربوط به این روش بالا است. کاربرد اصلی این نوع یادگیری در زمانی است که دادههای برچسب زده شده موجود به منابع ماهر و مرتبط برای آموزش نیاز داشته باشند.
این نوع الگوریتمهای یادگیری ماشین توسط تعامل با محیط خود به کشف خطاها و پاداشها اقدام میکنند. در واقع نرم افزار در این نوع یادگیری به صورت خودکار عملکردش را تقویت میکند و در جهت رفتار ایده آل پیش میرود. البته بازخورد پاداش در برابر رفتار مطلوب و تنبیه در برابر عملکرد نامطلوب در این سیستم مانند یک سیگنال تقویتی به ماشین در تشخیص درست کمک میکند.