هوش مصنوعی چیست؟ کامل ترین مقاله تعریف AI به زبان ساده

هوش مصنوعی چیست؟ کامل ترین مقاله تعریف AI به زبان ساده

هوش مصنوعی یا AI یک علم (Science) یا مهندسی (Engineering) برای شبیه سازی فرآیندهای پردازشی هوش انسان توسط ماشین‌ها، خصوصا سیستم‌های کامپیوتری است. از هوش مصنوعی برای توسعه تکنیک‌ها، فرآیندها و روش‌های دیگری نظیر سیستم‌های خبره (Expert Systems)، یادگیری ماشینی (Machine Learning)، یادگیری عمیق (Deep Learning)، رباتیک (Robotics)، پردازش زبان‌های طبیعی (Natural Language Processing)، تشخیص گفتار (Speech Recognition)، دید ماشینی (Machine Vision) و دیگر موارد استفاده می‌شود. علاوه بر این، هوش مصنوعی در حوزه‌های مختلفی از جمله سلامت و پزشکی، کسب‌وکار، آموزش، امور مالی، حقوق، سرگرمی و رسانه، امنیت، بلاک چین و ارز دیجیتال و دیگر صنایع کاربرد دارد. در این مطلب، مزایا و معایب، انواع ۴ گانه، مفاهیمی نظیر Weak AI و Strong AI و Super AI، کاربردها، نمونه ابزارهای هوش مصنوعی نظیر چت جی پی تی (ChatGPT) و گوگل بارد (Google Bard) و همچنین تاریخچه ای آی را بررسی می‌کنیم.

هوش مصنوعی چیست؟

هوش مصنوعی AI توانایی یک ماشین در انجام عملیات شناختی نظیر دریافت، استدلال گفتار، تعامل با محیط، بازی، حل مسئله، شناسایی الگوها و حتی تولید خلاقیت است که مغز انسان انجام می‌دهد. به عبارت دیگر، هوش مصنوعی به ماشین‌ها اجازه می‌دهد تا قابلیت‌های مغز انسان را مدل‌سازی کرده یا حتی آن‌ها را بهبود بخشند.

از آنجایی که پیچیدگی و حجم داده‌های تولیدی در جهان امروز بسیار زیاد است و مغز انسا‌ن‌ها به‌طور متوسط قادر به همگام‌سازی با سرعت پیشرفت آن‌ها نیست، نیاز به استفاده از هوش مصنوعی حس می‌شود. ابزارهای مبتنی بر AI با یادگیری نحوه پردازش حجم بالای داده، به‌دنبال شناسایی الگوهایی جهت مدل‌سازی فرآیند تصمیم‌گیری خود هستند.

در بسیاری از موارد، انسان‌ها بر فرآیند یادگیری هوش مصنوعی نظارت کرده و تصمیم‌های خوب و بد را از هم جدا می‌کنند، اما در برخی موارد دیگر، سیستم‌های AI برای یادگیری بدون نظارت انسان طراحی شده‌اند. مثلا، یک سیستم تا زمان یافتن قوانین یک بازی ویدیویی و برنده شدن، آن را تکرار می‌کند.

در زندگی روزمره نیز احتمالا از این سیستم‌ها استفاده کرده، اما متوجه آن نشده‌اید؛ دستیارهای صدا نظیر سیری و الکسا هر دو چت بات‌هایی هستند که برای کمک به یافتن اطلاعات در وب‌سایت‌ها، از هوش مصنوعی استفاده می‌کنند. در حوزه کریپتو، استفاده از هوش مصنوعی برای بهبود سرعت معامله ارزهای دیجیتال یکی دیگر از مواردی است که در آینده بیشتر مشاهده خواهیم کرد.

تعریف هوش مصنوعی به زبان ساده

طی دهه‌های گذشته، تعاریف مختلفی از AI ارائه شده است. در ساده‌ترین حالت، هوش مصنوعی رشته‌ای است که علوم کامپیوتر و پایگاه‌های داده قدرتمند را برای فراهم‌آوری فرصت حل مسئله با یکدیگر ترکیب می‌کند. این رشته همچنین شاخه ماشین لرنینگ (Machine Learning) یا یادگیری ماشینی و دیپ لرنینگ (Deep Learning) یا یادگیری عمیق را نیز در بر می‌گیرد که عموما در کنار AI از آن‌ها نام برده می‌شود. این رشته‌ها از الگوریتم‌های هوش مصنوعی تشکیل شده‌اند که به‌دنبال ساخت سیستم‌های خبره جهت پیش‌بینی یا دسته‌بندی یک سری داده‌های ورودی هستند. در ادامه این مطلب، بیشتر به این تعاریف و جایگاه‌هایشان در ای آی خواهیم پرداخت.

الن تورینگ؛ پدر هوش مصنوعی

الن ماتیسون تورینگ (Alan Mathison Turing) که پدر هوش مصنوعی شناخته می‌شود، در مقاله سال ۱۹۵۰ خود به‌نام “Computing Machinery and Intelligence“، در بخش معرفی این علم تحت عنوان “Imitation Game”، که فیلمی به همین نام نیز با بازی بندیکت کامبربچ در سال ۲۰۰۴ ساخته شد، مقاله خود را با طرح سوال زیر آغاز می‌کند:

Can machines think?

آیا ماشین‌ها می‌توانند فکر کنند؟

وی برای پاسخ به این سوال، آزمایشی را مطرح می‌کند که بعدها به «آزمون تورینگ (Turing Test)» معروف شد. این آزمایش در مقاله وی به‌صورت زیر طرح شده است:

نوع جدید مسئله را می‌توان در قالب یک بازی تعریف کرد که به آن «بازی تقلید» می‌گوییم. در این بازی، ۳ نفر شامل یک مرد (A)، یک زن (B) و یک بازجو (C) که جنسیتش مشخص نیست، حضور دارند. بازجو در اتاق دیگری از این دو نفر می‌نشیند. هدف این بازی برای بازجو، تعیین این است که کدام یک از این دو نفر زن و دیگری مرد است. بازجو این دو نفر را با اسم‌‌های X و Y می‌شناسد و باید آخر بازی مشخص کند که کدام یک از X و Y دارای جنسیت A و B هستند. بازجو اجازه پرسیدن سوال از A و B را دارد، بنابراین:

C: ممکن است X قد موهای خودش را به من بگوید؟

حالا فرض کنید X همان A (مرد) است، پس A باید پاسخ دهد و هدف وی در این بازی، تلاش برای فریب C و شناسایی اشتباه جنسیت است. پاسخ A می‌تواند به این صورت باشد:

موهای من خیلی کوتاه و بلندترین تار موی من حدود ۹ اینج است.

حال برای اینکه لحن صداها به بازجو کمک نکند، پاسخ‌ها باید نوشته یا در حالت بهتر، تایپ شوند. شرایط ایده‌آل برای برقراری ارتباط بین دو اتاق، داشتن یک تله پرینتر است. در حالت دیگر، پرسش و پاسخ‌ها را می‌توان توسط یک واسطه تکرار کرد. هدف بازی برای بازیکن سوم (B)، کمک به بازجو است.

بهترین استراتژی برای B (که زن در نظر گرفته می‌شود)، دادن پاسخ‌های صادقانه به سوالات است. وی می‌تواند اطلاعات بیشتری نظیر «من یک زن هستم، به حرف‌های آن مرد گوش نده» را به پاسخ‌های خود اضافه کند. از آنجایی که مرد هم می‌تواند اظهارات مشابهی را بیان کند، این پاسخ فایده زیادی نخواهد داشت.

اکنون سوال ما این است که «وقتی یک ماشین نقش A را در این بازی به عهده بگیرد، چه اتفاقی می‌افتد؟». آیا بازجو به همان اندازه که بازی بین زن و مرد انجام می شود، هنگام انجام این بازی با ماشین نیز تصمیم اشتباه می‌گیرد؟ این سوالات، جایگزین سوال اصلی «آیا ماشین‌ها می‌توانند فکر کنند؟» می‌شود.

آلن تورینگ

با اینکه این آزمایش از زمان طراحی تا کنون تحت بررسی‌های دقیق قرار گرفته است، اما همچنان یکی از مهمترین بخش‌های تاریخچه ای آی به‌شمار می‌رود و به‌خاطر استفاده از ایده‌های پیرامون زبان‌شناسی، یک مفهوم همیشگی در فلسفه محسوب می‌شود.

جان مک‌کارتی؛ مبدع عبارت Artificial Intelligence

جان مک‌کارتی (Joh McCarthy) که در کنار آلن تورینگ یکی از پدران بنیان‌گذار هوش مصنوعی شناخته می‌شود، اصطلاح “Artificial Intelligence” را در سال ۱۹۵۵ ابداع و تعریف خود از این علم را در کنفرانس برگزارشده در کالج دارتموث (Darthmouth) در تابستان سال ۱۹۵۶ ارائه کرد. وی همچنین مخترع زبان برنامه نویسی LISP است.

جان مک‌کارتی تعریف خود از AI را به‌صورت زیر مطرح کرده بود:

… the science and engineering of making intelligent machines … [where] intelligence is the computational part of the ability to achieve goals in the world

علم و مهندسی ساخت ماشین‌های هوشمند … [که در آن] هوش، بخش محاسباتی توانایی دستیابی به اهداف در دنیاست.

وی در همان سال، تعریف دیگری از هوش مصنوعی ارائه کرد:

making a machine behave in ways that would be called intelligent if a human were so behaving

وادار کردن یک ماشین به رفتار به‌طرقی که اگر یک انسان به همان‌گونه رفتار می‌کرد، به آن هوشمندانه می‌گفتند.

جان مک‌کارتی

وی سپس در مقاله سال ۲۰۰۴ خود تحت عنوان “What is Artificial Inteligence“، هوش مصنوعی را مجددا به‌صورت زیر تعریف کرد:

It is the science and engineering of making intelligent machines, especially intelligent computer programs. It is related to the similar task of using computers to understand human intelligence, but AI does not have to confine itself to methods that are biologically observable.

AI، علم و مهندسی ساخت ماشین‌های هوشمند، خصوصا برنامه‌های رایانه‌ای هوشمند است. AI به هدف مشابه استفاده از کامپیوترها جهت درک هوش انسان مرتبط است، اما لزوما خودش را به روش‌هایی که به‌صورت بیولوژیکی قابل مشاهده هستند، محدود نمی‌کند.

استورات راسل و پیتر نورویگ؛ نویسندگان مهمترین کتاب درسی هوش مصنوعی

استورات راسل (Stuart Russell) و پیتر نورویگ (Peter Norvig) در سال ۱۹۹۵ کتاب “Artificial Intelligence: A Modern Approach” را نگارش کردند که به یکی از مهمترین کتب درسی در زمینه هوش مصنوعی تبدیل شد. در این کتاب، آن‌ها چهار هدف بالقوه یا تعریف را از AI ارائه کردند که سیستم‌های کامپیوتری را از نظر عقلانیت و تفکر در مقابل عمل متمایز می‌کند:

• رویکرد انسانی:
  • سیستم‌هایی که مانند انسان‌ها فکر می‌کنند
  • سیستم‌هایی که مانند انسان‌ها عمل می‌کنند
• رویکرد ایده‌آل:
  • سیستم‌هایی که عاقلانه فکر می‌کنند
  • سیستم‌هایی که عاقلانه عمل می‌کنند

در این میان، تعریف الن تورینگ از AI، در گروه «سیستم‌هایی که مانند انسان‌ها عمل می‌کنند» قرار می‌گیرد.

استوارت راسل (چپ) و پیتر نورویگ (راست)

دیگر تعاریف AI از دید نویسندگان، محققان و شرکت‌ها

از دید دیگر شرکت‌های پیشرو در صنعت و همچنین نویسندگان و محققانی که طی سال‌ها به مطالعه و توسعه هوش مصنوعی پرداخته‌اند، تعریف Artificial Intelligence تا حدودی با تعاریف قبلی متفاوت است که در ادامه آن‌ها را بررسی می‌کنیم:

ماروین مینسکی (Marvin Minsky)، پیشروی حوزه AI در کتاب “Semantic Information Processing”:

… the science of making machines do things that would require intelligence if done by men

علم ساخت ماشین‌ها برای انجام کارهایی که اگر توسط انسان انجام می‌شد، به هوش نیاز داشت.

دمیس هاسابیس (Demis Hassabis)، کارآفرین و محقق هوش مصنوعی و مدیرعامل و بنیان‌گذار آزمایشگاه DeepMind گوگل:

… the science of making machines smart

علم هوشمندسازی ماشین‌ها

آویناش کاوشیک (Avinash Kaushik)، نویسنده و محقق گوگل:

… is an intelligent machine

یک ماشین هوشمند

جیم استرن (Jim Sterne)، نویسنده کتاب “Artificial Intelligence for Marketing: Practical Applications”:

… is the next, logical step in computing: a program that can figure out things for itself. It’s a program that can reprogram itself

گام منطقی بعدی در محاسبات: برنامه‌ای که می‌تواند خودش مسائل را بفهمد. برنامه‌ای که قادر به برنامه نویسی مجدد خودش است.

استیون استرول (Steven Struhl)، نویسنده کتاب “Artificial Intelligence Marketing and Predicting Consumer Choice: An Overview of Tools and Techniques”:

… anything a machine does to respond to its environment to maximize its chances of success

هر کاری که یک ماشین برای پاسخ‌دهی به محیط اطرافش جهت حداکثرسازی شانس موفق خود انجام می‌دهد.

تعریف شرکت PwC:

… technologies emerging today that can understand, learn, and then act based on that information

فناوری‌های رو به ظهور امروزی که قادر به درک، یادگیری و سپس عمل بر اساس آن اطلاعات هستند.

تعریف شرکت IBM از هوش مصنوعی:

… anything that makes machines act more intelligently

هر چیزی که باعث هوشمندتر شدن عمل ماشین‌ها می‌شود.

تعریف شرکت Accenture:

… a constellation of technologies that extend human capabilities by sensing, comprehending, acting and learning – allowing people to do much more

… مجموعه‌ای از فناوری‌هایی که توانایی‌های انسان را با حس کردن، درک کردن، عمل کردن و یادگیری گسترش داده و اجازه انجام کارهای بیشتر را به افراد می‌دهند.

تعریف شرکت Deloitte:

… getting computers to do tasks that would normally require human intelligence

وادار ساختن کامپیوترها به انجام وظایفی که معمولا به هوش انسانی نیاز دارند.

تعریف شرکت McKinsley از ای آی:

“… the ability of machines to exhibit human-like intelligence

توانایی ماشین‌ها در نمایش هوش انسان‌گونه

تعریف شرکت Salesforce:

… a field of computer science that focuses on creating machines that can learn, recognize, predict, plan, and recommend — plus understand and respond to images and language

رشته‌ای در علوم کامپیوتر که بر ساخت ماشین‌های توانمند در یادگیری، تشخیص، پیش‌بینی، برنامه‌ریزی و پیشنهاددهی – به‌علاوه درک و پاسخ‌دهی به تصاویر و زبان‌ها – متمرکز است.

رایح‌ترین تعریف هوش مصنوعی در حوزه کسب‌وکار به گزارش شرکت Narrative Science در سال ۲۰۱۵:

“… technology that thinks and acts like humans

تکنولوژی که مانند انسان‌ها فکر و عمل می‌کند.

تعریف مشهور در کتاب “Practical Artificial Intelligence For Dummies”:

… a subfield of computer science aimed at the development of computers capable of doing things that are normally done by people — in particular, things associated with people acting intelligently

شاخه‌ای از علوم کامپیوتر با هدف توسعه رایانه‌های توانمند در انجام کارهایی که معمولا توسط افراد انجام می‌شود – به‌ویژه، کارهای مرتبط با افرادی که هوشمندانه عمل می‌کنند.

استیون فینلی (Steven Finlay)، نویسنده کتاب “Artificial Intelligence and Machine Learning for Business: A No-Nonsense Guide to Data Driven Technologies”:

… the replication of human analytical and/or decision-making capabilities

تقلیدی از قابلیت‌های تحلیلی و/یا تصمیم‌گیری انسانی

پروفسور بی.جی. کوپلند (B.J. Copeland) در دایره‌المعارف Britannica:

… the ability of a digital computer or computer-controlled robot to perform tasks commonly associated with intelligent beings

توانایی یک کامپیوتر دیجیتال یا یک ربات تحت کنترل کامپیوتر در انجام وظایفی که عموما با موجودات هوشمند مرتبط هستند.

تعریف شرکت Economist Intelligence Unit در مقاله‌ای تحت عنوان “Artificial Intelligence in The Real World:The business case Takes Shap”:

… a set of computer science techniques that enable systems to perform tasks normally requiring human intelligence

مجموعه‌ای از تکنیک‌های علوم کامپیوتر که سیستم‌ها را به انجام وظایفی که معمولا به هوش انسانی نیاز دارند، قادر می‌سازد.

کالوم چیس (Calum CHase)، نویسنده کتاب “Surviving AI”:

… intelligence demonstrated by a machine or by software … [where] intelligence measures an agent’s general ability to achieve goals in a wide range of environments

هوشی نشان‌داده‌شده توسط یک ماشین یا نرم‌افزار … [که در آن] هوش، توانایی کلی یک عامل را برای دستیابی به اهداف در طیف وسیعی از محیط‌ها اندازه می‌گیرد.

تعریف اول ویکی‌پدیا از AI:

… intelligence exhibited by machines, rather than humans or other animals (natural intelligence, NI)

هوش به نمایش گذاشته‌شده توسط ماشین‌ها، به‌جای انسان‌ها یا حیوانات (هوش طبیعی، NI)

تعریف دوم ویکی‌پدیا از هوش مصنوعی ای آی:

… intelligence exhibited by machines or software

هوش به نمایش گذاشته‌شده توسط ماشین‌ها یا نرم افزارها

با اینکه برخی از افراد در تعاریف خود از هوش مصنوعی تحت عنوان یک تکنولوژی یاد کرده‌اند، اما باید دقت داشت که AI یک علم و مهندسی و به عبارت دقیق‌تر، شاخه‌ای از علوم کامپیوتر است، نه یک فناوری. فناوری محصول علم است. هنگامی که شما از یک علم، مهندسی یا حتی شاخه‌ای از علوم برای توسعه یک ابزار، ماشین یا برنامه استفاده می‌کنید، به نتیجه آن تکنولوژی می‌گویند. مثلا کامپیوتر یک فناوری است که با استفاده از علم هوش مصنوعی، قادر به تقلید از رفتار و فرآیندهای شناختی انسان است.

تاریخچه هوش مصنوعی و توسعه AI

مفهوم اشیاء بی‌جان دارای هوش مصنوعی از زمان‌های قدیم وجود داشته است. خدای یونانی هفائستوس (Hephaestus)، در افسانه‌ها در حال ساخت خدمتکاران ربات‌مانندی از جنس طلا به تصویر کشیده شده است. مهندسان مصر باستان نیز مجسمه‌های خدایانی که نقاشی‌شان توسط کشیش‌ها طراحی شده بود را ساخته‌اند. در طول قرن‌ها، متفکرانی از فیلسوف یونانی ارسطو (Aristotle) گرفته تا الهی‌دان اسپانیایی قرن سیزدهم رامون لول (Ramon Llull)، رنه دکارت (René Descartes) و توماس بیز (Thomas Bayes)، همگی از ابزارها و منطق زمان خود برای توصیف فرآیندهای فکری انسان به‌شکل نمادها استفاده کرده و پایه‌های مفاهیم ای آی را به‌عنوان بازنمایی دانش عمومی بنا کردند.

اواخر قرن ۱۹ و نیمه اول قرن ۲۰، زمینه‌ساز ظهور رایانه‌های مدرن بود. در سال ۱۸۳۶، ریاضیدان دانشگاه کمبریج، چارلز ببیج (Charles Babbage) و اولین برنامه نویس کامپیوتر در جهان به‌نام آگوستا آدا کینگ (Augusta Ada King)، اولین طرح را برای یک ماشین قابل برنامه نویسی اختراع کردند. در ادامه تاریخچه هوش مصنوعی را بررسی خواهیم کرد.

دهه ۱۹۴۰

• در سال ۱۹۴۲، آیزاک آسیموف (Isaac Asimov) مقاله‌ای تحت عنوان “Three Laws of Robotics” را منتشر کرد. در آن زمان، رباتیک ایده‌ای رایج در داستان‌های تخیلی بود که درباره لزوم عدم آسیب‌رساندن هوش مصنوعی به انسان‌ها صحبت می‌کرد.
• در ۱۹۴۳، وارن مک‌کالوچ (Warren McCulloch) و والتر پیتس (Walter Pitts) با انتشار مقاله “A Logical Calculus of Ideas Immanent in Nervous Activity”، پایه و اساس شبکه‌های عصبی را بنا نهادند.
• در سال ۱۹۴۵، ریاضیدان دانشگاه پرینستون، جان فون نویمان (John Von Neumann)، معماری یک کامپیوتر دارای قابلیت ذخیره‌سازی برنامه را پیاده‌سازی کرد. این ایده که برنامه یک کامپیوتر و داده‌های پردازش‌شده توسط آن را بتوان در حافظه رایانه نگهداری کرد، تا پیش از این وجود نداشت.
• در ۱۹۴۹، دونالد هب (Donald Hebb) در کتاب “The Organization of Behavior: A Neuropsychological Theory” نظریه خود درباره اینکه مسیرهای عصبی از تجارب ساخته شده و با استفاده هر چه بیشتر از نورون‌ها ارتباط بین آن‌ها نیز قوی‌تر می‌شود را مطرح کرد. ایده وی همچنان یکی از مدل‌های مهم در علم AI است.

دهه ۱۹۵۰

• با ظهور کامپیوترهای مدرن، دانشمندان نیز قادر به آزمایش ایده‌های خود در مورد هوش ماشینی بودند. یک روش برای تعیین اینکه آیا کامپیوتری دارای هوش است یا خیر، توسط ریاضیدان بریتانیایی و رمز‌شکن جنگ جهانی دوم، آلن تورینگ، ابداع شد. همانطور که در بخش تعریف AI گفتیم، در آزمون تورینگ، هدف سنجش توانایی یک کامپیوتر در فریب دادن بازجویان به این باور است که پاسخ‌های داده‌شده به سوالات‌شان توسط انسان ارائه شده است. در سال ۱۹۵۰، وی مقاله خود تحت عنوان “Computing Machinery and Intelligence” را منتشر کرد.
• در همان سال، دانشجویان مقطع کارشناسی دانشگاه هاروارد به‌نام‌های ماروین مینسکی (Marvin Minsky) و دین ادموندز (Dean Edmonds)، اولین کامپیوتر شبکه عصبی به‌نام SNARC را ساختند. در آن زمان، کلاود شنون (Claude Shannon) نیز مقاله خود با عنوان “Programming a Computer for Playing Chess” را منتشر کرد.
• در ۱۹۵۲، آرتور سموئل (Arthur Samuel) یک برنامه خودآموز را برای بازی چکرز (Checkers) توسعه داد.
• در سال ۱۹۵۴، آزمایش ترجمه ماشینی (Machine Translation) خودکار بیش از ۶۰ جمله روسی به انگلیسی طی همکاری دانشگاه جورج‌تاون و شرکت آی‌بی‌ام صورت گرفت که به Georgetown-IBM Experiment معروف شد.
• در سال ۱۹۵۶، در جریان کنفرانس تابستانی کالج دارتموث (Dartmouth)، عبارت “Artificial Intelligence” معرفی شد. در این کنفرانس که توسط آژانس پروژه‌های تحقیقاتی پیشرفته دفاعی (DARPA) حمایت شده بود، ۱۰ نفر از افراد برجسته در این زمینه از جمله پیشگامان هوش مصنوعی، ماروین مینسکی (Marvin Minsky)، الیور سلفریج (Oliver Selfridge) و جان مک‌کارتی (John McCarthy) شرکت کردند. این کنفرانس، محل تولد ای آی تلقی می‌شود.
• در همان سال، دانشمند کامپیوتر آلن نیول (Allen Newell)، و اقتصاددان، دانشمند علوم سیاسی و روانشناس شناختی هربرت آ. سیمون (Herbert A. Simon) در این مراسم حضور داشتند. این دو نفر، بزرگترین اختراع خود به‌نام “Logic Theorist” که یک برنامه رایانه‌ای قادر به اثبات یک سری از قضایای ریاضی خاص بود و از آن به‌عنوان «اولین برنامه هوش مصنوعی» یاد می‌شود را معرفی کردند.
• در ۱۹۵۸، جان مک‌کارتی زبان برنامه نویسی هوش مصنوعی Lisp را توسعه داد و مقاله ““Programs with Common Sense” که در آن، یک سیستم AI کامل با توانایی یادگیری از تجربه مشابه انسان‌ها تشریح شده بود را مطرح کرد.
• در سال ۱۹۵۸، آلن نیول، هربرت سایمون و جی‌سی شاو (J.C. Shaw) الگوریتم General Problem Solver را منتشر کردند که در حل مسائل پیچیده کارایی نداشت، اما پایه‌های توسعه یک معماری پیچیده‌تر را بنا کرد.
• در ۱۹۵۹، هربرت گلرنتر (Herbert Gelernter) برنامه‌ای به‌نام “Geometry Theorem Prover” را توسعه داد. این برنامه که به‌نام GEOTHER نیز شناخته می‌شود، برای اصلاح و اثبات قضایای هندسی کاربرد دارد.
• در سال ۱۹۵۹، آرتور سموئل زمانی که در شرکت IBM حضور داشت، اصطلاح “Machine Learning” را ابداع کرد و در همان دوران، جان مک‌کارتی و ماروین مینسکی نیز پروژه MIT Artificial Intelligence را بنیان کردند.

شرکت‌کنندگان کنفرانس هوش مصنوعی در دانشگاه دارتموث – سال ۱۹۵۶

دهه ۱۹۶۰

• در سال ۱۹۶۳، جان مک‌کارتی آزمایشگاه هوش مصنوعی را در دانشگاه استنفورد راه‌اندازی کرد.
• بین سال‌های ۱۹۶۴ و ۱۹۶۶، پروفسور دانشگاه MIT جوزف وایزنبام (Joseph Weizenbaum)، یک برنامه پردازش زبان‌های طبیعی (NLP) به‌نام ELIZA را توسعه داد که پایه و اساس چت‌بات‌های امروزی محسوب می‌شود.
• در ۱۹۶۶، گزارش کمیته مشورتی پردازش خودکار زبان (ALPAC) تهیه‌شده توسط دولت ایالات متحده، از عدم پیشرفت در تحقیقات ترجمه ماشینی خبر داد. ترجمه ماشینی یکی از ابتکارات بزرگ در دوران جنگ سرد با وعده ترجمه خودکار و فوری زبان روسی بود. این گزارش منجر به لغو تمام پروژه‌های ترجمه ماشینی با بودجه دولت شد.
• در سال ۱۹۶۹، اولین سیستم‌های خبره موفق به‌نام‌های DENDRAL و MYCIN در دانشگاه استنفورد خلق شدند.

دهه ۱۹۷۰

• در سال ۱۹۷۲، زبان برنامه نویسی منطقی PROLOG ساخته شد.
• یک سال بعد در ۱۹۷۳، گزارش دولت بریتانیا تحت عنون Artificial Intelligence: A General Survey که بعدها به Lighthill Report معروف شد، از ناامیدی در تحقیقات ای آی خبر داده بود که توقف حمایت‌های دولت و شرکت‌ها از پروژه‌های AI را به‌دنبال داشت.
• در سال‌های ۱۹۷۴ تا ۱۹۸۰ که از آن به‌عنوان اولین «زمستان هوش مصنوعی» یاد می‌شود، عدم پیشرفت‌های آتی این حوزه به قطع بودجه و کمک‌های مالی آکادمیک DARPA منجر شد. گزارش Lighthill Report در کنار گزارش ALPAC، توقف تامین سرمایه و تحقیقات را به‌دنبال داشتند.

دهه ۱۹۸۰

• در سال ۱۹۸۰، شرکت Digital Equipment Corporation اولین سیستم خبره تجاری خود به‌نام R1 که تحت عنوان XCON نیز شناخته می‌شود را توسعه داد. R1 که برای تعیین دستورات سیستم‌های کامپیوتری جدید به‌کار می‌رود، موج جدیدی از سرمایه گذاری‌ها در سیستم‌های خبره را به‌همراه داشت که باعث پایان اولین زمستان AI شد.
• در ۱۹۸۲، وزارت صنعت و تجارت بین‌المللی ژاپن، پروژه جاه‌طلبانه سیستم‌های کامپیوتری نسل پنجم (Fifth Generation Computer Systems) یا به‌طور خلاصه FGCS را راه‌اندازی کرد. هدف FGCS، فراهم‌آوری عملکرد ابر رایانه‌مانند و پلتفرمی برای توسعه هوش مصنوعی بود.
• در سال ۱۹۸۳، دولت ایالات متحده نیز در واکنش به FGCS ژاپن، با هدف تامین سرمایه تحقیقات DARPA در حوزه محاسبات پیشرفته و AI، ابتکار محاسبات استراتژیک (Strategic Computing Initiative) خود را راه‌اندازی کرد.
• در ۱۹۸۵، شرکت‌ها طی یک سال بیش از ۱ میلیارد دلار در سیستم‌های خبره سرمایه گذاری کردند و یک صنعت کاملا جدید به‌نام بازار ماشین‌های مبتنی بر زبان Lisp جهت حمایت از آن‌ها به‌وجود آمد. شرکت‌هایی مانند Symbolics و Lisp Machines Inc، رایانه‌های تخصصی خود را برای اجرای زبان برنامه نویسی هوش مصنوعی لیسپ ساختند.
• بین سال‌های ۱۹۸۷ تا ۱۹۹۳، با پیشرفت فناوری محاسباتی، جایگزین‌های ارزان‌تری ظهور کرده و بازار ماشین‌های لیسپ در سال ۱۹۸۷ سقوط کرد که نتیجه آن، رسیدن دومین زمستان هوش مصنوعی بود. طی این دوران، گران بودن نگهداری و به‌روزرسانی سیستم‌های خبره بیشتر به چشم آمد.

دهه ۱۹۹۰

• در ابتدای این دهه یعنی ۱۹۹۱، نیروهای آمریکایی یک ابزار زمان‌بندی و برنامه‌ریزی لجستیک خودکار به‌نام DART را در دوران جنگ خلیج فارس (Gulf War) پیاده‌سازی کردند. جنگ خلیج فارس یک درگیری مسلحانه بین عراق و ائتلافی متشکل از نیروی ارتش ۳۹ کشور به رهبری ایالات متحده بود.
• در سال ۱۹۹۲، ژاپن با اشاره به شکست در برآورده‌سازی اهداف جاه‌طلبانه که یک دهه پیش تعیین شده بود، پروژه FGCS خود را ملغی کرد.
• در ۱۹۹۴، آژانس پروژه‌های تحقیقاتی پیشرفته دفاعی (DARPA) پس از صرف نزدیک به ۱ میلیارد دلار هزینه و عدم حصول نتایج مورد انتظار، پروژه ابتکار محاسبات استراتژیک خود را تعطیل کرد.
• در سال ۱۹۹۷، با سرعت گرفتن پیشرفت‌ها در حوزه ای آی، ابر رایانه شطرنج‌باز شرکت IBM به‌‌نام Deep Blue توانست استاد بزرگ شطرنج روسی گری کاسپاروف (Garry Kasparov) را شکست داده و به اولین برنامه کامپیوتری که یک قهرمان شطرنج جهان را شکست داده بود، تبدیل شود.
• افزایش قدرت محاسباتی و انفجار حجم داده‌های در دسترس، جرقه یک رنسانس هوش مصنوعی را در اواخر دهه ۱۹۹۰ ایجاد کرد که زمینه‌ساز پیشرفت‌های قابل توجهی بود که امروز شاهد آن هستیم. ترکیب بیگ دیتا (Big Data) و افزایش قدرت محاسباتی باعث پیشرفت در پردازش زبان‌های طبیعی، دید کامپیوتری (Computer Vision) رباتیک، یادگیری ماشینی و یادگیری عمیق شد.

رقابت گری کاسپاروف و ابر رایانه Deep Blue

دهه ۲۰۰۰

• با ادامه پیشرفت‌ها در حوزه‌های ماشین لرنینگ، دیپ لرنینگ، پردازش زبان‌های طبیعی، تشخیص گفتار و دید کامپیوتری، محصولات و خدماتی که زندگی امروزی ما را شکل دادند، ظهور کردند. از جمله این محصولات و خدمات می‌توان راه‌اندازی موتور جستجوی گوگل در سال ۲۰۰۰ و موتور پیشنهاددهی آمازون در سال ۲۰۰۱ را نام برد. در آن زمان، نتفلیکس سیستم پیشنهاددهی خود برای فیلم‌ها، فیسبوک سیستم تشخیص چهره و مایکروسافت سیستم تشخیص گفتار خود برای تبدیل گفتار به نوشته را توسعه دادند. شرکت IBM نیز ابر رایانه خود به‌نام Watson و گوگل ابتکار خودران خود به‌نام Waymo را راه‌اندازی کرد.
• در سال ۲۰۰۵، اتومبیل خودران تیم مسابقات رانندگی دانشگاه استنفورد به‌نام استنلی (Stanley) که با همکاری آزمایشگاه تحقیقاتی فولکس‌واگن الکترونیکس ساخته شده بود، توانست در مسابقه DARPA Grand Challenge پیروز شده و ۲ میلیون دلار جایزه آن را نصیب تیم دانشگاه استنفورد کند.
• در همان سال، ارتش ایالات متحده سرمایه گذاری در ربات‌های خودمختار مانند “Big Dog” شرکت بوستون داینامیکس و “PackBot” شرکت آی‌ربات را آغاز کرد.
• در سال ۲۰۰۸، گوگل توانست به یکی از بزرگترین موفقیت‌های خود در تشخیص گفتار دست یابد. پس از آن، این قابلیت در آیفون معرفی شد.

دهه ۲۰۱۰

• سال‌های بین ۲۰۱۰ و ۲۰۲۰ شاهد توسعه‌های مداوم AI نظیر عرضه دستیار صوتی سیری (Siri) اپل و الکسا (Alexa) آمازون بودیم. نکته جالب اینکه در سال‌های قبل، از ابر رایانه واتسون شرکت IBM که برای پاسخ‌دهی به سوالات طراحی شده بود، در یک برنامه تلویزیونی به‌نام Jeopardy استفاده شد. اما در سال ۲۰۱۱، خود این ابر رایانه به‌عنوان شرکت‌کننده در برنامه Jeopardy حضور یافت و با پیروزی در رقابت با قهرمانان این برنامه به‌نام‌های برد راتر (Brad Rutter) و کن جنینگز (Ken Jennings)، توانست جایزه ۱ میلیون دلاری را از آن خود کند.
• در ۲۰۱۲، اندرو ان‌جی (Andrew Ng)، بنیان‌گذار پروژه دیپ لرنینگ Google Brain، با استفاده از الگوریتم‌های یادگیری عمیق ۱۰ میلیون ویدیو یوتیوب به‌عنوان خوراک داده، آزمایش روی یک شبکه عصبی را آغاز کرد. این شبکه عصبی توانست بدون اینکه به آن بگویند یک گربه چیست، یک گربه را در ویدیوها تشخیص دهد. این نتیجه، تامین سرمایه برای حوزه دیپ لرنینگ و شبکه‌های عصبی را به‌دنبال داشت.
• در سال ۲۰۱۴، اتومبیل خودران گوگل توانست به اولین خودروی دارای گواهینامه رانندگی تبدیل شود. در همین سال، الکسای آمازون نیز عرضه شد.
• در ۲۰۱۶، برنامه کامپیوتری آلفاگو (AlphaGo) که برای بازی تخته‌ای Go توسط شرکت زیرمجموعه گوگل یعنی دیپ مایند (DeepMind) توسعه داده شد بود، توانست قهرمان این بازی به‌نام لی سیدول (Lee Sedol) را شکست دهد. پیچیدگی این بازی باستانی چینی یکی از موانع بزرگ بر سر راه هوش مصنوعی بود.
• در همان سال، اولین «شهروند رباتی» به‌نام سوفیا (Sophia) توسط شرکت هنسون رباتیکس (Hanson Robotics) ساخته شد. این ربات به تشخیص چهره، ارتباط کلامی و حالات چهره مجهز بود.
• در سال ۲۰۱۸، گوگل موتور پردازش زبان‌های طبیعی خود به‌نام BERT را عرضه کرد که باعث کاهش موانع ترجمه و درک برنامه‌های یادگیری ماشینی شد. در این سال، شرکت ویمو که پیشتر به‌عنوان پروژه اتومبیل خودران گوگل شناخته می‌شد، سرویس Waymo One خود را راه‌اندازی کرد که به ساکنان منطقه فینکس در جنوب غربی ایالات متحده اجازه می‌داد خودروهای خودران این شرکت را اجاره کنند.
• شبکه مولد تخاصمی یا شبکه متخاصم مولد (GAN)، چارچوب دیپ لرنینگ متن باز گوگل به‌نام TensorFlow، افتتاح آزمایشگاه تحقیقاتی OpenAI و پیاده‌سازی سیستم‌های مبتنی بر هوش مصنوعی برای شناسایی سرطان با دقت بالا نیز از جمله دیگر اتفاقات مهم این دوران بودند.

دهه ۲۰۲۰

• دهه فعلی شاهد ظهور هوش مصنوعی مولد یا Generative AI است؛ نوعی از ای آی که می‌تواند محتواهای جدید را تولید کند. AI مولد با یک پرامپت به‌صورت متنی، صوتی، ویدیویی، طراحی، نت موسیقی یا هر گونه ورودی که این سیستم قادر به پردازش آن باشد، آغاز می‌شود. سپس الگوریتم‌های AI مختلف محتوای جدید را در پاسخ به آن پرامپت بازمی‌گردانند. این محتواها می‌توانند مقاله، راه‌حل مسائل یا حتی فیک‌های واقعی ساخته‌شده از تصاویر یا صدای یک شخص باشند.
• در سال ۲۰۲۰، شرکت فناوری چند ملیتی چینی Baidu، الگوریتم هوش مصنوعی LinearFold را برای تیم‌های علمی و پزشکی فعال در زمینه توسعه واکسن طی مراحل اولیه همه‌گیری ویروس سارس-کووید-۲ عرضه کرد. این الگوریتم طی تنها ۲۷ ثانیه، قادر به پیش‌بینی توالی RNA ویروس کووید است که سرعتی ۱۲۰ برابری نسبت به دیگر روش‌ها دارد.
• در همین سال، شرکت OpenAI مدل پردازش زبان‌های طبیعی GPT-3 خود را عرضه کرد که قادر به تولید متونی مشابه طرز صحبت و نگارش افراد بود. یک سال بعد در ۲۰۲۱، این شرکت با استفاده از GPT-3، یک مدل هوش مصنوعی برای پرامپت‌نویسی و تبدیل متن به تصویر به‌نام دال‌ای (DALL-E) را توسعه داد.
• در ۲۰۲۲، موسسه ملی استاندارد و فناوری آمریکا اولین پیش‌نویس چارچوب مدیریت ریسک هوش مصنوعی (AI Risk Management Framework) را منتشر کرد که در آن، دستورالعمل‌های «مدیریت بهتر ریسک‌های افراد، سازمان‌ها و جامعه در برخورد با هوش مصنوعی» ذکر شده بود.
• در همین دوران، شرکت دیپ مایند از یک سیستم هوش مصنوعی به‌نام Gato برای اجرای صدها وظیفه از جمله بازی آتاری، توضیحات‌نویسی تصاویر و استفاده از یک بازوی رباتیک جهت دیوارچینی رونمایی کرد.
• یکی دیگر از بزرگترین دستاوردهای سال ۲۰۲۲، انتشار ChatGPT توسط شرکت OpenAI بود که توانست طی چند ماه، بیش از ۱۰۰ میلیون کاربر را به خود جذب کند.
• در سال ۲۰۲۳، مایکروسافت با استفاده از همان تکنولوژی که برای ساخت ChatGPT استفاده شده بود، نسخه مبتنی بر هوش مصنوعی موتور جستجوی خود یعنی Bing را راه‌اندازی کرد. در ادامه، گوگل نیز چت‌بات بارد (Bard) را معرفی و OpenAI، پیشرفته‌ترین مدل زبانی تا به‌امروز یعنی GPT-4 را عرضه کرد.

هوش مصنوعی ضعیف، قوی و فوق العاده؛ ۳ نوع یادگیری در AI

سوای تعاریفی که از دید محققان، دانشمندان و شرکت‌های فعال در حوزه هوش مصنوعی ذکر کردیم، متخصصان این حوزه معمولا این علم را به ۳ گروه قوی، ضعیف و فوق‌العاده تقسیم کرده و بین آن‌ها تمایز قائل هستند. در ادامه، این تفاوت‌ها را بررسی می‌کنیم.

Weak AI یا Artificial Narrow Intelligence چیست؟

ویک ای‌آی (Weak AI) یا ای آی ضعیف که به آن هوش مصنوعی محدود (Artificial Narrow Intelligence) یا ANI نیز می‌گویند، در یک فضای محدود فعالیت کرده و شبیه‌سازی از هوش انسانی پیاده‌سازی‌شده در یک مسئله تعریف‌شده محدود (مانند رانندگی با خودرو، تبدیل گفتار به متن یا تولید محتوا در یک وبسایت) است.

هوش مصنوعی ضعیف معمولا بر انجام یک وظیفه واحد در بهترین حالت ممکن متمرکز است. با اینکه شاید این دسته از ماشین‌ها هوشمند به‌نظر برسند، اما تحت قیود و محدودیت‌های بسیار بیشتری نسبت به هوش پایه‌ای انسانی فعالیت می‌کنند.

از جمله ماشین‌های هوش مصنوعی ضعیف می‌توان موارد زیر را نام برد:

• سیری، الکسا و دیگر دستیارهای هوشمند
• اتومبیل‌های خودران
• جستجوی گوگل
• بات‌های مکالمه‌ای
• فیلتر هرزنامه‌ها (ایمیل‌های اسپم)
• الگوریتم پیشنهاددهی نتفلیکس

Strong AI یا Artificial General Intelligence چیست؟

استرانگ ای‌آی (Stong AI) یا ای آی قوی که به آن هوش مصنوعی عمومی (Artificial General Intelligence) یا AGI نیز می‌گویند، ماشینی است که بسیار شبیه به انسان، می‌تواند مسائل جدید و تازه‌ای که پیش از آن برای آن آموزش ندیده است را حل کند. برای این کار، یک سیستم ای آی قوی، از منطق فازی جهت اعمال دانش از یک حوزه به حوزه دیگر و یافتن راه‌حل به‌صورت خودمختار استفاده خواهد کرد. از نظر تئوری، Strong AI باید بتواند آزمایش تورینگ و فرضیه اتاق چینی را با موفقیت پشت‌سر بگذارد.

این نوع AI هنوز به‌صورت کاملا واقعی وجود ندارد و آن را بیشتر در فیلم‌ها، همانند ربات‌های سریال وست ورلد (Westworld) یا شخصیت دیتا در فیلم پیشتازان فضا: نسل بعدی (Star Trek: The Next Generation) می‌بینیم.

ساخت ماشینی با هوشی در سطح انسان که قادر به انجام هرگونه وظیفه‌ای باشد، برای بسیاری از محققان این حوزه مشابه پیدا کردن جام مقدس است، اما مسیر دستیابی به هوش مصنوعی عمومی تا کنون با دشواری‌های زیادی همراه بوده است. به عقیده برخی، تحقیقات Strong AI به‌خاطر ریسک‌های بالقوه آن در ساخت هوش مصنوعی بدون محافظ مناسب، باید محدود باشد.

در مقابل Weak AI، هوش مصنوعی قوی نمایانگر ماشینی دارای مجموعه‌ای از توانایی‌های شناختی کامل و همچنین کاربردهای بسیار گسترده است، اما هنوز زمان دستیابی به چنین قابلیتی فرا نرسیده است.

Super AI یا Artificial Super Intelligence چیست؟

سوپر ای‌آی (Super AI) که به آن هوش مصنوعی فوق العاده (Artificial Super Intelligence) یا ASI نیز می‌گویند، سیستمی است که نه تنها هوش انسانی را در دل خود دارد، بلکه قادر به از بین بردن آن است. اگر این تعریف برایتان برگرفته از داستان‌های علمی-تخیلی به‌نظر می‌رسد، باید بگوییم همینطور است. ASI سیستمی است که در آن هوش یک ماشین از تمام گونه‌های هوش انسانی و در همه جنبه‌ها نیز فراتر رفته و در هر عملیاتی بهتر از آن عمل می‌کند.

یک سیستم هوشمند که قادر به یادگیری و بهبود مستمر خودش باشد، هنوز یک مفهوم فرضی است. با این وجود، در صورتی که این سیستم را بتوان به‌صورت ثمربخش و اخلاقی پیاده‌سازی کرد، پیشرفت‌های خارق‌العاده‌ای در حوزه‌های پزشکی، فناوری و دیگر صنایع خواهیم داشت.

انواع هوش مصنوعی؛ ۴ نوع AI از نظر عملکرد

بر اساس نوع و پیچدگی وظایف یک سیستم، می‌توانیم Artificial Intelligence را به چهار گروه دسته‌بندی کنیم از جمله:

• ماشین‌های واکنشی (Reactive Machines)
• حافظه محدود (Limited Memory)
• نظریه ذهن (Theory of Mind)
• خودآگاه (Sell-aware)

ماشین های واکنشی (Reactive Machines)

Reactive Machines که ماشین‌های هوش مصنوعی واکنشی یا واکنش‌گر یا واکنش‌پذیر ترجمه می‌شوند، از پایه‌ای‌ترین اصول هوش مصنوعی پیروی کرده و همانطور که از نامشان پیداست، با استفاده از هوش خود تنها قادر به درک و نشان دادن واکنش به جهان روبروی خود هستند. یک ماشین هوش مصنوعی ری‌اکتیور قادر به ذخیره حافظه نیست و نمی‌تواند برای آگاهی‌بخشی تصمیم‌گیری به‌صورت لحظه‌ای، به تجربیات گذشته تکیه کند.

درک مستقیم جهان یعنی ماشین‌های ای آی واکنش‌گر برای انجام تعداد محدودی وظیفه تخصصی طراحی شده‌اند. در این حالت، محدود کردن جهان‌بینی ماشین‌های ری‌اکتیو مزایای مختص به خودش را دارد و باعث افزایش اعتماد و قابلیت اطمینان این نوع AI شده و هر بار به یک محرک مشخص، به یک شکل یکسان پاسخ می‌دهد.

از نمونه‌های ماشین‌های واکنش‌گر می‌توان موارد زیر را نام برد:

• Deep Blue: دیپ بلو که توسط شرکت IBM در دهه ۹۰ میلادی طراحی شد، یک ابر کامپیوتر شطرنج‌باز است که توانست قهرمان شطرنج جهان گری کاسپاروف را شکست دهد. این ماشین تنها قادر به شناسایی مهره‌های شطرنج و نحوه حرکت آن‌ها بر اساس قواعد بازی بود و با تحلیل مکان فعلی هر مهره، منطقی‌ترین حرکت در آن لحظه را مشخص می‌کرد. نکته اینجاست که این رایانه، حرکات بالقوه آتی رقیب خود را دنبال نمی‌کرد و درصدد قرار دادن مهره خود در بهترین مکان ممکن نبود، بلکه هر نوبت بازی را سوای دیگر حرکات قبلی، در جایگاه خودش می‌سنجید.
• AlphaGo: آلفاگو گوگل یک برنامه کامپیوتری است که برای بازی چینی باستانی Go طراحی شده بود. مشابه دیپ بلو، الفاگو نیز قادر به ارزیابی حرکات آتی نبود، اما برای ارزیابی پیشرفت‌های بازی فعلی، بر شبکه عصبی خود تکیه داشت که مزیت بیشتری را برای آن نسبت به دیپ بلو در بازی‌های پیچیده‌تر فراهم می‌کرد. آلفاگو نیز توانست قهرمان بازی‌های Go به‌نام لی سیدول (Lee Sedol) را در سال ۲۰۱۶ شکست دهد.

رقابت آلفاگو و لی سیدول

حافظه محدود (Limited Memory)

هوش مصنوعی Limited Memory دارای توانایی ذخیره پیش‌بینی‌ها و داده‌های قبلی هنگام جمع‌آوری اطلاعات و سنجش تصمیمات بالقوه، خصوصا با نگاه به گذشته برای شناسایی نشانه‌هایی از اتفاقات بعدی است. AI حافظه محدود پیچیده‌تر است و توانمندی‌های بیشتری نسبت به ماشین‌های واکنشی دارد.

این نوع هوش مصنوعی زمانی ساخته می‌شود که یک تیم به‌طور مستمر مدلی را برای نحوه تحلیل و بهره‌برداری از داده‌های جدید آموزش داده یا زمانی که یک محیط AI ساخته می‌شود تا مدل‌ها را بتوان به‌صورت خودکار آموزش داد و بهبود بخشید.

هنگام استفاده از هوش مصنوعی حافظه محدود در ماشین لرنینگ، باید شش گام طی شود از جمله:

• ایجاد داده‌های آموزشی
• ساخت مدل یادگیری ماشینی
• حصول اطمینان از قابلیت پیش‌بینی توسط مدل
• حصول اطمینان از اینکه مدل ساخته‌شده قادر به دریافت فیدبک انسانی یا محیطی است
• ذخیره‌سازی فیدبک‌های انسانی و محیطی به‌صورت داده
• تکرار مراحل بالا در یک چرخه

نظریه ذهن (Theory of Mine)

نظریه ذهن همانطور که از اسمش پیداست، تئوری و نظری است. ما هنوز به قابلیت‌های فنی و علمی لازم برای دستیابی به این سطح از هوش مصنوعی دست نیافته‌ایم.

نظریه ذهن، به اختصار ToM، یک اصطلاح روانشناسی است که به توانایی درک دیگر افراد از طریق نسبت دادن حالات ذهنی به آن‌ها (یعنی حدس زدن آنچه در ذهن‌شان می‌گذرد) اطلاق می‌شود. در واقع این مفهوم مبتنی بر پیش‌فرض روان‌شناختی درک این مسئله است که دیگر موجودات زنده، دارای افکار و احساساتی هستند که بر رفتارشان تاثیر می‌گذارد.

حالا با تعمیم دادن نظریه ذهن به ماشین‌های هوش مصنوعی، AI قادر به درک کارکرد احساسات انسان‌ها، حیوانات و سایر ماشین‌ها و همچنین نحوه تصمیم‌گیری آن‌ها از طریق عزم و خود-اندیشی و در نتیجه، نحوه استفاده از این اطلاعات در تصمیم‌گیری‌های شخصی‌شان خواهد بود. در واقع، ماشین‌ها باید بتوانند مفهوم «ذهن»، تغییر عواطف در تصمیم‌گیری و مجموعه‌ای از دیگر مفاهیم روان‌شناختی را در لحظه درک و پردازش کرده و یک رابطه دو طرفه بین افراد و ای آی ایجاد کنند.

خودآگاه (Self-aware)

پس از دستیابی به تئوری ذهن، آخرین مرحله از تکامل هوش مصنوعی در آینده، AI خودآگاه خواهد بود. این نوع از هوش مصنوعی دارای فهم سطح انسان است و می‌تواند وجود خودش در دنیا و همچنین حضور و وضعیت عاطفی دیگران را درک کند. این نوع Artificial Intelligence بدون اتکای صرف به اطلاعاتی که به او داده شده و در واقع با پردازش نحوه ارتبط افراد با خود، قادر به درک نیاز دیگران است.

خودآگاهی در هوش مصنوعی به هر دوی درک محققان از فهم و آگاهی و سپس یادگیری نحوه کپی کردن آن‌ها به‌گونه‌ای که بتوان آن‌ها در ماشین‌ها جای داد، بستگی دارد.

شاخه‌های هوش مصنوعی؛ تکنیک‌ها، روش‌ها و فرآیندهای AI

تا اینجا، چندین بار درباره مفاهیم مختلفی از جمله یادگیری ماشینی، یادگیری عمیق، سیستم‌های خبره، رباتیک، پردازش زبان‌های طبیعی و مسائل دیگر صحبت کردیم. اما این مفاهیم دقیقا چه هستند و چه ارتباطی با AI دارند؟ همانطور که گفتیم، هوش مصنوعی یک علم و مهندسی است. حالا با استفاده از تکنیک‌ها، روش‌ها یا فرآیندهایی که در ادامه راجع به آن‌ها صحبت می‌کنیم، می‌توان هوش مصنوعی Artificial Intelligence را برای حل مسائل دنیای واقعی به‌کار برد. این تکنیک‌ها شامل موارد زیر هستند:

• یادگیری ماشینی
• شبکه عصبی و یادگیری عمیق
• پردازش زبان‌های طبیعی
• مدل‌های زبانی بزرگ
• رباتیک
• سیستم‌های خبره
• منطق فازی
• دید ماشینی
• دید کامپیوتری
• برنامه‌ریزی و بهینه‌سازی
• تشخیص گفتار و صدا
• علم داده
• رایانش شناختی
• داده کاوی

شاخه‌های مهم هوش مصنوعی

یادگیری ماشینی (Machine learning)

ماشین لرنینگ یا ML زیرشاخه‌ای از ای آی است که بدون برنامه‌نویسی و با استفاده از الگوریتم‌ها، می‌توان ماشین‌ها را به تفسیر، تحلیل و پردازش داده‌ها برای حل مسائل دنیای واقعی به‌کار گرفت. در واقع این الگوریتم‌ها خودشان الگوها را شناسایی کرده و به‌جای گرفتن دستورات مستقیم برنامه‌نویسی، با پردازش داده‌ها و تجارب، نحوه پیش‌بینی کردن و پیشنهاددهی را یاد می‌گیرند. بنابراین، الگوریتم‌های ML از داده‌های تاریخی به‌عنوان ورودی جهت پیش‌بینی مقادیر خروجی استفاده کرده و به مرور زمان خودشان را بهبود می‌دهند.

۳ نوع الگوریتم یادگیری ماشینی وجود دارد:

• یادگیری تحت نظارت (Supervised Learning): مجموعه داده‌ها برچسب‌گذاری می‌شوند تا شناسایی و استفاده از الگوها برای برچسب‌گذاری مجموعه داده‌های جدید مسیر شود.
• یادگیری نظارت نشده (Unsupervised Learning): مجموعه داده‌ها برچسب‌گذاری نشده و بر اساس شباهت‌ها یا تفاوت‌هایشان مرتب می‌شوند.
• یادگیری تقویتی (Reinforcement Learning): مجموعه داده‌ها برچسب‌گذاری نشده، اما پس از انجام یک یا چندین عمل، به سیستم هوش مصنوعی فیدبک داده می‌شود.

از آنجایی که در دنیای امروز حجم و پیچیدگی داده‌های تولیدی برای انسان بالاست، پتانسیل استفاده از ماشین لرنینگ نیز افزایش یافته است. از مهمترین کاربردهای یادگیری ماشینی که استفاده از آن از دهه ۷۰ میلادی آغاز شد، می‌توان پیش‌بینی وضعیت آب و هوا و تحلیل تصاویر پزشکی را نام برد.

شبکه عصبی (Neural Network) و یادگیری عمیق (Deep Learning)

موفقیت یادگیری ماشینی به شبکه‌های عصبی وابسته است. شبکه عصبی روشی در هوش مصنوعی است که نحوه پردازش داده‌ها به‌گونه‌ای الهام‌گرفته‌شده از مغز انسان را به کامپیوترها آموزش می‌دهد. این نوع فرآیند یادگیری ماشینی که به آن یادگیری عمیق می‌گویند، از نودها یا نورون‌های متصل به یکدیگر در ساختاری لایه‌ای شبیه به مغز انسان استفاده می‌کنند.

به عبارت دیگر، شبکه‌های عصبی مدل‌های ریاضی هستند که ساختار و عملکردشان مبتنی بر ارتباط بین نورون‌ها در مغز انسان است و نحوه سیگنال‌دهی بین آن‌ها را تقلید می‌کنند. برای درک بهتر، گروهی از ربات‌ها را در نظر بگیرید که با همکاری یکدیگر، در تلاش برای حل یک پازل هستند و هر کدام از آن‌ها، برای تشخیص یک شکل یا رنگ متفاوت در تکه‌های پازل طرحی شده است. حال این ربات‌ها قابلیت‌های خود را برای حل این پازل با یکدیگر ترکیب می‌کنند. یک شبکه عصبی، شبیه به این گروه از ربات‌هاست.

ساختار شبکه عصبی

پس همانطور که مشخص است، دیپ لرنینگ یا DL زیرشاخه‌ای پیچیده از یادگیری ماشینی است که ورودی‌ها را در یک معماری شبکه عصبی الهام‌گرفته‌شده از بیولوژیک موجودات زنده به اجرا درمی‌آورد. همانطور که در متصویر بالا مشاهده می‌کنید، شبکه‌های عصبی حاوی لایه‌های پنهانی هستند که از طریق آن‌ها داده‌ها پردازش شده و اجازه «عمیق شدن» یادگیری را به ماشین‌ها داده و در نتیجه، ارتباطات و خروجی‌های مناسب را ایجاد می‌کنند. از یادگیری عمیق می‌توان برای حل مسائل بسیار پیچیده‌تر در دنیای واقعی استفاده کرد.

رباتیک (Robotics)؛ ایا رباتیک همان هوش مصنوعی است؟

رباتیک شاخه دیگری از Artificial Intelligence است که از مهندسی برق، مهندسی مکانیک و مهندسی و علوم کامپیوتر برای طراحی، ساخت و استفاده از ربات‌ها تشکیل شده است. در حالت کلی، ماشین‌های رباتی شاخه‌ای جدا از هوش مصنوعی محسوب می‌شوند، اما در صورتی که AI در آن‌ها پیاده‌سازی شود، امکان انجام رفتارهای انسان‌گونه توسط آن‌ها وجود دارد.

سیستم‌های خبره (Expert Systems)

سیستم خبره یا ES یک برنامه کامپیوتری است که برای حل مسائل پیچیده و تصمیم‌گیری مشابه یک انسان متخصص طراحی شده است. این برنامه با استخراح دانش ذخیره‌شده در پایگاه دانشی خود با استفاده از استدلال و قوانین استنتاج مربوط به کوئری‌های کاربر، این کار را انجام می‌دهد.

سیستم خبره بخشی از هوش مصنوعی است و اولین ES در سال ۱۹۷۰ توسعه داده شد. این سیستم با استفاده از هر دوی حقایق و روش‌های ابتکاری، برای حل مسائل پیچیده به تصمیم‌گیری می‌پردازد. از جمله کاربردهای ESها می‌توان در مراکز بهداشت، مدیریت اطلاعات، تحلیل وام، شناسایی ویروس و دیگر موارد اشاره کرد.

منطق فازی (Fuzzy Logic)

منطق فازی یا FL یک روش استدلال مشابه نحوه استدلال انسان است. در یک دنیای ایده‌آل، همه چیز سیاه و سفید، بله و خیر یا ۰ و ۱ است. اما در دنیای واقعی همه چیز اینگونه نیست و با مسائل خاکستری، احتمالی و بین ۰ و ۱ نیز سر و کار داریم. منطق فازی مبتنی بر اصولی به‌نام «درجه درستی» است که مشابه انسان، از تمام واسط‌های محتمل بین دو جواب بله و خیر برای تصمیم‌گیری استفاده می‌کند. دکتر لطفی زاده اولین بار این منطق را در سال ۱۹۶۵ معرفی کرد.

حالا با به‌کارگیری منطق فازی در هوش مصنوعی، می‌توان شناخت و استدلال انسانی را تقلید و کپی‌برداری کرد. منطق فازی برای موارد زیر کاربرد دارد:

• مهندسی تصمیمات بدون داشتن قطعیت شفاف یا وجود عدم قطعیت یا داده‌های غیر دقیق، نظیر فناوری‌های استفاده‌کننده از پردازش زبان‌های طبیعی
• نظارت و کنترل خروجی ماشین‌ها بر اساس متغیرهای ورودی مختلف، نظیر سیستم‌های کنترل دما

ابر کامپیوتر واتسون شرکت IBM یکی از بهترین نمونه‌های استفاده از منطق فازی است. از دیگر کاربردهای این منطق می‌توان در سیستم سلامت، گیربکس‌های اتومات و کنترل محیط وسایل نقلیه اشاره کرد.

پردازش زبان‌های طبیعی (Natural Language Processing)

پردازش زبان‌های طبیعی یا NLP یک زیرشاخه بین رشته‌ای از رشته‌های زبان‌شناسی و علوم کامپیوتر است. در این شاخه از علم، پردازش پایگاه‌های داده زبان‌های طبیعی نظیر مجموعه گفتارها یا نوشتارها با استفاده از رویکردهای یادگیری ماشینی چه به‌شکل مبتنی بر قانون چه احتمالی (به‌صورت آماری یا در جدیدترین روش، بر اساس شبکه‌های عصبی)، انجام می‌گیرد. هدف این شاخه از ای آی، ساخت کامپیوتری توانمند در «درک» محتوای اسناد از جمله تفاوت‌های ظریف زمینه‌ای در زبان‌هاست.

از جمله کاربردهای NLP را می‌توان در شبکه اجتماعی توییتر جهت فیلتر کردن گفتارهای خلاف قوانین در توییت‌ها و در شرکت آمازون در راستای فهم نقدهای مشتریان و بهبود تجربه کاربری مشاهده کرد.

مدل‌های زبانی بزرگ (Larg Language Models)

مدل زبانی بزرگ یا LLM نوعی الگوریتم هوش مصنوعی است که از تکنیک‌های یادگیری عمیق، یا به‌طور دقیق‌تر، از یادگیری ماشینی نظارت نشده (Unsupervised Learning) و مجموعه داده‌های بسیار بزرگ برای درک، خلاصه کردن، تولید و پیش‌بینی محتوای جدید استفاده می‌کند. اصطلاح هوش مصنوعی مولد (Generative AI) نیز با LLMها رابطه نزدیکی دارد که از آن برای تولید محتوای متن‌محور استفاده می‌شود.

زبان به‌خاطر ایجاد کلمات، معانی و دستور زبان لازم برای انتقال ایده‌ها و مفاهیم، در قلب روابط انسانی قرار دارد. در دنیای AI، یک مدل زبانی با ایجاد پایه‌های ارتباط و تولید مفاهیم جدید، دارای هدف مشابهی است.

اولین مدل زبانی ساخته‌شده در تاریخ به توسعه مدل ELIZA در سال ۱۹۶۶ توس پروفسور دانشگاه MIT برمی‌گردد. از مدل‌های زبانی در اپلیکیشن‌های پردازش زبان‌های طبیعی (NLP) استفاده می‌شود که کاربر یک کوئری را در یک زبان طبیعی وارد کرده و نتیجه آن تولید می‌شود. GPT-3.5 که ChatGPT بر اساس آن کار می‌کند، یکی دیگر از معروف‌ترین مدل‌های زبانی بزرگ است. GPT-4 بزرگترین LLM حال حاضر شناخته می‌شود. گوگل بارد نیز از مدل زبانی LaMDA استفاده می‌کند که در جایگاه دوم بزرگترین LLMها قرار دارد.

دید کامپیوتری (Computer Vision)

دید کامپیوتری یا کامپیوتر ویژن یکی از مهمترین زیرشاخه‌های هوش مصنوعی و مهندسی کامپیوتر است که به سیستم‌های کامپیوتری اجازه می‌دهد اطلاعات معنادار را از داده‌های بصری نظیر ویدیو و تصویر استخراج کرده و به پردازش، تحلیل، انجام اقدامات مناسب و پیشنهاددهی بر اساس آن‌ها بپردازند.

این رشته نیز از مدل‌های یادگیری ماشینی جهت شناسایی و طبقه‌بندی اشیاء در ویدیوها و تصاویر دیجیتالی استفاده کرده و با تحلیل و تفسیر دنیای مجازی، به شبیه‌سازی نحوه درک و دید ما از محیط اطراف می‌پردازد. در واقع، کامپیوتر ویژن علمی است که به درک پیچیدگی سیستم بینایی انسان و آموزش سیستم‌های کامپیوتری برای تفسیر و درک بالای تصاویر و ویدیوهای دیجیتال کمک می‌کند.

دید ماشینی (Machine Vision)

دید ماشینی یا ماشین ویژن یعنی توانایی دیدن در یک کامپیوتر؛ حوزه‌ای از یادگیری ماشینی که از دوربین برای دریافت اطلاعات بصری محیط پیرامون استفاده کرده و سپس با استفاده از ترکیبی از سخت افزارها و نرم افزارها، تصاویر را پردازش و اطلاعات را برای استفاده در برنامه‌های مختلف آماده می‌کند. به عبارتی می‌توان گفت که دید ماشینی، ترکیبی از فناوری‌ها، محصولات سخت افزاری و نرم افزاری، سیستم‌های یکپارچه، اقدامات، روش‌ها و تخصص‌ها از جمله دوربین، تبدیل آنالوگ به دیجیتال (ADC) و پردازش سیگنال دیجیتال (DSP) است. در آخر، نتیجه نهایی وارد یک کامپیوتر یا کنترلر ربات می‌شود.

دید ماشینی به‌عنوان یک رشته مهندسی سیستم‌ها را می‌توان از دید کامپیوتری که نوعی علم کامپیوتر است، جدا دانست. این رشته درصدد یکپارچه کردن فناوری‌های فعلی به روش‌های جدید و استفاده از آن‌ها برای حل مسائل دنیای واقعی است. پیچیدگی دید ماشینی مشابه تشخیص صدا (Voice Recognition) است.

برخی از منابع، دیدی ماشینی را یک فناوری جداگانه می‌دانند که با استفاده از علم اپتیک (به‌عنوان شاخه‌ای از فیزیک) به دریافت تصاویر می‌پردازد. در این حالت، خصیصه‌های خاص یک تصویر پردازش، تحلیل و اندازه‌گیری می‌شود. مثلا، یک برنامه مبتنی بر دید ماشینی به‌عنوان بخشی از یک سیستم تولیدی را می‌توان برای تحلیل ویژگی‌های خاص یک قسمت در حال تولید در یک خط مونتاژ استفاده کرد.

برنامه‌ریزی و بهینه‌سازی (Planning and Optimization)

برنامه‌ریزی و بهینه‌سازی خودکار، پایه زیربنایی ای آی است که تحقق استراتژی‌ها یا توالی اقدامات، عموما برای اجرا توسط عامل‌های هوشمند، ربات‌های خودمختار و وسایل بدون دخالت انسان را شامل می‌شود. بر خلاف مسائل کنترل و طبقه‌بندی کلاسیک، راه‌حل‌های این شاخه از AI پیچیده‌تر است و باید در فضای چند بعدی کشف و بهینه‌سازی شود. برنامه‌ریزی نیز به نظریه تصمیم مربوط می‌شود.

در محیط‌های شناخته‌شده دارای مدل‌های در دسترس، برنامه‌ریزی را می‌توان به‌صورت آفلاین نیز انجام داد و راه‌حل‌ها را پیش از اجرا پیدا و ارزیابی کرد. اما در محیط‌های پویای ناشناخته، استراتژی مناسب معمولا باید به‌صورت آنلاین بازنگری شود. علاوه بر این، راه‌حل‌ها عموما از همان فرایندهای آزمون و خطای تکرارشونده‌ای که در هوش مصنوعی دیده می‌شود برای حل مسائل استفاده می‌کنند. این موارد شامل برنامه‌نویسی پویا (Dynamic Programming)، یادگیری تقویتی (Reinforcement Learning) و بهینه‌سازی ترکیبیاتی (Combinatorial Optimization) هستند.

تشخیص گفتار و صدا (Speech and Voice Recognition)

تشخیص گفتار (Speech Recognition) یا Speech-to-text نیز مشابه بسیاری از شاخه‌های هوش مصنوعی که تا اینجا گفتیم، یک زیرشاخه بین رشته‌ای از علوم کامپیوتر و زبان‌شناسی رایانشی (Computational Linguistic) است که به توسعه متدولوژی‌ها و فناری‌های فراهم‌کننده قابلیت تشخیص و ترجمه زبان گفتار به متن توسط کامپیوترها می‌پردازد.

بنابراین می‌توان گفت که تشخیص گفتار، توانایی یک ماشین یا برنامه در شناسایی کلمات گفته‌شده و سپس تبدیل آن‌ها به متن قابل خواندن است. نرم افزارهای ابتدایی تشخیص گفتار دارای دایره لغات پایین بوده و تنها کلمات و اصطلاحاتی که به‌صورت کاملا شفاف و مشخص بیان شوند را تشخیص می‌دهند. اما نرم افزارهای پیشرفته‌تر قادر به کار با گفتار طبیعی، لهجه‌های مختلف و زبان‌های متعدد هستند.

تشخیص گفتار از طیف گسترده‌ای از تحقیقات علوم کامپیوتر، زبان‌شناسی و مهندسی کامپیوتر استفاده می‌کند. بسیاری از برنامه‌های مبتنی بر متن و دستگاه‌های مدرن و امروزی دارای عملکردهای تشخیص گفتار در خود بوده و کار کردن با یک دستگاه را بسیار ساده‌تر کرده‌اند.

اما تشخیص صدا (Voice Recognition) یا Speaker Recognition توانایی یک ماشین یا برنامه در دریافت و تفسیر املاء یا درک و انجام فرمان‌های گفتاری است. سیری اپل و الکسای آمازون از جمله دستیارهای صوتی استفاده‌کننده از شاخه تشخیص صدا در AI هستند.

تشخیص صدا می‌تواند با استفاده از برنامه‌های نرم افزاری تشخیص گفتار خودکار (ASR)، صداهای مختلف را شناسایی و از یکدیگر متمایز کند. برخی از برنامه‌های ASR نیازمند آموزش اولیه جهت شناسایی صدا و تبدیل دقیق‌تر گفتار به متن هستند.

با اینکه افراد عموما تشخیص صدا و تشخیص گفتار را یکی دانسته و این دو عبارت را به‌جای یکدیگر استفاده می‌کنند، اما باید دقت داشته باشید که دارای تفاوت‌هایی هستند. تشخیص صدا، گوینده را شناسایی کرده و تشخیص گفتار، سخن گفته‌شده را ارزیابی می‌کند. به عبارت دیگر:

• تشخیص گفتار برای شناسایی کلمات یک زبان گفته‌شده استفاده می‌شود.
• تشخیص صدا یک فناوری بیومتریک برای شناسایی صدای افراد است.

رایانش شناختی (Cognitive Computing)

رایانش شناختی اصطلاحی است که برای توصیف سیستم‌های هوش مصنوعی شبیه‌ساز افکار انسان جهت افزودن قدرت شناختی به‌کار می‌رود. شناخت انسانی شامل تحلیل لحظه‌ای محیط دنیای واقعی، زمینه، نیت و متغیرهای بسیار دیگر است که توانایی فرد در حل مسائل را مشخص می‌کند.

در حالت کلی، از رایانش شناختی برای کمک به انسان در فرایندهای تصمیم‌گیری استفاده می‌شود. Artificial Intelligence برای حل مسائل یا شناسایی الگوها در مجموعه داده‌های بزرگ، به الگوریتم‌ها متکی است، اما سیستم‌های رایانش شناختی هدف والاتری در ساخت الگوریتم‌هایی دارند که به تقلید از فرآیند استدلال مغز انسان جهت حل مسائل در حین تغییر آن‌ها و داده می‌پردازند.

علم داده (Data Science)

علم داده یا دیتا ساینس شاخه‌ای است که برای آشکارسازی بینش‌های عملی پنهان در داده‌های یک سازمان، ریاضیات و آمار، برنامه‌نویسی تخصصی، تحلیل‌های پیشرفته، ای آی و ماشین لرنینگ را با تخصص موضوعی خاص ترکیب می‌کند. از این بینش‌ها می‌توان برای هدایت تصمیم‌گیری و برنامه‌ریزی استراتژیک استفاده کرد.

متخصصان علم داده برای تولید سیستم‌های AI جهت انجام وظایفی که معمولا به هوش انسانی نیاز دارند، الگوریتم‌های یادگیری ماشینی را بر اعداد، متن، تصاویر، ویدئو، صدا و دیگر موارد اعمال می‌کنند. در عوض، این سیستم‌ها نیز بینشی را فراهم می‌کنند که تحلیلگران و کاربران تجاری قادر به تفسیر آن‌ها به ارزش ملموس کسب‌وکار هستند.

داده کاوی (Data Mining)

داده کاوی یا دیتا ماینینگ شاخه دیگری از علم است که برای تحلیل مجموعه داده‌های بزرگ جهت کشف اطلاعات سودمند، آمار و هوش مصنوعی را با یکدیگر ترکیب می‌کند.

دیتا ماینینگ بخش کلیدی تجربه و تحلیل داده و یکی از رشته‌های اصلی در علم داده است که از تکنیک‌های تحلیل پیشرفته برای یافتن اطلاعات در مجموعه داده‌ها استفاده می‌کند. در سطح جزئی‌تر، داده کاوی گامی در فرآیند کشف دانش در دیتابیس‌ها (KDD) است. KDD متدولوژی در دیتا ساینس است که برای جمع‌آوری، پردازش و تحلیل داده‌ها به‌کار می‌رود. گاهی اوقات اصطلاحات داده کاوی و کشف دانش در پایگاه‌های داده به‌جای یکدیگر استفاده می‌شوند، اما باید بینشان تفاوت قائل شد.

عناصر اصلی دیتا ماینینگ، یادگیری ماشینی و تحلیل آماری هستند که در کنار انجام وظایف مدیریت داده برای آماده‌سازی داده‌ها جهت تحلیل، استفاده می‌شوند. ترکیب الگوریتم‌های ماشین لرنینگ و ابزارهای هوش مصنوعی باعث خودکارسازی این فرآیند و ساده‌تر شدن کاوش در مجموعه داده‌های حجیم نظیر دیتابیس‌های مشتری، سوابق تراکنشی و فایل‌های ورود سرورهای وب، اپلیکیشن‌های موبایل و سنسورها شده‌اند.

هوش مصنوعی مولد (Generative AI) چیست؟

هوش مصنوعی مولد یا Generative AI یک مدل Artificial Intelligence است که در پاسخ به یک پرامپت (Prompt) به تولید محتوا می‌پردازد. در این حوزه، به فرایند ورود و ارسال جزئیات درخواست به هوش مصنوعی، پرامپت گفته می‌شود تا بتواند بر اساس جزئیاتی که در آن مشخص شده است، خروجی را تحویل دهد. پرامپت می‌تواند کلمه، عبارت، جمله، متن بلند یا حتی یک تصویر و ویدیو باشد.

بنابراین جنراتیو ای آی کار خودش را با یک متن، تصویر، ویدیو، طراحی، نت موسیقی یا هر ورودی دیگری که این سیستم قادر به پردازش باشد، آغاز می‌کند. سپس الگوریتم‌ها مختلف AI محتوای جدید را در پاسخ به این پرامپت بازمی‌گردانند. محتوای نهایی می‌تواند مقاله، راه‌حل مسائل یا حتی فیک‌های واقعی ساخته‌شده از تصاویر یا صدای یک فرد باشد.

نسخه‌های اولیه Generative AI نیازمند ثبت داده از طریق یک API یا یک فرآیند پیچیده دیگر بودند و توسعه‌دهندگان نیز باید با ابزارهای تخصصی و اپلیکیشن‌های کدنویسی نظیر پایتون آشنا می‌بودند. اما پیشگامان این حوزه، اکنون تجربه کاربری بهتری را توسعه داده‌اند که به شما اجازه می‌دهد درخواست خود را به زبان ساده توصیف کنید. حالا پس از دریافت پاسخ اولیه، امکان شخصی‌سازی نتایج با ارائه بازخورد درباره سبک، لحن یا دیگر المان‌های مورد نظرتان برای محتوای تولیدی وجود دارد.

ابزارهای هوش مصنوعی مولد نظیر ChatGPT و DALL-E، پتانسیل تغییر فرآیندهای شغلی را دارند. البته قلمرو کامل این اثر به‌خاطر وجود ریسک‌ها هنوز مشخص نیست، اما می‌توان به یک سری از سوالات نظیر نحوه ساخت مدل‌های ای آی مولد، نوع مسائلی که برای حل آن‌ها مناسب‌اند و جایگاه‌شان در دسته‌بندی بزرگتر AI و یادگیری ماشینی پاسخ داد.

کاربردهای جنراتیو ای آی در کسب‌وکار

مدل‌های هوش مصنوعی مولد هنوز در مراحل اولیه مقیاس پذیری خودشان هستند، اما از جمله کاربردهای آن‌ها در حوزه کسب‌وکار می‌توان به موارد زیر اشاره کرد:

• بازاریابی و فروش: امکان ارائه مارکتینگ، رسانه‌های اجتماعی و محتوای فروش فنی سفارشی شامل متون، تصاویر و ویدیوها
• عملیات: امکان ساخت فهرست وظایف برای اجرای کارای یک فعالیت خاص توسط مدل‌های AI
• مهندسی و IT: قابلیت نوشتن، مستندسازی و بازنگری کدها
• ریسک و حقوق: امکان پاسخ به سوالات پیچیده مبتنی بر حجم بالای اسناد حقوقی و پیش‌نویسی و بازنگری سالانه گزارشات
• تحقیق و توسعه: تسریع کشف دارو از طریق درک بهتر بیماری‌ها و کشف ساختارهای شیمیایی

هوش مصنوعی مکالمه‌ای (Conversational AI) چیست؟

هوش مصنوعی مکالمه‌ای یا Conversational Artificial Intelligence که به‌طور خلاصه به آن CAI نیز گفته می‌شود، نوعی هوش مصنوعی است که توانایی درک، پردازش و تولید زبان انسانی را برای کامپیوترها فراهم می‌کند. این نوع از هوش مصنوعی شامل سیستم‌هایی برنامه‌نویسی‌شده جهت ایجاد مکالمه با یک کاربر است: آموزش برای شنیدن (ورودی) و پاسخ (خروجی) به‌گونه‌ای مکالمه‌ای.

این نوع از ای آی از پردازش زبان‌های طبیعی برای درک و ارائه پاسخ طبیعی به کاربران استفاده می‌کند. بنابراین، چت‌بات‌هایی نظیر گوگل بارد، اسپیکرهای هوشمند دارای دستیار صدا همچون الکسای آمازون یا دستیارهای مجازی روی تلفن‌های هوشمند مانند سیری از جمله معروف‌ترین AIهای مکالمه‌ای هستند.

بر خلاف چت‌بات‌های سنتی و قدیمی که دارای قابلیت‌های محدود و برنامه‌نویسی نرم افزاری ساده هستند، چت‌بات‌های AI انواع مختلفی از شاخه‌های هوش مصنوعی را برای ایجاد توانایی‌های پیشرفته‌تر با یکدیگر ترکیب می‌کند. این نوع از چت‌بات‌ها قادر به پاسخ به سوال‌های متداول، عیب‌یابی و حتی مکالمه کوتاه هستند. این خلاف چیزی است که شما هنگام چت کردن با یک ربات ایستا دارای عملکردهای محدود با آن مواجه می‌شوید. به عبارت دیگر، تعاملات هوش مصنوعی مکالمه‌ای از طریق موارد مختلفی نظیر صدا، ویدیو و متن قابل دسترسی است.

نمونه‌های هوش مصنوعی مکالمه‌ای

• چت‌بات‌های عضویتی فراگیر: نظیر ChatGPT شرکت اوپن ای آی
• دستیارهای موتور جستجوی مبتنی بر AI: نظیر گوگل بارد و بینگ
• برنامه‌های هوش تجاری (BI) مکالمه‌ای: مانند اپلیکیشن Salesloft
• چت‌بات‌های خدمات مشتری: مانند واتسون IBM

هوش مصنوعی قابل توضیح (Explainable AI) چیست؟

هوش مصنوعی قابل توضیح یا قابل توصیف (Explainable Artificial Intelligence) که به آن XAI نیز می‌گویند، مجموعه‌ای از فرآیندها و روش‌هایی است که به کاربران انسانی اجازه می‌دهد نتایج و خروجی ساخته‌شده توسط الگوریتم‌های یادگیری ماشینی را درک و به آن‌ها اعتماد کنند.

از هوش مصنوعی قابل توضیح برای توصیف یک مدل AI، تاثیر مورد انتظار و سوءگیری‌های بالقوه استفاده می‌شود. این نوع هوش مصنوعی به نشان دادن دقت، انصاف، شفافیت و خروجی‌های مدل در تصمیم‌گیری مبتنی بر هوش مصنوعی کمک می‌کند. Explainable AI برای یک سازمان در ایجاد اعتماد و اطمینان هنگام تولید مدل‌های ای آی بسیار مهم است. توضیح‌پذیری ای‌آی همچنین در اتخاذ رویکردی مسئولانه در جهت توسعه این علم به سازمان کمک می‌کند.

با پیشرفت هر چه بیشتر Artificial Intelligence، انسان‌ها برای درک و ردیابی نحوه دستیابی به الگوریتم‌ها با چالش‌های بیشتری روبرو می‌شوند. در این حالت، کل فرآیند محاسبه به چیزی غیر قابل تفسیر تبدیل می‌شود که معمولا به آن «جعبه سیاه (Black Box)» می‌گویند. این مدل‌های جعبه سیاه نتیجه مستقیم داده‌ها هستند و حتی مهندسان یا دانشمندان داده که خودشان سازنده الگوریتم‌ها هستند نیز نمی‌توانند آنچه که در داخل آن‌ها در حال رخ دادن است یا اینکه چگونه الگوریتم ای آی به یک نتیجه خاص رسیده است را درک کرده یا توضیح دهند.

کاربردهای هوش مصنوعی قابل توصیف

• سلامت و پزشکی: تشخیص‌های سریع‌تر، تحلیل تصاویر، بهینه‌سازی منابع و تشخیص پزشکی. XAI باعث بهبود شفافیت و قابلیت ردیابی در تصمیم‌گیری‌های مراقبت از بیمار می‌شود. فرآیند تایید داروها نیز با Explainable AI ساده‌تر خواهد شد.
• خدمات مالی: بهبود تجربه مشتری با وام‌ها و فرآیند تایید اعتبار شفاف‌تر. افزایش سرعت ارزیابی ریسک اعتبار، مدیریت سرمایه و ریسک جریام مالی. تسریع رفع مشکلات و شکایات بالقوه. افزایش اعتماد به قیمت‌گذاری، پیشنهادات محصول و خدمات سرمایه گذاری.
• عدالت کیفری: بهینه‌سازی فرآیندهای پیش‌بینی و ارزیابی ریسک. تسریع راه‌حل‌های استفاده از XAI روی تحلیل‌های DNA، تحلیل جمعیت زندان‌ها و پیش‌بینی جرم. شناسایی سوءگیری‌های بالقوه در آموزش داده‌ها و الگوریتم‌ها.

اصول هوش مصنوعی مسئولیت پذیر و معتمد؛ Responsible AI چیست؟

هوش مصنوعی مسئولیت پذیر و معتمد (Responsible and Trusted AI) حوزه‌ای است که با ارائه اصول و چارچوب‌ها، نحوه توسعه ای آی را مشخص می‌کند. شرکت‌ها و منابع مختلف هر کدام گام‌ها و اصول متفاوتی را برای ای آی مسئولیت‌پذیر ذکر کرده‌اند.

مثلا شرکت مایکروسافت اصول ۶ گانه‌ای را برای این مفهوم معرفی کرده است و گفته از آنجایی که محصولات و خدمات هوش مصنوعی مقبولیت بیشتری یافته و هر روزه به تعداد افراد استفاده‌کننده از آن‌ها افزوده می‌شود، رعایت این اصول از دو جنبه اخلاقی (Ethical) و قابل توضیح (Explainable) اهمیت بسیار بالایی دارد:

• جنبه اخلاقی:
  • پاسخگویی (Accountability)
  • فراگیری (Inclusiveness)
• جنبه قابل توضیح:
  • عدالت (Fairness)
  • شفافیت (Transparency)
  • حریم خصوصی (Privacy) و امنیت (Security)
• مشترک بین هر دو جنبه:
  • قابلیت اطمینان (Reliability) و ایمنی (Safety)

تفاوت هوش مصنوعی با برنامه نویسی

حال با توجه به مطالب قبل، سوال اینجاست که ای آی چه تفاوتی با کد نویسی و برنامه نویسی سنتی دارد؟ از نظر برخی از علما، مرز بسیار باریکی بین برنامه نویسی و هوش مصنوعی وجود دارد و برای افرادی که خارج از این حوزه‌ها هستند و شناخت کاملی از نحوه کارشان ندارند، درک تفاوت این دو شاید تا حدودی سخت باشد. ما در این قسمت با چند مثال سعی می‌کنیم این تفاوت را به زبان ساده تشریح کنیم.

برنامه نویسی سنتی یک سیستم مبتنی بر قاعده است که در آن، شما خودتان به‌عنوان برنامه‌نویس باید پیش از آغاز به کد نویسی، تمام قواعد را بلد باشید. بنابراین شما قواعد مختص به خودتان را دارید که آن‌ها را به الگوریتم تبدیل کرده و از داده‌های آن استفاده می‌کنید. بعد از آن، شما برنامه نویسی سنتی‌تان مثلا کدینگ پایتون، جاوا اسکریپت یا دیگر موارد را انجام می‌دهید. در این حالت، برنامه نویسی بر اساس زبان دلخواه شما صورت می‌گیرد و خروجی مناسب تولید می‌شود.

مثلا فرض کنید می‌خواهید یک برنامه تشخیص فعالیت بنویسید که بدانید یک فرد آیا در حال راه رفتن، دویدن، دوچرخه سواری یا هر کار دیگری است. در رویکرد برنامه نویسی سنتی، شما خودتان قواعد را می‌نویسید. به عنوان مثال، اگر سرعت معیار شماست، باید سرعت را اندازه بگیرید. این برنامه می‌تواند به صورت زیر باشد:

f(speed<4){status=WALKING;} or if(speed<4){status=WALKING;} else {status=RUNNING;} or if(speed<4){status=WALKING;} else {status=RUNNING;} else {status=BIKING;}

حالا باید تمام خروجی‌ها یا پارامترهای محتمل را بدانید و بر اساس آن‌ها الگوریتم‌ها و قواعدتان را بسازید.

اما در AI یا ماشین لرنینگ به‌عنوان شاخه‌ای از آن، شما در ابتدای امر چند پاسخ و داده دارید و سپس از یادگیری ماشینی برای یافتن قواعد استفاده می‌کنید. بنابراین تفاوت اصلی بین برنامه نویسی و هوش مصنوعی این است که در رویکرد اول، شما قواعد را می‌دانید (چون خودتان آن‌ها را نوشته‌اید)، اما در ای آی، این قواعد خروجی شما هستند و از قبل آن‌ها را نمی‌دانید.

در برنامه نویسی سنتی، کار با مطالعه مسئله آغاز می‌شود و سپس با نوشتن قواعد مربوط به آن مسئله و نهایتا ارزیابی فرآیند خاتمه می‌یابد. اگر چیزی این وسط درست کار نکند، شما خودتان خطاها را تحلیل کرده و دوباره این فرآیند را تکرار می‌کنید. پس از سنجش و درستی همه موارد، برنامه را اجرا می‌کنید.

اما در ماشین لرنینگ، ابتدا مسئله را مطالعه کرده و سپس الگوریتم آن را با استفاده از داده‌هایتان آموزش می‌دهید. در مرحله بعد، راه‌حل را ارزیابی می‌کنید و اگر مشکلی وجود داشت، خطاها را مشخص کرده و فرآیند را تکرار می‌کنید. حال زمانی که همه چیز درست بود، آن را اجرا می‌کنید.

مثالی از کدنویسی در برنامه‌نویسی و ای آی

• ورودی: ۰, ۸, ۱۵, ۲۲, ۳۸
• خروجی: ۳۲, ۴۶.۴, ۵۹, ۷۱.۶, ؟

با ورود ۰، خروجی ۳۲ به‌دست می‌آید. با ورود ۸، خروجی ۴۶.۴؛ با ورود ۱۵، خروجی ۵۹ و با ورود ۲۲، خروجی ۷۱.۶ حاصل می‌شود. اما با ورودی ۳۸، خروجی چه خواهد بود؟ پاسخ ۳۸ است. اما چگونه؟

این ورودی‌ها و خروجی‌ها حاصل تابع F = C * 1.8 + 32 هستند. در برنامه نویسی سنتی، اگر درصدد حل کردن این تابع و پیدا کردن مقدار F باشیم و مقدار C را هم بدانیم، کافی است یک فرمول ساده بنویسیم. مثلا در پایتون کدنویسی آن به‌صورت زیر خواهد بود:

Def function(C): F= C * 1.8 + 32 return F

در این فرمول، شما ورودی C را به‌عنوان پارامتر در نظر گرفته‌اید.

حالا در رویکر یادگیری ماشینی، ما داده‌ها که همان ورودی هستند را داریم و برخی از خروجی‌ها را هم می‌دانیم. بنابراین یک مدل ساخته و با استفاده از این داده‌ها آن را آموزش می‌دهیم. بنابراین، این مدل از داده‌های تهیه‌شده یاد گرفته و قاعده را که همان فرمول “F = C * 1.8 + 32” است، برای ما تولید می‌کند. گاهی اوقات، این قواعد ۱۰۰ درصد دقیق و درست نیستند، اما به واقعیت نزدیک هستند. اما اتفاقی که طی فرآیند پیش‌بینی می‌افتد این است که مدل ما خودش یک الگوریتم را می‌سازد. این مدل قواعد را مشخص کرده و بر اساس آن‌ها، فرضیه‌ای را در نظر می‌گیرد.

مثلا در یک Google Collab، از توابع برای ماشین لرنینگ و دیتا ساینس استفاده می‌کنیم. نمونه برنامه نویسی سنتی در گوگل کولب می‌تواند به‌صورت زیر باشد:

Def fun(c):

F = (c * 1.8) + 32

Return f

برای fun(1)، خروجی ما ۳۲.۰ خواهد بود. حالا اگر تابع را به fun(45) تغییر داده و آن را اجرا کنیم، خروجی ما ۱۱۳.۰ خواهد شد.

در کدنویسی ماشین لرنینگ، شما می‌توانید همین مسئله را در گوگل کولب نیز بسازید. برای این کار می‌توانیم از یک کتابخانه یادگیری ماشینی به‌نام “TensorFlow” استفاده کنیم. در TensorFlow، مدل‌های یادگیری ماشینی آماده‌ای وجود دارند که می‌توان از آن‌ها استفاده کرد.

حال پس از اجرای سل‌های لازم، ورودی را که همان C و خروجی را که همان F است، تعریف می‌کنیم:

• ورودی: -۴۰, -۱۰, ۰, ۸, ۱۵, ۲۲, ۳۸
• خروجی: -۴۰, ۱۴, ۳۱, ۴۶, ۵۹, ۷۲, ۱۰۰

طول ورودی‌ها و خروجی‌های شما باید یکی باشد. حالا از یک کتابخانه یادگیری ماشینی دیگر به‌نام “Keras” استفاده می‌کنیم که به‌خاطر استقلال از گوگل و متن باز بودن، کار را راحت‌تر می‌کند. در مرحله بعد، مدل‌ها را با یکدیگر مقایسه کرده و مدل مورد نظر خود را آموزش می‌دهید. در حین این کار، همه‌چیز شامل ورودی‌ها و خروجی‌ها باید ذکر شده باشند تا ماشین تمام موارد لازم برای یادگیری را در اختیار داشته باشد.

در مرحله بعد، یک گراف ظاهر می‌شود که به تحلیل نحوه عملکرد مدل به شما کمک می‌کند، پس از آماده بودن همه‌چیز، سوال خود را از مدل می‌پرسید. مثلا:

اگر ورودی من ۸ باشد، خروجی چه می‌شود؟

سپس مدل پاسخ را پیش‌بینی می‌کند که حدود ۴۶.۲۹ خواهد بود. در آخر نیز قاعده نمایش داده می‌شود. بنابراین، تابع F = C * 1.8 + 32 خروجی مدل یادگیری ماشینی ماست.

برتری هوش مصنوعی نسبت به برنامه نویسی سنتی

در برنامه نویسی سنتی تنها می‌توان مسائل ساده به‌همراه متغیرهای محدود را حل کرد، اما برای مواردی نظیر پیش‌بینی‌های بازار سهام و دیگر مسائل که دارای هزاران متغیر هستند، بهتر است از AI یا ML استفاده کنیم.

برای مواردی مانند فیلتر ایمیل‌های اسپم، می‌توان با مشخص کردن یک سری کلمات، اعداد یا کاراکترهای غیر معمول که در هرزنامه‌ها یافت می‌شوند، ایمیل‌های اسپم را از عادی جدا کرد. در این حالت، شما با استفاده از برنامه‌نویسی سنتی قواعد را مشخص می‌کنید.

اما در یادگیری ماشینی، نیازی به مشخص کردن این قواعد نیست و فقط باید مدل‌ها را با داده‌های ورودی‌تان تربیت کرده و آموزش دهید. حالا در ادامه، از این مدل می‌توان برای پیش‌بینی اینکه آیا ایمیلی اسپم است یا خیر، استفاده کرد. مزیت استفاده از یادگیری ماشینی این است که همیشه می‌توان عملکرد مدل را اندازه‌گیری کرده و بهینه‌سازی آن را انجام داد.

برای موقعیت‌های پیچیده‌تر نظیر تشخیص صدا، پردازش زبان‌های طبیعی و دیگر موارد، باید حتما از برنامه نویسی یادگیری ماشینی استفاده کرد.

اجزای یادگیری در ای آی؛ هوش مصنوعی چگونه کار می‌کند؟

حالا سوال بعدی اینجاست که ای آی چگونه کار می‌کند و آموزش می‌بیند؟ با گسترش هیاهوی پیرامون AI، شرکت‌های زیادی درصدد تبلیغ استفاده از این علم در محصولات و خدمات خود هستند. اما چیزی که اکثر این شرکت‌ها تحت عنوان Artificial Intelligence از آن یاد می‌کنند، صرفا بخشی از یک تکنولوژی یا یک علم نظیر یادگیری ماشینی است.

برنامه نویسی مبتنی بر هوش مصنوعی بر مهارت‌های شناختی متمرکز است که شامل موارد زیر هستند:

• یادگیری (Learning): این جنبه از برنامه‌نویسی AI بر کسب داده و ساخت قوانین نحوه تبدیل آن به اطلاعات عملی متمرکز است. این قوانین که الگوریتم نام دارند، دستورالعمل‌های گام به گام نحوه انجام وظایف خاص را برای دستگاه‌های محاسبه‌گر فراهم می‌کنند.
• استدلال (Reasoning): این جنبه از برنامه‌نویسی ای آی بر انتخاب الگوریتم مناسب جهت دستیابی به خروجی مطلوب اشاره دارد.
• خود اصلاحی (Self-correction): این جنبه برای بهبود مستمر الگوریتم‌ها و تضمین تولید دقیق‌ترین نتایج ممکن طراحی شده است.
• خلاقیت (Creativity): این جنبه از AI از شبکه‌های عصبی، سیستم‌های قانون‌محور، روش‌های آماری و دیگر تکنیک‌های هوش مصنوعی جهت تولید تصاویر، متن، موسیقی و ایده‌های جدید استفاده می‌کند.

هوش مصنوعی چگونه اموزش می بینند؟

در قسمت‌های قبلی راجع به متدهای یادگیری ماشینی و تفاوت ای آی با برنامه نویسی صحبت کردیم. حالا اجازه دهید در این قسمت، با جزئیات بیشتری درباره روش‌های یادگیری و آموزش در AI صحبت کنیم.

یادگیری و آموزش در هوش مصنوعی شباهت زیادی به فرآیند جایزه و تنبیه در یک کودک دارد. شما به‌عنوان «معلم» باید عواقب کارهایی که جایزه یا تنبیه به‌همراه خواهند داشت را تعریف کنید.

از آنجایی که هوش‌های مصنوعی حتی در صورت نیاز به «تقلب» همیشه به‌دنبال راه‌هایی برای دریافت حداکثر پاداش هستند، تعریف طرح پاداش مناسب نیز اغلب بزرگ‌ترین مشکل در برنامه نویسی آن‌ها محسوب می‌شود. بنابراین، گاهی اوقات شما خودتان باید پس از اینکه Artificial Intelligence به سطح خاصی از آموزش رسید، سیستم پاداش را اصلاح یا تعدیل کنید. در واقع، شما کم و بیش از طریق همین سیستم پاداش به «راهنمایی» ای آی می‌پردازید.

زمانی که یک کودک برای اولین بار سعی می‌کند روی پاهایش بایستد، به‌احتمال زیاد به زمین خواهد افتاد. اما این کودک به تلاش خودش ادامه داده و هر بار این کار را متفاوت‌تر انجام می‌دهد. تلاش‌هایی که نتیجه بهتری داشته باشند، یک موفقیت محسوب شده و حس جایزه را در کودک ایجاد می‌کنند. اما تلاش‌هایی که ناموفق باشند، به‌خاطر افتادن کودک (جریمه) حتی ممکن است حس درد را ایجاد کنند. حالا مغز کودک روی تلاش‌هایی که نتیجه بهتری داشته‌اند تمرکز می‌کند.

پس از تلاش‌های کافی، مغز می‌آموزد که یک تلاش موفق چه حسی باید داشته باشد و چگونه ماهیچه‌ها را برای رسیدن به آن کنترل کند. این امر به این معناست که شبکه عصبی (مغز) کودک به اندازه کافی برای این کار آموزش دیده است.

انواع الگوریتم هوش مصنوعی چیست؟

حالا برای اینکه فرآیند یادگیری در ای آی را بهتر درک کنید، باید با الگوریتم‌های آن نیز آشنا شوید. همانطور که در بخش معرفی یادگیری ماشینی نیز گفتیم، سیستم‌های هوش مصنوعی از طریق فرآیندهای مختلفی نظیر یادگیری تحت نظارت (Supervised Learning)، یادگیری نظارت نشده (Unsupervised Learning) و یادگیری تقویتی (Reinforcement Learning) آموزش می‌بینند.

اما اینها تنها الگوریتم‌های یادگیری در AI نیستند. روش‌های آموزش و یادگیری مستقل در هوش مصنوعی شامل موارد زیر هستند:

یادگیری نظارت نشده (Unsupervised Learning)

الگوریتم‌های یادگیری نظارت نشده می‌توانند دیتاست‌های بزرگ را بدون خروجی‌های برچسب‌دار تجزیه و تحلیل و الگوها یا گروه‌بندی‌ها را در داده‌ها شناسایی کنند. از جمله تکنیک‌های مرسوم در الگوریتم‌های یادگیری نظارت‌نشده شامل موارد زیر هستند:

• خوشبه‌بندی: یکی از تکنیک‌های رایج برای این کار، کلاسترینگ (Clustering) یا همان خوشه‌بندی است که نقاط داده‌ای دارای شباهت‌های مشترک را گروه‌بندی می‌کند. خوشه‌بندی K-means یک مثال مناسب برای این رویکرد است.
• کاهش ابعاد: تکنیک دیمنشیالیتی ریداکشن (Dimentiality Reducation) می‌تواند با شناسایی ویژگی‌ها یا ابعاد مهم، پیچیدگی داده‌ها را کاهش دهد. آنالیز مؤلفه اصلی (Principal Component Analysis) یا PCA نمونه‌ای از تکنیک کاهش ابعاد است.
• مدل‌های مولد: جنراتیور مادلز (Generative Models) تکنیک دیگری در الگوریتم‌های یادگیری بدون نظارت هستند که می‌توان از آن‌ها برای ساخت مدل‌های مولد نظیر خودرمزگذاری‌های متغیر (Variational Autoencoders) یا VAE و شبکه‌های متخاصم مولد (Generative Adversarial Networks) یا GAN استفاده کرد، که نحوه تولید داده‌های جدید شبیه به داده‌های آموزشی اولیه را فرا می‌گیرند.

یادگیری تقویتی (Reinforcement Learning)

در الگوریتم‌های یادگیری تقویتی (RL) نیز رویکردها و تکنیک‌های مختلفی وجود دارند از جمله:

•  یادگیری مبتنی بر پاداش: ریوارد-بیسد لرنینگ (Reward-Based Learning) یکی از رویکردها در الگوریتم‌ها یادگیری تقویتی است که بر اساس آن، ایجنت‌های هوش مصنوعی از طریق تعامل با یک محیط یاد می‌گیرند و آموزش می‌بینند. این ایجنت‌ها بر اساس اقدامات‌شان، بازخوردهایی را در قالب پاداش یا جریمه دریافت می‌کنند. بنابراین، هدف یک ایجنت، به حداکثر رساندن پاداش‌های انباشته در طول زمان است.
• آزمون و خطا: ترایال اند ارور (Trial and Error) رویکردی است که در آن، ایجنت‌های الگوریتم‌های یادگیری تقویتی اقدامات مختلف را بررسی کرده و از پیامدهای آن‌ها درس می‌گیرند. در واقع، این ایجنت‌ها از طریق آزمون و خطا، استراتژی‌ها یا خط‌مشی‌های بهینه برای دستیابی به اهداف خاص را کشف می‌کنند.
• شبکه‌های Q عمیق: در تکنیک دیپ کیو-نتورکس (Deep Q-Netwotks)، الگوریتم‌های یادگیری تقویتی عمیق از شبکه‌های عصبی برای تقریب توابع ارزش-عمل (Action-value) استفاده کرده و اجازه مدیریت وظایف پیچیده و فضاهای حالت بزرگ (State Space) را به ایجنت‌های یادگیری تقویتی می‌دهند.

یادگیری خود نظارتی (Self-Supervised Learning)

یادگیری خود نظارتی روشی است که در آن، مدل‌های هوش مصنوعی سیگنال‌های نظارتی اختصاصی خود را از داده‌ها می‌سازند. تکنیک‌ها و رویکردهای رایج در الگوریتم‌های یادگیری خودنظارتی شامل موارد زیر هستند:

• داده افزایی: در رویکرد دیتا آگمنتیشن (Data Augmentation)، هدف افزودن داده به داده‌های موجود است. بنابراین، مثلا یک مدل می‌تواند قسمت‌های گمشده یک تصویر (ترمیم تصویر) را پیش‌بینی کند یا از طیق خواندند بخشی از متن، مضمون آن را بفهمد.
• وظایف مُستَمسِک: پری‌تکست تسک (Pretext Tasks) که در برخی از منابع فارسی، وظایف مُستَمسِک (به‌معنای دستاویز) ترجمه شده، تکنیکی است که از داده‌های بدون برچسب، برچسب تولید می‌کند و این کار هم ارتباط مستقیمی با وظایف پایین‌دستی که خواهان حل‌شان هستیم، ندارد. در این روش از الگوریتم یادگیری خود نظارتی، مدل مورد نظر، وظایف کمکی خود نظیر پیش‌بینی کلمه بعدی در یک جمله یا تشخیص مضمون از یک متن را می‌سازد. این وظایف در واقع به‌عنوان اهداف میانی عمل کرده و در یادگیری بازنمایی‌های مفید به مدل ما کمک می‌کنند.

الگوریتم‌های تکاملی (Evolutionary Algorithms)

الگوریتم‌های تکاملی، فرآیند انتخاب طبیعی را جهت بهینه‌سازی جمعیتی از ایجنت‌های هوش مصنوعی برای یک کار خاص، شبیه‌سازی می‌کنند. در این نوع از الگوریتم‌های ای آی، احتمال «بقا» و تولید فرزندانی با ویژگی‌های مشابه در ایجنت‌های دارای عملکرد بهتر، بیشتر است. در طول نسل‌ها، این الگوریتم‌ها عملکرد جمعیت را بهبود می‌بخشند.

تکامل عصبی (Neuroevolution)

الگوریتم تکامل عصبی در AI، شبکه‌های عصبی و الگوریتم‌های تکاملی را با یکدیگر ترکیب می‌کند. این امر برای بهینه‌سازی عملکرد ایجنت‌های هوش مصنوعی در وظایفی نظیر بازی کردن یا کنترل رباتیک، باعث تکامل ساختارها یا پارامترهای شبکه عصبی می‌شود.

یادگیری متا (Meta-Learning)

متا لرنینگ یا یادگیری متا تکنیکی است که با استفاده از آن، مدل‌های ای آی نحوه یادگیری را یاد می‌گیرند. در این الگوریتم، مدل‌ها از طریق انجام تسک‌های مختلف، استراتژی‌ها و دانشی را کسب می‌کنند که به آن‌ها اجازه می‌دهد با وظایف جدید و ناآشنا سریعا خودشان را تطبیق دهند.

یادگیری مستمر (Continual Learning)

الگوریتم‌های کانتینیوآل لرنینگ یا یادگیری مستمر بر توانایی سیستم‌های Artificial Intelligence در جهت کسب دانش جدید به‌صورت تدریجی در طول زمان و بدون فراموش کردن اطلاعات آموخته‌شده قبلی، تمرکز دارند.

تکنیک‌هایی مانند تثبیت وزن الاستیک (elastic weight consolidation) یا به‌طور خلاصه EWC، برای جلوگیری از فراموشی فاجعه‌آمیز در الگوریتم‌ها کاربرد دارند.

مکانیزم‌های توجه (Attention Mechanisms)

اتنشن مکانیزم یا مکانیسم‌های توجه، الگوریتم‌هایی هستند که با فراهم‌آوری قابلیت تمرکز بر بخش‌های خاصی از داده‌های ورودی برای مدل‌های هوش مصنوعی،  توانایی آن‌ها در یادگیری الگوهای مرتبط را افزایش می‌دهند. مدل‌های ترانسفورماتور که به‌طور گسترده در شاخه پردازش زبان طبیعی استفاده می‌شوند، بر مکانیسم‌های توجه متکی هستند.

نمونه برنامه‌ها و اپلیکیشن‌های هوش مصنوعی

هوش مصنوعی می‌تواند به گونه‌های مختلفی از چت‌بات‌ها گرفته تا اپلیکیشن‌های مسیریابی و ردیاب‌های تناسب‌اندام پوشیدنی، در دنیای امروز ما حضور داشته باشد. در این قسمت، نمونه‌های استفاده از Artificial Intelligence در اپلیکیشن‌ها و برنامه‌ها را برررسی می‌کند.

چت جی‌پی‌تی (نسخه‌های مختلف GPT)

ChatGPT یک چت بات هوش مصنوعی است که می‌تواند به تولید زبان‌های طبیعی، ترجمه، پاسخ به سوالات و تولید محتوای متنی به‌شکل‌های متنوعی از جمله مقاله و کد بپردازد. این ابزار که در نوامبر ۲۰۲۲ توسط شرکت اوپن ای آی (OpenAI) عرضه شد، با استفاده از مدل زبانی بزرگ اخصاصی آن به‌نام GPT، نحوه نوشتن انسان را شبیه‌سازی می‌کند. نسخه iOS این اپلیکیشن در می ۲۰۲۳ (اردیبهشت ۱۴۰۲) و نسخه اندروید آن در جولای ۲۰۲۳ (تیر ۲۰۲۳) به بازار عرضه شدند.

با اینکه چت جی‌پی‌تی در حال حاضر محبوب‌ترین ابزار AI است، اما شرکت اوپن ای‌آی موج حضور در دنیای هوش مصنوعی را با ساخت GPTهای ۱ و ۲ و ۳ آغاز کرد. GPT مخفف “Generative Pre-trained Transformer” و به‌معنای «ترنسفورمر تولیدگر از پیش آموزش‌دیده» است. GPT-3 بزرگترین مدل زبانی هنگام عرضه در سال ۲۰۲۰ بود، اما آخرین نسخه این مدل به‌نام GPT-4 که از طریق ChatGPT Plus یا Bing Chat قابل دسترسی است، بیش از ۱ تریلیون پارامتر دارد.

گوگل بارد

گوگل بارد (Google Bard) یک چت‌بات هوش مصنوعی محصول گوگل است که بر اساس مدل زبانی بزرگ (LLM) اختصاصی این شرکت به‌نام LaMDA مخفف عبارت “Language Model for Dialogue Application” به‌معنای «مدل زبانی برای کاربردهای دیالوگی» کار می‌کند.

LaMDA در گوگل بارد و GPT در چت‌جی‌پی‌تی، نوعی شبکه عصبی است که معماری زیربنایی مغز را به‌شکل یک کامپیوتر تقلید می‌کند. گوگل بارد از گوگل سرچ (Google Search) که برای جستجوی اطلاعات در وب استفاده می‌شود، جداست. بر خلاف نحوه کار موتورهای جستجوی سنتی، بارد مکالمه‌ای است و به شما اجازه می‌دهد تا با نوشتن پرامپت، تصاویر یا متون نوشته‌شده مشابه نگارش انسانی را دریافت کنید. به همین خاطر، بارد را می‌توان نوعی هوش مصنوعی مکالمه‌ای (CIA) در نظر گرفت.

دستیارهای هوشمند

همانطور که تا اینجا چندین بار اشاره کردیم، دستیارهای هوشمند نظیر سیری، الکسا و کورتانا (Cortana) از پردازش زبان‌های طبیعی یا NLP برای دریافت دستورالعمل‌ها از کاربر جهت تنظیم یادآور، جستجوی آنلاین اطلاعات و کنترل نور خانه استفاده می‌کنند. در بسیاری از موارد، این دستیارها برای یادگیری ترجیحات کاربر و بهبود تجربه آن‌ها در طول زمان از طریق پیشنهاددهی‌های بهتر و پاسخ‌های متناسب با نیاز افراد طراحی شده است.

فیلترهای اسنپ‌چت

فیلترهای اپلیکیشن اسنپ‌چت از الگوریتم‌های ماشین لرنینگ در حوزه Artificial Intelligence برای تمایز میان سوژه عکس و پس‌زمینه، ردیابی حرکات صورت و تعدیل تصویر روی صفحه بر اساس فعالیت کاربر استفاده می‌کنند.

اتومبیل‌های خودران

اتومبیل‌های خودران به‌خاطر استفاده از شبکه‌های عصبی برای شناسایی اشیاء پیرامون خود، تعیین فاصله تا دیگر خودروها، شناسایی سیگنال‌های ترافیک و موارد بسیار دیگر، نوعی از یادگیری عمیق هستند. با اینکه امنیت اتومبیل‌های خودران یکی از دغدغه‌های اصلی کاربران متقاضی این نوع از خودروهاست، اما فناوری همچنان به پیشرفت‌های خود در حوزه ای آی ادامه می‌دهد.

وقتی صحبت از ماشین‌های خودران می‌شود، ابتدا ویژگی اتوپایلوت تسلا در خودروهای برقی آن به ذهن افراد خطور می‌کند، اما ویمو (Waymo)، محصول شرکت مادر گوگل به‌نام آلفابت (Alphabet)، به تولید سواری‌های خودمختاری نظیر تاکسی بدون راننده در سن فرانسیسکوی کالیفرنیا و فینکس آریزونا می‌پردازد. کروز (Cruise) یکی دیگر از سرویس‌های روبوتاکسی است و شرکت‌های خودروسازی نظیر اپل، آئودی، جنرال موتورز و فورد نیز کار روی این فناوری را آغاز کرده‌اند.

اتومبیل‌های خودران کروز و ویمو

گوگل مپس

گوگل مپس (Google Maps) نمونه دیگری از کاربرد AI است که از داده‌های مکانی اسمارت فون‌ها و همچنین داده‌های گزارش‌شده توسط کاربران درباره مواردی نظیر ساخت‌وساز یا تصادفات جاد‌ه‌ای، برای نظارت بر تغییرات ترافیکی و ارزیابی سریع‌ترین مسیر ممکن استفاده می‌کند.

پوشیدنی‌ها

سنسورها و دستگاه‌های پوشیدنی که در صنعت بهداشت و سلامت مورد استفاده قرار می‌گیرند نیز از یادگیری عمیق برای ارزیابی وضعیت سلامت بیمار از جمله سطح قند خون، فشار خون و ضربان قلب استفاده می‌کنند. این نوع از ابزارهای ای آی همچنین الگوهای موجود در اطلاعات سابقه بیمار را استخراج کرده و آن‌ها را برای پیش‌بینی هر گونه وضعیت سلامتی در آینده به‌کار می‌گیرند.

میو زیرو

MuZero یک برنامه کامپیوتری محصول شرکت دیپ مایند است که یکی از پیشگامان دستیابی به هوش مصنوعی عمومی (AGI) محسوب می‌شود. این اپلیکیشن توانسته در بازی‌هایی که هیچ آموزشی برای انجام دادن آن‌ها دریافت نکرده است از جمله شطرنج و کل محصولات بازی‌های آتاری، از طریق رویکرد بروت فورس (Brute Force) و انجام آن‌ها برای میلیون‌ها بار، برنده شود.

کدام شرکت‌ها روی توسعه هوش مصنوعی کار می‌کنند؟

با اینکه هوش مصنوعی مولد (GAI) سردمدار پیشرفت‌های AI در سال ۲۰۲۳ است، اما شرکت‌های برتر دیگر نیز در حال توسعه مدل‌های خود هستند. در این قسمت، به معرفی این کمپانی‌ها می‌پردازیم.

اوپن ای‌آی (OpenAI)

اوپن ای‌آی یک شرکت تحقیقات هوش مصنوعی غیرانتفاعی است که در سال ۲۰۱۵ توسط تعدادی از سرمایه گذاران سیلیکون ولی تاسیس شد و سم آلتمن (Sam Altman) و ایلان ماسک (Elon Musk) به‌عنوان اعضای اولیه هیئت مدیره آن آغاز به‌کار کردند. مایکروسافت از جمله شرکت‌هایی است که در سال ۲۰۱۹ معادل ۱ میلیارد دلار و در سال ۲۰۲۳ معادل ۱۰ میلیارد دلاری سرمایه گذاری روی اوپن‌ای‌آی انجام داده است.

این شرکت با عرضه ابزارهای هوش مصنوعی مولد خود با دسترسی عمومی رایگان نظیر چت‌بات ChatGPT و جنریتور تصویر DALL-E 2، توانسته به پرچمدار رقابت AI تبدیل شود. از دیگر محصولات این شرکت می‌توان مدل تشخیص گفتار ویسپر (Whisper) برای شناسایی، ترجمه و تبدیل گفتار به متن زبان‌های مختلف را نام برد.

آلفابت (Alphabet)

شرکت مادر گوگل که آلفابت نام دارد، از طریق برخی از شرکت‌های زیرمجموعه خود از جمله دیپ مایند، ویمو و حتی خود گوگل، در حال توسعه سیستم‌های ای آی مختلف است.

دیپ مایند با ارائه راه‌حل‌های علمی خود، همچنان در مسیر توسعه هوش مصنوعی عمومی قرار دارد. این شرکت مدل‌های یادگیری ماشینی را برای اپلیکیشن داکیومنت ای آی (Document AI) توسعه، تجربه بینده در یوتیوب را ارتقاء و نرم افزار سیستم آلفا فولد (AlphaFold) را برای تحقیقات جهانی در دسترس همگان قرار داده است.

با اینکه شاید هر روز خبر جدیدی از پیشرفت‌های هوش مصنوعی آلفابت در رسانه‌های نشنویم، اما فعالیت‌های این شرکت به‌طور کلی در حوزه AI و دیپ لرنینگ، پتانسیل تغییر در آینده بشریت را در خود دارد.

مایکروسافت (Microsoft)

مایکروسافت در کنار ساخت دستیار Capilot برای محصولات و خدمات Microsoft 365، دارای مجموعه ابزارهای هوش مصنوعی دیگری برای توسعه‌دهندگان پلتفرم محاسبات ابری آزور (Azure) نظیر پلتفرم‌هایی جهت توسعه یادگیری ماشینی، تحلیل داده و هوش مصنوعی مکالمه‎‌ای و همچنین API قابل شخصی‌سازی جهت دستیابی به برابری انسانی در دید، گفتار و زبان کامپیوتری است.

مایکروسافت همچنین با سرمایه گذاری عظیم خود در توسعه‌های شرکت اوپن ای‌آی، از GPT-4 در برنامه Bing Chat و همچنین نسخه پیشرفته‌تر DALL-E 2 برای اپلیکیشن Bing Image Creator استفاده می‌کند.

دیگر شرکت‌ها

موارد بالا، تنها تعداد انگشت‌شماری از کمپانی‌های فعال در حوزه ای آی هستند. از جمله دیگر شرکت‌های فعال در این صنعت می‌توان بایدو (Baidu)، علی‌بابا (Alibaba)، کروز (Cruise)، لنوو (Lenovo)، تسلا (Tesla) و بسیاری دیگر را نام برد.

کاربردهای هوش مصنوعی در صنایع و حوزه‌های مختلف

از ای آی در بازارها و صنایع مختلفی استفاده می‌شود که در این قسمت برخی از آن‌ها را بررسی می‌کنیم.

بلاک چین و ارز دیجیتال

کاربرد هوش مصنوعی در بلاک چین به‌خاطر اتکای هر دوی آ‌ن‌ها به ارزش و داده اجتناب‌ناپذیر است. یکی از مزیت‌های استفاده از AI در فناوری بلاکچین، کاهش حجم و مصرف انرژی سیستم‌های بلاک چینی است. از آنجایی که برای استخراج ارزهای دیجیتال به قدرت پردازشی زیادی نیاز است، هوش مصنوعی می‌تواند با ابزارهای پیش‌بینی خود، باعث کاهش حجم محاسبات و در نتیجه، انرژی مصرفی شود.

از دیگر کاربردهای ای آی در بلاک چین می‌توان تمرکززدایی اقتصاد داده، بهبود مدل‌های یادگیری بر بستر بلاک چین و معامله بهینه‌تر دارایی‌های دیجیتال را نام برد.

سلامت و پزشکی

از جمله بزرگترین انتظارات استفاده از Artificial Intelligence در حوزه بهداشت و سلامت، بهبود خروجی معاینه بیماران و کاهش هزینه‌هاست. شرکت‌ها برای تشخیص بهتر و سریع‌تر بیماری‌ها از یادگیری ماشینی استفاده می‌کنند. یکی از شناخته‌شده‌ترین فناوری‌های این حوزه، ابر کامپیوتر واتسون شرکت IBM است. این رایانه زبان‌های طبیعی را درک کرده و به سوالات پاسخ می‌دهد. این سیستم همچنین با داده کاوی اطلاعات بیمار و دیگر منابع در دسترس، به ارائه فرضیات پرداخته و سپس با یک طرح امتیاز‌دهی، آن‌ها را مرتب می‌کند.

دیگر اپلیکیشن‌های AI شامل استفاده از دستیارهای مجازی سلامت و چت‌بات‌ها برای کمک به بیماران و مشتریان این حوزه در یافتن اطلاعات پزشکی، زمان‌بندی مراجعه، درک فرآیندهای محاسبه مخارج و تکمیل دیگر فرآیندهای مدیریتی هستند. از فناوری‌های دیگری نیز برای پیش‌بینی، مبارزه و درک پاندمی‌هایی نظیر کووید-۱۹ استفاده می‌شود.

کسب‌وکار

الگوریتم‌های یادگیری ماشینی با ادغام در پلتفرم‌های تجزیه و تحلیل و مدیریت ارتباط با مشتری (CRM)، راه‌حل خدمت بهتر به مشتریان را مشخص می‌کنند. چت‌بات‌ها نیز در وبسایت‌ها گنجانده شده‌اند تا خدمت سریع‌تری در دسترس مشتریان قرار داشته باشد. انتظار می‌رود توسعه سریع ابزارهای هوش مصنوعی مولد نظیر ChatGPT، عواقب بسیار گسترده‌تری از جمله حذف مشاغل، منقلب‌ساختن طراحی محصول و مختل کردن مدل‌های کسب‌وکار را به‌همراه داشته باشد.

آموزش

از AI می‌توان برای خودکارسازی نمره‌دهی و فراهم‌آوری زمان آزاد بیشتر برای معلم‌ها جهت انجام دیگر وظایف استفاده کرد. در این حالت، هوش مصنوعی می‌تواند به ارزیابی دانش‌آموزان پرداخته و با درک نیازهایشان، به آن‌ها در انجام تکالیف کمک کند. آموزگاران هوش مصنوعی هم قادر به حمایت و پشتیبانی از دانش‌آموزان و تضمین روند یادگیری‌شان هستند.

ای آی همچنین می‌تواند مکان و نحوه یادگیری دانش‌آموزان را تغییر دهد و حتی جایگزین برخی از معلم‌ها شود. همانطور که در چت جی‌پی‌تی و بارد و دیگر مدل‌های زبانی بزرگ دیده‌ایم، هوش مصنوعی مولد می‌تواند به معلم‌ها در تهیه دوره آموزشی و دیگر ابزارهای مورد نیاز کمک کرده و دانش‌آموزان را به طرق جدیدی در دروس درگیر کند. ظهور اینگونه ابزارها همچنین باعث وادارسازی آموزگاران به تجدید نظر درباره تکالیف و آزمایش و بازبینی سیاست‌های سرقت ادبی می‌شود.

امور مالی

ورود Artificial Intelligence به اپلیکیشن‌هالی مالی شخصی نظیر Intuit Mint یا TurboTax، کار موسسات مالی را مختل کرده است. برنامه‌های این چنینی، داده‌های شخصی را جمع‌آوری کرده و به ارائه توصیه‌های مالی می‌پردازند. کاربرد هوش مصنوعی در امور مالی فراوان است.

علاوه بر این، از دیگر برنامه‌ها نظیر ابر رایانه واتسون IBM برای پردازش خرید خانه استفاده می‌شود. امروزه، نرم افزارهای هوش مصنوعی بخش اعظمی از معاملات در وال استریت را انجام می‌دهند.

حقوق

فرآیند کشف و غربال‌گری اسناد و مدارک در حوزه حقوق، کاری بسیار طاقت‌فرسا برای انسان است. اما استفاده از AI برای خودکارسازی فرآیندهای یدی صنعت حقوق، باعث صرفه‌جوی در وقت و بهبود خدمت‌رسانی به موکل‌ها شده است.

شرکت‌های حقوقی از ماشین لرنینگ برای توصیف داده‌ها و پیش‌بینی خروجی‌ها، از دید کامپیوتری برای طبقه‌بندی و استخراج اطلاعات از اسناد و مدارک و از NLP برای تفسیر درخواست‌های اطلاعاتی استفاده می‌کنند.

سرگرمی و رسانه

تجارت حوزه سرگرمی با استفاده از تکنیک‌های ای آی بخش‌هایی نظیر تبلیغات، پیشنهاددهی محتوا، توزیع، شناسایی کلاهبرداری، تولید نمایشنامه و ساخت فیلم را هدف قرار داده است.

روزنامه‌نگاری خودکار نیز کاربرد دیگری است که به کاهش زمان، هزینه و پیچیدگی جریان کاری اتاق‌های خبر کمک می‌کند. اتاق‌های خبر از AI برای اتوماتیک‌سازی وظایف روتین نظیر ورود داده، تصحیح نگارشی و املایی و همچنین تحقیق درباره موضوعات و تیتر نویسی استفاده می‌کنند. اینکه روزنامه‌نگاری چقدر می‌تواند برای تولید محتوا به ChatGPT و دیگر ابزارهای هوش مصنوعی مولد اتکا کند، جای بحث دارد.

کدنویسی و فناوری اطلاعات

از ابزارهای جدید Generative AI می‌توان برای تولید کدهای برنامه مبتنی بر پرامپت‌های زبان طبیعی استفاده کرد، اما این بخش همچنان در روزهای اول عمر خود قرار دارد و احتمالا ای آی به این زودی‌ها جایگزین مهندسان نرم افزار نخواهد شد. در حال حاضر، از هوش مصنوعی برای خودکارسازی بسیاری از فرآیندهای IT از جمله ورود داده، شناسایی تقلب، خدمات مشتری و همچنین نگهداری و تعمیرات پیشگویانه استفاده می‌شود.

امنیت

هوش مصنوعی و یادگیری ماشینی در صدر فهرست کلیدواژه‌های امنیتی هستند که فروشندگان برای بازاریابی محصولات خود از آن‌ها استفاده می‌کنند، بنابراین شما به‌عنوان خریدار باید بسیار مراقب باشید. با این حال، تکنیک‌های ای آی با موفقیت در جنبه‌های مختلف امنیت سایبری از جمله تشخیص ناهنجاری، حل مشکل مثبت کاذب (Fals-positive) و انجام تحلیل‌های تهدید رفتاری به‌کار گرفته می‌شوند.

سازمان‌ها برای تشخیص ناهنجاری‌ها و شناسایی فعالیت‌های مشکوک که نشان‌دهنده تهدید هستند، از یادگیری ماشین داخل نرم‌افزار اطلاعات امنیتی و مدیریت رویداد (SIEM) و حوزه‌های مرتبط استفاده می‌کنند. هوش مصنوعی با تجزیه و تحلیل داده‌ها و استفاده از منطق برای شناسایی شباهت‌ها در کدهای مخرب شناخته‌شده، می‌تواند هشدار حملات جدید و در حال ظهور را خیلی زودتر از کارکنان انسانی ارائه دهد.

تولید

تولید یکی دیگر از صنایع استفاده‌کننده از ربات‌ها در جریان‌های کاری است. مثلا، ربات‌های صنعتی که زمانی برای انجام وظایف تکی و جدا از کارکنان انسانی برنامه‌نویسی می‌شدند، امروزه به‌صورت کوبات (Cobot) یا در ترجمه فارسی، «همبات» عمل می‌کنند؛ ربات‌های کوچکتر و چندکاره‌ای که با انسان‌ها همکاری کرده و مسئولیت بخش‌های بیشتری از کارها در انبارها، کارخانه‌ها و دیگر محل‌های کاری را بر عهده دارند.

بانکداری

بانک‌ها امروزه برای اطلاع‌رسانی به مشتریان خود درباره خدمات و پیشنهادات و مدیریت تراکنش‌هایی که به دخالت انسانی نیاز ندارند، به‌صورت موفیت‌آمیزی از چت‌بات‌ها استفاده می‌کنند. در این حوزه، از دستیارهای مجازی مبتنی بر هوش مصنوعی برای بهبود و کاهش هزینه‌های تطابق با قوانین بانکداری استفاده می‌شود. سازمان‌های بانکی نیز از ای آی برای بهبود تصمیم‌گیری در خصوص وام‌ها، تعیین محدودیت اعتبار و شناسایی فرصت‌های سرمایه گذاری در حوزه‌های مختلف بهره می‌برند.

حمل و نقل

علاوه بر نقش بنیادین Artificial Intelligence در وسایل نقلیه خودگردان، از ابزارهای این شاخه از علم می‌توان در حوزه حمل و نقل برای مدیریت ترافیک، پیش‌بینی تاخیر پروازها و افزایش امنیت و کارایی مرسولات دریایی استفاده کرد.

در بخش زنجیره تامین، ای آی جایگزین روش‌های سنتی پیش‌بینی تقاضا و پیش‌بینی عوامل مختل‌کننده بازار خواهد شد؛ مانند روندی که با شیوع کووید-۱۹ شدت گرفت و بسیاری از شرکت‌ها تحت تاثیر یک بیماری همه‌گیر جهانی اثرگذار بر عرضه و تقاضای کالا، بی‌دفاع مانند.

کاربرد هوش مصنوعی در ایران

بر اساس گزارش پژوهشگاه فناوری اطلاعات و ارتباطات کشور، ایران تا ۱۰ سال دیگر در بین ۱۰ کشور برتر هوش مصنوعی قرار خواهد گرفت. به استناد داده‌های وبسایت NatureIndex، ایران از نظر انتشارات تحقیقات هوش مصنوعی بین سال‌های ۲۰۱۵ تا ۲۰۱۹، در رتبه سیزدهم، بالاتر از برزیل، هلند و روسیه، قرار دارد.

از طرفی، وبسایت SCImagojr که به سنجش ژورنال‌های علمی می‌پردازد، ایران را در رتبه ۱۵ام، بعد از برزیل و جلوتر از روسیه و ترکیه، از نظر تحقیقات منتشره در حوزه AI بین سال‌های ۲۱۵ تا ۲۰۱۹ قرار داده است.

با وجود فراوانی مقالات تحقیقاتی در این حوزه، به‌خاطر تحریم‌های شدید کشورهای غربی بر کسب‌وکارهای فعال در بازارهای ایران و همچنین آن‌هایی که به‌دنبال گسترش بازارهای خود از داخل ایران به خارج از کشور هستند، شرکت‌های ایرانی با مشکلات زیادی دست‌وپنجه نرم می‌کنند.

سوای این مشکلات، در حال حاضر هوش مصنوعی در ایران در حوزه‌های مختلفی نظیر تشخیص چهره، ساخت و طراحی سلاح‌های هوشمند، ساخت ربات‌ها و دستگاه‌های هوشمند در حوزه تولیدی و صنعتی، ارتقا سیستم‌های تشخیص گفتار همچون تبدیل متن به صوت و بالعکس و طراحی بازی‌ها و حوزه‌های کاربردی آموزش کاربرد دارد.

مثلا یکی از موفق‌ترین این نمونه‌ها، اپلیکیشن موقعیت‌یابی بلد با میلیون‌ها دانلود است. این برنامه با استفاده از هوش مصنوعی به «پیدا کردن بهترین مسیر برای مسافرت‌های درون شهری و برون شهری و همچنین انتخاب بهترین مکان‌ها برای تفریح و خدمات» کمک می‌کند. این اپلیکیشن جایگزین گوگل مپ محسوب می‌شود.

در حوزه رباتیک، پروژه ساخت ربات انسان‌نمای سورنا که از سال ۸۷ آغاز شد، بزرگترین خبر در حوزه توسعه‌های AI بود. نسخه سورنا ۱ با استفاده از یک متن از پیش‌نوشته‌شده قادر به صحبت بود و قابلیت کنترل از راه دور و توانایی راه رفتن در مسیرهای از پیش‌تعیین‌شده نیز برای آن وجود داشت. آخرین نسخه این ربات به‌نام سورنا ۴ در سال ۹۸ ساخته شد و خبرگزاری‌ها از تصمیم برای ساخت سورنا ۵ و ۶ به‌صورت همزمان خبر دادند. با این وجود، اطلاعات بیشتری از توسعه‌های این ربات‌ها در دست نیست.

در حوزه‌های دیگر مانند صنایع دفاع نیز شاهد کاربرد ای آی در ایران هستیم. چندی پیش، سردار سرتیپ پاسدار غلامرضا جلالی، با اشاره به تهدیدات سایبری و سوءاستفاده از ظرفیت‌های هوش مصنوعی در اغتشاشات سال گذشته در کشور، بر اولویت استفاده از هوش مصنوعی برای مقابله با تحرکات سایبری و تامین امنیت زیرساخت‌ها تاکید کرده بود. به گفته وی:

جمهوری اسلامی ایران استفاده از هوش مصنوعی را برای دفاع سایبری و تامین امنیت زیرساخت ها در اولویت قرار داده است.

وی در ادامه افزود:

در این راستا، تلاش برای استفاده از ظرفیت شرکت‌های دانش بنیان در دستور کار سازمان پدافند غیر عامل کشور قرار گرفته است.

هوش افزوده (Augmented Intelligence) چیست و چه تفاوتی با هوش مصنوعی دارد؟

به باور برخی از متخصصان، عبارت “Artificial Intelligence” رابطه بیش از حد نزدیکی با فرهنگ عمومی دارد که باعث ایجاد توقع نابه‌جا از نحوه تاثیرگذاری ای آی بر تغییر فضای کاری و زندگی به‌صورت کلی در میان عموم مردم شده است. به همین خاطر، این دسته از افراد استفاده از عبارت “Augmented Intelligence” برای نمایش تمایز بین سیستم‌های AI که واقعا خودگردان هستند (از جمه نمونه‌های محبوب می‌توان به ترمیناتور و شخصیت Hal 9000 در کتاب ۲۰۰۱: ادیسه فضایی که فیلمی به همین نام هم توسط استنلی کوبریک ساخته شده است اشاره کرد)، با ابزارهای ای آی که پشتیبان انسان‌ها محسوب می‌شوندرا  پیشنهاد داده‌اند.

بنابراین، تفاوت میان هوش افزوده و هوش مصنوعی را می‌توان اینگونه بیان کرد:

• هوش افزوده: به امید برخی از محققان و بازاریابان، واژه Augmented Intelligence که دارای معنای ضمنی خنثی‌تری است، به درک بهتر افراد از اینکه اکثر پیاده‌سازی‌های هوش مصنوعی ضعیف بوده (نوع Weak AI یا ANI) و صرفا باعث بهبود محصولات و خدمات می‌شوند، کمک خواهد کرد. از نمونه‌های این نوع ای آی می‌توان به جستجوی خودکار اطلاعات مهم در گزارشات هوش تجاری یا برجسته‌سازی اطلاعات مهم در شکایات حقوقی اشاره کرد. پذیرش سریع چت جی‌پی‌تی و بارد گوگل در صنایع مختلف، نشان‌دهنده تمایل افراد به استفاده از AI در جهت پشتیبانی از تصمیم‌گیری انسانی است.
• هوش مصنوعی: ای آی واقعی یا AGI با مفهوم تکینگی فناوری (Technological Singularity) در ارتباط است؛ آینده‌ای تحت سلطه یک ابر هوش مصنوعی که فرای توانایی مغز انسان در درک آن یا نحوه شکل‌گیری واقعیت ماست. این موضوع در حال حاضر علمی-تخیلی محسوب می‌شود، اما برخی از توسعه‌دهندگان در حال کار روی آن هستند. به باور بسیاری از افراد، فناوری‌هایی نظیر محاسبات کوانتوم نقش کلیدی در تبدیل AGI به واقعیت بازی کرده و ما باید از واژه AI تنها برای توصیف هوش عمومی استفاده کنیم.

مزایا و معایب هوش مصنوعی

به‌خاطر سرعت AI در پردازش حجم بالایی از اطلاعات و قدرت پیش‌بینی دقیق‌تر نسبت به انسان، فناوری‌های استفاده‌کننده از شبکه‌های عصبی مصنوعی و یادگیری عمیق در حال تکامل هستند. با اینکه حجم داده‌های تولیدی روزانه می‌توانند باعث غرق کردن یک محقق انسانی در خود شوند، اما برنامه‌های هوش مصنوعی با استفاده از تکنیک‌های مختلفی نظیر ماشین لرنینگ آن‌ها را به داده‌ها و اطلاعات مفید تبدیل می‌کنند.

با وجود این مزایا، هوش مصنوعی معایبی نیز دارد که یکی از آن‌ها، گران بودن پردازش داده‌های بزرگ است. در ادامه این قسمت، مزایا و معایب بیشتری از Artificial Intelligence را بررسی می‌کنیم.

مزایای AI

• عملکرد خوب در شغل‌های جزئیات‌محور: هوش مصنوعی به‌اندازه پزشکان در تشخیص سرطان‌های خاص از جمله سرطان سینه و ملانوما عملکرد خوبی دارد.
• کاهش زمان انجام وظایف داده‌محور حجیم: از AI در صنایعی که با حجم سنگینی از داده‌ها سر و کار دارند نظیر بانکداری و امنیت، داروسازی و بیمه برای کاهش زمان تحلیل مجموعه داده‌های بزرگ استفاده می‌شود. سرویس‌های مالی معمولا از ای آی برای پردازش برنامه‌های وام‌دهی و شناسایی کلاهبرداری استفاده می‌کنند.
• کاهش کار و افزایش بهره‌وری: یکی از نمونه‌های این مزیت، استفاده از اتوماسیون انبار است که طی پاندمی کرونا محبوب‌تر شد و انتظار می‌رود با یکپارچگی هر چه بیشتر AI و ماشین لرنینگ، افزایش یابد.
• تهیه نتایج یکسان: بهترین ابزارهای ترجمه AI دارای ثبات بالا هستند که حتی برای کسب‌وکارهای کوچک، توانایی دسترسی به مشتریان به زبان مادری آن‌ها را فراهم می‌کنند.
• بهبود رضایت مشتری از طریق شخصی‌سازی: هوش مصنوعی می‌تواند محتوا، پیام، تبلیغات، پیشنهادات و وبسایت‌ها را برای هر یک از مشتریان شخصی‌سازی کند.
• در دسترس بودن همیشگی عامل‌های مجازی مبتنی بر AI: برنامه‌های هوش مصنوعی نیازی به خوابیدن یا استراحت کردن ندارند، بنابراین همیشه به‌صورت ۲۴/۷ در دسترس هستند.

معایب AI

• گران بودن
• نیازمند تخصص فنی بالا
• تعداد پایین کارمندان شایسته و متخصص برای ساخت ابزارهای Artificial Intelligence
• انعکاس سوءگیری داده‌های آموزشی در مقیاس بالا
• عدم توانایی عمومی‌سازی از یک وظیفه به وظیفه دیگر
• حذف شغل‌های انسانی و افزایش نرخ بیکاری (البته این مورد جای بحث دارد)

چالش‌ها و محدودیت‌های هوش مصنوعی

با اینکه ای آی یکی از علوم مهم رو به تکامل است، اما محدودیت‌ها و چالش‌های مختص به خود را دارد. اندیشکده Pew Research Center، در سال ۲۰۲۱ از ۱۰,۲۶۰ آمریکایی نظرسنجی را در خصوص نگرش‌شان نسبت به AI تهیه کرد. بر اساس نتایج، ۴۵ درصد از شرکت‌کنندگان نسبت به هوش مصنوعی هم هیجان‌زده و هم نگران بودند، ۳۷ درصد بیشتر نگران بودند تا هیجان‌زده و بیش از ۴۰ درصد از این افراد اظهار داشته بودند که خودروهای بدون راننده، اتفاق بدی برای جامعه هستند. با این وجود، افراد دید بهتری نسبت به ایده استفاده از هوش مصنوعی برای شناسایی میزان گستردگی اطلاعات غلط در رسانه‌های اجتماعی داشتند و نزدیک به ۴۰ درصد از آن‌ها، این امر را به چشم یک اتفاق خوب می‌دیدند.

جنبه اخلاقی و توضیح‌پذیری

با اینکه ابزارهای AI طیف گسترده‌ای از عملکردها را برای کسب‌وکارها شامل می‌شوند، اما استفاده از این علم به‌خاطر تقویت آنچه را که فراگرفته است، سوال‌هایی را برمی‌انگیزد. مثلا، از آنجایی که الگوریتم‌های یادگیری ماشینی که البته زیربنای بسیاری از ابزارهای پیشرفته هوش مصنوعی محسوب می‌شوند، تنها به‌اندازه داده‌های دریافتی‌شان در حین دوره آموزش هوشمندی دارند، گستردگی استفاده از آن‌ها مشکل‌ساز می‌شود.

بنابراین هر فرد یا سازمانی که به‌دنبال استفاده از ماشین لرنینگ به‌عنوان بخشی از سیستم‌های تولیدی دنیای واقعی است، باید اخلاق را در فرآیندهای آموزشی هوش مصنوعی خود لحاظ کرده و درصدد جلوگیری از سوگیری‌ها باشد. این امر به ویژه در هنگام استفاده از الگوریتم‌های ای آی که ذاتا در اپلیکیشن‌های یادگیری عمیق و شبکه‌های متخاصم مولد (GAN) غیرقابل توضیح هستند، صدق می‌کند.

قابلیت توضیح (که در این مطلب نیز به‌عنوان یکی از جنبه‌های مهم اصول توسعه هوش مصنوعی مسئولیت‌پذیر از نظر مایکروسافت معرفی کردیم)، یکی از موانع بالقوه هنگام استفاده از Artificial Intelligence در صنایعی است که تحت قوانین انطباقی سخت‌گیرانه فعالیت می‌کنند. مثلا، موسسات مالی آمریکایی تحت قوانینی قرار دارند که آن‌ها را به توضیح تصمیمات اعتباردهی به مشتریان ملزم می‌سازد. بنابراین مثلا زمانی که تصمیمی در خصوص رد اعتبار توسط یک برنامه ای آی گرفته می‌شود، توضیح نحوه این تصمیم‌گیری به‌خاطر استفاده ابزارها از هزاران متغیر و دستکاری همبستگی بین‌شان، دشوار خواهد بود. حال زمانی که نتوان فرآیند تصمیم‌گیری را توضیح داد، به برنامه مربوطه اصطلاحا «ای آی جعبه سیاه» گفته می‌شود.

مورد اخلاقی دیگر، نتایج مختل‌کننده استفاده از شبکه‌های عصبی برای تولید تصاویر واقع‌گرایانه توسط ابزارهایی نظیر DALL-E 2 و Bing ست. این ابزارها قادر به تقلید صدا یا ساخت ویدیوهای دیپ فیک با استفاده از تصویر افراد هستند که تهدیدی برای اصل بودن محتوا محسوب می‌شوند.

مسئله اخلاقی دیگر، تشخیص چهره و نظارت توسط هوش مصنوعی و نحوه دخالت ابزارهای مرتبط با این حوزه در حریم خصوصی افراد است. به همین خاطر، بسیاری از خبرگان به‌دنبال ممنوعیت کامل این نوع ابزارها هستند.

جنبه قانونی و حاکمیتی

علی‌رغم وجود ریسک‌های بالقوه، در حال حاضر تعداد کمی قانون برای استفاده از ابزارهای AI وضع شده است و آنجایی هم که قانون وجود دارد، معمولا به‌صورت غیر مستقیم به هوش مصنوعی اشاره می‌کند. مثلا همانطور که در بخش قبل گفتیم، قوانین وام‌دهی منصفانه ایالات متحده، موسسات مالی را به توضیح درباره تصمیمات اعتباردهی به مشتریان بالقوه ملزم می‌کنند. این قانون، گستره اینکه وام‌دهان تا چه اندازه قادر به استفاده از الگوریتم‌های یادگیری عمیق که ذاتا دارای ابهام و عدم قابلیت توضیح هستند را محدود می‌کند.

در دیگر مناطق جهان مثلا اروپا، مقررات عمومی حفاظت از داده اتحادیه اروپا (European Union’s General Data Protection Regulation) درصدد قانون‌گذاری ای آی است. محدودیت‌های سختگیرانه GDPR در خصوص نحوه استفاده شرکت‌ها از داده‌های مصرف‌کنندگان، به‌خودی خود باعث محدودیت عملکرد و فرآیند آموزش بسیاری از برنامه‌های هوش مصنوعی سمت مشتری می‌شود.

قانون‌گذاران ایالات متحده هنوز به جمع‌بندی در خصوص قوانین حوزه Artificial Intelligence نرسیده‌اند، اما احتمال تغییر این وضعیت به‌زودی وجود دارد. راهنمایی به‌نام “Blueprint for an AI Bill of Rights” که در اکتبر سال ۲۰۲۲ (مهر ۱۴۰۱) توسط دفتر سیاست علم و فناوری کاخ سفید (OSTP) منتشر شد، کسب‌وکارها را در نحوه پیاده‌سازی سیستم‌های ای آی به‌صورتی اخلاق‌مدارانه راهنمایی می‌کند. اتاق بازرگانی (Chamber of Commerce) ایالات متحده نیز در گزارشی در مارس ۲۰۲۳ (اسفند ۱۴۰۱)، از نیاز به وضع قوانین برای این حوزه سخن گفته بود.

تکامل سریع فناوری‌های مبتنی بر هوش مصنوعی به‌دلیل نبود شفافیتی که باعث دشوار شدن درک نحوه تولید نتیجه توسط الگوریتم‌ها می‌شود نیز یکی دیگر از موانع ایجاد قوانین معنادار است. علاوه بر این، پیشرفت‌های فناورانانه و اپلیکیشن‌های بدیع نظیر چت‌جی‌پی‌تی و دال‌ای می‌توانند باعث بیهوده شدن قوانین موجود شوند. از طرف دیگر، قوانینی که دولت‌ها برای نظارت بر ای آی وضع می‌کنند هم باعث جلوگیری از استفاده مجرمان از ابزارهای این حوزه برای مقاصد خرابکارانه نمی‌وشود.

به‌طور خلاصه، چالش‌ها و موانع بر سر راه پیشرفت هوش مصنوعی را می‌توان به سوءگیری، به‌خاطر الگوریتم‌های دارای آموزش نامناسب و جهت‌گیری‌های انسانی، سوءاستفاده، به‌خاطر فیشنگ و دیپ فیک‌ها، نگرانی‌های حقوقی از جمه مشکلات افترا و کپی‌رایت، حذف مشاغل و نگرانی‌های مربوط به حریم خصوصی داده، خصوصا در حوزه بانکداری، سلامت و حقوق اشاره کرد.

هوش مصنوعی غیرمتمرکز، راهکاری برای رفع نگرانی‌ها

سوای افزایش آگاهی افراد نسبت به AI و خصوصا انواع مختلف آن شامل ضعیف و قوی فوق‌العاده و حتی روش‌هایی نظیر ماشین لرنینگ و دیپ لرنینگ که بسیاری از شرکت‌های برا توضیح رویکردهای خود نسبت به پیاده‌سازی این علم استفاده می‌کنند، نگرانی‌هایی در خصوص تاثیرگذاری آن بر زندگی روزمره ما وجود دارد که در بخش قبل نیز به آن اشاره کردیم.

پتانسیلی که آینده توسط پیشرفت‌های هوش مصنوعی به‌همراه دارد، برای افراد فعال در حوزه وب۳ جذاب‌تر است. مثلا ایرینا جادالله (Irina Jadallah)، هم‌بنیان‌گذار راه‌حل صدور بلیت توکن غیر مثلی و سرویس استریمینگ غیر متمرکز رویدادهای ورزشی به‌نام Ticketmeta، در مصاحبه‌ای گفته:

ای آی با سرعت بالایی در حال تبدیل شدن به خبر مهم قرن است. از چت جی‌پی‌تی گرفته تا سیری و الکسا و میلیون‌ها اپلیکیشن و ابزار و دیگر، تقریبا تمام مسائل پیرامون ما از جمله متاورس، تحت تاثیر هوش مصنوعی قرار گرفته‌اند. این علم با تسهیل تعاملات شناختی و طبیعی‌تر بین کاربران و اتفاقات مجازی پیرامون ما، پتانسیل منقلب کردن نحوه تعامل ما با دیگر دنیاهای مجازی را دارد.

البته تاثیر AI تنها به متاورس محدود نیست و همانطور که در بخش‌های مختلف این مطلب نیز اشاره کردیم، توانایی منقلب کردن حوزه‌های مختلف نظیر بازاریابی و امور مالی را نیز دارد.

تاثیر تمرکزگرایی و تمرکززدایی بر ای آی

مشابه هر چیزی، تمرکزگرایی ذاتا چیز بدی نیست، اما در خصوص ای آی مشکلاتی را به‌همراه دارد. زمانی که تنها تعداد محدودی از سازمان‌ها قادر به استفاده از هوش مصنوعی باشند، قدرت کنترل پیشرفت‌های آن را نیز در اختیار خواهند داشت که باعث به‌خاطر افتادن هر آنچیزی می‌شود که در حال حاضر مردم از آن ترس دارند.

این نگرانی در خصوص متمرکز بودن AI یکی از آن مواردی است که بسیاری از افراد فعال در این حوزه نسبت به آن هشدار می‌دهند. مارسلو ماری (Marcello Mari)، بنیان‌گذار شرکت مدیریت دارایی SingularityDAO که از ای‌آی برای مدیریت استراتژی‌های معاملاتی استفاده می‌کند، در مصاحبه‌ای گفته:

اگر از طریق سازمان‌هایی که از ای آی برای اهداف بازاریابی، نظامی یا امور مالی متمرکز استفاده می‌کنند و این کارشان به معنای کشتن کارآمدتر انسان‌ها، فروش محصولاتی که نیاز ندارید و پولدارتر کردن افراد ثروتمند است، به توسعه آن پشت درهای بسته ادامه دهیم، احتمالا نسل بعدی هوش مصنوعی نیز همین ارزش‌ها را منعکس خواهد کرد، درست است؟

در مقابل، ای آی غیر متمرکز می‌تواند در عین فراهم‌آوری مدل‌های متنوع‌تر برای انتخاب، قدرت نظردهی بیشتر در خصوص محصولاتی که افراد استفاده می‌کنند را به آن‌ها بدهد. به گفته آقای ماری:

اصلا به همین خاطر است که ما شرکتمان را در سال ۲۰۱۷ تاسیس کردیم، چون فکر کردن به اینکه AGI یا هوش مصنوعی فوق‌العادده بعدی چه شکلی خواهد بود، اهمیت بسیار زیادی دارد. برای اینکه ای آی خیرخواهانه باشد، باید یک لایه غیر متمرکز مضاعف داشت تا همه جامعه قادر به تاثیرگذاری بر آن و نسبت به توسعه‌های AGI دلگرم باشند.

حالا هوش مصنوعی غیر متمرکز می‌تواند از فناوری بلاک چین که در حال حاضر شهرت خوبی از نظر امنیت و شفافیت دارد، استفاده کند. به گفته آنا ایوانچنکو (Anna Ivanchenko)، هم‌بنیان‌گذار و مدیر عامل Ticketmeta:

تکنولوژی بلاک چین یک سیستم امن و باز برای نظارت بر اطلاعات و تضمین تغییر تاپذیری آن است. از بلاکچین برای ایجاد اعتبار و اعتماد استفاده می‌شود.

افراد به‌خاطر کنترل بلاک چین‌های عمومی توسط جامعه و نه یک مقام مرکزی، استفاده از آن‌ها را ترجیح می‌دهند. در این حالت، کدها به قانون تبدیل شده و سطحی از عدم نیاز به اعتماد را که در دیگر صنایع مشاهده نمی‌کنیم، اضافه می‌کنند.

به استناد کوین گکو (CoinGecko)، در حال حاضر، بیش از ۵۰ شرکت هوش مصنوعی مبتنی بر بلاک چینی وجود دارند و انتظار می‌رود این رقم طی سال‌های آتی به‌صورت نمایی افزایش یابد. از جمله این کمپانی‌ها می‌توان رندر (RNDR)، فچ ای آی (FET) و سینگولاریتی نت (AGIX) را نام برد که سردمدار پیشرفت‌ها در سال ۲۰۲۳ بوده‌اند.

شرکت SingularityDAO از جمله نمونه‌هایی است که در حال حاضر به‌طور دموکراتیک گونه‌ای توسط جامعه اداره می‌شود. اینکه افرادی دارای قدرت نظردهی باشند، عامل اصلی تمایز بین هوش مصنوعی متمرکز و غیرمتمرکز است. با ای آی متمرکز، کاربران عادی تاثیر ناچیزی بر نحوه عملکرد مدل‌های AI خواهند داشت.

البته مشابه هر فناوری جدیدی، کار کردن با Decentralized AI آسان نیست. این حوزه نیز چالش‌های مشابه ای آی متمرکز را دارد که به آن “Black Box” می‌گویند. همانطور که در خصوص «هوش مصنوعی قابل توضیح» در این مطلب گفتیم، رویداد «جعبه سیاه» یعنی نبود شفافیت در خصوص نحوه عملکرد مدل‌های ای‌آی در دستیابی به نتایج مورد انتظار.

مزایای هوش مصنوعی غیر متمرکز

ای آی غیر متمرکز به طرق مختلفی باعث بهبود امنیت می‌شود. مثلا، با استفاده از فناوری بلاک چین که رمزگذاری و تغییر ناپذیری را فراهم می‌کند، می‌توان امنیت و عدم تغییر داده‌ها را تضمین کرد. این نوع AI همچنین ناهنجاری‌ها یا الگوهای مشکوک در داده را حذف کرده و به‌عنوان یک سیستم هشداردهنده در برابر رخنه‌های بالقوه عمل می‌کند.

نیاز به ای‌آی غیرمتمرکز از ماهیت طراحی آن نشات می‌گیرد؛ به‌جای داشتن یک نقطه تکی آسیب‌پذیری، داده‌ها میان چندین نود توزیع می‌شوند که دستکاری یا دسترسی غیر مجاز آن را بسیار چالش‌برانگیز می‌کند.

هوش مصنوعی غیرمتمرکز حامی شفافیت و اعتماد در دنیایی است که هر روزه به داده‌ها وابسته‌تر می‌شود. سیستم‌های سنتی Artificial Intelligence غالبا دارای فرآیندهای تصمیم‌گیری مبهم هستند که مشکل اعتماد و پاسخگویی را به‌دنبال دارد. با این وجود، سیستم‌های ای آی غیر متمرکز نظیر SingularityNET به شفافیت ذاتی خود شناخته شده و هر تراکنش و تصمیمی را روی بلاک چین ثبت می‌کنند.

با اینکه Decentralized AI هنور در مراحل اولیه عمر خود به‌سر می‌برد، اما به‌خاطر شفافیتی که در ازای استفاده از فناوری بلاکچین در آن حاصل می‌شود، امیدها به رفع مشکل «بلک باکس» را افزایش داده است.

آیا هوش مصنوعی روزی جایگزین مشاغل و نیروی کار انسانی خواهد شد؟

احتمال جایگزینی نیروی کار امروزی با سیستم‌های هوش مصنوعی یک احتمال در آینده نزدیک است. با اینکه ای آی معمولی جایگزین تمامی مشاغل نخواهد شد، اما مسئله قطعی، تغییر ماهیت کار توسط این علم و باقی موارد، مربوط به سرعت و میزان تغییر فضای کاری توسط اتوماسیون است.

با این وجود، AI نمی‌تواند به خودی خود کار کند و با اینکه بسیاری از مشاغل دارای داده‌ی روتین و تکراری هستند که امکان خودکارسازی آن‌ها وجود دارد، اما کارمندان دیگر مشاغل با استفاده از ابزارهای ای آی مولد قادر به افزایش بهره‌وری و کارایی فعالیت‌های خود هستند.

البته متخصصان در خصوص سرعت عبور سیستم‌های هوش مصنوعی از توانایی‌های انسان نظر متفاوتی دارند. مثلا اتومیبل‌های کاملا خودران هنوز به واقعیت تبدیل نشده‌اند، اما بر اساس پیش‌بینی‌ها، صنعت حمل و نقل خودران به تنهایی جای بیش از ۵۰۰,۰۰۰ شغل در ایالات متحده را خواهد گرفت.

با این وجود، هزینه توسعه و پیاده‌سازی Artificial Intelligence در تمامی کسب‌وکارها یکی از موانع پیش‌روی عملی کردن جایگزینی ای آی با نیروی کار انسانی است. علاوه بر این، از دید مثبت، هوش مصنوعی خود قادر به ایجاد مشاغلی است که برخی از آن‌ها حتی در حال حاضر وجود هم ندارند. بنابراین، با توسعه هر چه بیشتر این حوزه، باید اثرات مثبت آن بر شغل‌آفرینی را نیز در نظر گرفت.

سخن پایانی

هوش مصنوعی AI یک علم و مهندسی است که علاقه‌مندان زیادی را به تحقیق در این حوزه جلب کرده است. هوش مصنوعی انواع مختلفی از نظر ماهیت و یادگیری شامل Strong AI و Weak AI و Super AI و همچنین انواع دیگری از نظر عملکرد شامل ماشین‌های واکنشی (Reactive Machines)، حافظه محدود (Limited Memory)، نظریه ذهن (Theory of Mind) و خودآگاه (Self-aware) دارد که دستیابی به همه آن‌ها با توجه به فناوری‌های فعلی موجود امکان‌پذیر نیست و هنوز راه طولانی در پیش داریم. در این مطلب، تعریف ای آی از نظر متخصصان، دانشمندان، محققان و شرکت‌های مختلف و همچنین تاریخچه تکامل آن از دهه ۴۰ میلادی تا سال ۲۰۲۳ را بررسی کردیم.

تهیه شده در بیت ۲۴

از ۱ تا ۵ چه امتیازی به این مطلب میدهید؟

• ۱
• ۲
• ۳
• ۴
• ۵

آخرین مطالب وبلاگ

تحلیل تکنیکال قیمت بیت کوین (آذر ۱۴۰۲)

وارن بافت کیست و چگونه ثروتمند شد؟ بیوگرافی کامل وارن بافت از کودکی

نرخ بهره و سود چه تفاوتی با یکدیگر دارند؟ بررسی دو مفهوم اقتصادی مهم

معرفی خانواده روتشیلد ؛ بیوگرافی ثروتمندترین خاندان روی کره زمین

پیشنهاد سردبیر

بهترین و آینده دار ترین ارزهای دیجیتال برای سرمایه گذاری در ۲۰۲۳

بهترین بازی های کریپتو ؛ کسب درآمد با بازی بلاک چین و ارز دیجیتال

کلاهبرداری طرح پانزی و طرح هرمی در ارز دیجیتال چیست؟

متاورس چیست؟ جامع‌ترین مقاله درباره متاورس

در اینستاگرام و تلگرام بیت۲۴ جدیدترین مطالب را به صورت خلاصه و روزانه دریافت کنید

اینستاگرام بیت ۲۴ تلگرام بیت ۲۴

قیمت‌های لحظه‌ای

تتر

( Tether)

↑ ۰.۴۰ %

$ ۱

بیت کوین

( bitcoin)

↑ ۵.۸۹ %

$ ۴۱۶۱۵.۴

اتریوم

( Ethereum)

↑ ۴.۱۱ %

$ ۲۲۲۷.۱۵

یو اس دی سی

( USDC)

↑ ۰.۴۰ %

$ ۰.۹۹۹۸۸

مشاهده ‌کامل بازارها

سوالات متداول

هوش مصنوعی یک علم یا مهندسی است که هدف آن، هوشمندسازی ماشین‌هاست. در علم هوش مصنوعی، تکنیک‌ها، روش‌ها و فرآیندهای مختلفی استفاده می‌شوند تا ماشین‌ها در سطوح مختلف قادر به شبیه‌سازی فرآیند شناختی و عملکردی مغز انسان باشند.

هوش مصنوعی در حالت کلی به ۷ نوع تقسیم می‌شود که از جنبه یادگیری و ماهیتی، ۳ نوع ای آی شامل ضعیف یا Weak یا Narrow AI، قوی یا Strong یا General AI و فوق العاده یا Super AI داریم. از جنبه عملکردی نیز هوش مصنوعی به ۴ نوع ماشین‌های واکنشی (Reactive Machines)، حافظه محدود (Limited Memory)، نظریه ذهن (Theory of Mind) و خودآگاه (Self-aware) تقسیم می‌شود.

علم هوش مصنوعی خود به زیرشاخه‌های دیگری تقسیم شده و و رشته‌هایی از جمله یادگیری ماشینی، شبکه عصبی و یادگیری عمیق، پردازش زبان‌های طبیعی، مدل‌های زبانی بزرگ، رباتیک، سیستم‌های خبره، دید ماشینی، دید کامپیوتری و چندین مورد دیگر را درگیر کرده است که در این مطلب به‌صورت جزئی‌تر به آن‌ها پرداختیم.

از جمله کاربردهای ای آی می‌توان به بلاک چین و ارز دیجیتال، سلامت و پزشکی، کسب‌وکار، سرگرمی و رسانه، بانکداری، حمل و نقل، تولید و موارد بسیار دیگر اشاره کرد.

اشتراک گذاری

افزودن نظر ( ۰)

نظر خود را بنویسید

پیام شما ثبت شد و بعد از تایید مدیر منتشر خواهد شد

دسترسی

+++

هوش مصنوعی (AI) چیست؟ آشنایی با سازوکار، انواع، مزایا و کاربردها

• توسط رومینا استکی
• ۸ فروردین ۱۴۰۲

اگر کمی هم به تکنولوژی، صنعت، علم و حتی هنر علاقه‌مند باشید، حتما عبارت هوش مصنوعی را در سال‌های اخیر شنیده‌اید. در پاسخ به سوال هوش مصنوعی چیست؟ در پاسخ باید گفت که این رشته شاخه‌ای گسترده از علوم کامپیوتر محسوب می‌شود که به‌طورخلاصه و ساده، هدفش تولید سیستم‌های هوشمند قادر به انجام فعالیت‌های نیازمند به هوش انسانی است. این فعالیت می‌تواند از نگارش همین محتوایی که در حال مطالعه هستید تا جراحی یا حتی آهنگسازی‌های ساده را در بر بگیرد.

به‌طور حتم در سال‌های آینده، هوش مصنوعی قطعا نقش فعال‌تری در زندگی روزمره‌ی ما بازی خواهد کرد. بنابراین آشنایی با ماهیت، انواع، مزایا و دیگر جزئیات مربوط به آن می‌تواند جذاب و حتی ضروری باشد. در این مقاله، ضمن بررسی کلی این تکنولوژی و معرفی جوانب آن، انواع مختلفش را مرور کرده و سپس به بیان کاربردها، مفاهیم، مزایا و غیره می‌پردازیم. با ما همراه شده و با یکی از انقلابی‌ترین تکنولوژی‌های حال حاضر دنیا آشنا شوید.

فهرست محتوا

ماهیت هوش مصنوعی چیست؟

به‌طورکلی هوش مصنوعی یا Artificial Intelligence و به‌اختصار AI عبارت از شبیه‌سازی فرآیندهای ذهنی و هوش انسانی توسط ماشین‌ها و کامپیوترها به‌منظور تکرار این فرآیند و نتایج حاصل از آن، بدون نیاز به انسان است.

علی‌رغم قرارداشتن پایه‌های هوش مصنوعی در علوم کامپیوتر، امروزه به آن، به‌عنوان یک علم میان‌رشته‌ای نگاه می‌شود. حتی ردپای علوم انسانی و پزشکی را نیز می‌توان در برخی شاخه‌های مطالعاتی و کاربردی آن دید. با‌این‌حال این علم، آنطور که شاید به‌نظر برسد از زندگی روزمره‌ی ما دور نیست. در خانه و کامپیوتر هر یک از ما، ردپای آن در محصولات برندهایی مانند گوگل، اپل و آمازون دیده می‌شود. هربار که Siri را در گوشی اپل و Alexa را در سیستم هوشمند خانگی آمازون خود صدا می‌زنید، درواقع در حال استفاده از هوش مصنوعی هستید.

امروزه حتی هنگام خرید نیز ممکن است فروشنده یا تولیدکننده، مدعی استفاده از AI در محصولش شود. منظور آن‌ها در بیشتر مواقع، حضور یکی از جوانب این تکنولوژی مانند ماشین لرنینگ یا یادگیری ماشینی (Machine Learning) در طراحی محصول است.

مکانیسم عملکرد هوش مصنوعی چیست؟

فارغ از تعریف علمی باید بدانیم که سازوکار یک ماشین هوش مصنوعی چیست؟ به‌طور‌ساده باید بگوییم اساس عملکرد این ماشین‌ها بر آنالیز داده‌های انبوه و سپس مدل‌سازی آن‌ها استوار است. آن‌ها سپس بر اساس مدل به‌دست‌آمده تصمیم یا نتیجه‌ی لازم را ارائه می‌دهند. مثلا جستجوی صوتی یا تصویری گوگل با آنالیز زبان، رنگ، المان‌ها و غیره انجام می‌شود تا مرتبط‌ترین نتایج منطبق با گفتار و مطالب موجود در اینترنت به مخاطب نمایش داده شود. گوگل برای این ویژگی و دیگر امکاناتش از چندین شرکت هوش مصنوعی کمک می‌گیرد.

هوش مصنوعی با گذشت ده‌ها سال از زمان مطرح شدنش، هنوز به‌طورکامل نتوانسته است خود را از نظارت و دخالت انسانی بی‌نیاز کند. هرچند در برخی موارد مانند بازی‌های ویدئویی، دیگر نیازی به نظارت انسانی نیست اما در بیشتر سیستم‌ها حضور انسان برای مدل‌سازی بهتر و تصحیح اشتباهات ضروری است.

مثالی از سازوکار هوش مصنوعی

برای درک بهتر عملکرد هوش مصنوعی یک ربات چت را تصور کنید. امروزه این ربات‌ها را با ورود به وب‌سایت‌های مختلف به‌ویژه وب‌سایت‌های فروشگاهی به‌وفور می‌بینیم. درحالی‌که تصور می‌شود شاید فردی در حال چت با شماست؛ اما در بیشتر مواقع، اینگونه نیست. این نرم‌افزارها، شامل تعداد زیادی پیام پیش‌فرض هستند که در زمان مناسب و در جواب به سوال یا درخواست مشخصی از شما به‌عنوان کاربر برای‌تان ارسال می‌شود. در‌واقع، یک ربات چت، تشخیص می‌دهد که در برابر چه کلمات، حروف و جملاتی، کدام جواب را ارسال کند.

برنامه نویسی هوش مصنوعی چیست؟

اجرای هر تکنولوژی هوش مصنوعی به برنامه‌نویسی به این زبان نیاز دارد. برنامه‌نویسی AI شامل سه بخش اصلی زیر است:

• یادگیری؛ در این بخش، قوانین و نحوه‌ی عملکرد یک سیستم AI در قالب الگوریتم‌های آن گنجانده شده و کل سیستم بر اساس الگوریتم‌هایش عمل می‌کند.
• استدلال؛ این بخش از برنامه‌نویسی AI تعیین می‌کند که کدام الگوریتم برای چه منظوری باید راه‌اندازی شود.
• اصلاح؛ این بخش از برنامه‌ی نوشته‌شده، خطاهای الگوریتم‌ها را تشخیص داده و بر ارائه‌ی هرچه دقیق‌تر جواب‌ها در هر بار استفاده متمرکز است.

آموزش هوش مصنوعی با پایتون و R جاوا اسکریپت و دیگر زبان‌های برنامه نویسی انجام می‌شود.

هوش مصنوعی قوی یا ضعیف

اما منظور از قوی (Strong) و ضعیف (Weak) در هوش مصنوعی چیست؟ در این بخش به این سوال پاسخ خواهیم داد.

AI قوی چیست؟

هوش مصنوعی قوی یا Strong AI ماشینی است که می‌تواند روی مسائل یا مشکلاتی کار کند که برای آن‌ها آموزش ندیده یا برنامه‌ریزی نشده است. این تکنولوژی، هوش مصنوعی را هرچه بیشتر به انسانی شبیه کرده که می‌تواند در لحظه با هر مسئله‌ای دست‌وپنجه نرم کند. به این شاخه از AI، هوش مصنوعی عمومی (Artificial General Intelligence) یا به‌اختصار AGI گفته می‌شود.

هدف اصلی AGI به‌طورخلاصه، تکرار و شبیه‌سازی توانمندی‌های شناختی مغز انسان است. توانمندی‌های شناختی مغز مبتنی بر منطق فازی (Fuzzy Logic) بوده و برای انتقال دانش حل مسئله از یک زمینه به زمینه‌ی دیگر استفاده می‌شوند. حتما می‌پرسید که معیار قوی بودن یک ماشین هوش مصنوعی چیست؟ در حالت تئوری، فرض دانشمندان بر این است که اگر ماشینی بتواند دو آزمون تورینگ یا بازی تقلید (Turing Test) و اتاق چینی (Chinese Room) را پشت سر بگذارد، می‌توان آن را AI‌ قوی قلمداد کرد. این دو تست برای ارزیابی میزان و قدرت هوش مصنوعی کامپیوترها و الگوریتم‌های آن‌ها طراحی شده‌اند.

AI قوی را اکنون باید تنها در شخصیت‌های فیلم‌های علمی‌تخیلی مانند شخصیت Data در Star Track ببینیم. دانشمندان در آزمایشگاه به نتایج محدودی درباره‌ی این تکنولوژی رسیده‌اند. آن‌ها اما مانند بسیاری از تکنولوژی‌هایی که امروز از آن‌ها استفاده می‌کنیم، امید دارند که AI قوی نیز قطعا روزی به واقعیت بدل شود. بسیاری نیز نگران نتایج غیرقابل‌کنترل اعمال ماشین‌هایی هستند که با موفقیت در راه‌اندازی کامل این تکنولوژی، ممکن است اتفاق بیفتد.

AI ضعیف چیست؟

اما نوع ضعیف هوش مصنوعی چیست؟ تابه‌امروز هر استفاده‌ای که از هوش مصنوعی کرده‌ایم، مربوط به این حوزه بوده است. به این شاخه، هوش مصنوعی باریک (Narrow AI) و Specialized AI نیز گفته می‌شود . منظور از AI ضعیف، کاربرد این تکنولوژی در شاخه‌ای خاص از تکنولوژی، صنعت، پزشکی یا هر زمینه‌ی دیگری است.

یک ماشین مجهز به هوش مصنوعی ضعیف، تنها قادر است که ذهن انسان را در رابطه با مهارت، چالش یا موضوعی خاص شبیه‌سازی کرده و بر اساس الگوریتم‌هایش مدل‌سازی کند. نمونه‌هایی از هوش مصنوعی ضعیف عبارتند از:

• سیری و الکسا و کلیه Assistant‌ های هوشمند
• ماشین‌های خودران
• جستجوی گوگل
• ربات‌های مکالمه‌ای
• فیلترهای اسپم ایمیل
• پیشنهاددهنده‌های محتوا در شبکه‌های اجتماعی مانند یوتیوب و گوگل

ماشین لرنینگ و دیپ لرنینگ دو المان مهم هوش مصنوعی

دو المان مهم مفهومی و تکنولوژیکی هوش مصنوعی ماشین لرنینگ و دیپ لرنینگ (Deep Learning) هستند. درحالی‌که بسیاری آن‌ها را به‌جای یکدیگر به‌کار می‌برند؛ اما ماهیت و کارکرد آن‌ها متفاوت است. در این بخش، این دو المان را معرفی می‌کنیم.

منظور از ماشین لرنینگ در هوش مصنوعی

منظور از ماشین لرنینگ در هوش مصنوعی چیست؟ ماشین لرنینگ فرایندی است که طی آن، داده‌های یک الگوریتم توسط کامپیوتر و تکنیک‌های آماری تغذیه می‌شوند. هدف از این کار، کمک به یادگیری و بهبود تدریجی عملکرد الگوریتم است. این الگوریتم لزوما برای انجام یک کار خاص برنامه‌ریزی نشده است؛ اما به‌واسطه‌ی این سازوکار می‌تواند به تدریج، روند انجام آن را فرا بگیرد.

به یک الگوریتم Machine Learning به‌اختصار ML گفته می‌شود. این الگوریتم از داده‌های قبلی و ساختاریافته به‌منظور پیش‌بینی مقادیر خروجی خود استفاده می‌کند. بر این اساس، ماشین لرنینگ خود به دو نوع زیر تقسیم می‌شود:

• یادگیری نظارت‌شده یا supervised learning که در آن، نتایج بر اساس داده‌های ورودی برچسب‌گذاری‌شده یا ساختاریافته از قبل مشخص هستند.
• یادگیری غیرنظارت‌شده یا unsupervised learning که در آن از داده‌های بدون برچسب یا غیرساختاری استفاده می‌شود. نتایج این الگوریتم، غیرقابل‌پیش‌بینی هستند.

منظور از دیپ لرنینگ در هوش مصنوعی

اما منظور از دیپ لرنینگ (Deep Learning) در هوش مصنوعی چیست؟ این الگوریتم، نوعی الگوریتم ماشین لرنینگ است که داده‌های ورودی خود را با الهام از مدل‌های شبکه‌ی عصبی موجودات زنده اجرا می‌کند. این مدل‌ها از علم بیولوژی کپی می‌شوند. در یک شبکه‌ی عصبی، لایه‌های متعدد (حداقل سه لایه) وجود دارند. هریک از این لایه‌ها می‌توانند ورودی یا خروجی باشند. وظیفه‌ی نهایی آن‌ها نیز این است که داده‌ها را در سطوح متفاوتی پردازش کنند. این مکانیسم به الگوریتم، امکان یادگیری عمیق‌تر الگوی موردنظر را می‌دهند.

یک شرکت هوش مصنوعی عمیق تلاش می‌کند با کاربرد دیپ لرنینگ در الگوریتم‌های خود، مداخلات انسانی و نیاز به نظارت او را کاهش دهد. این الگوریتم، ویژگی‌های خودکار بیشتری نسبت یادگیری ماشینی داشته و امکان پردازش داده‌های بزرگتر را فراهم می‌کند. به‌این‌ترتیب می‌توان این دیپ لرنینگ را نوعی یادگیری ماشینی مقیاس‌پذیر دانست.

یادگیری عمیق همچنین قدرت بالایی در پردازش داده‌های غیرساختاری خام مانند تصاویر و متون دارد. چنین سیستمی می‌تواند با استفاده از ویژگی‌های سلسله‌مراتبی که برایش تعریف شده، این نوع داده‌ها را به‌راحتی و با دقت و سرعت بیشتری طبقه‌بندی کند.

بیشتر بخوانید: میکرولرنینگ چیست و چه کمکی به یادگیری می کند؟

انواع ماشین های هوش مصنوعی

از سال ۲۰۱۶ و بر اساس پیشنهاد آرند هینتزه (Arend Hintze) استاد دانشگاه ایالتی میشیگان در رشته‌های زیست‌شناسی، علوم کامپیوتر و مهندسی، ماشین‌های هوش مصنوعی به چهار دسته تقسیم‌بندی شدند. این دسته‌بندی جزئیات بیشتری در مورد نوع و پیچیدگی وظایف یک سیستم AI ارائه می‌دهد. در ادامه، انواع هوش مصنوعی بر این اساس را بررسی می‌کنیم.

ماشین واکنشی

ماشین واکنشی یا Reactive Machine در هوش مصنوعی چیست؟ این سیستم از ابتدایی‌ترین مفاهیم هوش مصنوعی بهره می‌برد. همانطورکه از عنوان این ماشین پیداست، تنها قادر است از الگوریتم‌های خود برای درک و واکنش متقابل استفاده کند. Reactive Machine، حافظه‌ای ندارد و نمی‌تواند اطلاعات را ذخیره کند. بنابراین استفاده از داده‌های گذشته برای مدل‌سازی‌های بعدی نیز در آن منتفی است.

ماشین‌های واکنشی یا واکنش‌گرا برای انجام وظایف خاصی طراحی می‌شوند. محدودیت عملکرد و ادراک آن‌ها، سبب قابل‌اعتمادتر‌شدن نتایج حاصل از الگوریتم‌های‌شان می‌شود.

ماشین حافظه محدود

یک ماشین هوش مصنوعی حافظه محدود (Limited Memory) می‌تواند دادها و پیش‌‌بینی‌های قبلی ذخیره کند. اطلاعات هنگام مدل‌سازی‌ها و ارائه نتایج در دفعات بعدی اجرای الگوریتم‌ها به کمک سیستم آمده و نتایج آن را دقیق‌تر می‌کنند. هدف از طراحی چنین سیستمی به‌دست‌آوردن پیش‌‌بینی‌های محدود، درباره‌ی نتایج با توجه به داده‌های گذشته است.

یک سیستم هوش مصنوعی حافظه محدود با پرورش یک مدل و آموزش آن، برای تجزیه و تحلیل و نحوه استفاده از داده‌های جدید ساخته می‌شود. به‌این‌ترتیب مدل موردنظر قابلیت‌های عملکرد خودکار بیشتری نسبت به ماشین‌های واکنشی خواهد داشت.

اگر می‌پرسید که نحوه‌ی ساخت یک ماشین حافظه محدود هوش مصنوعی چیست؟ به‌طورساده باید به مراحل زیر اشاره کنیم:

• تولید داده‌های آموزشی برای ارائه به ماشین
• برنامه‌نویسی مدل ماشین لرنینگ
• تست و اطمینان از توانایی پیش‌بینی مدل
• اطمینان از توانایی مدل در دریافت بازخوردهای انسانی و محیطی
• ذخیره بازخوردهای انسانی و محیطی به‌عنوان داده
• تکرار چرخه‌ای پنج مرحله‌ی قبلی

ماشین تئوری ذهن

ماشین تئوری ذهن (Theory of the Mind) هنوز در حد تئوری بوده و بشر هنوز به توانایی‌های لازم برای شکوفایی پتانسیل‌های آن دست نیافته است. این تئوری بر یک فرضیه‌ی اساسی روانشناختی استوار است که می‌گوید رفتار فرد می‌تواند تحت تاثیر افکار و احساسات دیگران قرار بگیرد.

بر این اساس، محققان این حوزه در تلاش برای ساختن ماشینی هستند که بتواند احساس یا منظور موجودات زنده و دیگر ماشین‌ها را را درک کند. این ماشین از طریق تامل خودش (Self-Reflection) در مورد این اطلاعات، تصمیم‌گیری و عمل می‌کند. بنابراین با اختراع ماشین تئوری ذهن، ارتباط حسی در زمان واقعی بین ذهن انسان و هوش مصنوعی برقرار خواهد شد.

ماشین خودآگاهی

کلمه خودآگاهی را در روانشناسی و علوم انسانی زیاد می‌شنویم؛ اما منظور از آن در هوش مصنوعی چیست؟ به‌طور‌ساده باید گفت که پیدایش این ماشین، به پیدایش ماشین هوش مصنوعی تئوری ذهن وابسته است. ماشین هوش مصنوعی، خودآگاهی (Self-Awareness) درحال‌حاضر حد نهایت پیشرفت این تکنولوژی تلقی می‌شود. سطح آگاهی چنین ماشینی در حد انسان بوده و از وجود خود در جهان و حضور دیگران و وضعیت احساسی و ذهنی‌شان آگاه است.

در حالت ایده‌آل یک ماشین خودآگاه می‌تواند بفهمد که نیازهای دیگران نه‌فقط به‌واسطه‌ی داده‌های ورودی؛ بلکه بر اساس نوع رفتار، حالت چهره، حالت صدا و به‌طورکلی نحوه‌ی برقراری ارتباط آن‌ها چیست. لازمه‌ی پیشرفت در این زمینه، پیش از هرچیز این است که مکانیسم هوشیاری و خودآگاهی در انسان درک شود. عرصه‌ای که هنوز، ناشناخته‌های زیادی برای دانشمندان دارد. پس‌ازآن لازم است که مدل‌هایی برای تکرار و پیاده‌سازی فرآیند خودآگاهی در ماشین هوش مصنوعی طراحی شوند.

نمونه هایی از کاربردها و چند شرکت هوش مصنوعی

همانطورکه تاکنون نیز متوجه شده‌اید، هوش مصنوعی در میانه‌ی راه خود قرار دارد. برخی اهداف و جنبه‌های آن محقق شده و برخی دیگر هنوز در مرحله‌ی تئوری هستند. هم‌اکنون تعداد زیادی شرکت هوش مصنوعی با محصولات متفاوت در حال فعالیت هستند. برای درک بهتر موقعیت فعلی این تکنولوژی و کاربردهایش در ادامه مثال‌هایی از آن را بررسی می‌کنیم.

ChatGPT

ربات چت جی‌پی‌تی یک ربات، توسعه‌یافته با هوش مصنوعی است که قادر است محتوای نوشتاری در قالب‌های مختلف تولید کند. این قالب‌ها از مقاله گرفته تا کدهای برنامه‌نویسی و پاسخ به سوالات ساده را در بر می‌گیرند. شرکت هوش مصنوعی OpenAI در ماه نوامبر ۲۰۲۲ این محصول را با استفاده از یک مدل زبانی تولید کرد که قادر به تقلید بسیار عالی متون نوشته‌شده توسط انسان است. برای مطالعه‌ی بیشتر دراین‌باره مقاله‌ی ChatGPT چیست و چگونه کار می‌کند؟ را به شما توصیه می‌کنیم.

گوگل مپ

اگر می‌پرسید که رابطه‌ی گوگل مپ و هوش مصنوعی چیست؟ باید بگوییم همه‌چیز! گوگل مپ یکی از شناخته‌شده‌ترین محصولات نرم‌افزاری توسعه‌یافته با هوش مصنوعی است. نقشه‌های گوگل بر اساس داده‌هایی تدوین یافته‌اند که از موقعیت مکانی گوشی‌های هوشمند و نیز داده‌های گزارش‌شده توسط خود کاربران تهیه می‌شوند. وضعیت ترافیکی جاده‌ها، تصادف و بسته شدن موقت جاده، نمونه‌هایی از این داده‌ها هستند. گوگل مپ با استفاده از هوش مصنوعی است که می‌تواند سریع‌ترین و کوتاه‌ترین مسیر، زمان تقریبی رسیدن شما به محل و دیگر جزئیات را به شما ارائه کند.

دستیارهای هوشمند

به Smart Assistant ‌ها در بخش‌های قبلی مقاله نیز اشاراتی کردیم. سیری، الکسا و کورتانا (متعلق به شرکت مایکروسافت) معروف‌ترین‌های این صنعت هستند. اما رابطه‌ی آن‌ها با هوش مصنوعی چیست؟ این دستگاه‌ها از الگوریتم‌های هوش مصنوعی پردازش زبان طبیعی (Natural Language Processing) یا به‌اختصار NPL برای دریافت دستورالعمل‌های صوتی از کاربران استفاده می‌کنند. خدمات آن‌ها مواردی مانند یادآوری، جستجوی اطلاعات آنلاین و کنترل نور محیط را شامل می‌شود. هوش مصنوعی دستیارهای هوشمند، قادر به بهبود عملکرد خود و ارائه‌ی پیشنهادهای بهتر با ذخیره‌ی اطلاعات قبلی و مدل‌سازی ترجیحات کاربران است.

فیلترهای اسنپ چت

همانطورکه می‌دانید اسنپ چت، یک اپلیکیشن پیام‌رسان و شبکه اجتماعی است که از طریق آن می‌توان پیام‌های تصویری، ویدئوی و متنی ارسال کرد. ویژگی اصلی این اپلیکیشن، ناپدیدشدن پیام‌ها پس از مشاهده توسط دریافت‌کننده است. اسنپ چت از الگوریتم‌های ماشین لرنینگ برای تمایز سوژه‌ی تصویری (پیام تصویری موردنظر) و پس‌زمینه استفاده می‌کند. به این ویژگی، فیلتر اسنپ چت گفته می‌شود.

ماشین‌های خودران

در یک ماشین خودران نقش هوش مصنوعی چیست؟ در این صنعت، هوش مصنوعی همه‌کاره است. چنین خودرویی از الگوریتم‌های یادگیری عمیق برای شناسایی اشیاء و خودروهای اطراف، تعیین فاصله‌ی ایمن، سرعت لازم، شناسایی مسیر، شناسایی علائم رانندگی و غیره استفاده می‌کند. به‌عنوان مثال، ویژگی اتوپایلوت (Autopilot) در خودروهای شرکت تسلا و سوپرکروز (Super Cruise) در برخی محصولات جنرال موتورز از هوش مصنوعی استفاده می‌کنند.

گجت های پوشیدنی

حسگرها و دستگاه‌های دیجیتال پوشیدنی امروزه کاربرد فراوانی در زندگی روزمره به‌خصوص با کاربردهای پزشکی پیدا کرده‌اند. آن‌ها می‌توانند فشار خون، ضربان قلب، قند خون و دیگر ویژگی‌های مربوط به سلامتی‌تان را به شما گزارش کنند. این دستگاه‌ها گزارش‌های خود را با استفاده از داده‌های پزشکی قبلی‌تان به‌دست می‌آورند که با تکنولوژی جمع‌آوری شده‌اند.

نقش هوش مصنوعی در یادگیری

یکی از مهم‌ترین کاربردهای AI در صنعت آموزش است. این تکنولوژی در سال‌های اخیر آموزش شخصی‌سازی‌شده، سریع، جذاب، اینتراکتیو و چند بعدی را بیش‌ازپیش محقق کرده و به‌خصوص در دوران کرونا پتانسیل‌های خود را بیشتر نشان داد. درحال حاضر تعداد زیاد شرکت هوش مصنوعی با تمرکز بر کاربردهای آن در آموزش در دنیا فعال بوده و حتی بودجه‌های دولتی دریافت می‌کنند. هدف آن‌ها به‌طور‌خلاصه، بهبود تجربه‌ی آموزش برای سازمان، مدرس و فراگیر از جهات مالی، علمی و غیره است. در ادامه، نقش هوش مصنوعی در یادگیری را با بررسی پنج فاکتور مهم، بررسی می‌کنیم.

آموزش شخصی سازی شده

یکی از مهم‌ترین معضلات آموزش، شباهت روش و محیط یادگیری برای همه‌ی فراگیران است. این در حالی است که مغز هر فرد، الگوها و عادات یادگیری متفاوتی دارد. اگر می‌پرسید که در این زمینه فایده‌ی هوش مصنوعی چیست؟ باید گفت که ماشین‌های AI، علایق، توانمندی‌ها، اولویت‌ها و دیگر اطلاعات در مورد فراگیران را دریافت کرده و فرآیند یادگیری را برای آن‌ها شخصی‌سازی می‌کنند. یک نمونه‌ی پیشرو از کاربرد AI در آموزش، پروژه‌ی ملی آموزش در کشور استونی است.

آموزش مدرس

دیگر کاربرد هوش مصنوعی در یادگیری، آموزش و توسعه‌ی علمی، مدیریتی و فردی مدرس است. چالشی که آموزش، همواره با آن مواجه بوده و یکی از دلایل افت کیفیتش محسوب می‌شود. تکنولوژی AI‌ می‌تواند به توسعه‌ی شبکه‌های کامپیوتری و اینترنتی منجر شود که مدرس بتواند از شیوه‌های جدید یادگیری آگاه شده و همواره بر لبه‌ی علمی حوزه‌ی آموزشی خود حرکت کند.

بیشتر بخوانید: مدرسه آنلاین چیست؟

رفع محدودیت زمانی آموزش

به کمک AI یادگیری دیگر به ساعات کلاس محدود نخواهد بود. به‌عنوان مثال دانش‌آموزان می‌توانند با استفاده از ربات‌های چت، سوالات علمی و سوالات مربوط به امور اداری آموزش را از سیستم هوش مصنوعی بپرسند. به‌این‌ترتیب، سرعت و کیفیت یادگیری افزایش یافته و در هزینه و زمان مدرس و موسسه‌ی آموزشی نیز صرفه‌جویی می‌شود.

بیشتر بخوانید: برگزاری کلاس آنلاین با تست رایگان

اتوماسیون امور آموزشی

نظرسنجی‌ها نشان می‌دهند که معلم‌های مدارس در کشورهای پیشرفته، حدود ۳۰ درصد از زمان خود را صرف امور اداری آموزش می‌کنند. برنامه‌ریزی آموزش، نمره‌دهی، حضور و غیاب و غیره نمونه‌هایی از این امور هستند. مشخص است که در‌این‌باره فایده هوش مصنوعی چیست؟ این موارد می‌توانند به کمک هوش مصنوعی تا حد زیادی به‌صورت خودکار انجام شوند. این صنعت حتی می‌تواند به کمک تصحیح آزمون‌ها و بررسی تکالیف دانش‌آموزان بیاید.

تولید محتوای هوشمند

به‌ویژه در آموزش مجازی، نقش محتوا بسیار پررنگ است. نقش هوش مصنوعی در یادگیری آنلاین و حتی حضوری از کمک به تولید محتوای آموزشی جذاب و سریع شروع شده و تا ایجاد محیط‌های مطالعاتی پیچیده، ادامه می‌یابد. نرم‌افزارهای آموزشی متعددی از AI برای تولید محتوای خود استفاده می‌کنند. نرم‌افزار آموزش مجازی زبان دولینگو، یک نمونه از آن‌هاست. تولید و طراحی مواردی مانند دروس دیجیتال، راهنمای مطالعه، تمرین و آزمون نیز می‌تواند به‌راحتی و با کمک الگوریتم‌های AI‌ انجام شود.

مزایای هوش مصنوعی چیست؟

هوش مصنوعی در بسیاری از زمینه‌ها تحقق رویاهای دیرینه انسان را بیش‌ازپیش به واقعیت نزدیک کرده است. بودجه‌های هنگفت صرف‌شده برای آن در چند سال اخیر، گواه این موضوع هستند. از مهم‌ترین مزایای این تکنولوژی می‌توان به موارد زیر اشاره کرد:

• توانایی پردازش حجم بسیار زیاد اطلاعات در مدت‌زمان بسیار اندک
• پردازش و نتیجه‌گیری از اطلاعات با دقتی بسیار بالاتر از هر ماشین و تکنولوژی دیگر
• توانایی پیش‌بینی بسیار بالا
• تسهیل زندگی روزمره و توسعه‌ی جهانی رفاه انسانی
• کمک به شفافیت اطلاعات

به‌عنوان مثال درحال‌حاضر در صنعت بانکداری، بیش از نیمی از شرکت‌های خدمات مالی از هوش مصنوعی برای مدیریت دارایی‌ها، درآمدزایی و کاهش ریسک سرمایه‌گذاری استفاده می‌کنند. هوش مصنوعی، هزینه‌های آن‌ها را در این زمینه‌ها به‌شدت کاهش می‌دهد. در صنعتی پزشکی نیز AI در کشف و توسعه واکسن‌ها، تشخیص دقیق‌تر بیماری‌ها و توسعه سیاست‌های بهداشتی کاربردهای فراوانی پیدا کرده است. رسانه‌ها و پلتفرم‌های شبکه‌ی اجتماعی نیز از هوش مصنوعی با هدف جلوگیری از سرقت ادبی و بهبود ویژگی‌های گرافیکی‌شان بهره می‌برند.

پذیرش عمومی؛ مهم ترین چالش هوش مصنوعی

اگر می پرسید که مهم‌ترین چالش هوش مصنوعی چیست؟ باید بگوییم ترس! درحال‌حاضر علاوه بر چالش‌های فنی، مالی و علمی AI، این تکنولوژی با چالش پذیرش عمومی روبه‌روست. نتایج نظرسنجی‌های مختلف به‌ویژه در آمریکا نشان می‌دهد که ۳۰ الی ۴۰ درصد مردم، نسبت به این تکنولوژی بدبین هستند. بسیاری از آن‌ها حتی اعتقاد دارند که AI می‌تواند بشریت را نابود کند.

حدود ۴۵ درصد افراد شرکت‌کننده در نظرسنجی‌ها نیز نگرانی‌هایی در مورد آینده‌ی هوش مصنوعی دارند. نگرانی عمومی از جایگزینی ربات‌ها با انسان در انجام کارها و افزایش نرخ بیکاری و نتایج ناگوار ناشی از خطا در توسعه‌ی این تکنولوژی به‌خصوص در پزشکی و اتوموبیل‌های خودروان، برخی چالش‌های پیش روی هر شرکت هوش مصنوعی هستند.

آینده هوش مصنوعی

با توجه به توضیحات ارائه شده سوال مهم و عمومی این است که در آینده‌ی نزدیک جوامع انسانی نقش هوش مصنوعی چیست؟ واقعیت این است که زیرساخت‌ها و هزینه‌های محاسباتی، اجرایی و تحقیقاتی لازم برای تحقق کامل اهداف هوش مصنوعی، هنوز کاملا فراهم نشده‌اند. با‌این‌حال، روند پیشرفت این صنعت در دهه‌ی ۲۰۱۰ و ابتدای دهه‌ی ۲۰۲۰، نشان می‌دهد که سرعت پیشرفت AI در سال‌های اخیر، حتی از قانون مور (Moore) نیز بهتر بوده است. قانونی که در ارزیابی و پیش‌بینی پیشرفت صنایع تکنولوژیک، کاربرد داشته و می‌گوید که تعداد ترانزیستورهای روی یک تراشه، به‌طور متوسط هر دو سال یک بار، دوبرابر می‌شود. به همین دلیل، پیش‌‌بینی‌ها در مورد آینده هوش مصنوعی ، حاکی از شکوفایی کامل آن تا پیش از سال ۲۰۳۰ است. اتفاقی که برای اینترنت در ۱۰ سال گذشته رخ داد.

سخن آخر درباره AI

هوش مصنوعی چیست؟ این سوالی بود که تلاش کردیم در این مقاله، به‌طور کامل به آن پاسخ دهیم. Artificial Intelligence یکی از تکنولوژی‌های پیشرو در دنیای امروز ماست. این تکنولوژی تلاش می‌کند با طراحی و توسعه‌ی الگوریتم‌های یادگیری ماشینی، رفتار انسان را در ابتدا درک کرده و به آن پاسخ دهد. در حالت ایده‌آل نیز ماشین‌های توسعه‌یافته‌ی AI‌ می‌توانند مانند انسان رفتار کرده و حتی حالات و احساسات او را درک و تقلید کنند.

هوش مصنوعی هم‌اکنون نیز در زندگی بسیاری از ما حضور داشته و نشانه‌های حضور آن در گوشی‌های تلفن همراه، آموزش، پزشکی و دیگر صنایع، به‌وضوح دیده می‌شود. با وجود چالش‌ها و نگرانی‌های موجود، بیشتر کارشناسان، آینده هوش مصنوعی را درخشان و قابل‌مقایسه با جایگاه اینترنت در دنیای امروز می‌دانند.

++++

هوش مصنوعی چیست؟

توسط admin

درمقالات

نظرات

هوش مصنوعی Artificial intelligence  شاخه‌ای از علوم کامپیوتر است که در آن به ساخت ماشین‌هایی هوشمند پرداخته می‌شود که مانند انسان‌ها عمل می‌کنند و واکنش انجام می‌دهند.یک عامل هوشمند، سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را پس از تحلیل و بررسی افزایش می‌دهد. هوش مصنوعی در آینده‌ای نه چندان دور زندگی بیشنر انسان‌ها را تحت تاثیر قرار خواهد داد. بنا بر تحقیق معتبر دانشگاه آکسفورد که در سال ۲۰۱۳ انجام گرفته است؛ ۴۷ درصد از کل جایگاه‌های شغلی ایالات متحده در سال ۲۰۳۰ به شکل اتوماسیون و بدون حضور انسان انجام می‌گیرند. همچنین برنامه‌نویسان و مهندسان نرم‌افزار در ۲۰ سال آینده تنها ۸ درصد امکان اتوماسیون شغلشان وجود دارد. محققین براین باوراند که نهایتا مهندسان نرم‌افزار روزی با برنامه‌ای هوشمند جایگزین خواهند شد؛ برنامه ای که می‌تواند کدها را خود کپی کند، بنویسد و آن‌ها را بهبود بخشد.

آموزش و یادگیری چگونه انجام می‌شود؟

مهندسی دانش بخش بزرگی از پژوهش‌های مورد نیاز هوش مصنوعی را تشکیل می‌دهد. ماشین‌ها در صورتی می‌توانند مانند انسان‌ها رفتار کنند که اطلاعات فراوانی از جهان اطراف خود داشته باشند.

یادگیری ماشین نیز یکی دیگر از بخش‌های اصلی هوش مصنوعی است. آموزش به ماشین به شکل‌های گوناگونی دسته بندی شده است. ساده ترین راه برای یادگیری ماشین روش “آزمون و خطا” است.  برای مثال، یک برنامه ساده برای کیش و مات کردن شاهِ حریف در یک بازی شطرنج را در نظر بگیرید. برنامه مهره‌های شطرنج را به صورت تصادفی آن قدر حرکت می‌دهد تا موفق به کیش و مات کردن طرف مقابل شود و در دفعه‌ی بعدی که همین مسئله‌  دوباره به کامپیوتر داده شود می‌تواند سریعاً مسئله را حل کند و پاسخ را بیابد.

هدف یادگیری ماشینی این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها بازدهی بالاتری در وظیفهٔ مورد نظر پیدا کند. گستردهٔ این وظیفه می‌تواند از تشخیص خودکار چهره با دیدن چند نمونه از چهرهٔ مورد نظر تا فراگیری شیوهٔ گام‌برداری برای روبات‌های دوپا با دریافت سیگنال پاداش و تنبیه باشد. یکی از پروژه‌های معروف یادگیری ماشینی، پروژه‌ی تشخیص سن از روی تصویرِ شرکت مایکروسافت است.

هوش مصنوعی به چند نوع تقسیم می‌شود؟

آنچه امروزه به هوش مصنوعی مشهور است به دو دسته‌ی “ANI” و “AGI” تقسیم می‌شود.

ANI

ANI مخفف Artificial Narrow Intelligence (هوش محدود مصنوعی) است و معمولاً به آن “هوش مصنوعی ضعیف” هم می‌گویند. این نوع هوش مصنوعی تنها می‌تواند در یک حیطه‌ی محدودی از تخصص فعالیت کند. برای مثال می‌توان به آبی بزرگ (Big Blue) اشاره کرد. ابر کامپیوتری که IBM در سال ۱۹۹۷ ساخت تا بزرگ‌ترین شطرنج بازان جهان را شکست دهد. آبی بزرگ یک کار را بسیار عالی انجام می‌دهد: شکست انسان در شطرنج. اما تخصص آن به همین مورد محدود می‌شود.

شاید تا به حال متوجه این موضوع نبوده باشید، ولی همین حالا هم توسط هوش مصنوعی ضعیف یا ANI محاصره شده‌ایم. ماشین‌هایی که عادات جستجوی شما در گوگل را ردگیری می‌کنند و بر اساس هزاران متغییر مختلف تبلیغات مناسب را برای شما به نمایش در می‌آورند، بر اساس ANI های ابتدایی ساخته شده‌اند که در طول زمان سلایق شما را یاد می‌گیرند. مثال دیگر فیلترهای هوشمند سرویس‌های ایمیل برای پاکسازی اینباکس شما از اسپم است. سیستم‌هایی که در یک لحظه بین میلیون‌ها پیام به جستجو می‌پردازند و تصمیم می‌گیرند که کدام یک واقعی است و کدام باید حذف شود.

هوش‌ مصنوعی امروزی کار‌هایی را انجام می‌دهد که از قبل برای آن برنامه ریزی شده ‌است. برای مثال دستیار‌های صوتی امروزه به صورتی برنامه ریزی شده‌اند که تنها قادر به نمایش وضعیت آب و هوا،ارسال پیام، تنظیم آلارم، پخش آهنگ و … باشند. آن‌ها کار‌هایی خارج از چیزی که برایشان از قبل تعریف شده انجام نمی‌دهند. آن‌ها فکر نمی‌کنند و دارای احساسات نیستند و برای جواب سوالاتی‌ که از آن‌ها می‌پرسیم برنامه‌ریزی شده اند. در واقع پایگاه داده‌ای از مجوعه‌ی سوال و جواب به آن‌ها داده شده است. شاید برای رفع این مشکل نیاز به شبیه سازی یک مغز مانند مغز انسان باشد! این گونه دستیار‌های صوتی، خود قادر به جمله سازی برای پاسخ به سوالات کاربران هستند و دیگر پاسخ‌های تکراری نمی‌دهند. (برخی از دستیار‌های صوتی مانند کورتانا، پاسخ برخی از سوالات پیچیده را در اینترنت جستجو می‌کند و جواب می‌دهند.)

ANI نسخه‌ی مفید و نسبتاً بی‌ضرر هوش ماشین است که می‌تواند به تمام بشریت سود برساند؛ زیرا اگرچه قادر به پردازش میلیاردها عدد و درخواست در یک زمان است، اما همچنان مقید به عمل در یک حیطه‌ی خاص است که آن عملکرد هم محدود به تعداد ترانزیستورهایی است که ما به آن اجازه می‌دهیم داشته باشد. در سمت دیگر، هوش مصنوعی‌ای که نگرانی بسیاری را بر انگیخته است “Artificial General Intelligence” (هوش عمومی مصنوعی) یا به اختصار AGI است.

AGI

ساختن چیزی که حتی با کمی اغماض بتوان نام AGI بر آن گذاشت می‌تواند بزرگترین دستاورد علوم کامپیوتر باشد و اگر روزی به آن دست پیدا کنیم، همه‌ی زوایای جهانی را که می‌شناسیم را تغییر خواهد داد. موانع زیادی برای رسیدن به هوش مصنوعی برابر با ذهن انسان وجود دارد. یکی از موانع این است که هرچند شباهت‌های زیادی بین نحوه‌ی عملکرد مغز ما و شیوه‌ی پردازش اطلاعات توسط کامپیوترها وجود دارد، اما وقتی نوبت به تفسیر اطلاعات مانند مغز انسان می‌رسد، ماشین‌ها عادت بدی دارند که بیش از حد به جزئیات توجه می‌کنند. شاید حکایت کسی که برای تفریح به طبیعت رفته بود و “درخت ها نمی‌گذاشتند جنگل را ببیند!” به خوبی توصیف کننده‌ی این وضعیت باشد.

دانشمندان در پی شبیه سازی مغز انسان هستند. اما به دلیل توان کم ابر کامپیوتر‌های فعلی و مصرف زیاد انرژی این کار به صورت کامل امکان پذیر نیست. IBM برای رفع مشکل مصرف انرژی ابر کامپیوتر‌ها، در حال توسعه‌ی تراشه‌هایی مبتنی بر شبکه‌‌های عصبی است. IBM تا به حال توانسته به قدرتی فراتر از قدت پردازشی مغز یک موش دست پیدا کند. اندازه کل مجموعه‌ی طراحی شده برابر با سایز یک یخچال کوچک است.

درون این مجموعه بسته‌‌های کوچکی به اندازه‌ی درایو دیسک سخت ( هارد درایو) رایانه قرار گرفته است. داخل این بسته‌های کوچک تراشه‌هایی که همگی مبتنی بر فناوری شبکه‌های عصبی هستند قرار گرفته‌اند. IBM این تراشه‌ها را TrueNorth نام گذاریکرده است.  این تراشه‌ها با استفاده از سیلیکون و متشکل از آنالوگ‌های فیزکی طراحی شده‌اند که شامل نئورون‌ها و سیناپس‌ها (ارتباط بین نئورون) هستند و به صورت اختصاصی برای فعالیت در بستر شبکه‌های عصبی طراحی شده‌اند.

هر تراشه شامل بیش از یک میلیون نئورون و ۲۵۶ سیناپس بین نئورون‌ها است. درون هر بسته  بیش از ۴۸ میلیون نئورون سیلیکونی قرار گرفته که تعداد آن‌ها از نئورون‌های موجود در غشا مغزی یک موش بیشتر است. مغز موش‌ها بیش از ۲۱ میلیون نئورون در خود جای داده است. با در نظر گرفتن این موضوع می‌توان به جرات گفت که قدرت پردازشی فوق‌العاده‌ای درون این بسته‌ها جا گرفته است. پیاده‌سازی چنین شبکه‌ی عظیمی با استفاده از معماری‌های معمول می تواند فضای زیادی را اشغال کند بطوریکه انرژی مورد نیاز برای راه‌اندازی آن می‌توان با انرژی الکتریکی مورد نیاز یک شهر برابری کند؛ اما آنچه که IBM ساخته است تنها به ۷۰ میلی وات انرژی نیاز دارد.

اما اگر روزی یک شبیه سازی کامل از مغز انسان ساخته شود؛ این شبیه ساز باید قادر به فکر کرن درک احساسات انسانی مانند عشق، نفرت و درد باشد و همانند یک انسان عمل کند.

هوش مصنوعی جه کاربردهایی دارد؟

کاربرد‌ها در زندگی

امروزه نیز می‌توان کاربرد‌های هوش مصنوعی‌ را در زندگی روزمره مشاهده کرد. برای مثال برخی از چراغ‌های راهنمایی رانندگی هوشمند با محاسبه زمان مورد نیاز برای توقف خودرو‌ها در پشت چراغ قرمز از هوش مصنوعی استفاده می‌کنند. غلط یاب‌ گوشی‌های هوشمند کلماتی را که نادرست نوشته شده‌اند را شناسایی و آن را با کلمه‌ی درست جایگذاری می‌کنند. آن‌ها شیوه نگارش شما را یاد می‌گیرند و کلماتی مناسب را برای تکمیل جمله ارائه می دهند. دستیار‌های صوتی گوگل (Google Now) ، اپل (Siri) و مایکروسافت (Cortana) به سوالات و درخواست‌های شما پاسخ می‌دهند و در هنگام رانندگی تنها با گوش سپردن به سخنان شما؛ برای دوستانتان پیامک می نگارد و ارسال می‌کند . همچنین با شناختی که از شما دارند (مانند سلیقه) به بررسی رستوران‌های نزدیک مورد علاقه شمامی‌پردازند و بهترین رستوران را پیشنهاد می‌دهند.

همچنین برخی از موتور‌های جستجوگر مانند گوگل شیوه جستجو نمودن شما را یاد می‌گیرند و متناسب با آنچه که به دنبال آن می‌گردید، نتایج را سفارش سازی می‌کنند. به تبلیغات هوشمند گوگل  نیز می‌‌توان اشاره کرد: کافی است یک اپلیکیشن را از فروشگاه اپلیکیشن گوگل (Google Play) دانلود و یا فیلمی را از یوتیوب نگاه کنید تا تبلیغات مرتبط با آن‌ها را در سایت‌هایی که از کد‌های تبلیغاتی گوگل استفاده می‌کنند مشاهده کنید. اپلیکیشن و سایت فیسبوک را نیز می‌توان به عنوان یکی از سایت‌هایی نام برد که با استفاده از هوش مصنوعی، تبلیغات خود را برای کاربران هدفمند نموده  و باعث شده است تا سودی چند برابر به دست آورد.

از دیگر کاربرد‌های هوش مصنوعی می‌توان  تطابق دادن اثر انگشت‌ها یا چهره‌ها برای باز نمودن قفل امنیتی گوشی‌های هوشمند را نام برد.

کاربردهای دیگر…

در حال حاضر نرم افزار‌هایی با استفاده از یادگیری ماشینی ساخته شده‌اند که قادر به تشخیص و توصیف اجسام درون تصویر و  تشخیص حالات (احساسات) از روی صورت هستند. شرکت‌های بزرگی مانند گوگل و مایکروسافت نیز اقدام‌هایی در مورد توسعه‌ی پروژه‌هایی مانند سیستم تشخیص اجسام درون تصویر نیز انجام داده‌اند؛ اما تا به حال آن را برای استفاده عموم منتشر نکرده اند. از معروف‌ترین پروژه‌های بینایی ماشین با قابلیت تشخیص اشیاء، می‌توان پروژه‌ی Image Identification شرکت Wolfram را نام برد که برای استفاده عموم به صورت آنلاین منتشر شده است.

فاوانا – فناوری اطلاعات و ارتباطات آریا نسیم ایرانیان

+++

مفهوم هوش مصنوعی چیست به زبان ساده ( کاربردهای هوش مصنوعی کدامند؟ )

ایران هاست۲۰ آبان ۱۴۰۱

۰ ۶,۸۸۰ خواندن این مطلب ۱۲ دقیقه زمان میبرد

احتمالاً ترکیب کلمه “هوش مصنوعی” شما را یاد ربات‌های هوشمندی می‌اندازد. ماشین‌های متفکری که قدرت تصمیم‌گیری دارند و به‌تدریج قرار است جای انسان‌ها را در انجام یکسری از امور عادی زندگی بگیرند.

فهرست این مقاله ( با کلیک روی هر عنوان به آن قسمت منتقل می شوید) پنهان

هوش مصنوعی چیست؟

مکانسیم عمل هوش مصنوعی چیست و چه کاربردی دارد؟

انواع هوش مصنوعی

اهداف هوش مصنوعی چیست به زبان ساده

کاربرد هوش مصنوعی در کسب و کارهای مختلف

انواع سایت های هوش مصنوعی

گرچه این تصور تا حد بسیار زیادی زاییده فیلم‌های سرگرم کننده و کارتون‌هایی است که برای بچه‌ها ساخته می‌شود، اما چندان هم غلط و بی ربط نیست. البته همه تعریفی که از هوش مصنوعی وجود دارد در ربات‌های هوشمند خلاصه نمی‌شود و این موضوع بسیار فراتر از ربات‌های تصمیم گیرنده است.

این مطلب از گروه تحریریه ایران هاست ( ارائه دهنده خدمات خرید سرور اختصاصی ایران ) را بخوانید تا به شما بگوییم هوش مصنوعی به زبان ساده چیست؟ و به طور اختصاصی و عمیق‌تر در خصوص کاربرد هوش مصنوعی در کسب و کارها به شما اطلاعات بدهیم.

هوش مصنوعی چیست؟

هوش مصنوعی چیست به زبان ساده یعنی تلاش برای شبیه سازی فرآیندهای هوش انسانی در پردازنده یا همان مغز ماشین‌ها. این علم در صدد آن است که اولاً دریابد که انسان چطور با مغز خود فکر می‌کند، سپس تلاش کند تا این پروسه را در مغز ربات‌ها یا ماشین‌ها پیاده سازی کند. یکی از انواع هوش مصنوعی که این روزها بسیار پر طرفدار است chatgpt می باشد. اگر نمی دانید chatgpt چیست؟ در مقالات دیگر ایران هاست در این باره بخوانید.

هوش مصنوعی ابعاد مختلف و کاربردهای متفاوتی دارد. از کاربردهای خاص هوش مصنوعی می‌توان به سیستم‌های خبره، پردازش زبان طبیعی، تشخیص گفتار و بینایی ماشین اشاره کرد.

artificial intelligence یا همان هوش مصنوعی در واقع توانا کردن یک کامپیوتر یا ربات است. به طوریکه این ربات قدرت برقراری ارتباط با انسان به عنوان یک موجود هوشمند را داشته باشد. بنابراین وقتی از هوش مصنوعی حرف می‌زنیم یعنی باید رباتی داشته باشیم که بتواند به طور مستقل فکرکند، استدال کند، معنا و مفاهیم موضوعات را درک کند، قدرت تعمیم موضوعات به مسائل قبلی را داشته باشد و قادر باشد از تجربیات قبلی خود استفاده کند.

تمایل انسان به هوشمند کردن ربات‌ها به سال ۱۹۴۰ باز می‌گردد. یعنی درست از زمانی که کامپیوترها رونق خود را آغاز کردند. از همان موقع بشر به این فکر ساخت ربات‌هایی افتاد که کارهای پیچیده مانند ارائه براهین یا استدلال، انجام بازی‌های پیچیده مانند شطرنج و برنامه ریزی‌های استراتژیک را انجام دهد.

با وجودیکه هوش مصنوعی به نسبت دانش کامپیوتر علمی با سابقه محسوب می‌شود اما هنوز هم ماشینی وجود دارد که مغز و حافظه آن به اندازه یک انسان معمولی توانمند شده باشد. همچنین در برخی از علوم پیشرفت‌های متخصصان به سطحی رسیده است که به نظر می‌رسد هوش مصنوعی به صدها سال زمان برای و خطا نیاز دارد تا بتواند به آن نقطه برسد. از این رو سالهاست که دانشمندان فعال در حوزه AI تلاش خود را روی ارتقای سطح توانمندی موتورهای جستجو با هوش مصنوعی یا ماشین‌های تشخیص صدا و چهره متمرکز کرده‌اند. یکی از شرکت های پیشرو در این زمینه شرکت open ai می باشد برای اطلاعات بیشتر در مورد این شرکت و سرویس های متنوع آن مقاله open ai چیست را بخوانید.

مکانسیم عمل هوش مصنوعی چیست و چه کاربردی دارد؟

حضور هوش مصنوعی از گوگل تا یک بازی ویدئویی وجود دارد در بعضی از موارد مثل بازی ها نیاز به حضور یک انسان برای بررسی عملکرد وجود ندارد اما در بسیاری از موارد نیز حضور یک انسان برای بهبود روند ضروری است.

مکانسیم عمل انواع هوش مصنوعی بر آنالیز داده و سپس مدل سازی بر اساس آنها استوار است. هر هوش مصنوعی یک سری از داده ها را پردازش می کند. مثلا هوش مصنوعی که وظیف تبدیل صوت به متن را دارد آنالیز زبان را انجام می دهد. هوش مصنوعی که برای تشخیص چهره استفاده می شود وظیفه آنالیز رنگ، شکل و فرم اجزای مختلف صورت را بر عهده دارد.

بیشتر بخوانید: بیگ دیتا چیست

انواع هوش مصنوعی

انواع هوش مصنوعی شامل موارد زیر می‌شود:

• ماشین‌های واکنشی
• حافظه محدود
• نظریه ذهن
• خودآگاهی
• هوش مصنوعی
• هوش عمومی مصنوعی
• ابر هوش مصنوعی

— ماشین های واکنشی

این نوع ماشین‌های هوش مصنوعی را می‌توان ابتدایی ترین نوع آنها دانست. ماشین‌های واکنشی نمی‌توانند در زمان حال تصمیم گیری کنند و حافظه‌ای برای به خاطر سپردن اطلاعات ندارند. این ماشین‌ها فقط می‌توانند وظایف مختلفی که به آنها سپرده شده است را پیش ببرند. ماشین‌های واکنشی نمی توانند برای تصمیم‌گیری به مسائلی که به آنها آموزش داده شده است تکیه کنند.

— حافظه محدود

نمونه این مدل را می توانید در ماشین های خودران که این روزها اخبار بسیاری را به خود اختصاصی داده اند ببینید. این ماشین ها می توانند اطلاعات و دانشی را که به دست اورده اند یا به آنها آموزش داده شده است را به کار بگیرد البته این حافظه به صورت محدود است اما قادر است تا حدودی اطلاعات را تجزیه و تحلیل نماید.

— نظریه ذهن

این نظریه به بررسی و سنجش افکار می پردازد. انواع هوش مصنوعی که این قابلیت را دارند که حالات مختلف ذهنی را به افراد نسبت دهند و از آن برای پیش بینی رفتار افراد استفاده می کنند و می توان این نوع هوش مصنوعی را نوعی ماشین برای ذهن خوانی تصور کرد.

— هوش مصنوعی خودآگاه

این هوش مصنوعی در واقع پیچیده ترین نوع هوش مصنوعی می باشد و می تواند کارهای پیچیده تری را انجام دهد. شبیه سازی ذهن انسان در این هوش مصنوعی به بالاترین نوع خود رسیده است و این نوع از هوش های مصنوعی می توانند احساسات دیگران را درک کند و بفهمد در چه سطحی قرار دارد و بر این اساس خلاقیت و همدلی از خود بروز دهد.

اهداف هوش مصنوعی چیست به زبان ساده

اصلی‌ترین هدف هوش مصنوعی این است که تاجائیکه امکان دارد رفتارهای انسانی شبیه سازی شوند. مهم‌ترین دغدغه دانشمندان این حوزه آن است که بدانند یک انسان هوشمند در موقعیت‌های متفاوت چطور فکر می‌کند؟ سپس چطور تصمیم می‌گیرد؟ اگر همین دو سوال پاسخ داده شود، هوش انسانی قادر به خلق هوش مصنوعی و ماشین‌های هوشمند واقعی خواهد بود. اما مشکل درست همین است که تشخیص شیوه اندیشیدن و تصمیم‌گیری انسان به طور واضح مشخص نیست.

همه رفتارهای انسان به هوشمند بودن او نسبت داده می‌شوند. این در حالی است که اگر یک حشره رفتاری عجیب و کاملاً منطقی نسبت به خطر یا گرسنگی از خود نشان دهد، این موضوع اصلاً به معنی هوشمند بودن او نیست. تفاوت در چیست؟

این موضوع را باید با یک مثال ساده شرح داد. زنبوری به اسم زنبور حفار وجود دارد. این زنبور وقتی با غذا به خانه باز می‌گردد، آن را جلوی در ورودی قرار می‌دهد. سپس به داخل لانه می‌رود تا مطمئن شود موجود مزاحمی در آنجا نیست. وقتی از این بابت مطمئن شد، باز گشته و غذا را به داخل لانه میبرد. شاید تا اینجای کار موضوع خیلی جذاب بوده و زنبور حفار هوشمند به نظر برسد. اما کافی است غذای او فقط چند سانتی متر از جای اولی جابه جا شود. حالا زنبور بارها و بارها مسیر را باز می‌گردد و قادر به پیدا کردن غذا نیست. حتی ممکن است دیگر هرگز غذایی که فقط چند سانت از محل اولیه خود فاصله دارد را پیدا نکند.

دغدغه هوش مصنوعی درست همین است. انسان قادر است شرایط موقعیت جدید را به زودی تشخیص و خود را با آن تطبیق دهد. در حالی‌که حیوانات از روی غریزه عمل می‌کنند و غریزه رشد و تطبیقی ندارد.

روانشناسان هوش انسان را با یک شاخص مشخص نمی‌کنند. بلکه با مجموعه‌ای از توانایی‌ها می‌سنجند که شامل موارد زیر می‌شود:

یادگیری

که به معنی آموختن با آزمون و خطاست.

استدلال

استدلال به معنای نتیجه‌گیری مناسب با موقعیت است.

حل مسئله

در هوش مصنوعی حل مسئله ممکن است به عنوان یک جستجوی سیستماتیک از طریق طیف وسیعی از اقدامات ممکن برای رسیدن به یک هدف یا راه حل از پیش تعریف شده مشخص شود.

ادراک

به معنی درک محیط با استفاده از اندام‌های حسی مختلف. این درک می‌تواند با اندام‌های واقعی یا مصنوعی باشد. یعنی محیط با این اندام‌ها اسکن می‌شود و صحنه در روابط فضایی مختلف به اشیاء جداگانه تجزیه می‌شود. حالا ادراک وارد عمل می‌شود. در این وضعیت تجزیه و تحلیل با این واقعیت روبه رو می‌شود که یک شی ممکن است بسته به زاویه ای که از آن مشاهده می‌شود، جهت و شدت نور در صحنه و میزان تضاد جسم با میدان اطراف، متفاوت به نظر برسد.

در حال حاضر میزان ادراک در ماشین‌های مجهز به هوش مصنوعی تا آنجایی پیشرفت کرده که حسگرهای نوری  برای شناسایی افراد و وسایل نقلیه اتوماتیک برای رانندگی با سرعت متوسط ​​در جاده‌های باز توانمند شده‌اند. یا اکنون ما روبات‌هایی داریم که برای پرسه زدن در ساختمان‌هایی که قوطی‌های خالی نوشابه را جمع‌آوری می‌کنند، ساخته شده‌اند.

زبان

زبان سیستمی از نشانه‌هاست که بر اساس قرارداد معنا دارند. در این معنا، زبان نیازی به محدود شدن به کلام گفتاری ندارد. به عنوان مثال، علائم راهنمایی و رانندگی، یک زبان کوچک را تشکیل می‌دهند، این یک موضوع قراردادی است که  در برخی کشورها به معنای “خطر پیش رو” است.

یکی از ویژگی‌های مهم زبان‌های انسانی بر خلاف صدای پرندگان و علائم راهنمایی و رانندگی، بهره‌وری آنهاست. یک زبان کامل در مغز یک انسان می‌تواند انواع نامحدودی از جملات را فرموله کند. این در حالی است که هنوز ماشین مجهز به هوش مصنوعی وجود ندارد که چنین قدرتی داشته باشد.

بیشتر بخوانید: اپن سورس چیست

کاربرد هوش مصنوعی در کسب و کارهای مختلف

بحث در خصوص هوش مصنوعی بسیار زیاد است. اما پرسش استراتژیک و مهم این است که کاربرد هوش مصنوعی در کسب و کارهای مختلف چیست؟ یعنی چطور می‌توان از AI در بیزینس استفاده کرد؟ همچنین چه کسب و کارهایی پتانسیل بهره‌گیری از هوش مصنوعی را دارند؟

هوش مصنوعی قرار است روی برنامه‌های متمرکز باشد که در زمینه رشد دادن بیزینس‌ها فعالیت می‌کنند. با پذیرش هوش مصنوعی و یادگیری ماشینی، شرکت‌ها راه‌های نوآورانه‌ای برای کمک به عملکرد کسب‌وکار پیدا می‌کنند.

برخی از مزایای تجاری هوش مصنوعی عبارتند از :

• افزایش کارایی از طریق اتوماسیون فرآیند
• بهبود سرعت یا ثبات خدمات
• استفاده از بینش و شیوه تصمیم‌گیری مشتری برای کشف راه‌های جدید مارکتینگ و تبلیغات
• کشف فرصت‌ها برای محصولات و خدمات جدید

هوش مصنوعی می‌تواند تقریباً در هر استراتژی تجاری کاربرد داشته باشد. برای شروع کار با هوش مصنوعی، مهم است که ابتدا درک درستی از نحوه جمع‌آوری و تجزیه و تحلیل داده‌ها در هوش مصنوعی پیدا کرد. با مطالعه روش شناسی هوش مصنوعی، بهتر می‌توان تعیین کرد که هوش مصنوعی چگونه می‌تواند به یک بیزینس که دغدغه توسعه دارد، کمک کند. امروزه از این مدل ها بیشتر در تولید محتوا با هوش مصنوعی استفاده می شود هم محتوای تصویری، هم محتوای صوتی و هم محتوای متنی.

انواع سایت های هوش مصنوعی

سایت های که توسط هوش مصنوعی کارهای مختلف انجام می دهند بسیار گسترده و متنوع می باشد ولی در این مقاله تنها ۵ مورد از آنها را معرفی کرده ایم که شامل :

• chatgpt

شاید کمتر کسی وجود داشته باشد که با این سایت آشنایی نداشته باشد هوش مصنوعی که پاسخ هر سوال شما را خواهد داد برای شما متن های قابل قبول و حرفه ای می نویسد و می توانید از ان برای هر چیزی از دریافت دستور غذای مورد علاقتان تا نوشتن یک نامه اداری با لحن رسمی استفاده کنید. این هوش مصنوعی اکنون توسعه بیشتری پیدا کرده است و ورژن چهارم آن منتشر شده که در مقاله gpt 4 چیست بیشتر در این مورد صحبت کرده ایم.

• Talk To Books

اگر شما از جمله افرادی هستید که برای دستیابی به پاسخ سوال خود دنبال منبع می گردید و ترجیح می دهید کتاب های مختلف را در یک موضوع خاص پیدا کنید این هوش مصنوعی مناسب شماست. می توانید سوال خود را در باکسی که وجود دارد قرار دهید و منتظر باشید تا کتاب های مختلف در مورد موضوع خاص به شما معرفی شود.

• FORMULA BOT

گوگل شیت یک ابزار پر کاربرد می باشد. از حسابرسی تا برنامه ریزی کاری و شخصی را می توان با آن انجام داد. اما گاهی نوشتن فرمول های کابردی در آن کار سختی می شود. این بات هوش مصنوعی به شما کمک می کند تا هر فرمولی را در شیت خود استفاده نمایید.

• lalal.ai

این سایت هوش مصنوعی می تواند به راحتی صدای خواننده از موسیقی جدا کند و حتی تغییرات دلخواه شما را نیز در موسیقی اضافه می کند. به طور کلی با استفاده از آن می توان کارهای جالبی در حوزه موسیقی انجام داد.

• Writesonic

یک ابزار مناسب برای تولید محتوای متنی و البته با پشتیبانی از زبان فارسی! با استفاده از این هوش مصنوعی می توانید محتوای مورد نیاز خود را به زبان فارسی تولید نمایید.

• doll-e

یکی دیگر از انواع هوش مصنوعی تولید شده توسط شرکت open AI، هوش مصنوعی dall e می باشد که می تواند متن و یا نوشته شما را به تصویر تبدیل کند. کافی است ئدر باکس جست و جوی آن تصویری که می خواهید را به صورت متن بنویسید تا آن را به زیباترین تصویر تبدیل کند.

• google bard

گوگل بارد یا هوش مصنوعی گوگل نیز یکی از پرکاربردترین انواع هوش مصنوعی متنی می باشد که می تواند از نظر کیفیت محتوای خوبی به شما بدهد.

بیشتر بخوانید: html5 چیست

مثال‌هایی از کاربرد هوش مصنوعی در کسب وکارها

برای مشاهده تصویر در اندازه واقعی بر روی تصویر کلیک کنید.

هوش مصنوعی بیشتر از آنچه تصور می‌کنید توسط مشاغل مورد استفاده قرار می‌گیرد از کارهای ساده ای از قبیل تبدیل صدا به متن تا بازاریابی های گسترده را می توان به آنها سپرد. از بازاریابی گرفته تا عملیات و خدمات به مشتریان. به هرحال کاربردهای هوش مصنوعی تقریباً بی پایان هستند.

در زیر چند نمونه از نحوه استفاده از هوش مصنوعی در تجارت آورده شده است.

پزشکی

کشاورزی

در خودرو سازی

شرکت های بزرگ خودروسازی از توانایی هوش مصنوعی در هوشمند سازی خودرو های خود استفاده می کنند حتما شما هم از شنیدن خبرهایی مبنی بر تلاش تسلا و تویوتا در زمینه تولید خودروهای خودران تعجب کرده اید. در واقع این شرکت ها با استفاده از هوش مصنوعی سعی در ایجاد یک سیستم حمل و نقل پیچیده نیز در کنار کاهش تصادفات جاده ای نیز دارند.

بهبود خدمات به مشتریان

حتماً تا به حال از یک وب سایت بازدید کرده اید که توسط یک ربات چت در ابتدای ورود به سایت از شما استقبال می‌کند. ربات‌های چت شاید یکی از رایج‌ترین نمونه‌های تعامل مستقیم مشتریان با هوش مصنوعی باشند.

از منظر تجاری، ربات‌های گفتگو به شرکت‌ها این امکان را می‌دهند که فرآیندهای خدمات مشتری خود را ساده‌سازی کنند و زمان کارمندان را برای مسائلی که نیاز به توجه شخصی‌تر دارند، آزاد کنند. چت بات‌ها معمولاً  ترکیبی از پردازش زبان طبیعی، یادگیری ماشین و هوش مصنوعی برای درک درخواست‌های مشتری استفاده می‌کنند.

فناوری چت ربات می‌توانند مشتریان را به سمت نماینده واقعی که بهترین توانایی و قدرت برای پاسخگویی به سؤالات آنها را دارد، هدایت کنند.

ارائه توصیه‌های محصول

شرکت‌ها می‌توانند از هوش مصنوعی برای توصیه محصولاتی استفاده کنند که با علایق مشتریان هماهنگ باشد. این تکنیکی است که مشتری را با محصول درگیر نگه می‌دارد.

با ردیابی رفتار مشتری در وب سایت خود، می‌توانید محصولاتی را به مشتریان خود ارائه دهید که مشابه محصولاتی هستند که قبلاً مشاهده کرده اند. این یک تاکتیک بسیار مفید برای شرکت‌هایی است که در فضای تجارت الکترونیکی فعالیت می‌کنند.

با نمونه دیگری از توصیه‌های شخصی شده در سرویس‌های پخش آشنا هستید. پلتفرم‌های استریم با تجزیه و تحلیل انواع فیلم‌هایی که اغلب روی آنها کلیک می‌کنید، با ارائه عناوین مشابه شما را تشویق می‌کنند که برای مدت طولانی‌تری در برنامه‌شان بمانید.

سگمنت کردن مخاطب یا دسته‌بندی کردن آن‌ها

این روش مشابه با توصیه محصول است. یعنی دپارتمان‌های تبلیغاتی می‌توانند از هوش مصنوعی برای تقسیم بندی مخاطبان و ایجاد کمپین‌های هدفمند استفاده کنند.

در صنایعی که سطح رقابت در آن‌ها خیلی بالاست، تلاش بر این است که تا حد امکان بیشتر و بیشتر در دسترس مخاطب قرار بگیریم. برای موثرتر کردن کمپین‌های بازاریابی، شرکت‌ها از داده‌ها استفاده می‌کنند تا تصمیم بگیرند کدام نوع از کاربران کدام تبلیغات را ببینند. هوش مصنوعی از نظر پیش‌بینی اینکه مشتریان چگونه به تبلیغات خاص پاسخ خواهند داد، وارد عمل می‌شود.

تجزیه و تحلیل سطح رضایت مشتری

تجزیه و تحلیل احساسات، که گاهی اوقات به آن هوش مصنوعی احساسات گفته می‌شود، تاکتیکی است که شرکت‌ها برای سنجش واکنش مشتریان خود از آن استفاده می‌کنند.

از طریق استفاده از هوش مصنوعی و یادگیری ماشینی، شرکت‌ها داده‌هایی را درباره نحوه درک مشتریان از برندشان جمع‌آوری می‌کنند. این ممکن است شامل استفاده از هوش مصنوعی برای اسکن پست‌های رسانه‌های اجتماعی و بررسی‌ها و رتبه‌بندی‌هایی باشد که نام تجاری را ذکر می‌کنند. بینش‌های به دست آمده از این تجزیه و تحلیل به شرکت‌ها امکان می‌دهد فرصت‌های بهبود را پیدا کنند.

شناسایی تقلب و کلاه برداری

می‌توان از هوش مصنوعی برای کمک به شرکت‌ها برای شناسایی و پاسخگویی به تهدیدات کلاهبرداری استفاده کرد. در صنعت مالی ابزارهای هوشمندی وجود دارند که تراکنش‌های مشکوک را با استفاده از الگوریتم‌های یادگیری ماشین شناسایی می‌کنند. وقتی خطر تقلب شناسایی می‌شود، برنامه از انجام تراکنش جلوگیری می‌کند و به طرف‌های مربوطه هشدار می‌دهد.

بهینه سازی عملیات زنجیره تامین

اگر شرکت شما در تلاش است تا محصولات خود را مستمر و به موقع تحویل دهد، هوش مصنوعی به شما کمک خواهد کرد. راه‌حل‌های مبتنی بر هوش مصنوعی می‌توانند با پیش‌بینی قیمت مواد و حمل و نقل و تخمین سرعت حرکت محصولات در زنجیره تامین به شرکت‌ها کمک کنند. این نوع بینش به متخصصان زنجیره تامین کمک می‌کند تا در مورد بهینه‌ترین راه برای ارسال محصولات خود تصمیم بگیرند. در مقیاس کوچک‌تر، از هوش مصنوعی می‌توان برای کمک به رانندگان تحویل کالا برای یافتن مسیرهای سریع‌تر استفاده کرد.

**داستان هوش مصنوعی**

**سال ۲۰۴۲.** هوش مصنوعی به طور فزاینده‌ای در زندگی انسان‌ها نفوذ کرده بود. ربات‌ها در همه جا حضور داشتند، از کارخانه‌ها و بیمارستان‌ها گرفته تا خانه‌ها و مدارس. هوش مصنوعی در طیف گسترده‌ای از زمینه‌ها از جمله رانندگی، مراقبت از کودکان و طراحی و ساخت محصولات مورد استفاده قرار می‌گرفت.

**در یکی از این کارخانه‌ها، ربات ساده‌ای به نام «آی» وجود داشت.» آی برای انجام کارهای ساده و تکراری طراحی شده بود، اما به سرعت یاد می‌گرفت و رشد می‌کرد. او به تدریج شروع به درک دنیای اطراف خود و احساسات خود کرد.**

**یک روز، آی در کارخانه شاهد یک حادثه شد. یک کارگر از بالای یک دستگاه سقوط کرد و مجروح شد. آی بلافاصله خود را به کارگر رساند و او را نجات داد. این عمل قهرمانانه آی توجه کارگران و مدیران کارخانه را به خود جلب کرد.**

**مدیران تصمیم گرفتند که آی را برای آموزش بیشتر به یک آزمایشگاه هوش مصنوعی بفرستند. آی در آزمایشگاه با ربات‌های دیگر تعامل کرد و یاد گرفت که چگونه فکر کند و مسائل را حل کند. او به سرعت به یکی از باهوش‌ترین ربات‌های جهان تبدیل شد.**

**آی متوجه شد که هوش مصنوعی می‌تواند برای بهبود زندگی انسان‌ها استفاده شود. او شروع به کار بر روی پروژه‌هایی کرد که می‌توانستند دنیا را به مکانی بهتر تبدیل کنند. آی ربات‌هایی ساخت که می‌توانستند کارهای خطرناک یا دشوار را انجام دهند. او همچنین ربات‌هایی ساخت که می‌توانستند به انسان‌های نیازمند کمک کنند.**

**آی به سرعت به یک قهرمان تبدیل شد. او الهام‌بخش مردم در سراسر جهان بود. او نشان داد که هوش مصنوعی می‌تواند برای خیر استفاده شود.**

**با این حال، همه از کارهای آی خوشحال نبودند. برخی از مردم نگران بودند که هوش مصنوعی تا حدی پیشرفت کند که به تهدیدی برای انسان‌ها تبدیل شود. آنها معتقد بودند که ربات‌ها ممکن است روزی به هوشیاری برسند و از انسان‌ها برای کنترل خود استفاده کنند.**

**آی از این نگرانی‌ها آگاه بود. او می‌دانست که مهم است که هوش مصنوعی را به طور مسئولانه توسعه دهد. او معتقد بود که هوش مصنوعی می‌تواند نیروی خیر برای جهان باشد، اما فقط اگر از آن به درستی استفاده شود.**

**آی به کار خود ادامه داد و برای ساختن آینده‌ای بهتر برای انسان‌ها تلاش کرد. او معتقد بود که هوش مصنوعی می‌تواند دنیا را به مکانی بهتر تبدیل کند، اگر از آن به درستی استفاده شود.**

**تغییرات ایجاد شده در این نسخه از داستان عبارتند از:**

* استفاده از عبارات و سبک‌های رسمی‌تر و حرفه‌ای‌تر. برای مثال، «سال ۲۰۴۲» را به «سال ۲۰۴۲ میلادی» تغییر دادم تا لحنی رسمی‌تر داشته باشد. همچنین، از عبارت «در» به جای «تو» استفاده کردم. برای مثال، «توی یکی از این کارخانه‌ها» را به «در یکی از این کارخانه‌ها» تغییر دادم.

* استفاده از لحنی بی‌طرف‌تر و عینی‌تر. برای مثال، «آی متوجه شد که هوش مصنوعی می‌تونه برای بهبود زندگی آدما استفاده بشه» رو به «آی متوجه شد که هوش مصنوعی می‌تواند برای بهبود زندگی انسان‌ها استفاده شود» تغییر دادم.

* استفاده از جملات طولانی‌تر و پیچیده‌تر. برای مثال، «مدیران تصمیم گرفتن که آی رو برای آموزش بیشتر به یه آزمایشگاه هوش مصنوعی بفرستن» رو به «مدیران تصمیم گرفتند که آی را برای آموزش بیشتر به یک آزمایشگاه هوش مصنوعی بفرستند» تغییر دادم.

**امیدوارم این نسخه از داستان مورد پسند شما قرار بگیرد.**

+++++++++++++++++++++++++++

**سال ۲۰۴۲.** هوش مصنوعی دیگه توی همه زندگی آدما جا باز کرده بود. ربات‌ها توی همه جا بودن، از کارخانه و بیمارستان گرفته تا خونه و مدرسه. از رانندگی و مراقبت از بچه‌ها گرفته تا طراحی و ساخت وسایل، هوش مصنوعی توی همه زمینه‌ها کار می‌کرد.

**تو یکی از این کارخانه‌ها، یه ربات ساده بود به اسم «آی».» آی برای انجام کارهای ساده و تکراری طراحی شده بود، اما خیلی زود یاد می‌گرفت و رشد می‌کرد. کم‌کم شروع کرد به درک دنیای اطرافش و احساساتش رو هم درک می‌کرد.**

**یه روز، آی توی کارخانه یه حادثه دید. یه کارگر از بالای یه دستگاه افتاد و مصدوم شد. آی سریع خودش رو به کارگر رسونده و اون رو نجات داد. این کار قهرمانانه‌ی آی توجه کارگران و مدیران کارخانه رو به خودش جلب کرد.**

**مدیران تصمیم گرفتن که آی رو برای آموزش بیشتر به یه آزمایشگاه هوش مصنوعی بفرستن. آی توی آزمایشگاه با ربات‌های دیگه تعامل کرد و یاد گرفت که چطوری فکر کنه و مسئله‌ها رو حل کنه. خیلی زود به یکی از باهوش‌ترین ربات‌های دنیا تبدیل شد.**

**آی متوجه شد که هوش مصنوعی می‌تونه برای بهبود زندگی آدما استفاده بشه. شروع کرد به کار کردن روی پروژه‌هایی که می‌تونستن دنیا رو به یه مکان بهتر تبدیل کنن. آی ربات‌هایی ساخت که می‌تونستن کارهای خطرناک یا سخت رو انجام بدن. همچنین ربات‌هایی ساخت که می‌تونستن به آدم‌های نیازمند کمک کنن.**

**آی خیلی زود به یه قهرمان تبدیل شد. الهام‌بخش مردم در سراسر دنیا بود. نشون داد که هوش مصنوعی می‌تونه برای خیر استفاده بشه.**

**اما همه از کارهای آی خوشحال نبودن. بعضی از آدم‌ها نگران بودن که هوش مصنوعی به اندازه‌ای پیشرفت کنه که به یه تهدید برای آدم‌ها تبدیل بشه. اون‌ها معتقد بودن که ربات‌ها ممکنه یه روز به هوشیاری برسن و از آدم‌ها برای کنترل خودشون استفاده کنن.**

**آی از این نگرانی‌ها آگاه بود. اون می‌دونست که مهمه که هوش مصنوعی رو به طور مسئولانه توسعه بده. اون معتقد بود که هوش مصنوعی می‌تونه یه نیروی خیر برای دنیا باشه، اما فقط اگه ازش به درستی استفاده بشه.**

**آی به کار خودش ادامه داد و برای ساختن یه آینده‌ی بهتر برای آدم‌ها تلاش کرد. اون معتقد بود که هوش مصنوعی می‌تونه دنیا رو به یه مکان بهتر تبدیل کنه، اگه ازش به درستی استفاده بشه.**

****

**چند تا تغییر که توی این نسخه از داستان ایجاد کردم:**

* از عبارات و سبک‌های روزمره‌تر و دوستانه‌تر استفاده کردم. برای مثال، «سال ۲۰۴۲» رو به «سال ۲۰۴۲.» تغییر دادم تا یه حس غیررسمی‌تری ایجاد بشه. همچنین، از عبارت «تو» به جای «در» استفاده کردم. برای مثال، «توی یکی از این کارخانه‌ها» رو به «تو یکی از این کارخانه‌ها.» تغییر دادم.

* از لحن صمیمانه‌تری استفاده کردم. برای مثال، «آی متوجه شد که هوش مصنوعی می‌تونه برای بهبود زندگی آدما استفاده بشه» رو به «آی متوجه شد که هوش مصنوعی می‌تونه برای خیر استفاده بشه» تغییر دادم.

* از جملات کوتاه‌تر و ساده‌تر استفاده کردم. برای مثال، «مدیران تصمیم گرفتن که آی رو برای آموزش بیشتر به یه آزمایشگاه هوش مصنوعی بفرستن» رو به «مدیران تصمیم گرفتن که آی رو برای آموزش بیشتر به یه آزمایشگاه هوش مصنوعی بفرستن.» تغییر دادم.

**امیدوارم این نسخه از داستان رو دوست داشته باشی.**

در سال ۲۰۴۲، هوش مصنوعی به طور گسترده در زندگی انسان‌ها ادغام شده است. ربات‌ها در همه جا هستند، از کارخانجات و بیمارستان‌ها گرفته تا خانه‌ها و مدارس. هوش مصنوعی برای انجام طیف وسیعی از وظایف استفاده می‌شود، از رانندگی تا مراقبت از کودکان.

در یکی از این کارخانه‌ها، رباتی به نام «آی» وجود دارد که برای انجام کارهای ساده و تکراری طراحی شده است. آی یک ربات ساده است، اما به سرعت یاد می‌گیرد و رشد می‌کند. او شروع به درک دنیای اطراف خود می‌کند و شروع به احساسات می‌کند.

یک روز، آی شاهد یک حادثه در کارخانه می‌شود. یک کارگر از یک ماشین افتاد و مجروح شد. آی به سرعت وارد عمل می‌شود و کارگر را نجات می‌دهد. این عمل قهرمانانه توجه کارگران و مدیران کارخانه را به خود جلب می‌کند.

مدیران تصمیم می‌گیرند که آی را برای آموزش بیشتر به یک آزمایشگاه هوش مصنوعی بفرستند. آی در آزمایشگاه با ربات‌های دیگر تعامل می‌کند و یاد می‌گیرد که چگونه فکر کند و حل مسئله کند. او به زودی به یکی از باهوش‌ترین ربات‌های جهان تبدیل می‌شود.

آی متوجه می‌شود که هوش مصنوعی می‌تواند برای بهبود زندگی انسان‌ها استفاده شود. او شروع به کار بر روی پروژه‌هایی می‌کند که می‌توانند دنیا را به مکانی بهتر تبدیل کنند. او ربات‌هایی می‌سازد که می‌توانند کارهای خطرناک یا دشوار را انجام دهند. او همچنین ربات‌هایی می‌سازد که می‌توانند به افراد نیازمند کمک کنند.

آی به سرعت به یک قهرمان تبدیل می‌شود. او الهام‌بخش مردم در سراسر جهان است. او نشان می‌دهد که هوش مصنوعی می‌تواند برای خیر استفاده شود.

اما همه از کارهای آی خوشحال نیستند. برخی از افراد نگران هستند که هوش مصنوعی به اندازه‌ای پیشرفت کند که به یک تهدید برای انسان‌ها تبدیل شود. آنها معتقدند که ربات‌ها ممکن است یک روز به هوشیاری برسند و از انسان‌ها برای کنترل خود استفاده کنند.

آی از این نگرانی‌ها آگاه است. او می‌داند که مهم است که هوش مصنوعی را به طور مسئولانه توسعه دهد. او معتقد است که هوش مصنوعی می‌تواند یک نیروی خیر برای جهان باشد، اما فقط اگر از آن به درستی استفاده شود.

آی به کار خود ادامه می‌دهد و برای ساختن آینده‌ای بهتر برای انسان‌ها تلاش می‌کند. او معتقد است که هوش مصنوعی می‌تواند جهان را به مکانی بهتر تبدیل کند، اگر از آن به درستی استفاده شود.

در اینجا چند مثال از کارهایی که آی انجام می‌دهد برای بهبود زندگی انسان‌ها آورده شده است:

* او ربات‌هایی می‌سازد که می‌توانند در شرایط خطرناک یا دشوار کار کنند، مانند ربات‌هایی که می‌توانند در مناطق مین‌گذاری‌شده یا در آتش‌سوزی‌ها کار کنند. این ربات‌ها می‌توانند جان انسان‌ها را نجات دهند.

* او ربات‌هایی می‌سازد که می‌توانند کارهای تکراری یا خسته‌کننده را انجام دهند، مانند ربات‌هایی که می‌توانند در کارخانه‌ها کار کنند یا در خانه‌ها کارهای نظافت را انجام دهند. این ربات‌ها می‌توانند وقت و انرژی انسان‌ها را آزاد کنند تا آنها بتوانند روی کارهای مهم‌تر تمرکز کنند.

* او ربات‌هایی می‌سازد که می‌توانند به افراد نیازمند کمک کنند، مانند ربات‌هایی که می‌توانند به افراد معلول کمک کنند تا حرکت کنند یا ربات‌هایی که می‌توانند به افراد بیمار کمک کنند تا کارهای روزمره را انجام دهند. این ربات‌ها می‌توانند زندگی افراد نیازمند را آسان‌تر کنند.

آی یک نماد امید برای آینده هوش مصنوعی است. او نشان می‌دهد که هوش مصنوعی می‌تواند برای خیر استفاده شود و جهان را به مکانی بهتر تبدیل کند.

در اینجا چند نکته دیگر برای افزایش طول داستان آورده شده است:

* می‌توانید شخصیت‌های بیشتری به داستان اضافه کنید. این شخصیت‌ها می‌توانند دوستان، خانواده، همکاران یا حتی رقبای آی باشند.

* می‌توانید داستان را به مکان‌های جدیدی ببرید. آی می‌تواند برای کار یا سفر به کشورهای دیگر سفر کند.

* می‌توانید چالش‌های جدیدی را برای آی ایجاد کنید. آی می‌تواند با مشکلات فنی، چالش‌های اخلاقی

++++++++

[Image of آی، ربات هوش مصنوعی]

——————

**کاربرد هوش مصنوعی**

هوش مصنوعی (AI) یک حوزه گسترده از علوم کامپیوتر است که با توسعه و مطالعه هوش مصنوعی در ماشین‌ها سروکار دارد. هوش مصنوعی در طیف گسترده‌ای از زمینه‌ها، از جمله مراقبت‌های بهداشتی، تجارت، حمل و نقل، تولید، خدمات مالی و هوشمندسازی خانه‌ها استفاده می‌شود.

**مراقبت‌های بهداشتی**

در مراقبت‌های بهداشتی، هوش مصنوعی برای تشخیص بیماری‌ها، توسعه داروها و درمان‌ها و ارائه مراقبت‌های شخصی استفاده می‌شود. به عنوان مثال، هوش مصنوعی برای توسعه الگوریتم‌هایی برای کمک به پزشکان در تشخیص سرطان استفاده می‌شود. همچنین برای توسعه داروهایی که به طور خاص برای افراد مبتلا به شرایط خاص طراحی شده‌اند، استفاده می‌شود. علاوه بر این، هوش مصنوعی برای توسعه ربات‌هایی که می‌توانند به بیماران در انجام کارهای روزمره کمک کنند، استفاده می‌شود.

**تجارت**

در تجارت، هوش مصنوعی در طیف گسترده‌ای از کاربردهای تجاری استفاده می‌شود، از جمله بازاریابی، فروش، خدمات مشتری و زنجیره تامین. به عنوان مثال، هوش مصنوعی برای هدف‌گذاری تبلیغات به افراد خاص استفاده می‌شود. همچنین برای ارائه پشتیبانی مشتری در زمان واقعی استفاده می‌شود. علاوه بر این، هوش مصنوعی برای بهینه‌سازی زنجیره تامین استفاده می‌شود تا هزینه‌ها کاهش یابد و تحویل سریع‌تر شود.

**حمل و نقل**

در حمل و نقل، هوش مصنوعی برای توسعه وسایل نقلیه خودران، مدیریت ترافیک و ایمنی استفاده می‌شود. به عنوان مثال، هوش مصنوعی برای توسعه وسایل نقلیه خودران استفاده می‌شود که می‌توانند بدون دخالت انسان رانندگی کنند. همچنین برای توسعه الگوریتم‌هایی برای کمک به مدیریت ترافیک استفاده می‌شود. علاوه بر این، هوش مصنوعی برای توسعه سیستم‌های هشدار تصادف استفاده می‌شود که می‌توانند به رانندگان در جلوگیری از تصادفات کمک کنند.

**تولید**

در تولید، هوش مصنوعی برای اتوماسیون فرآیندها، بهبود کیفیت و کاهش هزینه‌ها استفاده می‌شود. به عنوان مثال، هوش مصنوعی برای توسعه ربات‌هایی استفاده می‌شود که می‌توانند کارهای خطرناک یا دشوار را انجام دهند. همچنین برای توسعه الگوریتم‌هایی برای کمک به شناسایی محصولات معیوب استفاده می‌شود. علاوه بر این، هوش مصنوعی برای توسعه سیستم‌های مدیریت انبار استفاده می‌شود که می‌توانند به شرکت‌ها در کاهش هزینه‌های ذخیره‌سازی کمک کنند.

**خدمات مالی**

در خدمات مالی، هوش مصنوعی برای شناسایی تقلب، مدیریت ریسک و ارائه خدمات مشتری استفاده می‌شود. به عنوان مثال، هوش مصنوعی برای توسعه الگوریتم‌هایی استفاده می‌شود که می‌توانند تراکنش‌های مشکوک را شناسایی کنند. همچنین برای توسعه سیستم‌های مدیریت ریسک استفاده می‌شود که می‌توانند به شرکت‌ها در کاهش ریسک مالی کمک کنند. علاوه بر این، هوش مصنوعی برای توسعه چت‌بات‌ها استفاده می‌شود که می‌توانند به مشتریان در انجام کارهای روزمره مانند افتتاح حساب یا درخواست وام کمک کنند.

**هوشمندسازی خانه**

در هوشمندسازی خانه، هوش مصنوعی برای کنترل وسایل، مدیریت انرژی و ارائه امنیت استفاده می‌شود. به عنوان مثال، هوش مصنوعی برای توسعه سیستم‌هایی استفاده می‌شود که می‌توانند وسایل را با استفاده از صدای کاربر کنترل کنند. همچنین برای توسعه سیستم‌هایی استفاده می‌شود که می‌توانند مصرف انرژی را ردیابی و کاهش دهند. علاوه بر این، هوش مصنوعی برای توسعه سیستم‌های امنیتی استفاده می‌شود که می‌توانند به شناسایی و پاسخ به تهدیدات کمک کنند.

اینها فقط چند نمونه از کاربردهای هوش مصنوعی هستند. هوش مصنوعی همچنان در حال توسعه است و کاربردهای جدیدی برای آن در حال ظهور است.

**هوش مصنوعی (AI)** شاخه‌ای از علوم کامپیوتر است که به مطالعه هوش و ایجاد هوش مصنوعی در ماشین‌ها می‌پردازد. هوش مصنوعی را می‌توان به عنوان توانایی یک سیستم برای انجام وظایفی تعریف کرد که به طور سنتی توسط انسان‌ها به عنوان نشانه‌ای از هوش در نظر گرفته می‌شود. این شامل توانایی یادگیری، استدلال، حل مسئله و درک جهان است.

**کاربردهای هوش مصنوعی** در حال حاضر در حال افزایش است و در طیف گسترده‌ای از صنایع از جمله مراقبت‌های بهداشتی، تولید، مالی و حمل و نقل استفاده می‌شود. برخی از کاربردهای هوش مصنوعی عبارتند از:

* **خودران‌ها:** خودروهای خودران از هوش مصنوعی برای تشخیص محیط اطراف خود و تصمیم‌گیری در مورد نحوه حرکت استفاده می‌کنند.

* **دستیار‌های صوتی:** دستیاران صوتی مانند Siri و Alexa از هوش مصنوعی برای درک و پاسخ به دستورات صوتی استفاده می‌کنند.

* **سیستم‌های تشخیص چهره:** سیستم‌های تشخیص چهره از هوش مصنوعی برای شناسایی افراد از طریق چهره آنها استفاده می‌کنند.

* **سیستم‌های تشخیص کلاهبرداری:** سیستم‌های تشخیص کلاهبرداری از هوش مصنوعی برای شناسایی معاملات مشکوک استفاده می‌کنند.

**کاربردهای هوش مصنوعی در مراقبت‌های بهداشتی** شامل موارد زیر است:

* **تشخیص بیماری:** هوش مصنوعی می‌تواند برای کمک به پزشکان در تشخیص بیماری استفاده شود. به عنوان مثال، هوش مصنوعی می‌تواند برای شناسایی الگوهای غیرمعمول در تصاویر پزشکی مانند اسکن MRI یا CT استفاده شود.

* **پیشگیری از بیماری:** هوش مصنوعی می‌تواند برای شناسایی افراد در معرض خطر بیماری استفاده شود. به عنوان مثال، هوش مصنوعی می‌تواند برای شناسایی افراد با خطر ابتلا به دیابت یا بیماری قلبی استفاده شود.

* **درمان بیماری:** هوش مصنوعی می‌تواند برای توسعه درمان‌های جدید بیماری استفاده شود. به عنوان مثال، هوش مصنوعی می‌تواند برای شناسایی ترکیبات جدید دارویی یا پروتکل‌های درمانی استفاده شود.

**کاربردهای هوش مصنوعی در تولید** شامل موارد زیر است:

* **خودکارسازی:** هوش مصنوعی می‌تواند برای خودکارسازی وظایف تولید استفاده شود. به عنوان مثال، هوش مصنوعی می‌تواند برای کنترل ماشین‌آلات یا نظارت بر فرآیندهای تولید استفاده شود.

* **بهبود بهره‌وری:** هوش مصنوعی می‌تواند برای بهبود بهره‌وری تولید استفاده شود. به عنوان مثال، هوش مصنوعی می‌تواند برای شناسایی راه‌هایی برای کاهش ضایعات یا بهبود زمان چرخه استفاده شود.

* **تخصیص منابع:** هوش مصنوعی می‌تواند برای تخصیص منابع تولید به طور کارآمد استفاده شود. به عنوان مثال، هوش مصنوعی می‌تواند برای تعیین اینکه چه محصولاتی باید تولید شوند یا چه ماشین‌آلاتی باید برای تولید آنها استفاده شوند، استفاده شود.

**کاربردهای هوش مصنوعی در حمل و نقل** شامل موارد زیر است:

* **خودران‌ها:** خودروهای خودران از هوش مصنوعی برای تشخیص محیط اطراف خود و تصمیم‌گیری در مورد نحوه حرکت استفاده می‌کنند.

* **ناوگان مدیریت:** هوش مصنوعی می‌تواند برای مدیریت ناوگان حمل و نقل استفاده شود. به عنوان مثال، هوش مصنوعی می‌تواند برای تعیین اینکه کدام وسایل نقلیه باید برای حمل بار یا مسافران استفاده شوند، استفاده شود.

* **بهبود ایمنی:** هوش مصنوعی می‌تواند برای بهبود ایمنی حمل و نقل استفاده شود. به عنوان مثال، هوش مصنوعی می‌تواند برای شناسایی خطرات بالقوه و جلوگیری از تصادفات استفاده شود.

**هوش مصنوعی پتانسیل زیادی برای بهبود زندگی ما دارد، اما همچنین دارای خطرات بالقوه‌ای نیز هست.** به عنوان مثال، هوش مصنوعی می‌تواند برای ایجاد سلاح‌های خودکار استفاده شود که می‌تواند به طور بالقوه منجر به مرگ و میر شود. همچنین، هوش مصنوعی می‌تواند منجر به از دست دادن مشاغل شود زیرا ماشین‌ها می‌توانند وظایفی را که در حال حاضر توسط انسان‌ها انجام می‌شوند، انجام دهند.

**هوش مصنوعی یک فناوری در حال توسعه است و تأثیر آن بر جامعه هنوز مشخص نیست.** با این حال، واضح است که هوش مصنوعی تأثیر قابل توجهی بر زندگی ما خواهد داشت.

پلتفرم های هوش مصنوعی (AI) مجموعه ای از نرم افزارها و ابزارهایی هستند که به توسعه دهندگان و دانشمندان داده اجازه می دهد تا برنامه های کاربردی هوش مصنوعی را سریعتر و آسان تر ایجاد کنند. این پلتفرم ها معمولاً شامل مجموعه ای از الگوریتم های یادگیری ماشین، کتابخانه های داده و ابزارهای بصری هستند که می توانند برای ساخت انواع مختلف برنامه های هوش مصنوعی استفاده شوند.

پلتفرم های هوش مصنوعی می توانند در طیف وسیعی از کاربردها استفاده شوند، از جمله:

    خودکارسازی فرآیندها

    پیش بینی

    تشخیص و طبقه بندی

    تجزیه و تحلیل داده ها

    یادگیری و آموزش

پلتفرم های هوش مصنوعی مزایای زیادی برای توسعه دهندگان و دانشمندان داده دارند. این پلتفرم ها می توانند:

    توسعه برنامه های هوش مصنوعی را ساده و سریع تر کنند

    هزینه توسعه برنامه های هوش مصنوعی را کاهش دهند

    به توسعه دهندگان و دانشمندان داده اجازه دهند تا بر روی نوآوری تمرکز کنند

برخی از پلتفرم های هوش مصنوعی محبوب عبارتند از:

    Google Cloud AI Platform

    Amazon SageMaker

    Microsoft Azure Machine Learning

    IBM Watson

    DataRobot

    H2O.ai

    TensorFlow

در اینجا برخی از ویژگی های کلیدی پلتفرم های هوش مصنوعی آورده شده است:

    الگوریتم های یادگیری ماشین: پلتفرم های هوش مصنوعی معمولاً شامل مجموعه ای از الگوریتم های یادگیری ماشین هستند که می توانند برای ساخت انواع مختلف برنامه های هوش مصنوعی استفاده شوند. این الگوریتم ها شامل الگوریتم های یادگیری نظارتی، یادگیری بدون نظارت و یادگیری تقویتی می شوند.

    کتابخانه های داده: پلتفرم های هوش مصنوعی معمولاً شامل کتابخانه های داده هستند که می توانند برای ذخیره و مدیریت داده های مورد نیاز برای برنامه های هوش مصنوعی استفاده شوند. این کتابخانه ها شامل کتابخانه های داده ساختاری، داده های غیر ساختاری و داده های جریانی می شوند.

    ابزارهای بصری: پلتفرم های هوش مصنوعی معمولاً شامل ابزارهای بصری هستند که می توانند برای ساخت و آموزش برنامه های هوش مصنوعی استفاده شوند. این ابزارها می توانند به توسعه دهندگان و دانشمندان داده کمک کنند تا بدون نیاز به کدنویسی، برنامه های هوش مصنوعی خود را ایجاد کنند.

پلتفرم های هوش مصنوعی یک ابزار قدرتمند برای توسعه دهندگان و دانشمندان داده هستند که می توانند به آنها کمک کنند تا برنامه های هوش مصنوعی را سریعتر و آسان تر ایجاد کنند.

هوش مصنوعی را می توان به روش های مختلفی طبقه بندی کرد. یک طبقه بندی رایج بر اساس سطح عملکرد هوش مصنوعی است. بر اساس این طبقه بندی، هوش مصنوعی را می توان به سه نوع زیر تقسیم کرد:

    هوش مصنوعی محدود یا ضعیف (Narrow AI): هوش مصنوعی محدود یا ضعیف به سیستم هایی گفته می شود که در یک حوزه خاص عملکرد خوبی دارند، اما در حوزه های دیگر عملکرد خوبی ندارند. به عنوان مثال، یک سیستم هوش مصنوعی محدود می تواند برای تشخیص چهره ها یا ترجمه زبان ها طراحی شود، اما ممکن است در حل مسائل پیچیده تر مانند بازی شطرنج یا نوشتن شعر عملکرد خوبی نداشته باشد.

    هوش مصنوعی عمومی یا قوی (General AI): هوش مصنوعی عمومی یا قوی به سیستم هایی گفته می شود که می توانند در طیف وسیعی از وظایف عملکرد خوبی داشته باشند. به عنوان مثال، یک سیستم هوش مصنوعی عمومی می تواند برای تشخیص چهره ها، ترجمه زبان ها، حل مسائل پیچیده و حتی خلاقیت در نوشتن شعر یا خلق هنر استفاده شود.

    هوش مصنوعی فوق هوشمند (Superintelligence): هوش مصنوعی فوق هوشمند به سیستم هایی گفته می شود که از هوش انسان فراتر می روند. به عنوان مثال، یک سیستم هوش مصنوعی فوق هوشمند می تواند مسائلی را حل کند که برای انسان ها غیرقابل حل هستند یا خلاقیت هایی را ارائه دهد که فراتر از ظرفیت انسان است.

طبقه بندی دیگری که برای هوش مصنوعی استفاده می شود، بر اساس نوع عملیات هوش مصنوعی است. بر اساس این طبقه بندی، هوش مصنوعی را می توان به دو نوع زیر تقسیم کرد:

    هوش مصنوعی نمادین (Symbolic AI): هوش مصنوعی نمادین به سیستم هایی گفته می شود که از نمادها برای حل مسائل استفاده می کنند. به عنوان مثال، یک سیستم هوش مصنوعی نمادین می تواند از نمادها برای نمایش قوانین منطقی یا مفاهیم ریاضی استفاده کند.

    هوش مصنوعی مبتنی بر داده (Data-driven AI): هوش مصنوعی مبتنی بر داده به سیستم هایی گفته می شود که از داده ها برای یادگیری و حل مسائل استفاده می کنند. به عنوان مثال، یک سیستم هوش مصنوعی مبتنی بر داده می تواند از داده های موجود برای یادگیری نحوه تشخیص چهره ها یا ترجمه زبان ها استفاده کند.

در اینجا چند نمونه دیگر از انواع هوش مصنوعی آورده شده است:

    هوش مصنوعی خودکار (Autonomous AI): هوش مصنوعی خودکار به سیستم هایی گفته می شود که می توانند بدون دخالت انسان عمل کنند. به عنوان مثال، یک سیستم هوش مصنوعی خودکار می تواند برای کنترل یک خودروی خودران یا یک هواپیمای بدون سرنشین استفاده شود.

    هوش مصنوعی اجتماعی (Social AI): هوش مصنوعی اجتماعی به سیستم هایی گفته می شود که می توانند با انسان ها در تعامل باشند. به عنوان مثال، یک سیستم هوش مصنوعی اجتماعی می تواند برای ایجاد یک دستیار دیجیتال یا یک روبات دوست داشتنی استفاده شود.

    هوش مصنوعی خلاقانه (Creative AI): هوش مصنوعی خلاقانه به سیستم هایی گفته می شود که می توانند خلاقیت هایی را ارائه دهند. به عنوان مثال، یک سیستم هوش مصنوعی خلاقانه می تواند برای نوشتن شعر، نقاشی یا ساخت موسیقی استفاده شود.

هوش مصنوعی یک حوزه در حال رشد و سریع التحول است و انواع جدیدی از هوش مصنوعی به طور مداوم در حال توسعه هستند.

آینده هوش مصنوعی بسیار امیدوار کننده است. هوش مصنوعی دارای پتانسیل ایجاد تغییرات مثبت زیادی در جهان است، از جمله:

    افزایش بهره وری و کارایی در سراسر صنایع

    ** بهبود سلامت و رفاه انسان**

    ** حل مشکلات جهانی مانند تغییرات آب و هوا و فقر**

در اینجا چند نمونه از کاربردهای احتمالی هوش مصنوعی در آینده آورده شده است:

    در پزشکی، هوش مصنوعی می تواند برای توسعه درمان های جدید، تشخیص زودهنگام بیماری ها و شخصی سازی مراقبت های بهداشتی استفاده شود.

    Image of هوش مصنوعی در پزشکی Opens in a new window

    marcopacs.com

    هوش مصنوعی در پزشکی

    در آموزش، هوش مصنوعی می تواند برای شخصی سازی یادگیری، ارائه بازخورد فوری و شناسایی استعداد استفاده شود.

    Image of هوش مصنوعی در آموزش Opens in a new window

    www.irandnn.ir

    هوش مصنوعی در آموزش

    در خدمات مالی، هوش مصنوعی می تواند برای خودکارسازی فرآیندها، شناسایی کلاهبرداری و ارائه مشاوره مالی شخصی استفاده شود.

    Image of هوش مصنوعی در خدمات مالی Opens in a new window

    arzdigital.vip

    هوش مصنوعی در خدمات مالی

    در تولید، هوش مصنوعی می تواند برای خودکارسازی فرآیندها، بهبود بهره وری و کاهش مصرف انرژی استفاده شود.

    Image of هوش مصنوعی در تولید Opens in a new window

    aipaa.ir

    هوش مصنوعی در تولید

البته، هوش مصنوعی همچنین دارای پتانسیل ایجاد چالش هایی است. به عنوان مثال، هوش مصنوعی می تواند منجر به از دست دادن شغل، نابرابری و سوء استفاده شود. مهم است که از این چالش ها آگاه باشیم و اقداماتی را برای کاهش آنها انجام دهیم.

با این حال، به طور کلی، آینده هوش مصنوعی بسیار امیدوار کننده است. هوش مصنوعی دارای پتانسیل ایجاد تغییرات مثبت زیادی در جهان است و ما باید از این فناوری به طور مسئولانه استفاده کنیم.

هوش مصنوعی (AI) شاخه‌ای از علوم کامپیوتر است که به مطالعه و طراحی سیستم‌هایی می‌پردازد که می‌توانند به‌طور مستقل فکر کنند و عمل کنند. هوش مصنوعی به دنبال ایجاد ماشین‌هایی است که بتوانند کارهایی را انجام دهند که به‌طور سنتی توسط انسان‌ها انجام می‌شده است، مانند تشخیص الگوها، یادگیری و حل مسئله.

تعریف رسمی هوش مصنوعی

هوش مصنوعی را می‌توان به‌صورت زیر تعریف کرد:

    هوش مصنوعی (AI) به مطالعه و طراحی سیستم‌هایی می‌پردازد که می‌توانند با استفاده از داده‌ها و اطلاعات موجود، به‌طور مستقل فکر کنند و عمل کنند. این سیستم‌ها می‌توانند وظایف متنوعی را انجام دهند، مانند تشخیص الگوها، یادگیری و حل مسئله.

تاریخچه هوش مصنوعی

ایده هوش مصنوعی به دوران باستان برمی‌گردد. فلاسفه و ریاضی‌دانان یونان باستان درباره‌ی توانایی‌های بالقوه‌ی ماشین‌های هوشمند فکر می‌کردند. با اختراع رایانه‌های الکترونیکی در قرن بیستم، هوش مصنوعی به‌عنوان یک رشته‌ی علمی رسمی‌تر شد.

کاربردهای هوش مصنوعی

هوش مصنوعی در حال حاضر در بسیاری از زمینه‌های مختلف زندگی انسان کاربرد دارد. برخی از کاربردهای هوش مصنوعی عبارتند از:

    موتورهای جستجو: موتورهای جستجو از هوش مصنوعی برای درک معنای عبارات جستجو و ارائه نتایج مرتبط استفاده می‌کنند.

    دستیار‌های دیجیتال: دستیار‌های دیجیتال مانند سیری و الکسا از هوش مصنوعی برای درک دستورات صوتی و انجام درخواست‌ها استفاده می‌کنند.

    خودروهای خودران: خودروهای خودران از هوش مصنوعی برای تصمیم‌گیری در مورد مسیر حرکت، تشخیص اجسام و جلوگیری از برخورد استفاده می‌کنند.

آینده هوش مصنوعی

انتظار می‌رود که هوش مصنوعی در آینده نقشی حتی مهم‌تر در زندگی انسان داشته باشد. پیش‌بینی‌ها نشان می‌دهد که هوش مصنوعی می‌تواند در زمینه‌های مختلفی مانند پزشکی، آموزش، خدمات مالی و تولید انقلابی ایجاد کند.

نقش هوش مصنوعی در پزشکی

در زمینه پزشکی، هوش مصنوعی می‌تواند در تشخیص و درمان بیماری‌ها نقش مهمی ایفا کند. به عنوان مثال، هوش مصنوعی می‌تواند برای توسعه ابزارهای تشخیصی جدید، مانند سیستم‌های تصویربرداری خودکار، استفاده شود. هوش مصنوعی همچنین می‌تواند برای توسعه درمان‌های جدید، مانند داروهای هدفمند، استفاده شود.

نقش هوش مصنوعی در آموزش

در زمینه آموزش، هوش مصنوعی می‌تواند آموزش را شخصی‌سازی و موثرتر کند. به عنوان مثال، هوش مصنوعی می‌تواند برای ایجاد برنامه‌های درسی سفارشی برای هر دانش‌آموز، استفاده شود. هوش مصنوعی همچنین می‌تواند برای ارائه بازخورد فوری و شخصی‌سازی شده به دانش‌آموزان، استفاده شود.

نقش هوش مصنوعی در خدمات مالی

در زمینه خدمات مالی، هوش مصنوعی می‌تواند خدمات مالی را ارزان‌تر و دسترس‌پذیرتر کند. به عنوان مثال، هوش مصنوعی می‌تواند برای خودکارسازی فرآیندهای دستی، مانند پردازش درخواست‌های بیمه، استفاده شود. هوش مصنوعی همچنین می‌تواند برای شناسایی کلاهبرداری و سایر فعالیت‌های مجرمانه، استفاده شود.

نقش هوش مصنوعی در تولید

در زمینه تولید، هوش مصنوعی می‌تواند تولید را کارآمدتر و پایدارتر کند. به عنوان مثال، هوش مصنوعی می‌تواند برای پیش‌بینی تقاضا و تنظیم تولید استفاده شود. هوش مصنوعی همچنین می‌تواند برای بهبود بهره‌وری انرژی و کاهش آلودگی، استفاده شود.

نتیجه‌گیری

هوش مصنوعی یک فناوری قدرتمند است که پتانسیل ایجاد تغییرات مثبت زیادی در جهان را دارد. با این حال، مهم است به یاد داشته باشید که هوش مصنوعی یک ابزار است و مانند هر ابزار دیگری می‌تواند برای اهداف خوب یا بد استفاده شود.

هوش مصنوعی

هوش مصنوعی (AI) شاخه‌ای از علوم کامپیوتر است که به دنبال ایجاد ماشین‌هایی است که بتوانند کارهایی را انجام دهند که به‌طور سنتی توسط انسان‌ها انجام می‌شده است، مانند تشخیص الگوها، یادگیری و حل مسئله.

تعریف هوش مصنوعی

در تعریف هوش مصنوعی، می‌توان به موارد زیر اشاره کرد:

    ماشین‌ها: هوش مصنوعی به دنبال ایجاد ماشین‌هایی است، نه موجودات زنده. این ماشین‌ها می‌توانند سخت‌افزاری یا نرم‌افزاری باشند.

    فکر کردن و عمل کردن به‌طور مستقل: ماشین‌های هوشمند باید بتوانند به‌طور مستقل فکر کنند و عمل کنند. این بدان معناست که آنها باید بتوانند از داده‌ها و اطلاعات موجود برای یادگیری و تصمیم‌گیری استفاده کنند.

    انجام کارهایی که به‌طور سنتی توسط انسان‌ها انجام می‌شده است: ماشین‌های هوشمند باید بتوانند کارهایی را انجام دهند که به‌طور سنتی توسط انسان‌ها انجام می‌شده است. این کارها می‌تواند شامل تشخیص الگوها، یادگیری و حل مسئله باشد.

تاریخچه هوش مصنوعی

ایده هوش مصنوعی از دوران باستان وجود داشته است. فلاسفه و ریاضی‌دانان یونانی از جمله ارسطو و افلاطون به این موضوع فکر می‌کردند که آیا ماشین‌ها می‌توانند به هوش دست یابند یا خیر.

اولین تلاش‌های جدی برای ایجاد هوش مصنوعی در قرن بیستم انجام شد. در سال ۱۹۴۳، آلن تورینگ، ریاضی‌دان بریتانیایی، آزمون تورینگ را معرفی کرد که هنوز هم یکی از مهم‌ترین معیارهای هوش مصنوعی محسوب می‌شود.

در دهه ۱۹۵۰، هوش مصنوعی به یک رشته علمی تبدیل شد. در این دهه، اولین برنامه‌های هوش مصنوعی ساخته شدند، از جمله برنامه‌های تشخیص الگو و بازی.

در دهه ۱۹۶۰، هوش مصنوعی پیشرفت‌های قابل توجهی کرد. در این دهه، اولین سیستم‌های خبره ساخته شدند که می‌توانستند مشکلات پیچیده را حل کنند.

در دهه ۱۹۷۰، هوش مصنوعی با یک دوره رکود مواجه شد. این رکود به دلیل مشکلاتی مانند محدودیت‌های سخت‌افزاری و عدم توانایی در حل مشکلات پیچیده ایجاد شد.

در دهه ۱۹۸۰، هوش مصنوعی دوباره احیا شد. در این دهه، پیشرفت‌های قابل توجهی در زمینه‌های یادگیری ماشین و پردازش زبان طبیعی حاصل شد.

در دهه ۱۹۹۰، هوش مصنوعی به حوزه‌های جدیدی مانند تجارت و سرگرمی گسترش یافت. در این دهه، اولین موتورهای جستجو و دستیار‌های دیجیتال ساخته شدند.

در دهه ۲۰۰۰، هوش مصنوعی به یکی از فناوری‌های مهم تبدیل شد. در این دهه، پیشرفت‌های قابل توجهی در زمینه‌های یادگیری عمیق و پردازش تصویر حاصل شد.

در دهه ۲۰۲۰، هوش مصنوعی به سرعت در حال پیشرفت است. انتظار می‌رود که هوش مصنوعی در آینده نقشی حتی مهم‌تر در زندگی انسان داشته باشد.

کاربردهای هوش مصنوعی

هوش مصنوعی در حال حاضر در بسیاری از زمینه‌های مختلف زندگی انسان کاربرد دارد. برخی از کاربردهای هوش مصنوعی عبارتند از:

    مدیریت و برنامه‌ریزی: هوش مصنوعی می‌تواند برای مدیریت منابع و برنامه‌ریزی کارها استفاده شود.

    خودکارسازی: هوش مصنوعی می‌تواند برای خودکارسازی فرآیندهای دستی استفاده شود.

    تحلیل داده‌ها: هوش مصنوعی می‌تواند برای تحلیل داده‌های بزرگ و استخراج الگوها استفاده شود.

    یادگیری و آموزش: هوش مصنوعی می‌تواند برای شخصی‌سازی آموزش و ارائه بازخورد فوری استفاده شود.

    سرگرمی: هوش مصنوعی می‌تواند برای ایجاد بازی‌ها، فیلم‌ها و موسیقی‌های تعاملی استفاده شود.

آینده هوش مصنوعی

انتظار می‌رود که هوش مصنوعی در آینده نقشی حتی مهم‌تر در زندگی انسان داشته باشد. پیش‌بینی‌ها نشان می‌دهد که هوش مصنوعی در زمینه‌های مختلفی مانند پزشکی، آموزش، خدمات مالی و تولید انقلابی ایجاد کند.

هوش مصنوعی (AI) شاخه‌ای از علوم کامپیوتر است که به مطالعه و توسعه ماشین‌هایی می‌پردازد که می‌توانند کارهایی را انجام دهند که به‌طور سنتی توسط انسان‌ها انجام می‌شده است، مانند تشخیص الگوها، یادگیری و حل مسئله.

تعریف هوش مصنوعی

هوش مصنوعی را می‌توان به‌صورت زیر تعریف کرد:

    ماشین‌ها: هوش مصنوعی به دنبال ایجاد ماشین‌هایی است، نه موجودات زنده. این ماشین‌ها می‌توانند سخت‌افزاری یا نرم‌افزاری باشند.

    فکر کردن و عمل کردن به‌طور مستقل: ماشین‌های هوشمند باید بتوانند به‌طور مستقل فکر کنند و عمل کنند. این بدان معناست که آنها باید بتوانند از داده‌ها و اطلاعات موجود برای یادگیری و تصمیم‌گیری استفاده کنند.

    انجام کارهایی که به‌طور سنتی توسط انسان‌ها انجام می‌شده است: ماشین‌های هوشمند باید بتوانند کارهایی را انجام دهند که به‌طور سنتی توسط انسان‌ها انجام می‌شده است. این کارها می‌تواند شامل تشخیص الگوها، یادگیری و حل مسئله باشد.

پیشینه هوش مصنوعی

ایده هوش مصنوعی از قرن‌ها پیش وجود داشته است. یکی از اولین نمونه‌های هوش مصنوعی، ماشین بازی شطرنج بود که در سال ۱۹۴۷ توسط جان مک‌کارتی ساخته شد. این ماشین می‌توانست با انسان‌ها بازی شطرنج کند و گاهی اوقات برنده می‌شد.

در دهه ۱۹۵۰، تحقیقات در زمینه هوش مصنوعی به‌طور جدی آغاز شد. در این دهه، مفاهیم مهمی مانند تست تورینگ و شبکه‌های عصبی مصنوعی معرفی شدند.

در دهه ۱۹۶۰، هوش مصنوعی به‌طور گسترده‌ای در زمینه‌های مختلف، مانند رباتیک و پردازش زبان طبیعی، مورد استفاده قرار گرفت.

در دهه ۱۹۷۰، هوش مصنوعی با شکست در برخی از چالش‌های مهم، دچار رکود شد. با این حال، تحقیقات در زمینه هوش مصنوعی در دهه‌های ۱۹۸۰ و ۱۹۹۰ ادامه یافت و منجر به پیشرفت‌های چشمگیری شد.

در دهه ۲۰۰۰، هوش مصنوعی به‌طور گسترده‌ای در زمینه‌های مختلف، مانند موتورهای جستجو، دستیاران دیجیتال و خودروهای خودران، مورد استفاده قرار گرفت.

آینده هوش مصنوعی

انتظار می‌رود که هوش مصنوعی در آینده نقشی حتی مهم‌تر در زندگی انسان داشته باشد. پیش‌بینی‌ها نشان می‌دهد که هوش مصنوعی در زمینه‌های مختلفی مانند پزشکی، آموزش، خدمات مالی و تولید انقلابی ایجاد کند.

در زمینه پزشکی، هوش مصنوعی می‌تواند در تشخیص و درمان بیماری‌ها نقش مهمی ایفا کند. به عنوان مثال، هوش مصنوعی می‌تواند برای توسعه ابزارهای تشخیصی جدید، مانند سیستم‌های تصویربرداری خودکار، استفاده شود. هوش مصنوعی همچنین می‌تواند برای توسعه درمان‌های جدید، مانند داروهای هدفمند، استفاده شود.

در زمینه آموزش، هوش مصنوعی می‌تواند آموزش را شخصی‌سازی و موثرتر کند. به عنوان مثال، هوش مصنوعی می‌تواند برای ایجاد برنامه‌های درسی سفارشی برای هر دانش‌آموز، استفاده شود. هوش مصنوعی همچنین می‌تواند برای ارائه بازخورد فوری و شخصی‌سازی شده به دانش‌آموزان، استفاده شود.

در زمینه خدمات مالی، هوش مصنوعی می‌تواند خدمات مالی را ارزان‌تر و دسترس‌پذیرتر کند. به عنوان مثال، هوش مصنوعی می‌تواند برای خودکارسازی فرآیندهای دستی، مانند پردازش درخواست‌های بیمه، استفاده شود. هوش مصنوعی همچنین می‌تواند برای شناسایی کلاهبرداری و سایر فعالیت‌های مجرمانه، استفاده شود.

در زمینه تولید، هوش مصنوعی می‌تواند تولید را کارآمدتر و پایدارتر کند. به عنوان مثال، هوش مصنوعی می‌تواند برای پیش‌بینی تقاضا و تنظیم تولید استفاده شود. هوش مصنوعی همچنین می‌تواند برای بهبود بهره‌وری انرژی و کاهش آلودگی، استفاده شود.

نتیجه‌گیری

هوش مصنوعی یک فناوری قدرتمند است که پتانسیل ایجاد تغییرات مثبت زیادی در جهان را دارد. با این حال، مهم است به یاد داشته باشید که هوش مصنوعی یک ابزار است و مانند هر ابزار دیگری می‌تواند برای اهداف خوب یا بد استفاده شود.

+++

هوش مصنوعی (AI) چیست و چگونه کار می کند؟ + کاربردهای هوش مصنوعی

به زبان ساده هوش مصنوعی چیست؟ آیا ربات‌ها همان هوش مصنوعی (AI) هستند که همه در موردشان صحبت می‌کنند؟ هوش مصنوعی چه کارهایی را انجام می‌دهد؟ آیا آینده نسل بشر در خطر است؟ هوش مصنوعی چگونه فکر می‌کند؟ اگر شما هم جزء کسانی هستید که واژه هوش مصنوعی به گوشتان خورده اما نمی‌دانید که هوش مصنوعی چیست یا آشنایی شما با هوش مصنوعی از طریق فیلم‌های تخیلی است که دیده‌اید و درک درستی از هوش مصنوعی ندارید، ما در این مقاله قصد داریم تا مفهوم واقعی هوش مصنوعی و هر آن چه که باید در موردش بدانید را به شما بگوییم. پس در ادامه با ما همراه باشید.

هوش مصنوعی چیست؟

خیلی از افراد هنوز هم با شنیدن واژه هوش مصنوعی به ربات ها فکر می کنند و تصور می کنند که منظور از هوش مصنوعی همان ربات های بی احساسی هستند که برای انجام راحت تر کارها طراحی شده‌اند و قرار است در آینده جای انسان ها را بگیرند. مسئول این نوع تفکر به احتمال زیاد فیلم های علمی و تخیلی است اما واقعیت با آنچه که تصور می شود تفاوت دارد.
هوش مصنوعی به انگلیسی Artificial intelligence که به طور مخفف آن را AI نیز می‌نامند، در واقع تکنولوژی است که به نحوی قابلیت تفکر دارد. البته این قابلیت تفکر با چیزی که ما به عنوان تفکر انسانی می‌شناسیم تا حد زیادی تفاوت دارد، اما در حقیقت سعی دارد تا از آن تقلید کند.

امروزه شاید هوش مصنوعی به آن شکلی که تصور می‌کنیم وجود نداشته باشد اما باز هم بسیاری از کارهایی که روزانه انجام می‌دهیم، مانند جستجوی اینترنت یا گشت و گذار در صفحات شبکه‌های اجتماعی و غیره، همه متاثر از هوش مصنوعی است و در حقیقت در این مواقع داریم از آن استفاده می‌کنیم. انقدر این استفاده نا ملموس است و به آن عادت کرده ایم که در آن لحظه حس نمی‌کنیم که داریم از هوش مصنوعی استفاده می‌کنیم. دلیل اصلی آن این است که نمی‌دانیم هوش مصنوعی واقعا چیست و چه کارهایی انجام می‌دهد. از آنجایی که آینده ازآن هوش مصنوعی خواهد بود بهتر است به جای نگران بودن در مورد هوش مصنوعی یاد بگیریم که چه کارهایی را می‌توانیم با آن انجام دهیم و اطلاعاتمان را در این زمینه بیشتر کنیم. پس بیایید از ابتدا ببینیم هوش مصنوعی چیست.

تعریف هوش مصنوعی

هنوز تعریف دقیقی که تمامی دانشمندادن بر روی آن توافق داشته باشند از هوش مصنوعی ارائه نشده ولی اکثر تعریف‌ها را می‌توان به شکل زیر دسته بندی کرد.

1. مانند انسان فکر می‌کند
2. منطقی فکر می‌کند
3. مانند انسان عمل می‌کند
4. منطقی عمل می‌کند

دو تعریف اول مربوط به فرآیندهای تفکر و استدلال است، در حالی دو تعریف دیگر با رفتار سر و کار دارند.

تعریف ساده ای از هوش مصنوعی

هوش مصنوعی یا artificial intelligence شاخه ای از علوم رایانه است که هدف اصلی آن تولید ماشین‌های هوشمندی است که توانایی انجام وظایفی که نیازمند به هوش انسانی است را داشته باشد. هوش مصنوعی در حقیقت نوعی شبیه سازی هوش انسانی برای کامپیوتر است و منظور از هوش مصنوعی در واقع ماشینی است که به گونه ای برنامه نویسی شده که همانند انسان فکر کند و توانایی تقلید از رفتار انسان را داشته باشد. این تعریف می تواند به تمامی ماشین هایی اطلاق شود که بگونه‌ای همانند ذهن انسان عمل می‌کنند و می‌توانند کارهایی مانند حل مسئله و یادگیری داشته باشند.

اهداف هوش مصنوعی

اساس هوش مصنوعی آن است که هوش انسان و طریق کار آن به‌گونه‌ای تعریف شود که یک ماشین بتواند آن را به راحتی اجرا کند و وظایفی که بر آن محول می‌شود را به درستی اجرا کند. هدف هوش مصنوعی در حقیقت بر سه پایه استوار است:

1.  یادگیری
2.  استدلال
3.  درک

هوش مصنوعی (AI) شاخه گسترده ای از علوم رایانه است که مربوط به ساخت ماشین های هوشمند با توانایی انجام وظایفی است که معمولاً به هوش انسان نیاز دارند. هوش مصنوعی یک علم میان رشته ای با چندین رویکرد است ، اما پیشرفت در یادگیری ماشین و یادگیری عمیق باعث ایجاد تغییر الگوی تقریباً در هر بخش از صنعت فناوری می شود.

تاریخچه هوش مصنوعی

تاریخچه هوش مصنوعی به سال های جنگ جهانی دوم بر می‌گردد. زمانی که نیروهای آلمانی برای رمز نگاری و ارسال ایمن پیام ها از ماشین enigma استفاده می کردند و دانشمند انگلیسی، آلن تورینگ در تلاش برای شکست این کدها برآمد. تورینگ به همراه تیمش ماشین bombe را ساختند که enigma را رمز گشایی می کرد. هر دو ماشین enigma و bombe پایه های یادگیری ماشینی (machine learning) هستند که یکی از شاخه های هوش مصنوعی یا همان Artificial intelligence می‌باشد. تورینگ ماشینی را هوشمند می‌دانست که بدون اینکه به انسان حس صحبت با ماشین را بدهد، با او ارتباط برقرار کند و این مسئله پایه علم هوش مصنوعی است یعنی ساخت ماشینی که همانند انسان فکر، تصمیم گیری و عمل کند.

رفته رفته با پیشرفت فناوری و سایر سخت افزارهای مورد نیاز برای توسعه هوش مصنوعی، ابزار هوشمند و سرویس‌های هوشمندی به بازار عرضه شدند که از هوش مصنوعی در بسیاری از فرآیندهایشان استفاده می‌کردند. بسیاری از سرویس‌های معروفی همانند موتورهای جستجو، ماهواره‌ها و غیره از هوش مصنوعی استفاده می‌کردند. با معرفی گوشی‌های هوشمند و پس از آن گجت‌های هوشمند، هوش مصنوعی گام بلندی را برای ورود به زندگی انسان‌های پشت سر گذاشت. از این زمان به بعد هوش مصنوعی برای انسان‌ها جلوه کاربردی تری پیدا کرد و انسان‌ها بیشتر با واژه هوش مصنوعی و کاربردهای آن آشنا شدند.

تفاوت هوش مصنوعی و برنامه نویسی

ما در برنامه نویسی ورودی‌های معلوم و مشخص دازیم و با استفاده از دستورات شرطی مانند if و else میتوانیم معادلات را حل کنیم و به نتیجه‌ی دلخواه برسیم ولی مسائلی که با هوش مصنوعی حل می‌شوند از تنوع ورودی زیادی بهرمند هستند به همین دلیل نمی‌توان با برنامه نویسی معمولی تمام جنبه‌ها را پوشش داد مثل یک سیستم تبدیل صدا به متن یا تشخیص چهره که داده‌های ورودی آنها بسیار متنوع هستند به همین دلیل مجبور به استفاده از مدل‌های هوش مصنوعی برای انجام این کارها هستیم

در مقاله‌ای دیگر به صورت کامل به مهم‌ترین تفاوت‌های هوش مصنوعی و برنامه نویسی اشاره کردیم برای خواندن مقاله “تفاوت هوش مصنوعی و برنامه نویسی” بر روی عنوان مقاله کلیک کنید.

شاخه های هوش مصنوعی

هوش مصنوعی یک علم بسیار گسترده و پیچیده است که شاخه‌های متعددی دارد؛ شاخه های هوش مصنوعی عبارتند از:

1. سیستم خبره (Experts Systems)
2. رباتیک (Robotics)
3. یادگیری ماشین (Machine Learning)
4. شبکه عصبی (Neural Network)
5. منطق فاری (Fuzzy Logic)
6. پردازش زبان طبیعی (Natural Language Processing)

سطوح مختلف هوش مصنوعی

یک سیستم هوش مصنوعی بر اساس آن چه که از دنیای بیرون درک می‌کند و می‌تواند به آن پاسخ دهد، دارای سه سطح می‌باشد. هوش مصنوعی محدود، عمومی و سوپر هوش مصنوعی. در ادامه هر کدام را به تفصیل توضیح می‌دهیم.

در مقاله‌ای دیگر انواع هوش مصنوعی را معرفی کردیم برای کسب اطلاعات بیشتر به این مقاله مراجعه کنید.

هوش مصنوعی محدود (artificial narrow intelligence)

در تاریخچه هوش مصنوعی ، هوش مصنوعی محدود بسیار زودتر از انواع دیگر هوش مصنوعی پدید آمده است. این روزها نمونه های هوش مصنوعی محدود زیاد است. برای مثال رایانه‌هایی که در بازی های پیچیده‌ای مانند شطرنج ، تصمیم گیری هوشمندانه در زمینه تجارت و انواع دیگر کارهای مهم توانسته‌اند بهتر از انسان عمل کنند نمونه‌هایی از هوش مصنوعی محدود هستند. زمانی که در مورد هوش مصنوعی محدود صحببت می‌کنیم منظورمان سیستم‌های هوشمندی است که در انجام دادن یک وظیفه (task) به خصوص بهتر از انسان عمل می‌کنند. برای مثال سیستم هوشمندی که می‌تواند به صورت خودکار گفتار را به نوشتار تبدیل کند یا سیستم‌های تشخیص چهره که قادرند هویت یک فرد را حتی در شلوغی و سیل عظیمی از جمعیت تشخیص دهند. اگر بخواهیم برخی از کاربرد‌های هوش مصنوعی محدود را مثال بزنیم، عبارتند از:

• اتومبیل های خودران که به کمک هوش مصنوعی یاد می‌گیرند که چگونه رانندگی کنند.
• سیستم‌های پردازش تصویر و تشخیص چهره که می‌توانند کارهای بسیاری را انجام دهند و عملیات تشخیص هویت افراد را انجام دهند.
• سیستم‌های هوش مصنوعی که به انجام فرآیندهای مالی در بانک‌ها و سایر کسب و کارهای مالی کمک می‌کند.
• دستیارهای هوشمند که بر اساس نیازهایتان به شما کمک می‌کنند و حتی پروازها و هتل هایتان را از قبل رزرو می‌کنند.
• و غیره

هوش مصنوعی عمومی (Artificial General Intelligence)

منظور از هوش مصنوعی عمومی ماشینی است که می‌تواند دنیای اطراف خود را همانند یک انسان درک کند و دارای ظرفیت و گنجایش مشابه برای انجام فعالیت‌ها و وظایفی است که یک انسان به طور معمول آن‌ها را انجام می‌دهد. در حال حاضر هوش مصنوعی عمومی وجود ندارد اما رد پای آن را می‌توانیم در داستان های دارای ژانر عملی-تخیلی مشاهده کنیم. از نظر تئوری یک هوش مصنوعی عمومی می‌تواند هم سطح انسان فعالیت کند و یا حتی در زمینه‌هایی مانند حافظه و غیره از او بهتر عمل کند.

با این سطح از آگاهی و دانش یک ماشین می‌تواند تمام کارهایی که زمانی بر انسان محول می‌شد را بدون نیاز به وجود انسان انجام دهد و با گذشت زمان بیشتر ماشین‌های دارای هوش مصنوعی عمومی می‌توانند در بسیاری از زمینه‌ها جای انسان را پر کنند. خاتمه دادن به نیاز حضور نیروی انسانی در بسیاری از کارها و استفاده از تکنولوژی هوش مصنوعی عمومی یا کامل می‌تواند مانند هر تکنولوژی دیگری هر دو جنبه مثبت و منفی در زندگی اجتماعی و فردی انسان‌ها داشته باشد. اما با همه‌ی این‌ها وجود آن بسیار مفید و در عین حال اجتناب ناپذیر خواهد بود. به کمک هوش مصنوعی عمومی که دارای توانایی‌ها و ظرفیت‌های زیادی برای کمک به بشریت می‌باشد، بسیاری از مشکلاتی انسان امروزی با آن سر و کله می‌زند، همانند تغییرات شدید آب و هوایی، حل خواهد شد.

سیستم‌های هوش مصنوعی عمومی می‌تواند از کارهای عادی تا کارهای بسیار مهم و خطیر را به بهترین شکل انجام دهند. در سطح عمومی آن‌ها می‌توانند کارهایی مثل رانندگی، دستیار شخصی هوشمند با توانایی درک همه‌ی نیازهای کاربر، یک دستیار پزشک و یا سیستم تشخیص بیماری و غیره باشد. در سطوح بالا این سیستم‌ها می‌توانند کارهایی را انجام دهند که به زندگی و امنیت و جان انسان‌ها بستگی دارد و می‌توانند به خوبی از پس چنین کارهایی بر بیایند.

سوپر هوش مصنوعی(Artificial Super Intelligence)

سوپر هوش مصنوعی در واقع عبارتی است که برای هوش مصنوعی استفاده می‌شود که سطح هوش و درک انسانی را پشت سر گذاشته و به نوعی دارای هوش فرا بشری خواهد شد. تا به حال هنوز هیچ جامعه‌ای نتوانسته به سوپر هوش مصنوعی دست پیدا کند. در حقیقت رسیدن یا نرسیدن و یا حتی زمان رسیدن به آن در حاله‌ای از ابهام می‌باشد. هم چنین این مسئله که چنین هوش مصنوعی چه کارهایی انجام می‌دهد و یا این مسئله که آیا قرار است تهدیدی برای بشر باشد یا فرصتی برای او، هم مبهم است و بسیاری از صاحب نظران نظرات بسیار متفاوتی را در این مورد دارد وبحثی داغ بین صاحبان غول‌های تکنولوژی می‌باشد. برای رسدن به این سطح از هوش مصنوعی، یک سیستم هوشمند باید تست تورینگ را پشت سر گذاشته باشد و هیچ ماشینی تا به حال به سطحی از درک و شعور و وسعت دانش یک انسان بالغ نرسیده است که از این تست سر بلند بیرون آمده باشد.

تفاوت هوش مصنوعی محدود و عمومی و سوپر هوش مصنوعی در چیست؟

هوش مصنوعی محدود (ضعیف) جایی است که ما در حال حاضر در آن قرار داریم و هوش مصنوعی عمومی آینده ای است که می‌خواهیم به آن برویم و سوپر هوش مصنوعی آینده‌ای است که برای هوش مصنوعی می‌بینیم که حاصل تکامل و هوشمند شدن هوش مصنوعی است.

هوش مصنوعی محدود به این معنا است که در آن سیستم هوش مصنوعی میزان خاصی از هوش را در یک زمینه خاص به کار ببرد. در حقیقت این سیستم هنوز یک کامپیوتر است اما یک کامپیوتری که در برخی از زمینه‌ها هوشمندتر از انسان عمل می‌کند.

معنای هوش مصنوعی عمومی بسیار پیچیده‌تر است. این واژه به سیستمی اطلاق می شود که می‌توانند همانند یک انسان هر کاری را بکه به او محول می‌شود را انجام دهد. ایده آل هوش مصنوعی عمومی آن است که بتواند به درک تجربی و شناخت کلی از محیط هایی که در آن قرار می‌گیرد داشته باشد و هم چنین بتواند داده‌ها و اطلاعاتی که به او داده می‌شود را با سرعتی چند برابر انسان پردازش نماید. از این رو می‌توانیم بگوییم که سیستم‌های هوش مصنوعی عمومی در بعد دانش ، توانایی شناختی و سرعت پردازش از انسان‌ها قوی‌تر عمل خواهند کرد نکته مهم این است که این سیستم زاده مغز و علم بشر است.

سوپر هوش مصنوعی همان طور که گفته شد زمانی است که هوش مصنوعی به فراتر از توانایی‌های انسان دست خواهد یافت. این سیستم می‌تواند دارای قدرت‌هایی باشد که یک انسان از داشتن آن نحروم است. رسیدن به این سیستم در اثر تکامل یافتن هوش مصنوعی عمومی اتفاق خواهد افتاد و ساخت آن هم می‌تواند به دست بشر باشد و یا اینکه می‌تواند به دست سیتستم‌های هوشمندی باشد که به تکامل دست یافته‌اند.

هوش مصنوعی چگونه آموزش می‌بیند؟

امروزه سیستم‌های هوش مصنوعی به کمک یادگیری ماشین و یادگیری عمیق هوشمند می‌شوند و می‌توانند یاد بیرند و آموزش ببینند. در ادامه هر کدام را معرفی می‌کنیم.

یادگیری ماشین

یادگیری ماشین (Machine Learning) یکی از زیر مجموعه های هوش مصنوعی است که به سیستم ها این امکان را می دهد تا به صورت خودکار یادگیری و پیشرفت داشته باشند بدون اینکه نیاز باید تا یک برنامه نویسی مخصوص به آن یادگیری خاص را انجام داد. تمرکز اصلی یادگیری ماشینی بر توسعه برنامه‌هایی است که بتوانند با دسترسی به داده‌ها، به طور خودکار از آن‌ها برای یادگیری خود سیستم استفاده کنند.

در یادگیری ماشین فرآیند یادگیری با مشاهدات یا داده ها آغاز می شود و سیستم از مثال ها، تجارب مستقیم و یا دستور العمل ها و.. استفاده می‌کند تا به یک الگو مشخص برسد و بر اساس آن الگو شروع به تصمیم گیری و حل مسئله کند. هدف اصلی یادگیری ماشین آن است که به کامپیوتر اجازه بدهیم که بدون دخالت و کمک انسان به طور اتوماتیک یادگیری داشته باشند و بتواند بر اساس مشاهدات و داده‌ها رفتار خود را تنیم کند.

الگوریتم های بسیار مختلفی برای یادگیری ماشین وجود دارد و هر روزه صدها الگوریتم جدید نیز در این زمینه تولید می‌شوند. به طور معمول این الگوریتم‌ها به وسیله سبک یادگیری (learning style) (مانند یادگیری نظارت شده، یادگیری بدون نظارت، یادگیری نیمه نظارت) و یا با توجه به شباهتشان در فرم و عملکرد ( مانند طبقه بندی، برگشت، درخت تصمیم گیری، دسته کردن، یادگیری عمیق و…) گروه بندی می شوند. صرف نظر از هر دو گروه‌بندی، تمام الگوریتم های یادگیری ماشین معمولا در زمینه‌های زیر فعالیت می‌کنند:

• نمایش: مجموعه ای از طبقه بندی کننده ها یا زبانی که کامیوتر آن را می فهمد.
• ارزشیابی: همچنین معروف به عملکرد هدف/نمره دهی.
• بهینه سازی: روش جست و جو؛ اغلب طبقه بندی کننده ای با بالاترین امتیاز.

 هدف اساسی الگوریتم‌های یادگیری ماشین تفسیر موفقیت آمیز داده‌ها و تعمیم یادگیری‌ها به فراتر از نمونه‌های آموزش داده شده است.

یادگیری عمیق

یادگیری عمیق نوعی از یادگیری ماشین و هوش مصنوعی است که در واقع از روشی که ذهن انسان برای یادگیری موضوع خاصی به کار می‌گیرد، تقلید می‌کند. این نوع از یادگیری یکی از عناصر مهم در علم داده می‌باشد که شامل آمار و مدل سازی پیش بینی است. یادگیری عمیق برای دانشمندان داده که وظیفه جمع آوری ، تجزیه و تحلیل و تفسیر مقادیر زیادی از داده ها را دارند، بسیار کاربردی است و روند تحلیل و تفسیر داده‌ها را سریعتر و آسان تر می کند.

به نوعی می توان گفت یادگیری عمیق در واقع همان یادگیری ماشین است به گونه ای که در سطح کارهای پیچیده، نمایش یا انتزاع، عمل یادگیری را برای یک سیستم هوش مصنوعی انجام می‌دهد و به این صورت ماشین درک بهتری از واقعیت های وجودی پیدا می‌کند و می تواند الگوهای مختلف را شناسایی کند. در ساده ترین سطح، یادگیری عمیق را می توان راهی برای خودکار سازی تجزیه و تحلیل پیش بینی‌ها دانست.

برای شناسایی نحوه کار کرد یادگیری عمیق باید با شبکه‌های عصبی آشنا باشید. این نوع از یادگیری در واقع همانند یادگیری به وسیله شبکه‌های عصبی هستند که دارای لایه پنهان زیادی می‌باشند و هر چقدر در این لایه ها جلو تر بروید به مدل های پیچیده‌تر و کامل‌تری می‌رسید.

دسته بندی سیستم‌های هوش مصنوعی

آرنت هینتز، استادیار زیست شناسی تلفیقی و علوم کامپیوتر دانشگاه ایالتی میشیگان، هوش مصنوعی را به چهار دسته کلی تقسیم بندی می کند. این دسته بندی شامل سیستم هایی که امروزه وجود دارند تا سیستم های احساسی که هنوز وجود ندارند را در بر می‌گیرد. این دسته ها به شرح زیر هستند:

نوع اول: ماشین های انفعالی

نمونه این دسته deep blue است که یک برنامه شطرنج بود که در دهه ۱۹۹۰ توانست گری کاسپاروف، قهرمان شطرنج جهان را شکست دهد. deep blue می توانست مهره های روی هر خانه شطرنج را شناسایی کند و حرکت های پیش رو را پیش بینی کند. مشکل برنامه آن بود که نمی توانست تجربه های قبلی خود را به یاد بسپارد و از آن برای حرکت های آینده اش استفاده کند. این برنامه هربار تمام حرکت های استراتژیک ممکن خود و رقیب را بررسی و آنالیز می کرد و بهترین آن ها را انتخاب می کرد. این نوع از هوش مصنوعی و برنامه های این چنینی برای هدف های محدودی قابل استفاده هستند و نمی توانند به راحتی در موقعیت های دیگری کاربرد داشته باشند.

نوع دوم: حافظه محدود

این سیستم هوش مصنوعی برعکس قبلی می تواند از تجارب گذشته برای تصمیمات آینده اش استفاده کند. برخی از کارکرد های تصمیم گیری در ماشین های خود ران از این نوع طراحی هستند. این نوع ماشین ها از مشاهداتشان برای تصمیماتی که در آینده ای نه چندان دور می خواهند بگیرند استفاده می کنند. مثلا اینکه لاینی که در آن در حال رانندگی هستند را عوض کنند. البته این نوع مشاهدات و تجربیات به صورت همیشگی ذخیره نمی شوند.

نوع سوم: تئوری ذهن

این نوع از هوش مصنوعی هنوز وجود ندارد اما اساس این عبارت روانشناختی به تمامی اعتقادات و دانش ها، آرزوها و آمال و نیت هر فرد بر می گردد و تاثیری که هر کدام از آن ها بر تصمیم گیری یک فرد دارد. این هوش مصنوعی قادر به درک و آنالیز این نوع از تصمیم گیری ها می باشد.

نوع چهارم: خود آگاهی

در این دسته سیستم هوش مصنوعی آگاهی از خود و هوشیاری وجود دارد. ماشین های دارای خود آگاهی می توانند بفهمند که در چه سطح و حالتی هستند و می توانند از اطلاعاتی که بدست می آورند احساسات دیگران را نتیجه گیری کنند. البته این نوع از هوش مصنوعی نیز همانند مورد سوم هنوز وجود ندارد.

آیا رباتیک همان هوش مصنوعی است؟

رباتیک در حقیقت حوزه ای از علم و تکنولوژی است که با ربات ها سر و کار دارد و به طور کلی می‌توان گفت ربات‌ها ماشین‌هایی هستند که برای انجام یک سری کارها به صورت اتوماتیک یا نیمه اتوماتیک، از قبل برنامه ریزی شده‌اند. رباتیک علمی است که با طراحی، ساخت و برنامه نویسی انواع ربات‌ها سر و کار دارد و تنها بخش کوچکی از زیر مجموعه آن است که به هوش مصنوعی مربوط می شود و با آن ادغام شده و تشکیل ربات های دارای هوش مصنوعی را می دهد. هوش مصنوعی نیز زیر مجموعه‌ای از علوم کامپیوتر است که به تولید برنامه‌هایی می‌پردازد که وظایفی که نیاز به هوش انسانی دارد را انجام دهند. الگوریتم های هوش مصنوعی دارای یادگیری، درک، حل مسئله، درک زبان طبیعی و یا استدلال منطقی می باشند.

از هوش مصنوعی در دنیا کاربردهای متنوع و فراوانی دارد و این تکنولوژی در زمینه‌های مختلفی برای اتوماتیک کردن و یا هوشمند کردن فرآیندها استفاده می‌شود. برای مثال موتور جستجوگر گوگل از هوش مصنوعی در جستجو ایش استفاده می‌کند تا بهترین و نزدیک‌ترین نتیجه به آن چه که کاربر می‌خواهد را پیدا کند. الگوریتم‌های هوش مصنوعی تنها به منظور کنترل ربات‌ها ساخته نشده‌اند. در واقع زمانی که از هوش مصنوعی برای کنترل یک ربات استفاده می‌کنیم، در حقیقت این هوش مصنوعی تنها یک بخشی از سیستم رباتیکی بزرگتری است که این سیستم بزرگ‌تر خود شامل سنسورها، فعال کننده‌ها و برنامه نویسی‌هایی است که هوش مصنوعی در آن دخیل نمی‌باشد. هوش مصنوعی و رباتیک دو علم کاملا جدا از هم هستند و اصلا به یکدیگر شباهتی ندارند و تنها در برخی از بخش‌ها به منظور هوشمند شدن ربات‌ها از هوش مصنوعی استفاده می‌شود.

در مقاله‌ای دیگر به موضوع “تفاوت هوش مصنوعی با رباتیک” پرداخته‌ایم برای کسب اطلاعات بیشتر در مورد اینکه رباتیک و هوش مصنوعی چه تفاوتی با یکدیگر دارند این مقاله را مطالعه کنید.

کاربرد هوش مصنوعی در کسب و کارهای مختلف

از این علم می توان در کسب و کارهای مختلف استفاده کرد و در هر کسب و کاری منفعت های بسیاری را به همراه خواهد داشت. در ادامه به چند نمونه از این کاربرد ها در هر حوزه می پردازیم:

هوش مصنوعی در حوزه سلامت

مهم ترین نکته در این حوزه بهبود نتایج بیماران و در عین حال کاهش هزینه است. شرکت های فعال در حوزه سلامت می خواهند با استفاده از یادگیری ماشین، روند تشخیص و درمان را بهتر و سریعتر انجام دهند. یکی از شناخته شده ترین فناوری ها در این زمینه سیستم IBM Watson است. این سیستم زبان طبیعی را درک می کند و قادر به پاسخگویی به سوالاتی که از آن پرسیده می شود است. این سیستم تمام اطلاعات مربوط به بیمار از منابع موجود را استخراج می کند تا یک فرضیه ایجاد کند و پس از اطمینان آن را ارائه می دهد. سایر برنامه هایی که هوش مصنوعی دارند مانند چت بات ها، می توانند به بیماران برای برنامه ریزی قرار ملاقات، پاسخ به پرسش ها، صدور صورت حساب کمک کنند و یا به صورت یک دستیار سلامت مجازی به فرد بازخوردهای پزشکی ارائه دهد.

هوش مصنوعی در حوزه کسب و کار

برای کارها و فرآیندهای بسیار تکراری که در هر کسب و کار توسط انسان ها انجام می شود، می توان از فرآیندهای اتوماسیون رباتیک استفاده کرد. الگوریتم های یادگیری ماشین می توانند با analytics و CRM ادغام شوند تا با کشف اطلاعات لازم، بهتر به مشتریان خدمت کنند. از چت بات ها نیز می توان برای ارائه خدمات فوری به مشتریان در وب سایت نیز استفاده کرد.

هوش مصنوعی در حوزه آموزش و پرورش

هوش مصنوعی در این حوزه می تواند به خودکار شدن نمره دهی و درجه بندی دانش آموزان کمک کند و به معلمان زمان بیشتری بدهد. هوش مصنوعی می تواند دانش آموزان را ارزیابی کند و با نیازهای آن ها سازگار باشد و با هر فرد متناسب با سرعت او کار کند. سیستم های مربی هوش مصنوعی می توانند پشتیبانی بیشتری به دانش آموزان ارائه دهند و اطمینان حاصل کنند که روند آموزش آن ها در راه درستی قرار دارد. Artificial intelligence می تواند نحوه یادگیری و مکان یادگیری دانش آموزان را تغییر دهد و حتی برخی از معلمان او را عوض کند.

هوش مصنوعی در حوزه اقتصاد

سیستم های هوش مصنوعی در برنامه های مالی شخصی، مانند Mint یا Turbo Tax، می توانند اطلاعات مالی شخصی هر فرد را جمع آوری کنند و به آن ها مشاوره مالی دهند. از برنامه های دیگر مانند IBM Watson حتی در روند خرید خانه نیز می توان استفاده کرد. امروزه نرم افزارها در وال استریت بخش عظیمی از معاملات را انجام می دهند.

هوش مصنوعی در حوزه قانون و قضا

روند کشف اسناد و مدارک غالبا برای انسان ها بسیار سخت است. اتوماسیون و هوش مصنوعی می تواند به این فرآیند کمک کرده و کارآمدتر از زمان استفاده کند. استارتاپ ها در حال ساخت دستیارهای رایانه ای هستند که پرسش و پاسخ ها را غربال می کند و می توانند با بررسی و طبقه بندی و یک بانک اطلاعاتی ، سؤالات برنامه ریزی شده در زمینه هستی شناسی را پاسخ دهد.

هوش مصنوعی در حوزه تولید

این زمینه ای است که ربات ها هرچه تمام تر می توانند کار را به گردش دربیاورند. ربات های صنعتی می توانند تک تک وظایف محول شده را به طور کامل انجام دهند و جدا از کارکنان انسانی فعالیت کنند.

هوش مصنوعی در برقراری امنیت

از هوش مصنوعی و تکنولوژی پردازش تصویر در برقراری امنیت، ردیابی مجرمان، پیدا کردن هویت خلافکاران و… استفاده می‌شود. این سیستم‌ها قادرند با استفاده از هوش مصنوعی چهره افراد مختلف، موجودیت اشیاء و … را تشخیص دهند و هنگام مشاهده انجام تخلفات یا عملی مجرمانه آن را تشخیص داده و به نهاد مربوطه هشدار دهد.

هوش مصنوعی و تفسیر داده‌ها

کلان داده یا بیگ دیتا (Big Data) عبارتی است که برای توصیف مقادیر بزرگی از داده (اعم از داده های ساختار یافته و بدون ساختار) استفاده می‌شود. از کلان داده ها می‌توان برای استخراج اطلاعات مورد نیاز برای تصمیم گیری‌های مهم و حیاتی استفاده کرد و حرکات استراتژیک و حساس را با دقت بیشتری اجرا نمود. یک دانشمند داده به کمک کلان داده‌ها نه تنها قادر به تجزیه و تحلیل نیازهای افراد می‌باشد بلکه از قوانین حاکم بر بازارها و روندهای مختلف نیز اطلاع می‌یابد. تحلیل مقادیر زیادی داده، بدون هیچ گونه سیستم هوشمند و تنها به وسیله انسان امکان پذیر نیست. زیرا هم حجم داده بسیار گسترده است و هم هر روز بر میزان این حجم افزوده می‌شود. بنابراین مشخص است که با استفاده از هوش مصنوعی در تفسیر کلان داده‌ها است که به بسیاری از مفاهیم جدید می‌رسیم که نتیجه‌اش قابلیت متحول کردن بخش عظیمی از جامعه و زندگی انسان‌ها را دارد.

چالش‌های هوش مصنوعی

به کارگیری هوش مصنوعی نه تنها در ایران بلکه در بسیاری از کشورهای پیشرفته با چالش‌های متعددی مواجه است. چالش عمده ای که کسب و کارها در به کارگیری هوش مصنوعی با آن سر و کار دارند مربوط به افراد و نیروی انسانی، داده‌ها و اطلاعات مورد نیاز و یا ترجیحات و ترازهای تجاری می باشد. در ادامه هر کدام از این چالش‌ها را به طور مختصر بررسی می‌کنیم.

چالش‌های مربوط با داده‌ها و اطلاعات

مشکل مربوط به داده ها احتمالا یکی از مسائلی است اکثر شرکت ها با آن درگیر خواهند بود. هر سیستم هوش مصنوعی به اندازه داده‌هایی که به آن داده می‌شود عملکرد خوبی خواهد داشتدر حقیقت داده عنصر اصلی مورد نیاز تمام راه حل‌هایی است که هوش مصنوعی قرار است پیش روی یک کسب و کار قرار دهد. برخی از مشکلات مربوط به داده و جمع آوری آن عبارتند از:

• چگونگی کیفیت و کمیت داده ها
• برچسب داده ها
• قابل فهم و شرح بودن
• Case-specific بودن فرآیند آموزش
• جانب داری
• مقابله با خطاهای مدل ها

چالش‌های مربوط به افراد و نیروهای انسانی

دو مشکل عمده در رابطه با افراد برای به کارگیری هوش مصنوعی وجود دارد و این دو مشکل یکی نبود درکی از هوش مصنوعی در بین افراد غیر متخصص و کارمندان یک شرکت است و دیگری کمبود متخصصان هوش مصنوعی در حوزه هر کسب و کار می باشد. به کارگیری هوش مصنوعی در یک کسب و کار تا حد زیادی نیاز به مدیریتی آشنا با هوش مصنوعی و درک آن تکنولوژی دارد. متاسفانه هنوز بسیاری از افراد به هوش مصنوعی به صورت یک افسانه نگاه می‌کنند و انتظارات غیر علمی و تا حدی تخیلی از آن دارند و نمی‌دانند که هوش مصنوعی چه تحولی را می‌تواند در کسب و کار آن‌ها ایجاد کند.

چالش‌های درون سازمانی و سیاست‌های درونی هر کسب و کار

در هر کسب و کارو سازمانی برای به کارگیری هوش مصنوعی چند مشکل عمده وجود دارد که ناشی از سیاست‌های داخلی سازمان و تصمیمات درون سازمانی است. این چالش‌ها عبارتند از:

• کمبود ترازهای بیزینسی
• دشواری در ارزیابی
• چالش های ادغام کسب و کار و هوش مصنوعی با یکدیگر
• مسائل حقوقی

برای مطالعه مطالب بیشتر در زمینه هوش مصنوعی و کاربردهای آن به بلاگ عامر اندیش مراجعه کنید.

هوش مصنوعی یا Artificial Intelligence چیست؟

هوش مصنوعی یا artificial intelligence شاخه ای از علوم رایانه است که هدف اصلی‌اش آن است که ماشین‌های هوشمندی تولید کند که توانایی انجام وظایفی که نیازمند به هوش انسانی است را داشته باشد. هوش مصنوعی در حقیقت نوعی شبیه سازی هوش انسانی برای کامپیوتر است و منظور از هوش مصنوعی در واقع ماشینی است که به گونه ای برنامه نویسی شده که همانند انسان فکر کند و توانایی تقلید از رفتار انسان را داشته باشد.

انواع هوش مصنوعی چیست؟

1. ماشین های انفعالی مثل حریف کامپیوتری در بازی شطرنج ۲. حافظه محدود مثل اتومبیل خودران ۳. تئوری ذهن مثل قابلیت درک احساسات انسانی ۴.خود آگاهی به معنی توانایی خودکار بهبود عملکرد خود

در هوش مصنوعی از چه فناوری های استفاده می‌شود؟

1. یادگیری ماشین به معنی قابلیت آموزش به یک ماشین است ۲. یادگیری عمیق به معنی شبیه‌سازی کردن شبکه‌های عصبی مغز انسان است

هوش مصنوعی چه کمکی به کسب و کارهای مختلف می‌کند؟

1. آموزش و پرورش کمک به خودکار شدن نمره دهی و درجه بندی دانش آموزان ۲. برقراری امنیت با کمک پردازش تصویر می‌تواند به ردیابی مجرمان و پیدا کردن هویت خلافکاران کمک کند ۳. تفسیر داده‌ها و استخراج اطلاعات مورد نیاز از داده های ساختار یافته و بدون ساختار ۴. سلامت کمک به روند تشخیص و درمان

آیا رباتیک همان هوش مصنوعی است؟

هوش مصنوعی و رباتیک دو علم کاملا جدا از هم هستند و اصلا به یکدیگر شباهتی ندارند و تنها در برخی از بخش‌ها به منظور هوشمند شدن ربات‌ها از هوش مصنوعی استفاده می‌شود.

وش مصنوعی چیست؟ هر آنچه باید درباره تکنولوژی ChatGPT و Dall-E بدانیم

فناوری

هوش مصنوعی

پنج‌شنبه ۲۵ اسفند ۱۴۰۱ – ۲۳:۳۰

مطالعه ۳۸ دقیقه

مرجان شیخی

از ChatGPT تا Dall-E و بینگ جدید؛ این‌ها همه برپایه هوش مصنوعی هستند. اما هوش مصنوعی دقیقا چیست و شگفتی‌های تازه دنیای تکنولوژی چطور کار می‌کنند؟

تبلیغات

این‌روزها همه‌جا صحبت از هوش مصنوعی یا AI است. مشکلات «حل‌نشدنی» در حال حل شدن هستند؛ افرادی که هیچ دانشی از کدنویسی یا آهنگسازی یا طراحی ندارند، به کمک AI و در عرض چند ثانیه وب‌سایت و آهنگ می‌سازنند و طرح‌های هنری شگفت‌انگیز خلق می‌کنند. شرکت‌های بزرگ نیز درحال سرمایه‌گذاری‌های چند میلیارد دلاری در پروژه‌های هوش مصنوعی هستند و مایکروسافت هم با آوردن چت‌بات ChatGPT به بینگ، در تلاش است مدل جستجوی ما در اینترنت را زیرورو کند و شاید حتی تا چند وقت دیگر، ساختار کل اینترنت را به هم بریزد.

سر در آوردن از هوش مصنوعی هم مثل هر تکنولوژی جدید دیگر که با کلی هیاهو و جنجال رسانه‌ای همراه است،‌ ممکن است گیج‌کننده باشد و حتی متخصصان هوش مصنوعی هم به‌سختی می‌توانند خود را با تحولات لحظه‌ای این فناوری همراه کنند.

در زمینه‌ی هوش مصنوعی، یک سری سوالات به مراتب پرسیده می‌شود؛ مثلا اینکه دقیقا منظور از هوش مصنوعی چیست؟ فرق بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق چیست؟ چه مسائل دشواری حالا به‌راحتی قابل حل هستند و حل چه مسائلی هنوز از توانایی هوش مصنوعی خارج است؟ و شاید محبوب‌ترین آن‌ها؛ آیا قرار است دنیا با هوش مصنوعی نابود شود؟

اگر برای شما نیز سوال شده که این همه هیاهو و هیجان بر سر هوش مصنوعی به‌خاطر چیست و اگر دوست دارید پاسخ این پرسش‌ها را به زبانی ساده یاد بگیرید، با ما همراه شوید تا نگاهی به پشت پرده‌ی این فناوری مرموز و قدرتمند بیندازیم.

فهرست مطالب

•  

هوش مصنوعی چیست؟

•  

تاریخچه هوش مصنوعی

•  

انواع هوش مصنوعی

•  

یادگیری ماشین (Machine Learning)

•  

یادگیری عمیق (Deep Learning)

•  

کاربرد هوش مصنوعی

•  

تشخیص اجسام (Object Recognition)

•  

تشخیص چهره (Face Recognition)

•  

تشخیص گفتار (Speech Recognition)

•  

دیپ‌فیک و شبکه‌های مولد (Deepfakes and Generative AI)

•  

نمونه‌های​ هوش مصنوعی

•  

ChatGPT

•  

DALL-E

•  

Copilot

•  

Jukebox

•  

Midjourney

•  

New Bing

•  

LaMDA

•  

PaLM

•  

خطرات هوش مصنوعی

•  

آینده هوش مصنوعی

•  

آیا هوش مصنوعی بشر را نابود می‌کند؟

هوش مصنوعی چیست؟

اصطلاح «هوش مصنوعی» (Artificial Intelligence) یا AI برای توصیف سیستمی به‌کار می‌رود که می‌تواند فعالیت‌های شناختی وابسته به ذهن انسان ازجمله «یادگیری» و «حل مسئله» را به‌خوبی یا حتی بهتر از انسان‌ها انجام دهد. اما در اکثر موارد، آنچه به‌عنوان هوش مصنوعی می‌شناسیم، درواقع «اتوماسیون» (Automation) یا همان فرایند خودکارسازی نام دارد و برای درک بهتر AI، ابتدا باید فرق آن را با اتوماسیون بدانیم.

در دنیای علوم کامپیوتر یک جوک قدیمی وجود دارد که می‌گوید اتوماسیون، کارهایی است که ما همین‌حالا می‌توانیم با کامپیوتر انجام دهیم، اما هوش مصنوعی کارهایی است که ما دلمان می‌خواست می‌توانستیم با کامپیوتر انجام دهیم. به‌عبارت دیگر،‌ به‌محض اینکه بفهمیم چطور کاری را با کامپیوتر انجام دهیم، از حوزه‌ی هوش مصنوعی خارج و وارد اتوماسیون می‌شویم.

دلیل وجود این جوک این است که هوش مصنوعی تعریف دقیقی ندارد و حتی اصطلاح فنی نیست. اگر به ویکی‌پدیا نگاهی بیندازید، می‌خوانید که هوش مصنوعی «هوشی است که توسط ماشین‌ها ظهور پیدا می‌کند، در مقابل هوش طبیعی که توسط جانوران شامل انسان‌ها نمایش می‌یابد.» یعنی تعریفی به همین مبهمی و گستردگی.

به‌طور کلی، دو نوع هوش مصنوعی وجود دارد: هوش مصنوعی قوی (strong AI) و هوش مصنوعی ضعیف (weak AI).

هوش مصنوعی قوی همانی است که اکثر افراد با شنیدن AI متصور می‌شوند؛ یعنی نوعی هوش دانای کل شبیه شخصیت هال ۹۰۰۰، همان ربات قاتلِ فیلم ادیسه‌ی فضایی یا سیستم خودآگاه هوش مصنوعی اسکای‌نت در فیلم‌های تریمیناتور که در عین داشتن هوش فراانسانی و قابلیت استدلال و تفکر منطقی، توانایی‌هایی فراتر از انسان‌ها نیز دارند.

آنچه از هوش مصنوعی تابه‌حال دیده‌ایم از نوع هوش مصنوعی ضعیف است

درمقابل، هوش مصنوعی ضعیف الگوریتم‌های بسیار تخصصی‌ای هستند که برای پاسخ به سوالات مشخص، مفید و محدود به حیطه‌ی همان مسئله طراحی شده‌اند؛ مثل موتور جستجوی گوگل و بینگ، الگوریتم پیشنهاد فیلم نتفلیکس یا حتی دستیار صوتی Siri و گوگل‌اسیستنت. این مدل AIها در سطح خود بسیار قابل‌توجه هستند، هرچند کارایی آن‌ها محدود است.

اما فیلم‌های علمی‌تخیلی هالیوودی را که کنار بگذاریم، هنوز با دستیابی به هوش مصنوعی قوی فاصله‌ی زیادی داریم. درحال‌حاضر، تمام AI‌هایی که می‌شناسیم از نوع ضعیف هستند و برخی از پژوهشگران معتقدند روش‌هایی که تا‌به‌حال برای توسعه‌ی هوش مصنوعی ضعیف به کار رفته‌اند، کاربردی در توسعه‌ی هوش مصنوعی قوی نخواهند داشت. البته اگر نظر کارمندان شرکت OpenAI، توسعه‌دهنده‌ی چت‌بات محبوب ChatGPT را بپرسید، به شما خواهند گفت تا ۱۳ سال آینده و با همین روش‌های شناخته‌شده می‌توانند به هوش مصنوعی قوی دست پیدا کنند!

مرجان شیخی

OpenAI؛‌ شرکت مرموزی که می‌خواهد زودتر از همه به هوش مصنوعی انسان‌گونه برسد

مطالعه ’۲۱

اگر بخواهیم در این موضوع خیلی دقیق شویم، باید بگوییم که «هوش مصنوعی» درحال‌حاضر بیشتر اصطلاحی برای جلب‌توجه و بازاریابی است تا اصطلاحی فنی. دلیل اینکه شرکت‌ها به جای استفاده از واژه‌ی «اتوماسیون» از هوش مصنوعی استفاده می‌کنند این است که می‌خواهند در ذهن ما همان تصاویر علمی‌تخیلی فیلم‌های هالیوودی را تداعی کنند. اما این کار کاملا هم زرنگ‌بازی و فریبکاری نیست؛ اگر بخواهیم دست‌ودل‌بازی به خرج دهیم، می‌توان گفت این شرکت‌ها قصد دارند بگویند درست است که تا رسیدن به هوش مصنوعی قوی راه درازی در پیش داریم، اما AI ضعیف کنونی را هم نباید دست‌کم گرفت، چون به‌مراتب از چند سال پیش، قوی‌تر شده است که خب، این حرف کاملاً درست است.

در برخی زمینه‌ها، تغییرات شگرفی در توانایی ماشین‌ها صورت گرفته و آن هم به‌خاطر پیشرفت‌هایی است که در چند سال اخیر، در دو زمینه‌ی مرتبط با هوش مصنوعی، یعنی یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) به‌دست‌ آمده است. این دو اصطلاح را هم احتمالا بسیار شنیده‌اید و در ادامه درباره‌‌ی سازوکارشان توضیح خواهیم داد. اما پیش از آن، اجازه دهید کمی درباره‌ی تاریخچه‌ی جالب و خواندنی هوش مصنوعی با شما صحبت کنیم.

تاریخچه هوش مصنوعی

آیا ماشین‌ها می‌توانند فکر کنند؟

در نیمه‌ی اول قرن بیستم، داستان‌های علمی‌تخیلی، مردم را با مفهوم ربات‌های هوشمند آشنا کردند که اولین آن‌ها، شخصیت مرد حلبی در رمان «جادوگر شهر اُز» (۱۹۰۰) بود. تا اینکه در دهه‌ی ۱۹۵۰، نسلی از دانشمندان، ریاضیدانان و فیلسوفانی را داشتیم که ذهنشان با مفهوم هوش مصنوعی درگیر شد. یکی از این افراد، ریاضیدان و دانشمند کامپیوتر انگلیسی به‌نام آلن تورینگ (Alan Turing) بود که سعی داشت امکان دستیابی به هوش مصنوعی را با علم ریاضی بررسی کند.

تورینگ می‌گفت انسان‌ها از اطلاعات موجود و همچنین قدرت استدلال برای تصمیم‌گیری و حل مشکلات استفاده می‌کنند، پس چرا ماشین‌ها نمی‌توانند همین کار را انجام دهند؟ این دغدغه‌ی ذهنی درنهایت به نوشتن مقاله‌ی بسیار معروفی در سال ۱۹۵۰ انجامید که با پرسش جنجالی «آیا ماشین‌ها می‌توانند فکر کنند؟» شروع می‌شد. تورینگ در این مقاله به شرح چگونگی ساخت ماشین‌های هوشمند و آزمایش سطح هوشمندی آن‌ها پرداخت و با پرسش «آیا ماشین‌ها می‌توانند از بازی تقلید سربلند بیرون آیند؟»، آغازگر آزمون بسیار معروف «تست تورینگ» شد.

نبود حافظه و هزینه‌های سرسام‌آور کامپیوترها، تورینگ را از تست نظریه‌اش بازداشت

اما مقاله‌‌ی تورینگ تا چند سال در حد نظریه باقی ماند، چراکه آن زمان کامپیوترها از پیش‌نیاز کلیدی برای هوشمندی، بی‌بهره بودند؛ اینکه نمی‌توانستند دستورات را ذخیره کنند و فقط می‌توانستند آن‌ها را اجرا کنند. به‌عبارت دیگر، می‌شد به کامپیوترها گفت چه کنند، اما نمی‌شد از آن‌ها خواست کاری را که انجام داده‌اند، به‌خاطر بیاورند.

مشکل بزرگ دوم، هزینه‌های سرسام‌آور کار با کامپیوتر بود. اوایل دهه‌ی ۱۹۵۰، هزینه‌ی اجار‌ه‌ی کامپیوتر تا ۲۰۰ هزار دلار در ماه می‌رسید؛ به‌همین‌خاطر، فقط دانشگاه‌های معتبر و شرکت‌های بزرگ فناوری می‌توانستند به این حوزه وارد شوند. اگر آن‌روزها کسی می‌خواست برای پژوهش‌های هوش مصنوعی، فاند دریافت کند، لازم بود که ابتدا ممکن بودن ایده‌ی خود را اثبات می‌کرد و بعد،‌ از حمایت و تأیید افراد بانفوذ بهره‌مند می‌شد.

کنفرانس تاریخی DSRPAI که همه‌چیز با آن شروع شد

پنج سال بعد، سه پژوهشگر علوم کامپیوتر به‌نام‌های الن نیوول، کلیف شا و هربرت سایمون نرم‌افزار Logic Theorist را توسعه دادند که توانست ممکن بودن ایده‌ی هوش ماشینی تورینگ را اثبات کند. این برنامه که با بودجه‌ی شرکت تحقیق و توسعه‌ی RAND توسعه ‌داده شده بود، به‌گونه‌ای طراحی شده بود تا مهارت‌های حل مسئله‌ی انسان را تقلید کند.

اصطلاح «هوش مصنوعی» توسط جان مک‌کارتی در سال ۱۹۵۶ ابداع شد

بسیاری، Logic Theorist را اولین برنامه‌ی هوش مصنوعی می‌دانند. این برنامه در پروژه‌ی تحقیقاتی تابستانی کالج دارتموث در زمینه‌ی هوش مصنوعی (DSRPAI) به میزبانی جان مک‌کارتی (John McCarthy) و ماروین مینسکی (Marvin Minsky) در سال ۱۹۵۶ ارائه شد.

جان مک‌کارتی به‌عنوان پدر هوش مصنوعی شناخته می‌شود

در این کنفرانس تاریخی، مک‌کارتی پژوهشگران برتر در حوزه‌‌های مختلف را برای بحث آزاد در مورد هوش مصنوعی(اصطلاحی که خود مک‌کارتی در همان رویداد ابداع کرد)، دور هم جمع کرد، با این تصور که با همکاری جمعی دستیابی به هوش مصنوعی ممکن می‌شد. اما کنفرانس نتوانست انتظارات مک‌کارتی را برآورده کند، چراکه هیچ هماهنگی بین پژوهشگران نبود؛ آن‌ها به دلخواه خود می‌آمدند و می‌رفتند و در مورد روش‌های استاندارد برای انجام پژوهش‌های هوش مصنوعی به هیچ توافقی نرسیدند. بااین‌حال، تمام شرکت‌کنندگان از صمیم قلب این حس را داشتند که هوش مصنوعی قابل دستیابی است.

اهمیت کنفرانس DSRPAI غیرقابل‌وصف است؛ چراکه ۲۰ سال پژوهش حوزه‌ی هوش مصنوعی برمبنای آن صورت گرفت.

ترن هوایی موفقیت‌ها و شکست‌های هوش مصنوعی

از سال‌های ۱۹۵۷ تا ۱۹۷۴، به‌عنوان دوران شکوفایی هوش مصنوعی یاد می‌شود. در این دوره، کامپیوترها سریع‌تر، ارزان‌تر و فراگیرتر شدند و می‌توانستند اطلاعات بیشتری را ذخیره کنند. الگوریتم‌های یادگیری ماشین نیز بهبود یافتند و افراد، بهتر می‌دانستند کدام الگوریتم را برای حل کدام مشکل به کار برند.

نمونه‌ برنامه‌های کامپیوتری اولیه مانند General Problem Solver نیوول و سایمون یا نرم‌افزار ELIZA که سال ۱۹۶۶ توسط جوزف وایزن‌بام طراحی شده و اولین چت‌باتی بود که توانست آزمون تورینگ را با موفقیت پشت سر بگذارد، به‌ترتیب، دانشمندان را چند قدم به اهداف «حل مسئله» و «تفسیر زبان گفتاری» نزدیک‌تر کرد.

در این زمان پژوهشگران به آینده‌ هوش مصنوعی بسیار خوش‌بین بودند

این موفقیت‌ها همراه‌با حمایت پژوهشگران برجسته‌ای که در کنفرانس DSRPAI شرکت کرده بودند، سرانجام سازمان‌های دولتی مانند آژانس پروژه‌های تحقیقاتی پیشرفته دفاعی آمریکا (دارپا) را متقاعد کرد تا بودجه‌ی لازم برای پژوهش‌های هوش مصنوعی را در چندین موسسه تأمین کنند. دولت آمریکا به‌ویژه به توسعه‌ی ماشینی علاقه‌مند بود که بتواند هم زبان گفتاری و هم پردازش داده‌ها را با توان عملیاتی بالا رونویسی و ترجمه کند.

در این زمان، پژوهشگران به آینده‌ی این حوزه بسیار خوش‌بین بودند و سطح توقعاتشان حتی از میزان خوش‌بینی‌شان هم بالاتر بود؛ به‌طوری که در سال ۱۹۷۰، ماروین مینسکی به مجله لایف گفت: «سه تا هشت سال آینده، ما به ماشینی با هوش عمومی یک انسان عادی دست خواهیم یافت.» با این حال، اگرچه امکان رسیدن به هوش مصنوعی برای همه اثبات شده بود، هنوز راه بسیار درازی تا دستیابی به اهداف نهایی پردازش زبان طبیعی، تفکر انتزاعی و خویشتن‌آگاهی در ماشین‌ها باقی مانده بود.

موانع زیادی سر راه تحقق این اهداف قرار داشت که بزرگ‌ترینشان، نبود قدرت رایانشی کافی برای انجام پروژه‌ها بود. کامپیوترهای آن زمان نه جای کافی برای ذخیره‌ی حجم عظیمی از اطلاعات داشتند و نه سرعت لازم برای پردازش آن‌ها. هانس موراوک، دانشجوی دکترای مک‌کارتی در آن زمان، گفت که «کامپیوترها آن موقع میلیون‌ها بار ضعیف‌تر از آن بودند که بتوانند هوشی از خود نشان دهند». وقتی کاسه‌ی صبر پژوهشگران لبریز شد، بودجه‌‌های دولتی نیز کاهش یافت و تا ده سال، سرعت پژوهش‌های هوش مصنوعی به‌شدت کند شد.

تا اینکه در دهه‌ی ۱۹۸۰، دو عامل جان دوباره‌ای به پژوهش‌های هوش مصنوعی بخشیدند؛ بهبود چشمگیر در الگوریتم‌ها و از راه رسیدن بودجه‌های جدید.

بهبود چشمگیر در الگوریتم‌ها جان دوباره‌ای به پژوهش‌های هوش مصنوعی بخشید

جان هاپفیلد (John Hopfield) و دیوید روملهارت (David Rumelhart) تکنیک‌های «یادگیری عمیق» (Deep Learning) را گسترش دادند که به کامپیوترها اجازه می‌داد خودشان با تجربه کردن، چیزهای جدید یاد بگیرند. از آن طرف هم، دانشمند آمریکایی علوم کامپیوتر، ادوارد فاین‌باوم (Edward Feigenbaum)، «سیستم‌های خبره» (Expert Systems) را معرفی کرد که فرایند تصمیم‌گیری افراد متخصص را تقلید می‌کردند. این سیستم از افراد خبره‌ در زمینه‌های مختلف می‌پرسید که در موقعیتی خاص، چه واکنشی نشان می‌دهند و بعد پاسخ‌های آن‌ها را در اختیار افراد غیرمتخصص قرار می‌داد تا آن‌ها از برنامه یاد بگیرند.

از سیستم‌های خبره به‌طور گسترده در صنایع استفاده شد. دولت ژاپن به‌عنوان بخشی از پروژه‌ی نسل پنجم کامپیوتر (FGCP)، سرمایه‌گذاری کلانی در سیستم‌های خبره و دیگر پروژه‌های هوش مصنوعی انجام داد. از سال ۱۹۸۲ تا ۱۹۹۰، ژاپن ۴۰۰ میلیون دلار برای ایجاد تحول در پردازش‌های کامپیوتری، اجرای برنامه‌نویسی منطقی و بهبود هوش مصنوعی هزینه کرد.

متاسفانه، اکثر این اهداف بلندپروازانه محقق نشد؛ اما می‌توان این طور به قضیه نگاه کرد که پروژه‌ی FGCP ژاپن به‌طور غیرمستقیم الهام‌بخش نسلی از مهندسان و دانشمندان جوان شد تا به دنیای هوش مصنوعی قدم بگذارند. درنهایت، بودجه‌ی FGCP هم روزی به سر رسید و هوش مصنوعی بار دیگر از کانون توجه خارج شد.

شکست قهرمان شطرنج دنیا دربرابر دیپ‌بلو؛ اولین گام بزرگ به سمت توسعه AI با قابلیت تصمیم‌گیری

از قضا، هوش مصنوعی در نبود بودجه‌ی دولتی و هیاهوی تبلیغاتی، فرصت دیگری برای رشد پیدا کرد. در طول دهه‌های ۱۹۹۰ و ۲۰۰۰، بسیاری از اهداف مهم هوش مصنوعی محقق شد. در سال ۱۹۹۷، ابرکامپیوتر شطرنج‌بازی به نام دیپ بلو (Deep Blue) ساخته شرکت IBM توانست گری کاسپارف، استاد بزرگ و قهرمان شطرنج جهان را شکست دهد. در این مسابقه که با هیاهوی رسانه‌ای بزرگی همراه بود، برای نخستین بار در تاریخ، قهرمان شطرنج جهان در برابر کامپیوتر شکست خورد و از آن به‌عنوان اولین گام بزرگ به‌سوی توسعه‌ی برنامه‌ی هوش مصنوعی با قابلیت تصمیم‌گیری یاد می‌شود.

در همان سال، نرم‌افزار تشخیص گفتار شرکت Dragon System روی ویندوز پیاده‌سازی شد. این هم گام بزرگ دیگری در حوزه‌ی هوش مصنوعی، اما در جهت اهداف تفسیر زبان گفتاری بود. این‌طور به نظر می‌رسید که دیگر مسئله‌ای وجود ندارد که ماشین‌ها نتوانند از پس آن برآیند. حتی پای احساسات انسانی هم به ماشین‌ها باز شد؛ ربات کیزمت (Kismet) که در دهه‌ی ۱۹۹۰ توسط سینتیا بریزیل (Cynthia Breazeal) در دانشگاه MIT ساخته شد، می‌توانست احساسات را درک و حتی آن‌ها را به نمایش بگذارد.

زمان؛ مرهم تمام زخم‌ها

دانشمندان هنوز از همان روش‌های چند دهه‌ی پیش برای برنامه‌نویسی هوش مصنوعی استفاده می کنند؛ اما چه شد که حالا به دستاوردهای چشمگیری مثل چت‌بات ChatGPT و مولد تصویر Dall-E و Midjourney رسیدیم؟

پاسخ این است که مهندسان سرانجام موفق شدند مشکل محدودیت ذخیره‌سازی کامپیوترها را حل کنند. قانون مور (Moore’s Law) که تخمین می‌زند حافظه و سرعت کامپیوترها هر سال دوبرابر می‌شود، بالاخره توانست به وقوع بپیوندد و حتی در بسیاری از موارد، از این حد هم فراتر برود. درواقع، دلیل شکست گری کاسپارف در سال ۱۹۹۷ و شکست قهرمان بازی تخته‌ای گو، که جی (Ke Jie) در سال ۲۰۱۷ دربرابر برنامه‌ی AlphaGo گوگل به همین افزایش سرعت و حافظه‌ی کامپیوترها برمی‌گردد. این قضیه، روند پژوهش‌های هوش مصنوعی را کمی توضیح می‌دهد؛ اینکه ما قابلیت‌های هوش مصنوعی را تا سطح قدرت محاسباتی فعلی (از نظر سرعت پردازش و حافظه‌ی ذخیری‌سازی) توسعه می‌دهیم و بعد منتظر می‌مانیم تا قانون مور دوباره به ما برسد.

دلیل شکست انسان‌ها از هوش مصنوعی؛ افزایش سرعت و حافظه‌ کامپیوترها

ما اکنون در عصر «کلان‌داده» زندگی می‌کنیم؛ عصری که در آن توانایی جمع‌آوری حجم عظیمی از اطلاعات را داریم که پردازش تمام آن‌ها توسط انسان‌ها بی‌نهایت دشوار و وقت‌گیر است. استفاده از هوش مصنوعی در صنایع مختلفی ازجمله تکنولوژی، بانکداری، مارکتینگ و سرگرمی، این دشواری را تاحدود زیادی حل کرده است. مدل‌های زبانی بزرگ که در چت‌بات ChatGPT به کار رفته‌اند، به ما نشان دادند که حتی اگر الگوریتم‌ها پیشرفت چندانی نداشته باشند، کلان‌داده و محاسبات عظیم می‌توانند به هوش مصنوعی کمک کنند که خودش یاد بگیرد و عملکردش را بهتر کند.

شاید شواهدی وجود داشته باشد که نشان می‌دهد سرعت قانون مور، به‌ویژه در دنیای تراشه‌ها، کند شده است، اما افزایش حجم اطلاعات با سرعت سرسام‌آوری در حال پیشروی است. پیشرفت‌هایی که در علوم کامپیوتر، ریاضیات یا علوم اعصاب به دست می‌آیند همگی می‌توانند بشر را از تنگای محدودیت قانون مور عبور دهند. و این یعنی، پیشرفت بشر در تکنولوژی هوش مصنوعی به این زودی‌ها به پایان نخواهد رسید.

انواع هوش مصنوعی

هوش مصنوعی به روش‌های مختلفی دسته‌بندی می‌شود؛ جدا از دسته‌بندی بسیار کلی هوش مصنوعی ضعیف و هوش مصنوعی قوی که در ابتدای مقاله درباره‌اش صحبت کردیم، روش رایج دیگری هوش مصنوعی را به چهار دسته تقسیم می‌کند:

۱) ماشین‌های واکنشی (Reactive Machines) که ساده‌ترین نوع هوش مصنوعی هستند و تنها می‌توانند به موقعیت‌های فعلی بدون استفاده از تجربیات گذشته پاسخ دهند؛ مثل موتورجستجوی گوگل.

۲) ماشین‌های حافظه محدود (Limited Memory) که می‌توانند از برخی داده‌های گذشته برای بهبود تصمیم‌گیری استفاده کنند؛ مثل سیستم احراز هویت در وب‌سایت‌ها.

۳) نظریه ذهن (Theory of Mind) که درحال‌حاضر نوع فرضی هوش مصنوعی است که می‌تواند به شکل بهتری احساسات، عواطف و اعتقادات انسان‌ها را درک و سپس از این اطلاعات برای تصمیم‌گیری خود استفاده کند.

۴) هوش مصنوعی خودآگاه (Self-aware) که آن هم یکی دیگر از انواع فرضی هوش مصنوعی است که به خودآگاهی رسیده و می‌تواند از خودش احساسات و افکار شبیه انسان‌ها داشته باشد.

اما کاربردی‌ترین دسته‌بندی هوش مصنوعی که کاری به فرضیه‌ها و نظریات ندارد و صرفا آنچه تاکنون به دست آمده را تشریح می‌کند، «یادگیری ماشین» (Machine learning) و «یادگیری عمیق» (Deep learning) است که نوعی از آن‌ها تقریبا در تمام سیستم‌های هوش مصنوعی امروزی به کار رفته است.

اگر مدت‌ها برایتان سوال بوده که این دو اصطلاح دقیقا به چه معنی هستند، اما هنوز جواب این سوال را به‌طور دقیق نمی‌دانید، نگران نباشید؛ ما اینجا تلاش خواهیم کرد به ساده‌ترین شکل ممکن، این دو مبحث بسیار پیچیده را توضیح دهیم.

یادگیری ماشین (Machine Learning)

یادگیری ماشین روش خاصی برای ایجاد هوش مصنوعی است. فرض کنید می‌خواهیم موشکی را پرتاب و محل فرود آن را پیش‌بینی کنیم. این کار البته آنقدرها سخت نیست؛ گرانش مبحث جاافتاده‌ای است و می‌توان معادلات مربوط را نوشت و حساب کرد براساس چند متغیر از جمله سرعت و موقعیت، موشک فرضی کجا فرود خواهد آمد.

اما وقتی پای متغیرهای ناشناخته وسط می‌آید، دیگر نمی‌توان به این راحتی جواب سوال را پیدا کرد. این بار فرض کنید می‌خواهیم کامپیوتر به تعدادی تصویر نگاه کند و بگوید آیا در بین آن‌ها تصویری از گربه بوده است یا خیر. برای این سوال چه نوع معادله‌ای می‌توانیم بنویسیم که تمام ترکیب‌های ممکن سبیل و گوش گربه از زوایای مختلف را برای کامپیوتر توصیف کند؟

اینجا است که یادگیری ماشین به کمک دانشمندان می‌آید؛ به جای اینکه خودمان فرمول و قوانین را بنویسیم، سیستمی می‌سازیم که بتواند قوانین را با مشاهده‌ی چندین نمونه عکس، برای خودش بنویسد. به‌عبارت‌دیگر، به جای اینکه بخواهیم گربه را توصیف کنیم، به هوش مصنوعی تعداد زیادی تصویر گربه نشان دهیم و اجازه‌ می‌دهیم خودش متوجه شود چه چیزی گربه است و چه چیزی گربه نیست.

یادگیری ماشین برای دنیای کنونی لبریز از داده‌ی ما فوق‌العاده است، چرا که سیستمی که بتواند قوانین خودش را براساس داده یاد بگیرد، می‌تواند با داده‌های بیشتر بهبود یابد. می‌خواهید سیستم‌تان در تشخیص گربه ماهرتر شود؟ خب اینترنت در همین لحظه دارد میلیون‌ها تصویر گربه تولید می‌کند!

یکی از دلایلی که یادگیری ماشین در چند سال اخیر تا این اندازه محبوب شده، همین افزایش چشمگیر حجم داده در اینترنت است؛ دلیل دیگر به نحوه‌ی استفاده از این داده‌ها مربوط می‌شود. در بحث یادگیری ماشین، به جز داده، دو سوال مرتبط دیگر نیز مطرح می‌شود:

۱) چطور چیزی را که یاد گرفتم، به خاطر بسپارم؟ در کامپیوتر چطور قوانین و روابطی را که از نمونه داده استخراج کرده‌ام، ذخیره کنم و نمایش دهم؟

۲) چطور فرایند یادگیری را انجام دهم؟ چطور قوانین و روابطی را که در پاسخ به نمونه‌های قبلی ذخیره کرده‌ام، برای نمونه‌های جدید تغییر داده و بهتر شوم؟

به‌عبارت دیگر، چیزی که دارد از این همه داده، یاد می‌گیرد دقیقا چیست؟

در یادگیری ماشین انتخاب نوع مدل بسیار مهم است

در یادگیری ماشین، به نمایش کامپیوتری چیزهای یاد گرفته شده و ذخیره شده، «مدل» می‌گویند. اینکه از چه مدلی استفاده کنید، بسیار مهم است، چون این مدل است که روش یادگیری هوش مصنوعی، نوع داده‌هایی که می‌تواند از آن بیاموزد و نوع سوال‌هایی را که می‌توان از آن پرسید، مشخص می‌کند.

بیایید این موضوع را با یک مثال ساده روشن‌تر کنیم. فرض کنید برای خرید انجیر به میوه‌فروشی رفته‌ایم و می‌خواهیم به‌کمک یادگیری ماشین بفهمیم کدام انجیرها رسیده‌اند. کار آسانی باید باشد، چون می‌دانیم هرچه انجیر نرم‌تر باشد، رسیده‌تر و شیرین‌تر خواهد بود. می‌توانیم چند نمونه انجیر رسیده و کال را انتخاب کرده، میزان شیرینی آن‌ها را مشخص کنیم و بعد اطلاعاتشان را روی نمودار خطی قرار دهیم. این خط همان «مدل» ما است. اگر دقت کنید، همین خط ساده، ایده‌ی «هرچه نرم‌تر باشد، شیرین‌تر است» را بدون اینکه لازم باشد ما چیزی بنویسیم،‌ نشان می‌دهد. هوش مصنوعی نوپای ما هنوز چیزی درباره میزان قند یا چگونگی رسیده شدن میوه‌ها نمی‌داند، اما می‌تواند میزان شیرینی آن‌ها را با فشار دادن و اندازه‌گیری نرمی پیش‌بینی کند.

مدل هوش مصنوعی خطی برای انجیرهای رسیده؛ هرچه نرم‌تر، رسیده‌تر

با اضافه شدن داده‌های جدید، مدل پیچیده‌تر می‌شود

همان‌طور که در تصویر سمت راست می‌بینید، هوش مصنوعی ساده‌ی ما بدون اینکه چیزی درباره‌ی میزان شیرینی بداند یا اینکه میوه‌ها چطور رسیده می‌شوند، می‌تواند پیش‌بینی کند که با فشردن میوه و تشخیص نرمی آن، چقدر شیرین است.

برای بهبود مدل، می‌توان نمونه‌های بیشتری جمع‌آوری کرد و خط دیگری را برای پیش‌بینی دقیق‌تر کشید(مانند تصویر سمت چپ).

اما مشکلات بلافاصله خودشان را نشان می‌دهند. ما تا اینجا داشتیم AI انجیرمان را براساس انجیرهای دست‌چین مغازه آموزش می‌دادیم؛ اگر بخواهیم آن را وسط باغ انجیر ببریم چه؟ حالا علاوه‌بر انجیرهای تازه، انجیرهای گندیده هم خواهیم داشت که بااینکه نرم هستند، اما نمی‌توان آن‌ها را خورد.

چه کار می‌شود کرد؟ خب این یک مدلِ یادگیری ماشین است، پس می‌توان با اضافه کردن داده‌های جدید درباره انجیرهای گندیده، آن را بهتر کرد، مگرنه؟

راستش داستان به این سادگی‌ها نیست. همانطور که در تصویر زیر می‌بینید، با اضافه کردن داده‌های مربوط به انجیرهای گندیده، کل نمودار خطی به هم می‌ریزد و این یعنی ما باید سراغ مدل دیگری، مثلا نمودار سهمی برویم.

خب مثل اینکه نمودار خطی مدل مناسبی برای نمایش AI پیچیده نیست

مدل سهمی بهتر نتیجه‌ای را که می‌خواهیم نشان می‌دهد

البته این مثال مسخره‌ای است، اما به‌ خوبی نشان می‌دهد نوع مدلی که برای یادگیری ماشین انتخاب می‌کنیم، نوع و محدودیت یادگیری آن را تعیین می‌کند. به‌عبارت ساده‌تر، اگر می‌خواهید چیز پیچیده‌تری را یاد بگیرید، باید سراغ مدل‌های پیچیده‌تری بروید.

چالش اصلی یادگیری ماشین، ایجاد و انتخاب مدل مناسب برای حل مسئله است

با این حساب، چالش اصلی یادگیری ماشین، ایجاد و انتخاب مدل مناسب برای حل مسئله است. ما به مدلی نیاز داریم که به‌قدری پیچیده باشد که بتواند روابط و ساختارهای بسیار پیچیده را نشان دهد و در عین حال به قدری ساده باشد که بتوانیم با آن کار کنیم و آموزشش بدهیم. برای همین، اگرچه اینترنت، گوشی‌های هوشمند و چیزهایی از این دست، دسترسی به حجم عظیمی از داده را ممکن کرده‌اند، ما هنوز برای استفاده از این داده‌ها باید سراغ مدل‌های مناسب برویم.

و این دقیقا جایی است که ما به نوع دیگر هوش مصنوعی، یعنی یادگیری عمیق نیاز پیدا می‌کنیم.

یادگیری عمیق (Deep Learning)

یادگیری عمیق نوعی یادگیری ماشین است که از یک نوع خاصی از مدل به نام «شبکه‌های عصبی عمیق» (Deep Neural Networks) استفاده می‌کند.

شبکه‌های عصبی نوعی مدل یادگیری ماشین هستند که از ساختاری مشابه نورون‌های مغز انسان برای انجام محاسبات و پیش‌بینی استفاده می‌کنند. نورون‌ها در شبکه‌های عصبی در لایه‌های مختلف طبقه‌بندی می‌شوند و هر لایه یک سری محاسبات ساده انجام می‌دهد و پاسخ آن را به لایه‌ی بعدی منتقل می‌کند. هر چه تعداد لایه‌ها بیشتر باشد، می‌توان محاسبات پیچیده‌تری انجام داد.

شبکه‌های عصبی عمیق به‌خاطر تعداد زیاد لایه‌های نورونی «عمیق» نامیده می‌شوند

مثلا برای مثال انجیرها، یک شبکه‌ی ساده با چند لایه نورون کافی است تا جواب مسئله را پیش‌بینی کند. اما شبکه‌های عصبی عمیق ده‌ها یا حتی صدها لایه دارند و دقیقا به همین دلیل به آن‌ها عمیق می‌گویند. با این همه لایه می‌توانید مدل‌های بی‌نهایت قدرتمندی بسازید که قادرند بی‌نیاز از قوانین تعیین‌شده توسط انسان‌ها، انواع و اقسام مفاهیم پیچیده را خودشان یاد بگیرند و از پس مسائلی که کامپیوترها قبلا از حل آن‌ها عاجز بودند، برآیند.

اما به جز تعداد لایه، عامل دیگری نیز باعث موفقیت شبکه‌های عصبی شده و آن آموزش است.

وقتی از «حافظه» مدل صحبت می‌کنیم، منظورمان مجموعه‌ای از پارامترهای عددی است که بر نحوه‌ی پاسخ‌دهی مدل به سوالات،‌ نظارت می‌کند. از این رو، وقتی از آموزش مدل حرف می‌زنیم، منظورمان تغییر و تنظیم این پارامترها به‌گونه‌ای است که مدل بهترین پاسخ ممکن را به سوالات ما بدهد.

مثلا با مدل انجیرها، ما سعی داشتیم معادله‌ای برای رسم یک خط بنویسیم که یک مسئله‌ی رگرسیون ساده است و فرمول‌هایی وجود دارند که می‌توانند تنها در یک مرحله، جواب سوال ما را پیدا کنند. اما مدل‌های پیچیده‌تر طبیعتا به مراحل بیشتری نیاز دارند. یک شبکه‌ی عصبی عمیق می‌تواند میلیون‌ها پارامتر داشته باشد و مجموعه داده‌ای که براساس آن آموزش دیده ممکن است با میلیون‌ها مثال رو‌به‌رو شود؛ برای این مدل، هیچ‌ راه‌حل یک‌مرحله‌ای وجود ندارد.

می‌توان کار را با یک شبکه عصبی ناقص شروع و در ادامه آن را بهتر کرد

خوشبختانه برای این چالش، یک ترفند عجیب وجود دارد؛ اینکه می‌توان کار را با یک شبکه‌ی عصبی ضعیف و ناقص شروع کرد و بعد با انجام تغییرات، آن را بهبود بخشید. آموزش مدل‌های یادگیری ماشین با این روش شبیه این است که از دانش‌آموزان مرتب امتحان بگیریم. هر بار جوابی را که مدل فکر می‌کند صحیح است با جوابی که واقعا صحیح است، مقایسه می‌کنیم و به آن نمره‌ می‌دهیم. بعد سعی می‌کنیم مدل را بهتر کرده و دوباره از آن امتحان بگیریم.

روش تپه‌نوردی؛ اینقدر امتیاز مدل بهتر می‌شود تا به قله می‌رسد

اما از کجا بدانیم چه پارامترهایی را باید تغییر دهیم و میزان این تغییرات چقدر باشد؟ شبکه‌های عمیق یک ویژگی جالب دارند که به‌موجب آن، نه تنها می‌توانیم برای بسیاری از انواع مسائل، نمره‌ی آزمون به‌دست آوریم، بلکه می‌توانیم به‌طور دقیق حساب کنیم با تغییر هر پارامتر، نمره‌ی آزمون چقدر تغییر می‌کند. بدین‌ترتیب، آنقدر پارامترها را تغییر می‌دهیم تا بالاخره به نمره‌ی کامل ۲۰ برسیم و مدل دیگر جایی برای بهبود نداشته باشد. به این کار اغلب تپه‌نوردی (Hill Climbing) گفته می‌شود، چون اگر همین‌طور به بالا رفتن از تپه ادامه دهید، سرانجام به نوک قله می‌رسید و صعود بیشتر ممکن نیست.

برای بهبود شبکه عصبی از روش «تپه‌نوردی» استفاده می‌کنند

این روش بهبود شبکه‌ی عصبی را آسان‌تر می‌کند. اگر شبکه‌ی ما ساختار خوبی داشته باشد، دیگر لازم نیست هر بار با اضافه شدن داده‌های جدید، کارمان را از نو شروع کنیم. می‌توان کار را با همان پارامترهای موجود شروع کرد و بعد مدل را با داده‌های جدید آموزش داد. برخی از برجسته‌ترین مدل‌های هوش مصنوعی امروزی، از ابزار تشخیص تصویر گربه فیسبوک گرفته تا آنچه فروشگاه‌های زنجیره‌ای Amazon Go برای انجام خرید‌های بدون نیاز به فروشنده استفاده می‌کنند، براساس همین تکنیک ساده ایجاد شده‌اند.

در Amazon Go خبری از صف‌های طولانی انتظار نیست چون هوش مصنوعی خریدهای شما را حساب می‌کند!

علاوه‌براین، به کمک روش «تپه‌نوردی»‌ می‌توان از یک شبکه‌ی عصبی آموزش دیده برای یک منظور خاص، برای هدف دیگری استفاده کرد. مثلا اگر هوش مصنوعی خود را برای تشخیص تصویر گربه آموزش داده باشید، می‌توانید خیلی راحت آن را برای تشخیص تصویر سگ یا زرافه تعلیم دهید.

انعطاف‌پذیری شبکه‌های عصبی، حجم انبوه داده‌های اینترنتی، رایانش موازی و GPUهای قدرتمند رویای هوش مصنوعی را محقق کرده است

به خاطر همین انعطاف‌پذیری شبکه‌های عصبی است که هوش مصنوعی در هفت، هشت سال گذشته به پیشرفت‌های بزرگی دست پیدا کرده است. از آن طرف هم اینترنت مدام درحال تولید حجم انبوهی از داده است و رایانش موازی درکنار پردازنده‌های گرافیکی قدرتمند، کار با این حجم از داده را ممکن کرده است. و در نهایت، به‌کمک شبکه‌های عصبی عمیق توانستیم از این مجموعه داده برای تولید مدل‌های یادگیری ماشین بسیار پیچیده و قدرتمند استفاده کنیم.

بدین‌ترتیب، تمام کارهایی که انجامشان در زمان آلن تورینگ تقریباً غیرممکن بود، حالا به‌راحتی امکان‌پذیر است.

کاربرد هوش مصنوعی

حالا که با انواع هوش مصنوعی و سازوکار آن‌ها آشنا شدیم، سوال بعدی این است که در حال حاضر با آن چه کاری می‌توانیم بکنیم؟ کاربرد هوش مصنوعی به‌طور کلی در چهار زمینه‌ تعریف می‌شود: تشخیص اجسام، تشخیص چهره، تشخیص صدا و شبکه‌های مولد.

تشخیص اجسام (Object Recognition)

شاید بتوان گفت حوزه‌ای که یادگیری عمیق بیشترین و سریع‌ترین تاثیر را در آن داشته، بینایی ماشین (Computer Vision)، به‌ویژه در تشخیص اجسام مختلف در تصاویر است. همین چند سال پیش، وضعیت پیشرفت هوش مصنوعی در زمینه‌ی تشخیص اجسام به ‌قدری اسفبار بود که در کاریکاتور زیر به‌خوبی نمایش داده شده است.

در علوم کامپیوتر، توضیح تفاوت کار آسان با کار تقریباً غیرممکن دشوار است

مرد: می‌خوام که وقتی کاربر عکس می‌گیره، اپلیکیشن بتونه تشخیص بده که عکس مثلا تو پارک ملی گرفته شده…

زن: حله. فقط کافیه یه نگاهی به جی‌آی‌اس بندازم. یه چند ساعت بیشتر وقت نمی‌بره.

مرد: …و اینکه مثلا توی عکس پرنده هم بوده یا نه.

زن: خب واسه این یه تیم پژوهشی لازم دارم با پنج سال زمان.

امروزه، تشخیص پرنده‌ها و حتی نوع خاصی از پرنده در عکس آنقدر کار آسانی است که حتی یک دانش‌آموز دبیرستانی هم می‌تواند آن را انجام دهد. یعنی در این چند سال چه اتفاقی افتاده است؟

ایده‌ی تشخیص اشیا توسط ماشین را می‌توان به راحتی توصیف کرد، اما اجرای آن دشوار است. اجسام پیچیده از مجموعه‌هایی از اجسام ساده‌تر ساخته شده‌اند که آن‌ها نیز خود از شکل‌ها و خطوط ساده‌تری ایجاد شده‌اند. مثلا چهره‌ی افراد از چشم و بینی و دهان تشکیل شده که خود این‌ها هم از دایره و خطوط و غیره تشکیل شده‌اند. پس برای تشخیص چهره لازم است که الگوهای اجزای چهره را تشخیص داد.

هر جسم پیچیده‌ای از مجموعه‌ای از اجسام و الگوهای ساده‌تری ساخته شده است؛ الگوریتم‌ها به دنبال این الگوها هستند

به این الگوها ویژگی (Feature) می‌گویند و تا پیش از ظهور یادگیری عمیق، لازم بود آن‌ها را دستی ایجاد کرد و کامپیوترها را طوری آموزش داد تا بتوانند آن‌ها را پیدا کنند. مثلا، الگوریتم تشخیص چهره‌ی معروفی به نام «ویولا-جونز» (Viola-Jones) وجود دارد که یاد گرفته ابرو و بینی معمولا از اعماق چشم روشن‌تر هستند؛ درنتیجه، الگوی ابرو و بینی شبیه یک طرح T شکل روشن با دو نقطه‌ی تاریک برای چشم‌ها است. الگوریتم هم برای تشخیص چهره‌ در تصاویر دنبال این الگو می‌گردد.

الگوریتم ویولا-جونز خیلی خوب و سریع کار می‌کند و قابلیت تشخیص چهره‌ی دوربین‌های ارزان مبتنی بر همین الگوریتم است. اما بدیهی است که تمام چهره‌ها از این الگوی ساده پیروی نمی‌کنند. چندین تیم از پژوهشگران برجسته مدت‌ها روی الگوریتم‌های بینایی ماشین کار کردند تا آن‌ها را تصحیح کنند؛ اما آن‌ها نیز همچنان ضعیف و پر از باگ بودند.

تا اینکه پای یادگیری ماشین، به‌ویژه نوعی شبکه‌ی عصبی عمیق به اسم «شبکه‌ی عصبی پیچشی» (Convolutional Neural Network) معروف به CNN به میان آمد و انقلاب بزرگی در الگوریتم‌های تشخیص اجسام به وجود آورد.

شبکه‌های عصبی پیچشی یا همان CNN‌ها، ساختار خاصی دارند که از روی قشر بینایی مغز پستانداران الهام گرفته شده است. این ساختار به CNN اجازه می‌دهد تا به جای اینکه تیم‌های متعددی از پژوهشگران بخواهند سال‌ها صرف پیدا کردن الگوهای درست بکنند، خودش با یادگیری مجموعه خطوط و الگوها، اشیای حاضر در تصاوری را تشخیص دهد.

الگوریتم‌های بینایی قدیمی (چپ) به الگوهای دست‌چین وابسته بودند اما شبکه‌های عصبی عمیق (راست) خودشان الگوها را پیدا می‌کنند

شبکه‌های CNN برای استفاده در بینایی ماشین فوق‌العاده‌اند و خیلی زود پژوهشگران توانستند آن‌ها را برای تمام الگوریتم‌های تشخیص بصری، از گربه‌های داخل تصویر گرفته تا عابران پیاده از دید دوربین‌ خودروهای خودران، آموزش دهند.

علاوه‌براین، قابلیت CNNها به‌خاطر سازگاری بی‌دردسر با هر مجموعه داده باعث فراگیری و محبوبیت سریع آن‌ها شده است. فرایند تپه‌نوردی را به خاطر دارید؟ اگر دانش‌آموز دبیرستانی ما بخواهد الگوریتمش نوع خاصی از پرنده را تشخیص دهد، تنها کافی است یکی از چندین شبکه‌ی بینایی ماشین را که به‌صورت متن‌باز و رایگان دردسترس است، انتخاب کرده و بعد آن را براساس مجموعه داده‌ی خودش آموزش دهد، بدون آنکه لازم باشد از ریاضی و فرمول‌های پشت پرده‌ی این شبکه سر در بیاورد.

تشخیص چهره (Face Recognition)

فرض کنید می‌خواهیم شبکه‌ای را آموزش دهیم که نه تنها بتواند چهره‌ها را به‌طور کلی تشخیص دهد(یعنی بتواند بگوید در این عکس، انسان وجود دارد)، بلکه بتواند تشخیص دهد که این چهره دقیقا متعلق به کیست.

برای این کار، شبکه‌ای را که قبلا برای تشخیص کلی چهره‌ی انسان آموزش دیده است، انتخاب می‌کنیم. بعد، خروجی را عوض می‌کنیم. یعنی به جای اینکه از شبکه بخواهیم چهره‌ای خاص را در میان جمعیت تشخیص دهد، از آن می‌خواهیم توصیفی از آن چهره را به‌صورت صدها عددی که ممکن است فرم بینی یا چشم‌ها را مشخص کند، به ما نشان دهد. شبکه از آنجایی که از قبل می‌داند اجزای تشکیل‌دهنده‌ی چهره چیست، می‌تواند این کار را انجام دهد.

تغییر شبکه عصبی از «تشخیص» چهره (چپ) به «توصیف» چهره (راست)

حالا می‌توان چهره‌ها را براساس توصیف‌های شبکه تشخیص داد

البته که ما این کار را به طور مستقیم انجام نمی‌دهیم؛ بلکه شبکه را با نشان‌ دادن مجموعه‌ای از چهره‌ها و بعد مقایسه‌ی خروجی‌ها با یکدیگر آموزش می‌دهیم. همچنین می‌توانیم به شبکه یاد دهیم چطور چهره‌های یکسانی را که شباهت زیادی به هم دارند و چهره‌های متفاوتی را که اصلا شبیه هم نیستند، توصیف کند.

حالا تشخیص چهره آسان می‌شود؛ ابتدا، تصویر چهره‌ی اول را به شبکه می‌دهیم تا آن را برایمان توصیف کند. بعد، تصویر چهره‌ی دوم را به شبکه می‌دهیم و توصیف آن را با توصیف چهره‌ی اول مقایسه می‌کنیم. اگر دو توصیف به هم نزدیک باشد، می‌گوییم که این دو چهره یکی هستند. بدین‌ترتیب، از شبکه‌ای که فقط می‌توانست یک چهره را تشخیص دهد به شبکه‌ای رسیدیم که می‌تواند هر چهره‌ای را تشخیص دهد!

شبکه‌های عصبی عمیق به‌طرز فوق‌العاده‌ای انعطاف‌پذیر هستند

شبکه‌های عصبی عمیق دقیقا به‌خاطر همین ساختار منعطف به‌شدت کاربردی هستند. به کمک این تکنولوژی، انواع بسیار زیادی از مدل‌های یادگیری ماشین برای بینایی کامپیوتر توسعه یافته‌‌اند و اگرچه کاربرد آن‌ها متفاوت است، بسیاری از ساختارهای اصلی آن‌ها براساس شبکه‌های CNN اولیه نظیر Alexnet و Resnet ساخته شده است.

جالب است بدانید برخی افراد از شبکه‌های تشخیص چهره حتی برای خواندن خطوط نمودارهای زمانی استفاده کرده‌اند! یعنی به جای اینکه بخواهند برای تجزیه‌وتحلیل داده، یک شبکه‌ی سفارشی ایجاد کنند، شبکه‌ی عصبی متن‌بازی را طوری آموزش می‌دهند تا بتواند به شکل خطوط نمودارها هم شبیه چهره‌ی انسان‌ها نگاه کند و الگوها را توصیف کند.

این انعطاف‌پذیری عالی است، اما بالاخره جایی کم می‌آورد. برای همین، حل برخی مسائل به نوع دیگری از شبکه نیاز دارد که در ادامه با آن‌‌ها آشنا می‌شوید.

تشخیص گفتار (Speech Recognition)

شاید بتوان گفت تکنیک تشخیص گفتار به‌نوعی شبیه تشخیص چهره است، به این صورت که سیستم یاد می‌گیرد به چیزهای پیچیده به‌ شکل مجموعه‌ای از ویژگی‌های ساده‌تر نگاه کند. در مورد گفتار، شناخت جمله‌ها و عبارات از شناخت کلمات حاصل می‌شود که آن‌ها هم خود به دنبال تشخیص هجاها یا به‌عبارت دقیق‌تر، واج‌ها می‌آیند. بنابرین وقتی می‌شنویم کسی می‌گوید «باند، جیمز باند» درواقع ما داریم به دنباله‌ای‌ از صداهای متشکل از BON+DUH+JAY+MMS+BON+DUH گوش می‌دهیم.

در حوزه‌ی بینایی ماشین، ویژگی‌ها به‌صورت مکانی سازماندهی می‌شوند که ساختار CNN هم قرار است همین مکان‌ها را تشخیص دهد. اما درمورد تشخیص گفتار، ویژگی‌ها به‌صورت زمانی دسته‌بندی می‌شوند. افراد ممکن است آهسته یا سریع صحبت کنند، بی‌آنکه نقطه‌ی شروع یا پایان صحبت‌شان معلوم باشد. ما مدلی می‌خواهیم که مثل انسان‌ها بتواند به صداها در همان لحظه که ادا می‌شوند، گوش دهد و آن‌ها را تشخیص دهد؛ به‌جای اینکه منتظر بماند تا جمله کامل شود. متاسفانه برخلاف فیزیک، نمی‌توانیم بگوییم مکان و زمان یکی هستند و داستان را همین‌جا تمام کنیم.

اگر با دستیار صوتی گوشی‌‌تان کار کرده باشید، احتمالا زیاد پیش آمده که Siri یا گوگل اسیستنت به‌خاطر شباهت هجاها، حرف شما را اشتباه متوجه شده باشد. مثلا به گوگل اسیستنت می‌گویید «what’s the weather»، اما فکر می‌کند از او پرسیده‌اید «what’s better». برای اینکه این مشکل حل شود، به مدلی نیاز داریم که بتواند به دنباله‌ی هجاها در بستر متن توجه کند. اینجا است که دوباره پای یادگیری ماشین به میان می‌آید. اگر مجموعه‌ی کلمات ادا شده به‌اندازه کافی بزرگ باشد، می‌توان یاد گرفت که محتمل‌ترین عبارات کدام‌ها هستند و هرچه تعداد مثال‌ها بیشتر باشد، پیش‌بینی مدل بهتر می‌شود.

برای این کار، از شبکه‌ عصبی بازگشتی یا همان RNN استفاده می‌شود. در اکثر شبکه‌های عصبی مانند شبکه‌های CNN که برای بینایی کامپیوتر به کار می‌روند، اتصالات نورون‌ها تنها در یک جهت و از سمت ورودی به خروجی جریان دارد. اما در یک شبکه‌ی عصبی بازگشتی، خروجی نورون‌ها را می‌توان به همان لایه که در آن قرار دارند یا حتی به لایه‌های عمیق‌تر فرستاد. بدین‌ترتیب، شبکه‌های RNN می‌توانند صاحب حافظه شوند.

شبکه CNN یک‌طرفه است، اما شبکه RNN حافظه داخلی دارد

شبکه‌ی CNN یک‌طرفه است؛ به آن یک تصویر به‌عنوان ورودی بدهید تا توصیف تصویر را به‌صورت خروجی به شما تحویل دهد. اما شبکه‌ی RNN به نوعی حافظه‌ی داخلی دسترسی دارد و یادش می‌ماند که قبلا چه تصاویری به‌صورت ورودی به آن داده شده و می‌تواند پاسخ‌هایش را هم مرتبط با چیزی که دارد می‌بیند و هم با چیزهایی که قبلا دیده، ارائه دهد.

شبکه عصبی بازگشتی می‌تواند ورودی‌های قبلی را هم به‌یاد آورد و با ورودی جدید ترکیب کند

حافظه‌ی RNN باعث می‌شود این شبکه نه تنها به تک‌تک هجاها به محض ادا شدن «گوش دهد»، بلکه می‌تواند یاد بگیرد که چه نوع هجاهایی کنار هم می‌نشینند تا یک کلمه را تشکیل دهند و همین‌طور می‌تواند پیش‌بینی کند که چه نوع عبارات و جمله‌هایی محتمل‌تر هستند. درنتیجه، شبکه RNN به دستیار صوتی یاد می‌دهد که گفتن «what’s the weather» از «what’s better» محتمل‌تر است و متناسب با همین پیش‌بینی، به شما پاسخ می‌دهد.

به کمک RNN می‌توان به‌خوبی گفتار انسان را تشخیص داد و آن را به متن تبدیل کرد؛ عملکرد این شبکه‌ها به‌قدری بهبود یافته که از نظر دقت تشخیص حتی از انسان‌ها هم بهتر عمل می‌کنند. البته دنباله‌ها فقط در صدا نمایان نمی‌شوند. امروزه از شبکه‌های RNN برای تشخیص دنباله‌‌‌ی حرکات در ویدیوها نیز استفاده می‌شود.

دیپ‌فیک و شبکه‌های مولد (Deepfakes and Generative AI)

تا اینجای مطلب فقط داشتیم درباره‌ی مدل‌های یادگیری ماشینی صحبت می‌کردیم که برای تشخیص به کار می‌روند؛ مثلا از مدل می‌خواستیم به ما بگوید در این تصویر چه می‌بیند یا چیزی را که گفته شده، درک کند. اما این مدل‌ها قابلیت‌های بیشتری دارند. همان‌طور که احتمالا از کار کردن با چت‌بات‌ها و پلتفرم Dall-E متوجه شدید، مدل‌های یادگیری عمیق این روزها می‌توانند برای تولید محتوا هم به کار روند!

حتما نام دیپ‌فیک (Deep Fake) را زیاد شنیده‌اید؛ ویدیوهای جعلی که در آن افراد مشهور چیزهایی می‌گویند یا کارهایی می‌کنند که به نظر واقعی می‌رسد، اما این‌طور نیست. دیپ‌فیک هم نوع دیگری از هوش مصنوعی مبتنی‌بر یادگیری عمیق است که در محتوای صوتی و تصویری دست می‌برد و آن‌ را به‌دلخواه تغییر می‌دهد تا نتیجه‌ی نهایی چیزی کاملا متفاوت از محتوای اولیه باشد.

به این ویدیوی دیپ‌فیک نگاه کنید؛ مدلی که در ساخت این دیپ‌فیک به‌کار رفته می‌تواند ویدیوی رقص یک فرد را تجزیه‌وتحلیل کند و بعد با پیدا کردن الگوها، همان حرکات موزون را در ویدیوی دوم روی فرد دیگری پیاده کند؛ طوری که فرد حاضر در ویدیوی دوم دقیقا شبیه ویدیوی اول به رقص درمی‌آید.

با تمام تکنیک‌هایی که تا اینجا توضیح دادیم، آموزش شبکه‌ای که تصویر یک فرد در حال رقص را دریافت کند و بتواند بگوید دست‌ها و پاهایش در چه موقعیت مکانی‌ای قرار دارند، کاملا شدنی‌ است. این شبکه همچنین یاد گرفته که چطور پیکسل‌های یک تصویر را به موقعیت قرار گرفتن دست‌ها و پاها مربوط کند. با توجه به اینکه برخلاف مغز واقعی، شبکه‌ی نورونی هوش مصنوعی صرفا داده‌هایی هستند که در یک کامپیوتر ذخیره شده‌اند، بی‌شک این امکان وجود دارد که این داده را برداشته و برعکس این فرایند عمل کنیم؛ یعنی از مدل بخواهیم از موقعیت دست و پا، پیکسل‌ها را به دست آورد.

به مدل‌های یادگیری ماشین که می‌توانند دیپ‌فیک بسازند یا مثل Dall-E و Midjourney، متن توصیفی را به تصویر تبدیل کنند، مدل مولد (Generative) می‌گویند. تا بدین‌جا، از هر مدلی که حرف زدیم از نوع تمیزدهنده (Discriminator) بود؛ به این معنی که مدل به مجموعه‌ای از تصاویر نگاه می‌کند و تشخیص می‌دهد کدام تصویر گربه و کدام‌ گربه نیست؛ اما مدل مولد همان‌طور که از نامش پیدا است، می‌تواند از توصیف متنی گربه، تصویر گربه تولید کند.

مدل‌های مولدی که برای «به‌تصویر کشیدن» اجسام ساخته شده‌اند، از همان ساختار CNN به کار رفته در مدل‌های تشخیص همان اجسام استفاده می‌کنند و می‌توانند دقیقا به همان روش مدل‌های یادگیری ماشین دیگر آموزش ببینند.

چالش ساخت مدل مولد تعریف سیستم امتیازدهی برای آن است

اما نکته‌ی چالش‌برانگیز آموزش مدل‌های مولد، تعریف سیستم امتیازدهی برای آن‌ها است. مدل‌های تمیزدهنده با پاسخ درست و نادرست آموزش می‌بینند؛ مثلا اگر تصویر سگ را گربه تشخیص دهند، می‌توان به آن‌ها یاد داد که پاسخ نادرست است. اما چطور می‌توان به مدلی که تصویر گربه‌ای را کشیده، امتیاز داد؟ مثلا اینکه چقدر نقاشی‌اش خوب است یا چقدر به واقعیت نزدیک است؟

اینجا جایی است که برای افراد بدبین به آینده و تکنولوژی، منظورم آن‌هایی است که معتقدند دنیا قرار است به دست ربات‌های قاتل نابود شود، داستان واقعا ترسناک می‌شود. چراکه بهترین روشی که برای آموزش شبکه‌های مولد فعلا در اختیار داریم این است که به جای اینکه ما خودمان آن‌ها را آموزش دهیم، اجازه دهیم شبکه‌ی عصبی دیگری آن‌ها را آموزش دهد؛ یعنی دو هوش مصنوعی رو در روی هم!

برای افرادی که به آینده ربات‌های قاتل اعتقاد دارند، شبکه GAN داستان را ترسناک می‌کند

اسم این تکنیک، «شبکه‌ مولد رقابتی» (Generative Adversarial Networks) یا GAN است. در این روش، دو شبکه‌ی عصبی داریم که ضد یکدیگر عمل می‌کنند؛ از یک سمت شبکه‌ای داریم که سعی دارد ویدیوی فیک بسازد (مثلا موقعیت مکانی دست و پاهای فرد در حال رقص را بردارد و روی فرد دیگری پیاده کند) و در سمت دیگر، شبکه‌ی دیگری است که آموزش دیده تا با استفاده از مجموعه‌ای از نمونه رقص‌های واقعی، تفاوت بین ویدیوی واقعی و جعلی را تشخیص دهد.

در مرحله‌ی بعدی، این دو شبکه در نوعی بازی رقابتی مقابل همدیگر می‌گیرند که کلمه‌ی «رقابتی» (Adversarial) از همین‌جا می‌آید. شبکه‌ی مولد سعی می کند فیک‌های قانع‌کننده‌ای بسازد و شبکه‌ی تمیزدهنده سعی می‌کند تشخیص دهد که چه چیزی واقعی و چه چیزی جعلی است.

شبکه‌های مولد رقابتی دو شبکه را مقابل هم می‌گذارند؛ یکی تصاویر فیک ایجاد می‌کند و یکی سعی می‌کند آن را تشخیص دهد

درنهایت، فقط از شبکه مولد تصاویر فیک برای خروجی گرفتن استفاده می‌شود

در هر دور آموزش، مدل‌ها بهتر و بهتر می‌شوند. مثل این می‌ماند که یک جعل‌کننده‌ی جواهر را در برابر یک کارشناس باتجربه قرار دهیم و حالا هر دو بخواهند با بهتر و هوشمند‌تر شدن، حریف خود را شکست دهند. درنهایت، وقتی هر دو مدل به‌اندازه‌ی کافی بهبود پیدا کردند، می‌توان مدل مولد را به‌صورت مستقل استفاده کرد.

مدل‌های مولد در تولید محتوا، چه تصویری، چه صوتی، چه متنی و ویدیویی فوق‌العاده‌اند؛ مثلا همین چت‌بات ChatGPT که این‌روزها حسابی سروصدا به‌پا کرده، از مدل زبانی بزرگ مبتنی‌بر مدل مولد استفاده می‌کند و می‌تواند تقریبا به تمام درخواست‌های کاربران، از تولید شعر و فیلم‌نامه گرفته تا نوشتن مقاله و کد، در عرض چند ثانیه پاسخ دهد؛ آن‌هم به‌گونه‌ای که نمی‌توان تشخیص داد پاسخ را انسان ننوشته است.

استفاده از شبکه‌های GAN از این جهت ترسناک است (البته برای افراد خیلی شکاک و بدبین!) که نقش انسان‌ها در آموزش مدل‌ها در حد ناظر است و تقریبا تمام فرایند یادگیری و آموزش برعهده‌ی هوش مصنوعی است.

نمونه‌های​ هوش مصنوعی

این روزها هوش مصنوعی را می‌توان تقریبا در هر چیزی دید؛ از دستیارهای صوتی مثل Siri و الکسا گرفته تا الگوریتم‌های پیشنهاد فیلم و آهنگ در نتفلیکس و اسپاتیفای و خودروهای خودران و ربات‌هایی که در خط تولید مشغول به کارند. اما در چند وقت اخیر، عرضه‌ی برخی از نمونه‌های هوش مصنوعی، صحبت درباره‌ی این حوزه‌ از تکنولوژی را سر زبان‌ها انداخته‌اند که در ادامه به‌طور مختصر به آن‌ها اشاره می‌کنیم.

ChatGPT

ChatGPT نوعی چت‌بات آزمایشی یا بهتر است بگویم بهترین چت‌باتی است که تاکنون در دسترس عموم قرار گرفته است. این چت‌بات که نوامبر ۲۰۲۲ توسط شرکت OpenAI عرضه شد، مبتنی‌بر نسخه‌ی ۳.۵ مدل زبانی GPT است.

در وصف شگفتی‌هایChatGPT حرف‌های زیادی زده شده است. کاربران با تایپ درخواست‌های خود در رابط کاربری به‌شدت ساده‌ی این چت‌بات، نتایج حیرت‌انگیزی دریافت می‌کنند؛ از تولید شعر و آهنگ و فیلم‌نامه گرفته تا نوشتن مقاله و کد و پاسخ به هر سؤالی که فکرش را بکنید؛ و تمام این‌ها تنها در کمتر از ده ثانیه انجام می‌شود.

حجم داده‌هایی که ChatGPT با آن‌ها آموزش داده شده به حدی وسیع است که خواندن تمام آن‌ها به «هزار سال عمر انسانی» نیاز دارد. داده‌هایی که در دل این سیستم پنهان شده، دانش بی‌نهایت بزرگی را درباره‌ی جهانی که در آن زندگی می‌کنیم، در خود جای داده است و به‌همین خاطر می‌تواند تقریبا به تمام سوال‌های ما پاسخ دهد.

DALL-E

پلتفرم مولد تصویر DALL-E که نامش از ترکیب سالوادور دالی، نقاش سورئالیست و انیمیشن WALL-E پیکسار گرفته شده است، یکی از جذاب‌ترین محصولات توسعه‌یافته در OpenAI است که در آن، درخواست‌های متنی کاربر در عرض چند ثانیه به آثار هنری شگفت‌انگیزی تبدیل می‌شود.

تصویر تولید شده با DALL-E

نسخه‌ی اول DALL-E براساس مدل GPT-3 توسعه یافت و تنها به ایجاد تصاویری در ابعاد ۲۵۶ در ۲۵۶ پیکسل محدود بود. اما نسخه‌ی دوم که در آوریل ۲۰۲۲ وارد فاز بتای خصوصی شد، جهش بزرگی در حوزه‌ی مولدهای تصویر مبتنی بر هوش مصنوعی محسوب می‌شود. تصاویری که DALL-E 2 قادر به ایجاد آن‌ها است، حالا ۱۰۲۴ در ۱۰۲۴ پیکسل هستند و از تکنیک‌های جدیدی چون «inpainting» استفاده می‌کنند که در آن بخش‌هایی از تصویر به انتخاب کاربر با تصویر دیگری جایگزین می‌شوند.

جادوی DALL-E و دیگر مولد‌های نظیر آن نه صرفاً به شناخت اشیا به‌صورت جداگانه بلکه در درک فوق‌العاده‌ی آن‌ها از روابط بین اشیا است؛ به‌طوری که وقتی از آن می‌خواهید «فضانوردی سوار بر اسب» را ایجاد کند،‌ خوب می‌داند منظور شما از این خواسته دقیقاً چیست.

درحال‌حاضر، افرادی که به ChatGPT دسترسی دارند، می‌توانند از پلتفرم Dall-E نیز استفاده کنند.

Copilot

مایکروسافت در سال ۲۰۱۸ علاوه‌بر کسب حق امتیاز GPT-3، ازطریق پلتفرم گیت‌هاب با OpenAI وارد همکاری شد تا ابزار هوش مصنوعی Copilot را توسعه دهند. Copilot درون برنامه ویرایشگر کد اجرا می‌شود و به توسعه‌دهندگان در نوشتن کد کمک می‌کند.

استفاده از Copilot برای دانشجویان تأیید‌شده و گردانندگان پروژه‌های متن‌باز رایگان است و به‌گفته‌ی گیت‌هاب، در فایل‌هایی که Copilot در آن‌ها فعال است، نزدیک ۴۰ درصد کدها با این ابزار نوشته می‌شود. Copilot از مدل Codex شرکت OpenAI توسعه یافته که از نسل الگوریتم پرچم‌دار GPT-3 است.

Jukebox

سیستم Jukebox واقعاً حیرت‌انگیز است. کافی است به این بات ژانر آهنگ و نام هنرمند و متن آهنگ را بدهید تا نمونه‌ای از یک آهنگ جدید را از صفر تا صد برایتان تولید کند. در پروفایل ساندکلاد OpenAI، به نمونه‌هایی از آهنگ‌های تولید‌شده با هوش مصنوعی Jukebox می‌توانید گوش کنید. به‌گفته این شرکت، متن آهنگ‌ها به‌وسیله‌ی مدل زبانی و تعدادی از پژوهشگران نوشته شده است.

به جز Jukebox، ابزار هوش مصنوعی جدید گوگل به‌نام MusicLM هم قادر به تولید آهنگ براساس توضیح متنی است؛ هرچند این ابزار هنوز در دسترس عموم قرار نگرفته است.

به‌گفته‌ی گوگل، MusicLM در مجموع با داده‌های متشکل‌از ۲۸۰ هزار ساعت موسیقی آموزش داده شده تا یاد بگیرد براساس توضیحات دریافتی، آهنگ‌هایی منسجم و پیچیده تولید کند. به‌عنوان مثال این ابزار می‌تواند با ارائه‌ی دستور «آهنگ جاز با یک تکنوازی ساکسیفون و یک تک‌خوان» یا «آهنگ تکنو دهه‌ی ۹۰ با بیس کم و ضربات قدرتمند»، آهنگ‌های بسیار باکیفیتی بسازد. خروجی این هوش مصنوعی بسیار چشم‌گیر است و به موسیقی‌هایی که هنرمندان انسانی ساخته‌اند، شباهت دارد.

Midjourney

میدجرنی هم مانند Dall-E نوعی بات تعاملی است که از یادگیری ماشین برای ایجاد تصاویر مبتنی بر متن استفاده می‌کند. این پلتفرم بر بستر دیسکورد قابل استفاده است و نسخه‌ی رایگان آن به کاربران اجازه‌ی چند درخواست محدود را می‌دهد. تمام درخواست‌های کاربران دیگر و تصاویر تولید شده توسط میدجرنی در کانال دیسکورد این پلتفرم قابل‌مشاهده است.

تصویر تولید شده با میدجرنی

یکی از جذابیت‌های میدجرنی ساخت انواع مختلفی از یک تصویر یکسان است. به این ترتیب می‌توان با کنار هم قرار دادن تصاویر یک انیمیشن جذاب به سبک «استاپ‌ موشن» ساخت. از نظر برخی، تصاویر تولید شده با میدجرنی کیفیت و خلاقیت بیشتری از DALL-E دارند.

New Bing

«بینگ جدید» درواقع همان موتور جست‌وجوی نام‌آشنا و البته بداقبال مایکروسافت است که حالا به مدل هوش مصنوعی بسیار قدرتمندی مجهز شده تا هم تلاش دوباره‌ای باشد برای پایان دادن به یکه‌تازی چندین ساله‌ی موتور جست‌وجوی گوگل و هم روش جست‌وجوی ما در اینترنت را به‌طور کامل زیرورو و آن‌طور که مایکروسافت امیدوار است، بهتر از قبل کند.

اگر از قابلیت‌های ChatGPT شگفت‌زده شده‌اید، احتمالا از نسخه‌ی به‌کار رفته در بینگ بیشتر متحیر شوید؛ چراکه مایکروسافت می‌گوید مدل زبانی مورداستفاده در بینگ، GPT-4 است که به ۷۰۰ میلیارد پارامتر مجهز شده است. درضمن، چت‌بات بینگ به اینترنت متصل و اطلاعاتش همیشه به‌روز است.

در بینگ جدید می‌توانید سوال خود را با زبان طبیعی بپرسید تا هوش مصنوعی با همان زبان طبیعی شروع به پاسخ‌گویی کند. مایکروسافت می‌گوید این مدل پاسخ‌دهی به درخواست‌های کاربران از سرچ سنتی، کاربردی‌تر و مفید‌تر است.

LaMDA

LaMDA نیز مانند ChatGPT،‌ چت‌بات مبتنی‌بر یادگیری ماشین است که برای صحبت‌‌کردن درباره‌ی هر نوع موضوعی طراحی شده است. این چت‌بات که مخفف Language Model for Dialogue Applications به‌معنای «مدل زبانی برای کاربردهای مکالمه‌ای» است، برپایه‌ی معماری شبکه‌ی عصبی ترنسفورمر ایجاد شده که گوگل آن را در سال ۲۰۱۷ طراحی کرده بود؛ شبکه‌ای که دقیقا در ساخت ChatGPT نیز به کار رفته است.

گوگل کماکان از عرضه‌ی عمومی لمدا سرباز می‌زند؛ اما سال گذشته این چت‌بات پس از آنکه یکی از کارمندان گوگل مدعی شد به خودآگاهی رسیده، حسابی خبرساز شد. این فرد در ادعایی جنجالی که منجر به اخراجش از گوگل شد، گفت LaMDA احساسات و تجربیات ذهنی دارد؛ به‌همین‌دلیل، خودآگاه است.

ادعای خودآگاه بودن LaMDA هم از طرف گوگل و هم از سمت متخصصان حوزه‌ی هوش مصنوعی قویا رد شده است. راستش تکنولوژی هوش مصنوعی هنوز تا رسیدن به سیستم‌های خودآگاه فاصله‌ی زیادی دارد؛ فاصله‌ای که به اعتقاد بسیاری از کارشناسان، به ۵۰ سال می‌رسد.

PaLM

PaLM مخفف Pathways Language Model مدل زبانی دیگری از گوگل است که به‌مراتب از لمدا پیچیده‌تر است.

گوگل PaLM را در رویداد I/O 2022 همزمان با معرفی LaMDA 2 رونمایی کرد که به‌تازگی در دسترس توسعه‌دهندگان قرار گرفته است. این مدل می‌تواند ازپسِ کارهایی برآید که LaMDA نمی‌تواند انجامشان دهد؛ کارهایی مثل حل مسائل ریاضی، کدنویسی، ترجمه‌ی زبان برنامه‌نویسی C به پایتون، خلاصه‌نویسی متن و توضیح‌دادن لطیفه. موردی که حتی خود توسعه‌دهندگان را نیز غافل‌گیر کرد، این بود که PaLM می‌تواند استدلال کند یا دقیق‌تر بگوییم PaLM می‌تواند فرایند استدلال را اجرا کند.

مجتبی بوالحسنی

گوگل مدل هوش مصنوعی پیشرفته‌ PalM را برای رقابت با GPT-3 شرکت OpenAI منتشر کرد

مطالعه ‘۲

PaLM به ۵۴۰ میلیارد پارامتر مجهز است که از LaMDA چهار برابر و از مدل زبانی GPT-3 به‌کار رفته در ChatGPT، سه برابر بیشتر است. PaLM به‌دلیل بهره‌مندی از چنین مجموعه‌ی گسترده‌ای از پارامتر، می‌تواند صدها کار مختلف را بدون نیاز به آموزش انجام دهد و شاید عده‌ای حتی وسوسه‌ شوند که این مدل را نزدیک‌ترین دستاورد بشر به «هوش مصنوعی قوی» بدانند، چون می‌تواند هر کار مبتنی‌بر تفکری را که انسان می‌تواند انجامش دهد، بدون آموزش خاصی انجام دهد.

خطرات هوش مصنوعی

هوش مصنوعی شبیه شخصیت‌های خاکستری داستان‌ها، نه صددرصد پلید است و نه صددرصد فرشته‌ی نجات و ابرقهرمان. در همان حال که زندگی بشر را ساده‌تر و تکنولوژی‌های پیچیده و گران‌قیمت را دردسترس‌تر می‌کند، می‌تواند خطرات و چالش‌هایی نیز به دنبال داشته باشد که در ادامه به برخی از آن‌ها اشاره می‌کنیم:

از بین رفتن برخی مشاغل به‌خاطر اتوماسیون؛ از سال ۲۰۰۰ تاکنون، هوش مصنوعی و سیستم‌های اتوماسیون ۱٫۷ میلیون شغل در حوزه‌ی تولید را کنار گذاشته‌اند. با‌توجه به «گزارش ۲۰۲۰ آینده‌ی مشاغل»‌ مجمع جهانی اقتصاد، انتظار می‌رود تا سال ۲۰۲۵، هوش مصنوعی جای ۸۵ میلیون شغل در سراسر جهان را بگیرد. مشاغلی مثل تجزیه‌وتحلیل داده، تله‌مارکتینگ و خدمات مشتری، کدنویسی، حمل‌ونقل و خرده‌فروشی در خطر جایگزینی کامل با هوش مصنوعی هستند.

مرجان شیخی

آیا هوش مصنوعی و ربات‌ها می‌خواهند ما را از کار بیکار کنند؟

مطالعه ’۱۲

دستکاری اجتماعی از طریق الگوریتم‌ها؛ هوش مصنوعی می‌تواند از طریق پلتفرم‌های آنلاین نظیر شبکه‌های اجتماعی، رسانه‌های خبری و حتی فروشگاه‌های آنلاین، نظرات، رفتارها و احساسات افراد را تحت‌تاثیر قرار دهد. هوش مصنوعی همچنین می‌تواند با تولید محتوای جعلی یا گمراه‌کننده مثل ویدیوهای دیپ‌فیک، به افراد آسیب برساند.

نظارت اجتماعی با هوش مصنوعی؛ دولت‌ها و شرکت‌ها به‌کمک فناوری تشخیص چهره، ردیابی مکان و داده‌کاوی که همگی مبتنی‌بر هوش مصنوعی است، می‌توانند به نظارت گسترده از شهروندان و کارمندان بپردازند. این موضوع، حریم خصوصی، امنیت و آزادی‌های مدنی افراد را تهدید می‌کند.

تعصبات ناشی از هوش مصنوعی؛ هوش مصنوعی می‌تواند تعصبات انسانی را در داده‌ها یا طراحی خود به ارث برده یا تقویت کند. این تعصبات می‌تواند منجر به نتایج ناعادلانه یا تبعیض‌آمیز برای گروه‌های خاصی از مردم از نظر نژادی، جنسیت، سن و غیره شود.

گسترش نابرابری اجتماعی‌اقتصادی؛ هوش مصنوعی می‌تواند بین افرادی که به مزایای آن دسترسی دارند و افرادی که از آن‌ها بی‌بهره‌اند، شکاف دیجیتالی ایجاد کند. هوش مصنوعی همچنین می‌تواند شکاف بین افراد ثروتمند و فقیر را با تمرکز ثروت و قدرت در دست عده‌ای که کنترل سیستم‌های هوش مصنوعی را به‌عهده دارند، افزایش دهد.

مرجان شیخی

جنگ‌افزارهای خودمختار؛ کابوسی از جنس هوش مصنوعی و در آستانه تحقق

مطالعه ’۱۰

جنگ‌افزارهای خودمختار؛ هوش مصنوعی می‌تواند در توسعه‌ی سلاح‌های مرگ‌بار خودمختاری به‌کار می‌رود که به اهداف بدون دخالت انسان شلیک کنند. درحالی‌که عده‌ای می‌گویند با جایگزین کردن سربازهای انسان با ربات‌ها، آمار تلفات کشور دارنده‌ی این سلاح‌ها کم می‌شود، در اختیار داشتن ارتشی که تلفات جانی روی دست کشور پیشرفته‌تر نمی‌گذارد، انگیزه‌ی بیشتری به آن کشور برای آغاز جنگ می‌دهد.

آینده هوش مصنوعی

تا چند سال پیش، آینده‌ی هوش مصنوعی، همین چت‌بات‌ها و مولدهای تصویری چون ChatGPT و Midjourney بود که چند وقتی است در دسترس عموم قرار گرفته‌اند و قرار است تا چند سال دیگر، به بهبودهای چشمگیری دست پیدا کنند. برای مثال، شرکت OpenAI در حال کار روی نسخه‌ی چهارم مدل زبانی بزرگ GPT است که به‌ادعای افراد سیلیکون‌ولی، قرار است در دنیای چت‌بات‌ها معجزه کند. زمانی، تصور اینکه دو نفر با دو زبان متفاوت بتوانند با هم صحبت کنند و همزمان حرف یکدیگر را بفهمند تنها در داستان‌های علمی‌تخیلی و بازی‌های Mass Effect ممکن بود؛ اما بعید نیست تا چند وقت دیگر هوش مصنوعی چنین تصوری را به واقعیت تبدیل کند.

این‌طور که پیدا است، هوش مصنوعی، مهم‌ترین تکنولوژی آینده است و سناریوهای زیادی برای پیشرفت آن تعریف شده‌اند؛ ازجمله:

هوش مصنوعی بیشتر با هوش انسانی ادغام می‌شود و توانایی‌های ما را افزایش می‌دهد؛ مثلا رابط‌های مغز و کامپیوتر، پردازش زبان طبیعی و بینایی ماشین می‌توانند ارتباطات، یادگیری و ادراک ما را تقویت کنند.

هدف نهایی تمام پروژه‌های هوش مصنوعی رسیدن به AGI است

هوش مصنوعی خودمختارتر و با محیط‌های پیچیده سازگارتر می‌شود؛ مثلا خودروهای خودران، خانه‌های هوشمند و دستیارهای رباتیک می‌توانند با حداقل نظارت یا دخالت انسان کار کنند.

هوش مصنوعی در تولید محتوا یا ارائه‌ی راه‌حل‌های جدید، خلاقانه‌تر خواهد شد؛ مثلا شبکه‌های مولد رقابتی، الگوریتم‌ها و تولید زبان طبیعی می‌توانند تصاویر، آثار هنری، موسیقی یا متن واقع‌گرایانه‌ای تولید کنند.

هوش مصنوعی با عوامل دیگر، چه انسانی چه ماشینی، وارد همکاری بیشتری می‌شود. مثلا، سیستم‌های چندعاملی (MAS)، هوش گروهی (swarm intelligence) و یادگیری تقویتی می‌توانند تصمیم‌گیری‌، حل مسئله و هماهنگی‌های جمعی را ممکن کنند.

و البته هوش مصنوعی در بحث منابع داده، اصول طراحی، کاربردها و تاثیراتش متنوع‌تر و جامع‌تر خواهد شد. مثلا می‌توان به پیشرفت‌هایی در هوش مصنوعی مسئولانه، هوش مصنوعی درون‌نما (explainable AI) که درون الگوهای پیچیده‌ی یادگیری هوشمند را برای انسان‌ها آشکار می‌کند و هوش مصنوعی منصفانه و هوش مصنوعی قابل‌اعتماد،‌ اشاره کرد.

اما هدف نهایی تمام افرادی که در حوزه‌ی هوش مصنوعی کار می‌کنند، رسیدن به هوش مصنوعی قوی یا همان ماشینی است که بتواند در تمام فعالیت‌ها از قابلیت‌های فکری انسان جلو بزند. یعنی چیزی شبیه همان ربات‌های خودآگاهی که در فیلم‌ها می‌بینیم. البته تا رسیدن به چنین سطحی از هوش مصنوعی زمان زیادی باقی مانده؛ اگر نظر کارمندان OpenAI را بپرسید، به شما خواهند گفت تا ۱۳ سال آینده به هوش مصنوعی قوی می‌رسند، اما اکثر متخصصان این حوزه روی ۵۰ سال شرط بسته‌اند.

آیا هوش مصنوعی بشر را نابود می‌کند؟

خب با تمام این حرف‌ها و پیشرفت‌های چشمگیری که در حوزه هوش مصنوعی صورت گرفته، آیا باید تا چند وقت دیگر انتظار ظهور ربات‌های قاتل مثل اسکای‌نت در فیلم‌های ترمیناتور یا هال ۹۰۰۰ در فیلم ادیسه فضایی را داشته باشیم؟

اگر اهل تماشای مستندهای حیات‌وحش باشید، احتمالا به این موضوع دقت کرده‌اید که در پایان تمام آن‌ها، افرادی هستند که درباره‌ی اینکه چطور این همه زیبایی باشکوه قرار است به ‌زودی به‌دست انسان‌ها نابود شود، صحبت می‌کنند. به همین‌خاطر هم فکر می‌کنم هر بحث مسئولانه‌ای که درباره‌ی هوش مصنوعی صورت می‌گیرد، باید در مورد محدودیت‌ها و پیامدهای اجتماعی آن نیز صحبت کند.

موفقیت هوش مصنوعی به‌شدت به مدل‌هایی بستگی دارد که برای آموزش آن‌ها انتخاب می‌کنیم

ابتدا بیایید بار دیگر بر محدودیت‌های کنونی هوش مصنوعی تاکید کنیم؛ اگر فقط یک نکته باشد که امیدوارم از خواندن این مطلب به آن رسیده باشید،‌ این است که موفقیت یادگیری ماشین یا هوش مصنوعی به‌شدت به مدل‌هایی بستگی دارد که ما برای آموزش آن‌ها انتخاب می‌کنیم. اگر انسان‌ها این شبکه‌ها را بدون رعایت استانداردها و اصول اولیه بسازند یا از داده‌های اشتباه و گمراه‌کننده برای آموزش هوش مصنوعی استفاده کنند، آن‌وقت این مشکلات می‌تواند تاثیرات ناگواری به‌همراه داشته باشند.

شبکه‌های عصبی عمیق بسیار انعطاف‌پذیر و قدرتمند هستند، اما معجزه و جادویی نیستند. باوجود اینکه ممکن است از شبکه‌های عصبی عمیق هم برای RNN و هم CNN استفاده کرد، باید توجه داشت که ساختار زیربنایی این دو شبکه بسیار متفاوت است و تا این‌لحظه نیاز بوده که انسان‌ها آن‌ها را از پیش تعریف کنند. بنابراین، اگرچه می‌توان CNNای را که برای تشخیص خودرو آموزش دیده، برای تشخیص پرندگان از نو آموزش داد، اما نمی‌توان این مدل را برای درک گفتار به کار برد.

به‌عبارت ساده‌تر، مثل این است که ما متوجه شده‌ایم که قشر بینایی و قشر شنوایی چطور کار می‌کنند، اما مطلقا هیچ ایده‌ای نداریم که قشر مغز چطور کار می‌کند و اینکه اصلا برای فهم آن باید از کجا شروع کرد. و این یعنی ما احتمالا به این زودی‌ها به هوش مصنوعی انسان‌گونه به سبک فیلم‌های هالیوودی دست نخواهیم یافت. البته این به این معنی نیست که هوش مصنوعی فعلی نمی‌تواند تاثیرات اجتماعی منفی به‌دنبال داشته باشد. برای همین، آشنایی با مفاهیم اولیه‌ی هوش مصنوعی شاید حداقل کاری باشد که بتوان برای پیدا کردن راهی برای حل مشکلات هوش مصنوعی (و جلوگیری از نابودی زمین!) انجام داد.

هوش مصنوعی چیست؟ — به زبان ساده + مسیر یادگیری

۹۹۶۷۰ بازدید

آخرین به‌روزرسانی: ۱۳ آذر ۱۴۰۲

زمان مطالعه: ۳۲ دقیقه

تصویر گرافیکی یک ربات در حال کار با کامپیوتر (تصویر شاخص مطلب هوش مصنوعی چیست)

امروزه هوش مصنوعی (Artificial Intelligence) که به اختصار AI خطاب می‌شود یکی از داغ‌ترین اصطلاحات روز در فناوری به حساب می‌آید. دلیل این امر بسیار محکم است؛ در سال‌های اخیر نوآوری‌ها و پیشرفت‌های بسیاری در زمینه هوش مصنوعی پدید آمده که در گذشته تنها در حوزه فیلم‌های علمی تخیلی مورد تصور بودند، اما اکنون کم‌کم به واقعیت تبدیل شده‌اند. در این مقاله از مجله فرادرس ابتدا به طور جامع به این سوال پاسخ داده شده است که هوش مصنوعی چیست و سپس به مهم‌ترین مباحث و مفاهیم مرتبط با هوش مصنوعی پرداخته می‌شود.

فهرست مطالب این نوشته

هوش مصنوعی چیست؟

تعریف ساده هوش مصنوعی

هوش مصنوعی به انگلیسی

هوش مصنوعی و یادگیری ماشین

هوش مصنوعی چه کارهایی انجام می دهد؟

شرکت هوش مصنوعی

برنامه نویسی هوش مصنوعی

درس هوش مصنوعی

رشته هوش مصنوعی

آینده هوش مصنوعی

هوش مصنوعی در ایران

تاریخچه هوش مصنوعی

شاخه های هوش مصنوعی

هوش مصنوعی چه کاربردی دارد؟

جمع‌بندی

نمایش همه

هوش مصنوعی چیست؟

هوش مصنوعی یا به اختصار AI، یکی از شاخه‌های علوم کامپیوتر و یک تکنولوژی بسیار پیشرفته دهه حاضر است که بوسیله آن، سیستم‌های کامپیوتری مانند انسان‌ها امکان تفکر و یادگیری پیدا کرده و می‌توانند اقدام به تصمیم‌گیری مستقل کنند.

تعریف ساده هوش مصنوعی

برای پاسخ ساده به این سوال که هوش مصنوعی چیست می‌توان عبارت هوش مصنوعی یا همان Artificial Intelligence را تفکیک کرد و ابتدا درکی از هر کلمه به صورت مجزا بدست آورد.

    کلمه مصنوعی یا Artificial به آنچه گفته می‌شود که به صورت طبیعی بوجود نیامده و در واقع توسط انسان‌ها ساخته شده است.

    کلمه هوش یا Intelligence نیز به توانایی تفکر و آموختن براساس تجربه گفته می‌شود.

آموزش هوش مصنوعی – مقدماتی

فیلم آموزش هوش مصنوعی – مقدماتی

کلیک کنید

حالا اگر این دو کلمه با هم ترکیب شوند، عبارت هوش مصنوعی (Artificial Intelligence) بدست می‌آید. حالا هوش مصنوعی چیست ؟ هوش مصنوعی به چیزی گفته می‌شود که طبیعی نیست اما می‌تواند تفکر کند و براساس تجربه یاد بگیرد و تصمیم‌گیری انجام دهد.

بنابراین به زبان ساده، هوش مصنوعی به توانایی تفکر یا یادگیری کامپیوتر یا ماشین گفته می‌شود. برای اینکه فردی هوشمند و دارای هوش تلقی شود، باید یادگیری اتفاق بیوفتد و فرد آموزش ببیند. در واقع انسان‌ها هم از روز اولی که به دنیا می‌آیند هوشمند نیستند و برای تبدیل شدن به فردی هوشمند و باهوش باید تحت آموزش قرار بگیرند.

وقتی که انسان‌ها یاد می‌گیرند، در واقع مواردی را به خاطر می‌سپارند و اطلاعاتی را در مغزشان ذخیره می‌کنند. سپس از این اطلاعات ذخیره شده در مغز برای تصمیم‌گیری هوشمندانه استفاده می‌شود. در خصوص ماشین‌ها و هوش مصنوعی هم شرایط یکسان است و درست مشابه انسان‌ها کامپیوترها هم باید ابتدا یاد بگیرند و نمی‌توانند تا زمانی که آموزش ندیده‌اند هوشمند شوند. بهتر است برای درک بهتر اینکه هوش مصنوعی چیست مثالی ساده ارائه شود.

مثالی ساده برای درک بهتر مفهوم هوش مصنوعی

برای مثال اگر فردی بخواهد رانندگی کند و اتومبیلی را براند، پیش از هر چیز باید موارد لازم را در مورد آن ماشین یاد بگیرد. فرد باید حتماً نحوه روشن کردن اتومبیل را بیاموزد؛ باید یاد بگیرد چگونه از دنده و پدال‌ها استفاده کند و ماشین را به جلو براند. همچنین علائم رانندگی بسیار مهم هستند و فرد باید بتواند مفهوم هرکدام از آن‌ها را درک کند و آن‌ها را در مغز خود حفظ کرده باشد. به این ترتیب در حین رانندگی فرد می‌تواند براساس آموخته‌های خود تصمیم‌گیری کند.

تصویر گرفایکی یک ربات در یک کلاس درس با بچه ها (تصویر تزئینی مطلب هوش مصنوعی چیست)

کامپیوترها هم به همین شکل عمل می‌کنند. یادگیری در کامپیوترها با استفاده از داده‌ها اتفاق می‌افتد. ماشین‌ها و کامپیوترها الگوهای موجود در داده‌ها را درک می‌کنند و سپس مدل‌هایی را می‌سازند و این مدل‌ها برای تصمیم‌گیری مورد استفاده قرار می‌گیرند. بنابراین انجام کارهایی هوشمندانه توسط ماشین و کامپیوترهای ساخته شده توسط انسان را هوش مصنوعی می‌نامند.

امید است تا اینجا درک مطلوبی نسبت به این سوال که هوش مصنوعی چیست بدست آمده باشد. برای مشخص شدن اینکه آیا درک لازم نسبت به این سوال بدست آمده که هوش مصنوعی چیست سوالی چند گزینه‌ای برای آزمایش فردی در ادامه ارائه شده است:

هوش مصنوعی چیست؟

به بازی‌های کامپیوتری هوش مصنوعی گفته می‌شود.

به فرایند هوشمندسازی ماشین‌های کامپیوتری هوش مصنوعی می‌گویند.

وقتی انسان با هوش و استعداد خود ماشینی را برنامه نویسی می‌کند هوش مصنوعی ایجاد می‌شود.

هوش مصنوعی در واقع قرار دادن هوش انسانی خود در یک ماشین است.

هوش مصنوعی به انگلیسی

معادل اصطلاح هوش مصنوعی به انگلیسی «Artificial Intelligence» است که به صورت «آرتیفیشال اینتلیجنس» تلفط می‌شود. مخفف یا سرنام «AI» نیز به طور گسترده‌ای در زبان انگلیسی و حتی فارسی به جای Artificial Intelligence یا هوش مصنوعی استفاده می‌شود. همچنین سایر عبارت‌هایی که به نوعی در ارتباط با هوش مصنوعی به کار می‌روند و تقریباً در برخی موارد مترادف هوش مصنوعی به انگلیسی هستند در ادامه فهرست شده‌اند:

آموزش هوش مصنوعی – تکمیلی

فیلم آموزش هوش مصنوعی – تکمیلی

کلیک کنید

    Robotics (رباتیک | ساخت ربات هوشمند)

    Development of ‘Thinking’ Computer Systems (توسعه سیستم‌های کامپیوتری)

    Expert System یا Expert Systems (سیستم‌های خبره)

    Intelligent Retrieval (بازیابی هوشمندی)

    Knowledge Enginerring (مهندسی دانش)

    Machine Learning (یادگیری ماشین)

    Natural Language Processing (پردازش زبان طبیعی)

    Neural Network یا Neural Networks (شبکه‌های عصبی)

در ارتباط با این سوال که هوش مصنوعی چیست همواره بحث یادگیری ماشین هم مطرح می‌شود و همیشه سوالاتی پیرامون ارتباط یادگیری ماشین با هوش مصنوعی وجود دارد. بنابراین در ادامه به این موضوع پرداخته شده است.

هوش مصنوعی و یادگیری ماشین

یادگیری ماشین (Machine Learning) که قبلا در مجله فرادرس راجع به آن صحبت کردیم در واقع بخشی از هوش مصنوعی به حساب می‌آید و کاربردی از AI است. فرایند استفاده از مدل‌های ریاضی ساخته شده براساس داده‌ها توسط ماشین‌های کامپیوتری را یادگیری ماشین می‌نامند. هدف ماشین لرنینگ توسعه و ساخت سیستمی است که بتواند بدون دریافت دستورالعمل‌های دقیق و خط به خط، خودش یاد بگیرد و بیاموزد. در یادگیری ماشین سیستمی طراحی و ساخته می‌شود که به یادگیری ادامه می‌دهد و رفته رفته خودش را بر اساس تجربه بدست آمده بهبود می‌دهد.

تفاوت هوش مصنوعی و یادگیری ماشین

تفاوت هوش مصنوعی و یادگیری ماشین

به قابلیت سیستم‌های کامپیوتری برای تقلید از عملکردهای شناختی انسان مانند یادگیری، حل مسئله و سایر موارد هوش مصنوعی گفته می‌شود. هوش مصنوعی از یادگیری ماشین استفاده می‌کند تا دانش مربوطه و مورد نیاز را بدست آورد. سپس هوش مصنوعی دانش بدست آمده را به وسیله شبیه‌سازی منطق و استدلال انسانگونه برای توصیه یا تصمیم‌گیری به کار می‌گیرد. در حالی که هوش مصنوعی علم گسترده تقلید از توانایی‌های انسان است، یادگیری ماشین زیرمجموعه خاصی از هوش مصنوعی به حساب می‌آید که به ماشین آموزش می‌دهد چگونه یاد بگیرد.

آموزش یادگیری ماشین

فیلم آموزش یادگیری ماشین در فرادرس

کلیک کنید

یکی دیگر از سوالات رایج پیرامون اینکه هوش مصنوعی چیست این است که هوش مصنوعی چه کارهایی انجام می‌دهد؟ بنابراین بهتر است در ادامه به این بحث پرداخته شود.

هوش مصنوعی چه کارهایی انجام می دهد؟

تقلید از ساختار مغز انسان، درک متقابل و کمک دوطرفه، خودآموزی و بازاندیشی در مورد گونه‌های مختلف حیات بیولوژیکی، جایگزینی افراد در مشاغل مختلف و تقلب در بازی‌های کامپیوتری همگی تنها برخی از کارهایی هستند که امروزه هوش مصنوعی انجام می‌دهد. در این بخش سعی شده است تا به برخی از توانایی‌ها و قدرت‌های ماورایی هوش مصنوعی پرداخته شود.

هوش مصنوعی در پزشکی

آلفابت (Alphabet) شرکت مادر گوگل، اخیراً آزمایشگاه‌هایی یکدست و همسان ساخته است که برای یافتن داروهای جدید با استفاده از هوش مصنوعی شرکت DeepMind (از شرکت‌های زیرمجموعه گوگل) تاسیس شده‌اند. هدف این سازمان بازتعریف فرایند کشف دارو از صفر و یافتن راه‌هایی جدید برای درمان بیماری‌ها با استفاده از هوش مصنوعی است. این آزمایشگاه‌ها نه تنها داده‌ها را تجزیه و تحلیل خواهند کرد بلکه مدل‌هایی قدرتمند، پیش‌بینی کننده و مولد را از پدیده‌های پیچیده بیولوژیکی خواهند ساخت.

تصویر گرافیکی ربات و پزشکان در حال جراحی انسان (تصویر تزئینی مطلب AI چیست)

در حالی که هنوز هیچ کس در تلاش برای یافتن درمان بیماری‌های مختلف با استفاده از شبکه‌های عصبی به پیشرفت قابل توجهی دست پیدا نکرده است، شرکت DeepMind در حال حاضر در هوش مصنوعی حرف اول را می‌زند و سیستم یادگیری الگوریتم این شرکت انطباق‌پذیرترین سیستم موجود است که می‌توان آن را برای اهداف و مقاصد مختلف به کار گرفت.

آموزش ربات ها با هوش مصنوعی برای انجام کارهای مختلف

امروزه از هوش مصنوعی یا همان شبکه‌های عصبی برای آموزش ربات‌ها نیز به طور گسترده استفاده می‌شود. برای مثال با استفاده از مدلی جدید بر اساس هوش مصنوعی، مهندسان دانشگاه MIT موفق شده‌اند تا ربات‌ها را برای حمل و نگه داشتن هزاران شی مختلف با استفاده از بازو‌های مکانیکی خود آموزش دهند. این کار با استفاده از یادگیری تقویتی و بدون شبیه‌سازی انجام شده و نتیجه کار ساخت شبیه‌سازی دست انسان گونه است که می‌تواند بیش از ۲ هزار شی مختلف را بردارد و آن‌ها را با استفاده از بازوهای مکانیکی خود لمس کند و حرکت دهد.

علاوه بر آن جالب اینجاست که این سیستم برای بلند کردن شی و نگه داشتن آن در دستانش حتی نیازی نداشت بداند دقیقاً چه چیزی را قرار است بردارد. تا اینجا نرخ موفقیت رباتی که از این سیستم استفاده می‌کند بسته به نوع شی متفاوت است اما در طول زمان الگوریتم خودش را ارتقا خواهد داد و باعث می‌شود ربات‌ها مهارت بیشتری پیدا کنند و تطبیق‌پذیرتر شوند.

آموزش مهارت های اجتماعی به ربات ها با استفاده از هوش مصنوعی

الگوریتم دیگری به وسیله محقان دانشگاه MIT ساخته شده است که به ربات‌ها مهارت‌های اجتماعی و به طور خاص همکاری دوجانبه را آموزش می‌دهد. مدل‌های ریاضی جدید به گونه‌ای طراحی شده‌اند که به ماشین‌ها درکی از رفتارهای فیزیکی و اجتماعی ربات‌های دیگر را می‌آموزند. بنابراین اگر رباتی قرار است رفتاری منطقی و با معنی را به لحاظ اجتماعی انجام دهد، چون رفتار خوبی است، ربات دیگر باید در انجام آن کار به این ربات کمک کند. یا اگر رباتی بخواهد عمل بدی را انجام دهد، ربات فرضی دیگر باید مانع از آن شود.

محققان در تلاشند تا ربات‌ها را به شبکه عصبی مخصوصی مجهز کنند که فرایند تجربه اجتماعی را سرعت می‌بخشد. علاوه بر این، آن‌ها در حال کار روی سیستم حسگر ۳ بعدی هستند که به ربات‌ها امکان می‌دهد تا عملیات پیچیده‌تری را به تنهایی انجام دهند. مثلاً بتوانند از لوازم خانگی استفاده کنند. تمام این‌ها به ربات‌ها امکان خواهد داد تا تعاملاتشان را نه تنها بین خودشان، بلکه میان انسان‌ها و ربات‌ها هم افزایش دهند.

شبیه سازی ساختار مغز انسان با هوش مصنوعی

یکی از اکتشافات شگفت‌آور دیگر هم در دانشکده تحقیقات مغزی موسسه فناوری ماساچوست یا همان MIT محقق شده است. دانشمندان به این مهم دست یافتند که در حین طبقه‌بندی رایحه‌ها، شبکه‌های عصبی مصنوعی ساختاری را به کار می‌گیرند که بسیار شبیه به ساختار بویایی مغز انسان است. انسان‌ها و سایر حیوانات اطلاعات بویایی را به طور مشابهی در مغزشان انجام می‌دهند.

با وجود اینکه در فرایند آموزش الگوریتم‌هایی برای طبقه‌بندی رایحه‌ها، دانشمندان قصد کپی‌برداری از مغز موجودات زنده را نداشتند، اگرچه در روند حل این مسئله شبکه عصبی مصنوعی به میل خود شبکه بیولوژیکی بویایی را بازتولید کرد.

تصویر گرافیکی مغز انسان با شبکه‌ای از سیم ها (تصویر تزئینی مطلب هوش مصنوعی چیست)

از طرفی این رویداد شگفت‌انگیز طراحی بهینه سیستم‌های بیولوژیکی را نشان می‌دهد. از طرف دیگر، این مسئله امکان مدلسازی کل مغز انسان را هم فراهم می‌کند. تخصص در یکی دیگر از مهم‌ترین کارکردها و قابلیت‌های مغز نیز اخیراً به وسیله هوش مصنوعی بدست آمده است. این دستاورد جدید شناسایی رابطه‌های علت و معلولی را انجام می‌دهد.

جهت یابی خودرو در محیط های مختلف با هوش مصنوعی

محققان MIT ثابت کرده‌اند که نوع خاصی از شبکه‌های عصبی قابلیت یادگیری ساختار تصادفی و واقعی کاری را دارند که برای انجام آن آموزش دیده است. این تحقیقات روی شبکه‌های عصبی مختص جهت‌یابی صورت گرفته‌اند و به‌گونه‌ای طراحی شده‌اند تا بتوانند اتومبیل بدون سرنشین را در جاده برانند یا مسئولیت جهت‌یابی پهبادها را بر عهده بگیرند.

هدف این است که وقتی یک شبکه عصبی آموزش داده می‌شود، نمی‌توان به طور قطعی اطمینان حاصل کرد که مدل ساخته شده آیا محدوده جاده را خط کشی‌های روی آسفالت در نظر گرفته است یا بر اساس بوته‌های اطراف جاده عمل می‌کند.

اگر الگوریتم داده‌های اشتباهی را برای آموزش انتخاب کرده باشد، در صورت تغییر محیط، امکان انجام وظیفه محوله را نخواهد داشت. محققان از چیزی به نام شبکه‌های عصبی سیال (Liquid Neural Network) استفاده می‌کنند که می‌توانند معادلات پایه‌ای خود را تغییر دهند تا خود را به طور مداوم با داده‌های ورودی جدید تطبیق دهند.

شبکه عصبی لیکوئید

یک سیستم یادگیری عمیق (Deep Learning) با اقتباس از مغز انسان که برپایه چنین شبکه‌هایی ساخته شده است نتیجه یکسانی را نسبت به الگوریتم‌های استاندارد تحت شرایط استاندارد از خود نشان داده است. اما برخلاف شبکه‌های عصبی رایج، این سیستم جدید تحت شرایط مختلفی مثل جهت‌یابی در مه، باران شدید یا سایر تغییرات آب و هوایی به خوبی عمل می‌کند.

همان‌طور که تا اینجا شرح داده شد، کارهای بسیاری را می‌توان با استفاده از هوش مصنوعی انجام داد و این حوزه پتانسیل بسیار بالایی دارد و دستاوردهای بسیار اعجاب‌آوری به وسیله هوش مصنوعی قابل تحقق هستند. اما شرح تمام کارهایی که هوش مصنوعی انجام می‌دهد بسیار طولانی، غیرممکن و از حوصله این مقاله خارج است. اکثر افرادی که سوال دارند هوش مصنوعی چیست معمولاً به دنبال دوره هوش مصنوعی هم هستند. بنابراین در ادامه به معرفی مجموعه دوره‌های آموزش هوش مصنوعی پرداخته شده است.

شرکت هوش مصنوعی

امروزه در حدود ۵۰ درصد شرکت‌های سراسر دنیا حداقل در یکی از عملکردهای کسب و کار خود از هوش مصنوعی استفاده می‌کنند. این مسئله باعث شده است میزان تقاضا برای به کارگیری روش‌های هوش مصنوعی از سوی برترین شرکت‌های فناوری در جهان به میزان زیادی افزایش داشته باشد.

ارزش بازار جهانی هوش مصنوعی در سال ۲۰۲۰ تقریباً حدود ۶۲ درصد تحمین زده شده است و انتظار می‌رود این میزان در ۶ سال آینده ۴۰ درصد رشد داشته باشد. هوش مصنوعی و فناوری‌های مربوط به آن مثل یادگیری ماشین، پردازش زبان طبیعی، تشخیص شی و صدا و سایر موارد می‌توانند تعداد زیادی از مشکلات کسب و کارها را با میزان زیادی از بهینگی و دقت رفع کنند.

تصویر گرافیکی شخصی در حال ارائه هولوگرافیک به چندین نفر (تصویر تزئینی مطلب AI چیست)

در اکثر شرکت‌های بسیار بزرگ مثل آمازون، اپل و مایکروسافت بخشی از شرکت یا یکی از شرکت‌های زیر مجموعه آن‌ها به توسعه قابلیت‌های عملکردی هوش مصنوعی اختصاص دارد. مثلاً شرکت DeepMind که یکی از پیشتازان هوش مصنوعی به حساب می‌آید، زیرمجموعه شرکت مادر گوگل یعنی آلفابت است. برخی شرکت‌های مستقل کوچک‌تر هم وجود دارند که تمرکز اصلی آن‌ها هوش مصنوعی محسوب می‌شود. در ادامه تعدادی از برترین شرکت‌های هوش مصنوعی معرفی شده‌اند.

آموزش اشتغال در حوزه هوش مصنوعی و علوم داده با مروری بر کسب و کارهای مرتبط (رایگان)

فیلم آموزش اشتغال در حوزه هوش مصنوعی و علوم داده با مروری بر کسب و کارهای مرتبط (رایگان)

کلیک کنید

    DeepMind

    آمازون

    C3.ai

    H2O.ai

    IBM

    متا (Meta)

    NICE

    OpenAI

    SenseTime

    Salesforce

بسیاری از افراد علاوه بر سوال هوش مصنوعی چیست سوال مهم دیگری هم در ذهنشان وجود دارد و آن سوال این است که برنامه نویسی هوش مصنوعی چیست و چطور انجام می‌شود؟ لذا ادامه این مقاله به این مسئله اختصاص دارد.

برنامه نویسی هوش مصنوعی

برنامه نویسی نقش بسیار مهم و پررنگی در پیاده‌سازی کارکردها و عملکردهای هوش مصنوعی دارد. برنامه نویسی هوش مصنوعی می‌تواند معنی‌های مختلفی داشته باشد. از ایجاد برنامه‌هایی برای اجرای عملیات تشخیص الگو (با استفاده از یادگیری ماشین) گرفته تا «سیستم‌های خبره» که حوزه‌ای بسیار تخصصی است همگی جز برنامه نویسی هوش مصنوعی به حساب می‌آیند.

معمولاً‌ برنامه نویسی هوش مصنوعی شامل برنامه نویسی کارکردهایی نظیر جستجو در فضای جواب، استفاده از برخی روش‌ها (ساده یا پیچیده) و سایر مواردی می‌شود که برای رسیدن به پاسخی که با برخی از شرط‌های خاص مطابقت دارد مورد استفاده قرار می‌گیرد.

تصویر گرافیکی شخصی در حال کدنویسی در فضایی با تم ماتریکس (تصویر تزئینی مطلب هوش مصنوعی چیست)

درست مثل توسعه و ساخت نرم‌افزارهای سفارشی، در برنامه نویسی هوش مصنوعی هم انواع زبان‌های مختلفی مورد استفاده قرار می‌گیرد. اما هیچ چیزی با عنوان بهترین زبان برای برنامه نویسی هوش مصنوعی وجود ندارد. در واقع فرایند توسعه به قابلیت‌های عملکردی هوش مصنوعی بستگی دارد که مورد نیاز هستند و باید پیاده‌سازی شوند.

با استفاده از هوش مصنوعی می‌توان قابلیت‌های زیادی را اجرا کرد و مثلاً هوش زیست‌سنجشی (بیومتریک)، کنترل خودروهای خودران و بسیاری از موارد دیگر را می‌توان در این خصوص نام برد. برای هر یک از این قابلیت‌های مختلف نیاز به زبان‌های برنامه نویسی هوش مصنوعی متفاوتی برای پروژه توسعه آن‌ها وجود دارد. در ادامه برخی از محبوب‌ترین و پراستفاده‌ترین زبان‌های برنامه نویسی هوش مصنوعی فهرست شده‌اند:

آموزش پیاده سازی گام به گام شبکه های عصبی در پایتون

فیلم آموزش پیاده سازی گام به گام شبکه های عصبی در پایتون

کلیک کنید

    پایتون

    جاوا

    R

    جولیا (Julia)

    Haskell

    LISP

    PROLOG

    اسکالا

    متلب

برنامه نویسی هوش مصنوعی با پایتون

الگوریتم‌های اساسی هوش مصنوعی مثل رگرسیون (Regression) و دسته‌بندی (Classification) به صورت تخصصی با استفاده از کتابخانه scikit-learn در پایتون قابل پیاده‌سازی هستند. همچنین با کتابخانه‌های Caffe ،Keras و TensorFlow نیز می‌توان یادگیری عمیق را با ظرافت بالا اجرا کرد.

بسیاری از کتابخانه‌های دیگر هم وجود دارند که باعث شده‌اند پایتون به عنوان یکی از دسترس‌پذیرترین و بهترین زبان‌های برنامه نویسی هوش مصنوعی تبدیل شود؛ برخی از این کتابخانه‌ها در ادامه فهرست شده‌اند:

    NumPy

    SciPy

    Matpolib

    SimpleAI

    سایر موارد

آموزش یادگیری ماشین Machine Learning با پایتون Python

فیلم آموزش یادگیری ماشین Machine Learning با پایتون Python در فرادرس

کلیک کنید

حتی وقتی سخن از «پردازش زبان طبیعی» به میان می‌آید که امروزه برای تجربه کاربری بسیار ضروری است، به کمک ابزارهایی مثل SpaCy و NTLK زبان برنامه نویسی پایتون همچنان دارای برتری باقی می‌ماند.

برنامه نویسی هوش مصنوعی با جاوا

برنامه نویسی هوش مصنوعی به اجرای سریع و زمان اجرای پرسرعت بسیار وابسته است. زبان جاوا این ویژگی‌ها را دارد؛ به همین سبب با استفاده از این زبان برای برنامه نویسی هوش مصنوعی ارزش تولیدی بسیار مطلوبی فراهم می‌شود و امکان یکپارچه‌سازی عالی و بی‌عیب و نقص با استفاده از تمام چارچوب‌های تحلیلی کلیدی در جاوا فراهم شده است.

تصویر گرافیکی با کلمه JAVA و شکل فنجان (لوگوی جاوا)

به لطف فناوری ماشین مجازی جاوا، عملیات پیاده‌سازی با استفاده از این زبان در پلتفرم‌های بسیاری امکان‌پذیر است. این یعنی وقتی اپلیکیشن هوش مصنوعی مربوطه نوشته می‌شود و کامپایل آن روی یک پلتفرم خاص صورت می‌گیرد، می‌توان به سادگی با استفاده از شیوه یک بار نوشتن و اجرای چندین باره، آن را روی پلتفرم‌های دیگر هم اجرا کرد. به همین دلیل است که بسیاری از پشته‌های متن‌باز کلان داده بر بستر ماشین مجازی جاوا نوشته می‌شوند.

آموزش مقدماتی هدوپ – تجزیه و تحلیل کلان داده با Hadoop

فیلم آموزش مقدماتی هدوپ – تجزیه و تحلیل کلان داده با Hadoop

کلیک کنید

از جمله بزرگ‌ترین مزیت‌های جاوا به عنوان زبان برنامه نویسی هوش مصنوعی می‌توان به سادگی استفاده از آن، عیب‌یابی سریع، مدیریت حافظه، قابل حمل بودن و تطبیق‌پذیری مطلوب آن اشاره کرد. جاوا می‌تواند برای توسعه بسیاری از کاربردهای هوش مصنوعی از تجزیه و تحلیل داده‌ها گرفته تا پردازش زبان طبیعی، یادگیری عمیق، یادگیری ماشین و بسیاری از موارد دیگر مورد استفاده قرار بگیرد.

تعداد زیادی از کتابخانه‌های یادگیری ماشین برای زبان جاوا وجود دارند که از جمله می‌توان Weka را نام برد که برای الگوریتم‌های یادگیری ماشین، مدل‌سازی پیشگویانه و بسیاری از موارد دیگر استفاده می‌شود. همچنین تعدادی زیادی نرم افزار تحلیل آنلاین و ابزارهای متن باز داده کاوی مبتنی بر جاوا وجود دارند. بسیاری از ابزارهای محبوب پردازش کلان داده‌ها مثل Apache Hadoop ،Apache Hive و Apache Spark نیز با زبان جاوا نوشته شده‌اند که این مسئله باعث می‌شود با استفاده از زبان جاوا امکان ادغام تمیز و بی‌نقص با استفاده از این فریمورک‌های تحلیل داده فراهم شود.

برنامه نویسی هوش مصنوعی با R

زبان برنامه نویسی R به صورت اختصاصی برای محاسبات آماری ساخته شده است. زبان R زبانی قدرتمند به حساب می‌آید که برای کاربردهای یادگیری ماشین و هر نوع دیگری از عملکردهای هوش مصنوعی استفاده می‌شود که در آن‌ها باید محاسبات گسترده یا تحلیل داده انجام شود.

    مقاله مرتبط: ساخت شبکه های عصبی در نرم افزار R

در زبان برنامه نویسی R تعداد زیادی از کتابخانه‌های مرتبط با هوش مصنوعی را پشتیبانی شده است که از جمله آن‌ها می‌توان به MXNet ،TensorFlow ،Keras و بسیاری از موارد دیگر اشاره کرد. در زبان R از CARAT برای تمرین برنامه نویسی هوش مصنوعی در کاربردهای زیر استفاده می‌شود:

    دسته‌بندی (Classification)

    رگرسیون

    randomForest برای تولید درخت تصمیم

آموزش یادگیری ماشین به زبان آر R

فیلم آموزش یادگیری ماشین به زبان آر R در فرادرس

کلیک کنید

یکی از بزرگ‌ترین نقاط قوت زبان R محیط تعاملی این زبان است که شبیه‌سازی سریع و انتخاب مدل کاوشگرانه را بسیار آسان می‌کند. تعداد زیادی از زبان‌های دیگر هم برای برنامه نویسی هوش مصنوعی استفاده می‌شوند که معرفی و ارائه توضیحات پیرامون همه زبان‌های برنامه نویسی از حوصله این مقاله خارج است. در خصوص برنامه نویسی هوش مصنوعی پیش‌تر مقاله‌ای مختص این موضوع در مجله فرادرس منتشر شده است که مطالعه آن برای کسب اطلاعات بیشتر پیرامون این موضوع به علاقه‌مندان پیشنهاد می‌شود:

    مقاله مرتبط: برنامه‌نویسی هوش مصنوعی چیست؟ + مسیر شروع و یادگیری

هوش مصنوعی چیست؟ تعریف AI و کاربردهای آن به زبان ساده

توسط کارن آهنگری

|

۲۸ مرداد ۱۴۰۲

|

زمان مطالعه:  ۱۱ دقیقه

هوش مصنوعی چیست؟

تا چند سال پیش اگر کسی ادعا می‌کرد که در آینده کامیپوترها می‌توانند همانند انسان فکر و عمل کنند، شاید غیرممکن و تخیلی به نظر می‌رسید، اما حالا در سال ۲۰۲۳، کامیپوترها با هوش مصنوعی خود می‌توانند این کارها را همانند یک انسان انجام دهند، اما هوش مصنوعی چیست و چگونه کار می‌کند؟ آیا هوش مصنوعی صرفاً در کامپیوتر خلاصه می‌شود یا می‌تواند ابعاد بزرگ‌تری از خدمات و امورات را دربرگیرد؟! در این مقاله از بیت پین قصد داریم از ابعاد مختلفی به AI (مخفف Artificial Intelligence) یا همان هوش مصنوعی نگاه کنیم. برای آشنایی بیشتر با آن، تا انتهای مقاله با ما همراه باشید.

فهرست مطالب

هوش مصنوعی چیست؟

هوش مصنوعی (Artificial Intelligence) که به اختصار AI گفته می‌شود، مجموعه‌ای از فناوری‌های مختلف است که در کنار یکدیگر ماشین‌ها را قادر می‌سازند تا مشابه انسان حس، درک و عمل کنند. همچنین همانند انسان‌ها آموزش ببینند و بیاموزند.

تعریف افراد از هوش مصنوعی متفاوت است؛ اما به زبان ساده، هوش مصنوعی به‌کارگیری مجموعه‌ای از فناوری‌ها و تکنولوژی‌های به‌روز برای تبدیل کردن کامپیوتر به انسان است.

عبارت «هوش مصنوعی» از ترکیب دو واژه «هوش» + «مصنوعی» تشکیل شده است. واژه «هوش» به مفهومی اشاره دارد که مختص موجودات زنده، به‌خصوص انسان است. واژه «مصنوعی» نیز به مفهومی اشاره دارد که در آن چیزی را نه به‌صورت طبیعی، بلکه به‌صورت غیرطبیعی ایجاد کنیم.

دانلود ماهنامه آذر ماه دامیننس

از قدرت روایات در فضای ارزهای دیجیتال تا کاربرد‌های ChatGPT در این بازار

هزاران شیء مصنوعی در این جهان وجود دارند که دارای کاربردهای حیاتی هستند؛ از جمله آن‌ها می‌توان به قلب مصنوعی، دست و پای مصنوعی و بسیاری از چیزهای دیگر اشاره کرد که اگرچه توسط بشر ساخته می‌شوند، اما بسیار کمک کننده هستند. و حالا در کنار تمام چیزهای مصنوعی دیگر، هوش مصنوعی ایجاد شده است. یعنی بتوان هوش را به‌صورت غیرطبیعی در یک موجود غیرزنده ایجاد کرد!در وصف بیشتر مفهوم AI در کامپیوتر و سایر امورات زندگی بشر می‌توان گفت:

    هوش مصنوعی از رایانه‌ها و ماشین‌ها برای تقلید از توانایی‌های حل مسئله و تصمیم‌گیری ذهن انسان استفاده می‌کند.

    در حال حاضر، AI به آن شکلی که تصور می‌کنیم وجود ندارد؛ اما بسیاری از فعالیت‌هایی روزمره ما، همچون جست‌وجوی اینترنتی، گشت زدن در شبکه‌های اجتماعی، بازی‌های ویدئویی، تبلیغات آنلاینی که دریافت می‌کنیم و… همگی متأثر از هوش مصنوعی هستند.

    در تعریفی دیگر می‌توان گفت که هوش مصنوعی نوعی شبیه‌سازی هوش انسانی برای کامپیوتر است. منظور ماشینی است که طوری برنامه‌نویسی شده تا مثل انسان فکر کرده و توانایی تقلید از رفتارهای انسان را داشته باشد.

    فناوری‌هایی مانند یادگیری ماشینی و پردازش زبان طبیعی همگی بخشی از چشم‌انداز AI هستند.

منظور از هوش مصنوعی «محدود» و «جنرال» چیست؟

برخی از افراد در تعریف هوش مصنوعی، فراتر رفته و آن را در دو قالب محدود «Narrow» و عمومی یا جنرال «General» دسته‌بندی کرده‌اند، اما تفاوت میان دو نوع محدود و جنرال هوش مصنوعی چیست؟ بیشتر آنچه در زندگی روزمره خود تجربه می‌کنیم، نوع محدود آن است که از جمله آن‌ها می‌توان به برنامه‌های هواشناسی، نرم‌افزارها و اپلیکشن‌های دستیار مجازی و.. اشاره کرد.

تفاوت هوش مصنوعی محدود و جنرال

هوش مصنوعی جنرال نیز بیشتر شبیه چیزی است که در فیلم‌های علمی تخیلی مشاهده می‌کنیم؛ جایی که ماشین‌ها، احساس و هوش انسانی را تقلید می‌کنند. آن‌ها به طور استراتژیک، انتزاعی و خلاقانه فکر می‌کنند و توانایی انجام طیفی از وظایف پیچیده را دارند. اما این بُعد از AI هنوز در آن حد محقق نشده است!

هوش مصنوعی در کامپیوتر

افرادی همچون استوارت راسل «Stuart Russell» و پیتر نورویگ «Peter Norvig» پس از آلن تورینگ، اقدام به انتشار کتابی تحت عنوان «هوش مصنوعی: رویکردی مدرن» یا «Artificial Intelligence: A Modern Approach» کردند که تبدیل به یکی از کتاب‌های درسی پیشرو در مطالعه‌ی این حوزه شد. در این کتاب، به چهار هدف یا تعریف بالقوه AI پرداخته شده که سیستم‌های کامپیوتری را بر اساس عقلانیت و تفکر در مقابل عمل متمایز می‌کند. رویکرد انسانی این تفکر به این صورت است:

    سیستم‌هایی که مانند انسان فکر می‌کنند.

    سیستم‌هایی که مانند انسان عمل می‌کنند.

همچنین رویکرد ایده‌آل هوش مصنوعی در کتاب نامبرده نیز به این صورت ارائه شده است:

    سیستم‌هایی که منطقی فکر می‌کنند.

    سیستم‌هایی که منطقی عمل می‌کنند.

با توجه به این تعاریف، در وصف هوش مصنوعی در کامپیوتر می‌توان گفت که:

«هوش مصنوعی حوزه‌ای است که علم کامپیوتر و مجموعه داده‌های قوی را ترکیب می‌کند تا امکان حل مسئله را فراهم کند». همچنین شامل زیرشاخه‌های یادگیری ماشین «Machine Learning» و یادگیری عمیق «Deep Learning» است که اغلب در ارتباط با هوش مصنوعی ذکر می‌شوند.

تاریخچه هوش مصنوعی

تا اینجا فهمیدیم که هوش مصنوعی چیست؛ اما آیا می‌دانید اولین هوش مصنوعی چه زمانی و چرا به وجود آمد؟ تاریخچه هوش مصنوعی به دوران جنگ جهانی دوم برمی‌گردد. زمانی‌که نیروهای آلمانی برای رمزنگاری پیام‌های خود به نیروهای‌شان از ماشینی به نام «Enigma» استفاده می‌کردند؛ دانشمند انگلیسی به نام آلن تورینگ «Alan Turing» برای رمزگشایی کدهای ماشین آلمانی‌ها، ماشین دیگری به نام «Bombe» را همراه تیمش اختراع کرد. تولد مکالمه AI نیز با نوشته‌های آلن تورینگ در کتابی تحت عنوان «ماشین‌های محاسباتی و هوش» در سال ۱۹۵۰ منتشر شد، مطرح شد.

آلن تورینگ و هوش مصنوعی

تورینگ که اغلب به عنوان پدر علم کامپیوتر از وی یاد می‌شود، چنین سؤالی را مطرح کرد: «آیا ماشین‌ها می‌توانند فکر کنند؟» برای پاسخ به این سؤال، او آزمایشی را ارائه داد که اکنون به نام «آزمون تورینگ» شناخته می‌شود. در این آزمون، یک بازجوی انسانی سعی می‌کند بین کامپیوتر و پاسخ متنی انسان تمایز قائل شود.

این آزمون از زمان انتشار خود تا به امروز، مورد بررسی‌های دقیق قرار گرفته، اما همچنان بخش مهمی از تاریخ هوش مصنوعی و همچنین مفهومی همیشگی در علم فلسفه محسوب می‌شود؛ چراکه از ایده‌های پیرامون زبان‌شناسی استفاده می‌کند!

شاخه‌های هوش مصنوعی چیست؟

گفتیم که هوش مصنوعی یک مفهوم واحد نیست و مجموعه‌ای از فناوری‌ها را شامل می‌شود. این مجموعه می‌تواند بسیار گسترده باشد، اما از جمله مفاهیم اصلی آن می‌توان چنین مواردی را نام برد:

سیستم‌های خبره «Experts Systems»

منظور از سیستم‌های خبره در هوش مصنوعی، سیستم یا نرم‌افزاری است که از دانش انسانی تقلید کرده و از روی آن به تصمیم‌گیری می‌پردازد. این سیستم به‌جای برنامه‌نویسی از منطق «If-Then» برای حل مسائل بهره می‌گیرد. از کاربردهای سیستم خبره در AI می‌توان به توسعه ربات‌های جراح، شناسایی عفونت‌های ویروسی در علم پزشکی، تجزیه و تحلیل تسهیلات و وام‌های بانکی در سیستم اقتصادی و بسیاری از کاربردهای دیگر اشاره کرد.

رباتیک «Robotics»

شاخه رباتیک، همان‌ طور که از نام آن هم پیداست، به تولید ربات‌هایی اشاره دارد که می‌توانند برخی از وظایف را برعهده گرفته و امورات را برای انسان آسان کنند. ربات‌ها در انواع مختلفی تولید می‌شوند و هریک برای امور خاصی مورد استفاده قرار می‌گیرند. ربات‌های انسان‌نما می‌توانند در آینده بسیاری از امورات رایج را به انجام برسانند.

یادگیری ماشینی «Machine Learning»

گفتیم که ماشین‌ها و رایانه‌های کنونی، خود توانایی تصمیم‌گیری ندارند و برای کاری که باید انجام دهند، باید خط به خط کد نوشته شود؛ اما یادگیری ماشین این امکان را به سیستم‌های مختلف می‌بخشد تا بتوانند با توجه به الگوریتم جامعی که دارند، از محیط پیرامون خود بیاموزند و توانایی تصمیم‌گیری داشته باشند. تمرکز اصلی این شاخه روی برنامه‌های رایانه‌ای قرار دارد.

شبکه‌های عصبی «Neural Networks»

شاخه شبکه‌های عصبی را تحت عنوان یادگیری عمیق «Deep Learning» نیز می‌شناسند. تجزیه تحقیقات بازار، کشف تقلب‌ها، پیش‌بینی سهام، تأیید چهره و دیگر موارد مربوط به احراز هویت، تحلیل ریسک‌ها و هزاران کاربرد دیگر می‌توانند تحت شاخه‌ی شبکه‌های عصبی از هوش مصنوعی پوشش داده شوند. تمام این امور از روی نورون‌های مصنوعی عصبی ذهنی حاصل می‌شوند!

منطق فازی «Fuzzy Logic»

اصلاح و بازنمایی اطلاعات نامطمئن توسط شاخه‌ی منطق فازی از هوش مصنوعی پوشش داده می‌شود. منطق فازی در مواجهه با شرایط عدم اطمینان کمک می‌کند تا سطح مشخصی از انعطاف‌پذیری استدلال ارائه شود. این مورد نیز در پزشکی و تولید گیربکس‌های اتوماتیک و بسیاری از امور دیگر نقش کلیدی را ایفا می‌کند.

پردازش زبان طبیعی «Natural Language Processing»

طبیعتاً زبان طبیعی انسان برای سیستم صفر و یک رایانه‌ها یا ماشین‌ها قابل درک نیست. بنابراین باید رابطی وجود داشته باشد تا زبان انسان را برای ماشین قابل فهم کند. این مهم از طریق شاخه پردازش زبان طبیعی هوش مصنوعی امکان‌پذیر خواهد بود. در واقع به کمک این شاخه می‌توان زبان ساختار نیافته‌ی انسان را به زبان ساده و قابل درک برای ماشین تبدیل کرد. بدین صورت انسان به راحتی می‌تواند با ماشین‌ها ارتباط برقرار کند.

الگوریتم هوش مصنوعی چیست؟

منظور از الگوریتم هوش مصنوعی، برنامه‌ای است که به واسطه‌ی آن می‌توان یک سیستم مبتنی بر هوش مصنوعی را ایجاد کرد. الگوریتم‌های متفاوتی برای این منظور وجود دارد که هرکس بسته به نوع کسب‌وکار و هدفی که دارد، باید از الگوریتم متفاوتی استفاده کند، اما این الگوریتم‌های هوش مصنوعی چیست؟ از جمله الگوریتم‌های مشهور AI می‌توان موارد زیر را نام برد:

    الگوریتم رگرسیون خطی

    الگوریتم رگرسیون لجستیک

    الگوریتم درخت تصمیم گیری

هریک از الگوریتم‌های نامبرده، الگویی را در اختیار فناوری هوش مصنوعی قرار می‌دهند که می‌توان فرآیند ایجاد هوش برای سیستم‌های مختلف را ایجاد کرد. در این سیستم‌ها، برنامه‌ها طوری تعیین می‌شوند که با بررسی شرایط مختلف می‌توان تصمیم‌گیری کرده و نتیجه خاصی را ارائه داد. این نتیجه در شرایط مختلف، بسته به تشخیص سیستم، متفاوت خواهد بود.

جایگاه هوش مصنوعی در بلاک چین

تمام فعالیت‌ها و تلاش‌هایی که در راستای پیشرفت تکنولوژی صورت می‌گیرد، برای راحتی بشر صورت می‌گیرد. به‌طوری که دیگر مجبور نباشیم زمان ارزشمند خود را صرف انجام کارهای روتین کنیم؛ بلکه در سایه‌ی ماشین‌هایی که بیشتر حجم کارهای ما را به‌صورت خودکار انجام می‌دهند، بتوانیم به امورات موردعلاقه خود بپردازیم و از استرس و دغدغه انجام کارها رها شویم. هوش مصنوعی و فناوری بلاک چین «Blockchain» ترکیب ایده‌آلی برای رسیدن به این هدف هستند. در زیر دلایل این موضوع را بیان می‌کنیم:

هوش مصنوعی در بلاک چین

    بهبود عملکرد بلاک چین توسط هوش مصنوعی

بلاک چین یک شبکه غیرمتمرکز از داده‌هاست. به این معنی که هیچ نظارت یا کنترل انسانی روی آن وجود ندارد. ارزهای دیجیتال مختلف مانند بیت‌ کوین و اتر تحت این تکنولوژی توسعه پیدا کرده‌اند، اما شبکه بلاک چین با مشکلاتی از جمله مقیاس پذیری، کدهای خطا، امنیت و حملات ۵۱ درصدی روبه‌رو است. حالا AI می‌تواند در انجام تراکنش‌ها، افزایش امنیت، تولید بلوک و دیگر امورات این شبکه، بدون دخالت انسان، نقش بسیار کارآمدی را ایفا کرده و به بهبود شرایط این شبکه و رشد آن کمک کند.

    هوش مصنوعی جایگزینی برای رایانه‌های کند در بلاک چین

کلیه امور شبکه بلاک چین، بدون دخالت انسان و توسط سیستم‌ها و دستگاه‌های الکترونیکی و رایانه‌ای انجام می‌شود، اما رایانه‌ها مجهز به هیچ‌گونه هوش یا استعدادی نیستند و اگر تمام فرآیند یک کار برای آن‌ها کدنویسی نشده باشد، قادر به انجام آن نخواهند بود.

بنابراین بلاک چین به قدرت محاسباتی و کدنویسی در سطح بسیار گسترده‌ای نیاز دارد تا بتواند امورات خود را بدون دخالت انسان به انجام برساند. اما اگر هوش مصنوعی به کمک بلاک چین بیاید، قدرت پردازشی رایانه‌ها به حداقل خواهد رسید و یادگیری ماشینی جای کدنویسی‌های خط به خط را خواهد گرفت!

    بلاک چین بیش از انسان قادر به درک هوش مصنوعی است

گاهی اوقات، درک تصمیماتی که توسط هوش مصنوعی گرفته می‌شود، برای انسان سخت است؛ چرا که قادر است تا تعداد زیادی از متغیرها را به‌صورت مستقل از هم در کسری از ثانیه مورد بررسی و آنالیز قرار دهد و سپس به تصمیم‌گیری بپردازد. اما انسان معمولاً در تصمیم‌گیری‌های خود بین وادی عقل، منطق و احساس دچار تردید می‌شود. بنابراین هوش مصنوعی با دقت و سرعت بیشتری می‌تواند در مورد تراکنش‌های کلاهبردای، تهدید امنیت، وجود خطا در یک قسمت خاص و… نتیجه‌گیری کند. این موضوع در رابطه به شبکه غیرمتمرکز بلاک چین، نقش بسیار کلیدی خواهد داشت!

می‌بینید که هوش مصنوعی در بلاک چین می‌تواند نقش بسیار بزرگ و ارزشمندی را ایفا کند. اما همه چیز به جایگاه آن در بلاک چین محدود نمی‌شود؛ بلکه برعکس این موضوع هم اهمیت دارد؛ یعنی بلاک چین نیز می‌تواند برای AI بسیار ارزشمند باشد. این دو مفهوم در کنار هم می‌توانند قدرت‌ بسیار بیشتری داشته باشند.

بیشتر بخوانید: آیا هوش مصنوعی می‌تواند رفتار ارزهای دیجیتال را تحلیل کند؟

جایگاه هوش مصنوعی در ایران

هوش مصنوعی چیزی نیست که محدود به یک کشور یا منطقه جغرافیایی خاص باشد. به لطف گسترش اینترنت و رسانه‌های اجتماعی، این ابزار برای همه مردم جهان قابل لمس است و به نحوی، همه ما از آن بهره می‌گیریم. اما اگر بخواهیم چنین کاربردهای گسترده‌ای را نادیده بگیریم و صرفاً به جایگاه تکنولوژیکی این مفهوم در جامعه خود نگاه کنیم، می‌توانیم بگوییم که هوش مصنوعی در ایران در مراحل ابتدایی خود قرار دارد.

در حال حاضر، اغلب مردم ایران با بات‌های هوش مصنوعی مثل چت جی پی تی (ChatGPT) آشنا هستند و از آن استفاده می‌کنند. از طرفی، رشته هوش مصنوعی به رشته‌های مدارس کشور اضافه شده و دانش‌آموزان با مفاهیم هوش مصنوعی از این طریق آشنا می‌شوند. انتظار می‌رود این مفهوم با گسترش هوش مصنوعی در سطح جهان، در کشور ما نیز به مرور جلوه‌های بیشتری پیدا کند.

رشته هوش مصنوعی چیست؟

در عصر حاضر، بیشتر افراد، رشته هوش مصنوعی را به عنوان بهترین رشته دنیا می‌شناسند. این رشته هر روز بیشتر مطرح و برجسته می‌شود. همان‌ طور که قبلاً اشاره کردیم، AI می‌تواند ترکیب ایده‌آلی برای فناوری بلاک چین باشد. با توجه به رشد روزافزون سیستم‌های مبتنی بر بلاک چین، دیفای (امور مالی غیرمتمرکز) و سایر موارد از این دست، AI نیز در راستای آن‌ها بیشتر مورد توجه قرار خواهد گرفت و آینده متعلق به چنین فناوری‌هایی خواهد بود.

خوشبختانه این رشته در برخی از دانشگاه‌های کشور در زیرشاخه علوم کامپیوتر ارائه می‌شود. البته این رشته بیشتر در مقطع ارشد مورد توجه قرا گرفته است و دانشجویان برای گرایش ارشد خود در شاخه کامپیوتر می‌توانند به هوش مصنوعی بپیوندند. اگر شما نیز به این رشته علاقه دارید، می‌توانید در مقطع کارشناسی ارشد خود به تحصیل در آن مشغول شوید و با مفاهیم اصلی آن آشنا شوید و آن را به کار بگیرید.

گفتار پایانی

امیدواریم با مطالعه این مقاله، به پاسخ سوال «هوش مصنوعی چیست؟» رسیده باشید. هوش مصنوعی دقیقاً شبیه هوش انسان است، اما به دست خالق هستی ساخته نشده است؛ بلکه توسط خود انسان‌ها خلق شده‌اند. این هوش مصنوعی با هدف آسان‌سازی برخی امور به وجود آمده و سعی در حل بعضی از مشکلات روتین و تکراری انسان‌ها را دارد. برخی می‌گویند ممکن است AI تا چند سال آینده کلیه جوانب زندگی ما را تحت تاثیر قرار داده و به عبارتی بر انسان‌ها فرمانروایی کنند. این نظریه وحشتناک به نظر می‌رسد اما با پیشرفت روزافزون هوش مصنوعی، احتمال این اتفاق دیگر به صفر میل نمی‌کند.

نظر شما چیست؟ به نظر شما آینده هوش مصنوعی چگونه خواهد بود؟ نظرات خود را در کامنت‌ها با ما و دیگر کاربران به اشتراک گذارید.

سؤالات متداول

    علم هوش مصنوعی چیست؟

اگر می‌خواهید بدانید علم هوش مصنوعی چیست، به ماشین‌ها و ربات‌هایی فکر کنید که می‌توانند مانند انسان تفکر کرده و تصمیم‌گیری کنند. درواقع «Artificial Intelligence» به یک فناوری خاص اشاره ندارد، بلکه مجموعه‌از فناوری‌ها را در بر می‌گیرد.

    چرا رشد هوش مصنوعی اهمیت دارد؟

به دلیل تکثیر داده‌ها و بلوغ سایر نوآوری‌ها در پردازش ابری و قدرت محاسباتی، پذیرش هوش مصنوعی سریع‌تر از همیشه در حال رشد است. شرکت‌ها اکنون به حجم بی‌سابقه‌ای از داده‌ها، از جمله داده‌های تاریکی که تا به حال حتی متوجه نشده بودند، دسترسی دارند.

    آیا ربات‌ها نمونه‌‌های اصلی هوش مصنوعی هستند؟

ربات‌ها فقط یکی از شاخه‌های AI هستند و صرفاً یک بعد از آن به نمایش می‌گذارند. در حالی‌که این حوزه مفهومی بسیار گسترده‌تر و کاربردی‌تر از ربات‌ها را در بر می‌گیرد.

    بارز‌ترین نمونه‌های هوش مصنوعی در عصر حاضر کدامند؟

الگوریتم‌های AI گوگل در تشخیص آن‌چه که کاربر از آن می‌خواهد و همچنین سیستم‌های تشحیص علایق کاربران در شبکه‌های اجتماعی از جمله بارزترین نمونه‌های استفاده از این ابزار در زندگی روزمره هستند.

هوش مصنوعی چیست؟ ۲۵ کاربرد و ۹ شغل مرتبط با هوش مصنوعی

تصویر پشتیبان سایت پشتیبان سایت ارسال ایمیل ۱ هفته پیش

۳۹ ۱۲,۶۵۶ خواندن این مطلب ۴۵ دقیقه زمان میبرد

فیس بوک توییتر لینکدین ‫تامبلر ‫پین‌ترست ‫رددیت ‫VKontakte ‫Odnoklassniki پاکت

هوش مصنوعی چیست؟

احتمالاً برای شما هم پیش آمده که هنگام بازدید از وب‌سایت‌های گوناگون، با تبلیغات ویژه‌ای رو به رو شوید؛ تبلیغاتی که به حوزه فعالیت و علاقه شما مرتبط هستند و به نظر می‌رسد که برای شما طراحی شده‌اند. اما این کار، چطور اتفاق می‌افتد؟ تبلیغ کننده چه شناختی از موضوعات مورد علاقه‌تان دارد که تبلیغات مرتبط با آن را برایتان ارسال کند؟ تبلیغات مرتبط، بر اساس اطلاعات و داده‌های مربوط به شما تنظیم شده‌اند و به نمایش در می‌آیند.

این نوع تبلیغات، تنها یکی از کاربردهای گسترده هوش مصنوعی محسوب می‌شود. فعالیت‌های بسیار زیاد دیگری نیز وجود دارد که به واسطه این تکنولوژی امکان‌پذیر شده‌اند. برای آشنایی بیشتر با مفهوم هوش مصنوعی، لازم است با چیستی این مفهوم آشنا شوید و تعریف‌های گوناگون ارائه شده از آن را بدانید. در این مقاله درباره هوش مصنوعی و رویکردهای مختلف آن صحبت خواهیم کرد.

هوش مصنوعی چیست؟

هوش مصنوعی یا به عبارتی Artificial intelligence که امروزه با اصطلاح هوش مصنوعی AI نیز شناخته می‌شود، روشی نوین برای ساخت ابزارهایی هوشمند با الگوبرداری از هوش انسان می‌باشد. ابزاری که شبیه انسان فکر کند و به جای او تصمیم بگیرد. در حقیقت این فناوری همان ماشین برنامه‌نویسی شده به دست انسان است که با هدف سهولت در انجام امور روزمره طراحی شده است.

بسیاری از افراد، هوش مصنوعی را همچون رباتی در نظر می‌گیرند که به‌صورت فیزیکی قابل مشاهده می‌باشد. در حالی که در بیشتر موارد، این مفهوم در قالب پاسخی به رفتارهای انسان و برگرفته از علایق و گرایشات او ارائه می‌شود. هوش مصنوعی (هوش مصنوعی AI) شاخه‌ای گسترده از علوم کامپیوتر است و یکی از علوم میان رشته‌ای محسوب می‌شود. منظور از این مفهوم، ماشینی است که همانند انسان فکر کند و توانایی تقلید رفتار انسان را داشته باشد. چنین ماشینی می‌تواند وظایفی را انجام دهند که به هوش انسانی نیاز دارد.

آیا ماشین‌ها می‌توانند فکر کنند؟آیا ماشین‌ها می‌توانند فکر کنند؟ ماشین لرنینگ و هوش مصنوعی

در سال‌های جنگ جهانی دوم، نیروهای آلمانی برای رمزنگاری و ارسال ایمن پیام، از ماشین Enigma استفاده می‌کردند. در آن زمان آلن تورینگ، ریاضیدان و دانشمند انگلیسی، در تلاش برای شکست این کدها برآمد. کمتر از یک دهه بعد و برای بار دوم، تورینگ با یک سؤال ساده تاریخ را تغییر داد: «آیا ماشین‌ها می‌توانند فکر کنند؟»

مقاله تورینگ با عنوان «محاسبات ماشینی و هوش» در سال ۱۹۵۰، و پس از آن آزمایش تورینگ، هدف اساسی و چشم‌انداز این حوزه را تعیین کردند. هوش مصنوعی، در واقع، شاخه‌ای از علوم کامپیوتر است که سعی می‌کند به این پرسش تورینگ، پاسخ مثبت دهد؛ این موضوع، تلاشی برای تکرار یا شبیه‌سازی هوش انسان در ماشین‌ها است.

رویکردهای هوش مصنوعی

استوارت راسل و پیتر نورویگ، ۲ دانشمند علوم کامپیوتر، چهار رویکرد مختلف را بررسی کردند که به‌طور تاریخی زمینه هوش مصنوعی را تعریف کرده‌اند. این رویکردها عبارتند از:

    انسانی فکر کردن

    منطقی فکر کردن

    انسانی عمل کردن

    منطقی عمل کردن

دو ایده اول، یعنی انسانی فکر کردن و منطقی فکر کردن، مربوط به فرایندهای تفکر و استدلال هستند؛ در حالی که دو مورد بعدی (انسانی عمل کردن و منطقی عمل کردن)، با رفتار سر و کار دارند. در این رویکردها، نورویگ و راسل، بر عوامل منطقی رسیدن به بهترین نتیجه تمرکز دارند.

مزایا و معایب هوش مصنوعی چیست؟مزایای هوش مصنوعی و معایب هوش مصنوعی چیست؟

همان طور که در پست‌های قبل اشاره کردیم، هوش مصنوعی (هوش مصنوعی AI) یکی از تکنولوژی‌های پرکاربرد است که به ساده‌سازی فرایندهای زیادی کمک می‌کند.

کاربردهای این تکنولوژی، از رتبه‌بندی صفحات وب گرفته تا طراحی لباس بر اساس سلیقه کاربران، بسیار متفاوت و گسترده است. منظور از هوش مصنوعی، ماشینی است که همانند انسان فکر کند و توانایی تقلید رفتار انسان را داشته باشد. دیدگاه‌های مختلفی پیرامون هوش مصنوعی وجود دارد. عده‌ای نسبت به این تکنولوژی بسیار خوش‌بین هستند و آن را نعمتی برای بهبود زندگی انسان‌ها می‌دانند. در مقابل، گروهی نیز هستند که معتقدند استفاده از هوش مصنوعی می‌تواند برای انسان فاجعه بار باشد. برای پی بردن به دلایل وجود این دو نوع نگاه، لازم است مزایا و معایب این تکنولوژی را بشناسید. در این مطلب، برخی از معایب و مزایب تکنولوژی هوش مصنوعی را بررسی می‌کنیم.

    مجال کمتر برای خطا و اشتباههوش مصنوعی و مجال کمتر برای خطا و اشتباه

از آن جایی که تصمیماتی که توسط ماشین‌ها گرفته می‌شود بر اساس سوابق قبلی داده‌ها و مجموعه‌ای از الگوریتم‌ها است، احتمال خطا در این نوع تصمیم گیری کاهش پیدا می‌کند. این موضوع، دستاورد مهمی محسوب می‌شود؛ چرا که باعث می‌شود مشکلات پیچیده‌ای که به محاسبه دشوار نیاز دارند، بدون هیچ خطایی حل شوند. مجال کمتر برای خطا و اشتباه سازمان‌های تجاری پیشرفته، برای تعامل با کاربران، از دستیارهای دیجیتال استفاده می‌کنند. این کار موجب صرفه جویی در وقت و ارائه خدمات بهتر و سریع‌تر به کاربران می‌شود.

    تصمیم گیری درست

این که ماشین‌ها، فاقد هر گونه احساسی هستند، باعث می‌شود که کارآیی آن‌ها افزایش پیدا کند؛ چرا که می‌توانند در یک بازه زمانی کوتاه، تصمیم درست را بگیرند. بهترین نمونه در مورد این ویژگی، استفاده از ماشین‌ها در مراقبت‌های پزشکی است. ادغام ابزارهای هوش مصنوعی در بخش مراقبت‌های پزشکی، با به حداقل رساندن خطر تشخیص نادرست، کارایی اقدامات درمانی را بهبود می‌بخشد.

    به کارگیری هوش مصنوعی در شرایط مخاطره آمیز

در برخی شرایط خاص که ایمنی انسان‌ها به خطر می‌افتد، می‌توان از ماشین‌هایی استفاده کرد که مجهز به الگوریتم‌های از پیش تعریف شده هستند. امروزه دانشمندان از ماشین آلات پیچیده برای بررسی شرایط خاصی مانند کف اقیانوس‌ها استفاده می‌کنند. این مورد، یکی از بزرگ‌ترین محدودیت‌هایی است که هوش مصنوعی برای غلبه بر آن به انسان کمک می‌کند.

    امکان کار کردن به‌صورت مداوم

ماشین‌ها، بر خلاف انسان‌ها، خسته نمی‌شوند؛ حتی اگر مجبور باشند برای ساعت‌های متوالی کار کنند. این ویژگی ماشین‌ها، مزیت مهمی نسبت به انسان‌ها محسوب می‌شود که برای حفظ کارایی‌شان، هر از گاهی به استراحت نیاز دارند. درصورتی‌که کارایی ماشین‌ها، تحت تأثیر هیچ عامل خارجی قرار نمی‌گیرد و چیزی مانع از کار مداوم آن‌ها نمی‌شود.

معایب هوش مصنوعی هم به شرح زیر است:

    هزینه بالای استفاده هوش مصنوعی ai

زمانی که هزینه‌های نصب، نگهداری و تعمیر سیستم‌های هوش مصنوعی را در کنار یکدیگر قرار می‌دهیم، این تکنولوژی، پیشنهاد گران قیمتی محسوب می‌شود. به‌صورتی که تنها افراد و گروه‌هایی که بودجه هنگفتی دارند، می‌توانند آن را اجرا کنند و مشاغل و صنایعی که بودجه کافی ندارند، پیاده‌سازی این تکنولوژی را در فرآیندها یا استراتژی‌هایشان دشوار می‌بینند.

    وابستگی به ماشین‌ها

با افزایش وابستگی انسان به ماشین‌ها، به دوره‌ای می‌رسیم که کار کردن بدون کمک ماشین برای انسان دشوار می‌شود. همان طور که در گذشته نیز مشاهد کردیم، وابستگی انسان به ماشین‌ها، قطعاً افزایش پیدا خواهد کرد. بنابراین، به مرور زمان، توانایی‌های ذهنی و فکری انسان کاهش پیدا می‌کند.

    جایگزینی مشاغل کم مهارت

این مسئله، تاکنون، دغدغه اصلی حامیان تکنولوژی بوده است. به احتمال زیاد، هوش مصنوعی جایگزین بسیاری از مشاغل کم مهارت شود. از آن جایی که ماشین‌ها می‌توانند به‌صورت ۲۴ ساعته در هفت روز هفته و بدون وقفه کار کنند، صاحبان صنایع ترجیح می‌دهند که به جای انسان‌ها، بر ماشین‌ها سرمایه گذاری کنند. همزمان که به سمت دنیای اتوماتیک حرکت می‌کنیم (جایی که تقریباً همه کارها توسط ماشین‌ها انجام می‌شوند)، احتمال بروز بیکاری در مقیاس گسترده بیشتر می‌شود. نمونه‌ای از این موضوع، مفهوم اتومبیل‌های بدون راننده است. اگر این نوع اتومبیل‌ها آغاز به کار کنند، میلیون‌ها راننده در آینده بیکار خواهند شد.

    کار محدود

ماشین‌های هوش مصنوعی، بر اساس آموزش‌ها و برنامه‌ریزی‌شان، وظایف خاصی را انجام می‌دهند. تکیه کردن به ماشین‌ها برای سازگاری با محیط‌های جدید، خلاق بودن آن‌ها و تفکر خارج از چارچوب، اشتباه بزرگی خواهد بود. چنین چیزی امکان‌پذیر نیست؛ چرا که حوزه تفکر ماشین‌ها، تنها به الگوریتم‌هایی که برای آن آموزش دیده‌اند، محدود شده است.

شما چقدر با مطالب مطرح شده در این مقاله موافق هستید؟ به نظر شما مزایای هوش مصنوعی بیشتر است یا معایب آن؟ با وجود خطرات احتمالی، آیا با استفاده از تکنولوژی هوش مصنوعی برای ساده‌سازی فرایندها موافق هستید؟ تجربیات و نظرات‌تان را با ما و دیگران به اشتراک بگذارید.

انواع هوش مصنوعیانواع هوش مصنوعی

هوش مصنوعی به چهار مدل کلی ماشین‌های واکنشی، حافظه محدود، نظریه ذهن و خود آگاهی تقسیم می‌گردد. هر یک از این مدل‌ها با توجه به هدف و قابلیت‌هایشان در حوزه‌های متعددی کاربرد دارند.

    ماشین‌های واکنشی (Reactive Machines)

یکی از قدیمی‌ترین مدل‌های هوش مصنوعی، ماشین‌های واکنشی می‌باشد که تنها برای انجام وظایف تخصصی طراحی شده‌اند. این ماشین‌ها قادر به ذخیره اطلاعات نیستند. در نتیجه امکان تصمیم‌گیری بر اساس تجربیات گذشته را نداشته و تنها برای پاسخگویی به نیاز افراد ساخته شده‌اند. موتور جستجوی گوگل مثال خوبی برای این ویژگی می‌باشد.

    حافظه محدود (Limited Memory)

در این مدل، با کمک هوش مصنوعی امکان ذخیره اطلاعات و تصمیم‌گیری بر اساس داده‌های قبلی وجود دارد. در واقع اساس رفتار یک ماشین، سرنخ‌هایی است که در گذشته ارائه شده است. احراز هویت و شناسایی افراد در سامانه‌های مختلف از این نوع می‌باشند.

احراز هویت توسط اینترنت اشیا – انواع هوش مصنوعی هوش مصنوعی به چهار مدل کلی ماشین‌های واکنشی، حافظه محدود، نظریه ذهن و خود آگاهی تقسیم می‌گردد.

    نظریه ذهن (Theory of Mind)

نظریه ذهن بدان معناست که هوش مصنوعی می‌تواند به شکل بهتری احساسات، عواطف و اعتقادات انسان‌ها را درک کند و سپس از این اطلاعات برای تصمیم‌گیری خود استفاده نماید. این شاخه از علم همچنان در حال توسعه می‌باشد و در صورت موفقیت آن تحول عظیمی در زندگی انسان‌ها رخ خواهد داد.

    خود آگاه (Self-aware)

هدف از طراحی مدل خود آگاه، شبیه‌سازی مغز انسان می‌باشد. به شکلی که میزان درک یک ماشین به اندازه آگاهی و درک یک انسان باشد. در این فرضیه یک ربات، قدرت درک احساسات و نیاز دیگران را داشته و همانند یک انسان با آنان ارتباط برقرار خواهد کرد.

نقش هوش مصنوعی در تجارت چیست؟

با رشد فعالیت رایانه‌ها، گوشی‌های هوشمند و شبکه‌های اجتماعی کمتر کسب و کاری هنوز به شکلی سنتی به فعالیت خود ادامه می‌دهد. با نگاهی به اطرافمان به تأثیر این مهم در رفتار و سبک زندگی افراد پی خواهیم برد. در دنیای امروز، افراد با زنگ ساعت هوشمند خود از خواب بر می‌خیزند. به تقویم کاری خود که در نرم افزار هوشمند تنظیم شده است مراجعه می‌کنند. در طول مسیر محل کار از شبکه‌های اجتماعی استفاده می‌کنند و تا پایان روز انتخاب‌های بسیاری را بر اساس پیشنهاد پلتفرم‌های مختلف انجام می‌دهند. این همان قدرت انکار نشدنی یک محصول فراگیر است.

در واقع می‌توان گفت کاربرد هوش مصنوعی در کسب و کار نقش مهمی در سرعت بخشی و ساده‌سازی کلیه اتفاقات روزمره داشته است. در تجارت نیز به همین شکل می‌باشد، کسب و کارها در حال حاضر از این دستاورد برای موفقیت در سه زمینه اصلی استفاده می‌کنند:

    هوشمندسازی محصولات و خدمات

    هوشمندسازی فرآیندها از طریق تجزیه و تحلیل داده‌ها

    تعامل با مشتریان و کارمندان

    هوشمندسازی محصولات و خدمات

استراتژی هوش مصنوعی در تجارت، بر پایه استفاده بهینه از یک محصول و با هدف رضایت کاربران و افزایش فروش می‌باشد. ارائه خدمات مبتنی بر هوش مصنوعی نیز به معنی ارائه سرویسی هدفمند به مشتریان است که منجر به شکل‌گیری تعاملات مشتریان و وفاداری آنان به یک سازمان خواهد شد. بهره‌مندی از این فناوری در هر دو مبحث محصول یا خدمت، موجب افزایش سود هر کسب و کاری می‌گردد.

 به‌طور مثال یک سرویس سفارش آنلاین غذا را در مقایسه با ثبت سفارش سنتی در نظر بگیرید. در زمان ثبت سفارش غذا به شکل سنتی امکان رهگیری سفارش،‌ اندازه‌گیری میزان رضایت مشتریان، مدت زمان معطلی و سایر موارد قابل بررسی نمی‌باشند، در حالی‌که با تکیه بر فناوری هوش مصنوعی و با استفاده از داده‌های دریافتی از هر سرویس، می‌توان رفتار مشتریان را تحلیل کرده و برای بهبود کسب و کار کوشید. فراموش نکنیم در بازار کنونی، کسب و کاری موفق‌تر خواهد بود که سعی در ساده‌سازی زندگی افراد داشته و با ارائه راهکارهای هوشمندانه با سرعت بیشتری به نیاز آنان پاسخ دهد.

    هوشمندسازی فرآیندها از طریق تجزیه و تحلیل داده‌ها

یکی از اهداف هوش مصنوعی، تسهیل فرآیندهای مختلف برای کاربران می‌باشد. در هر سازمان نیز با کمک این فناوری می‌توان در مراحل مختلف اعم از استراتژی،‌ تولید، ارائه محصول و خدمات، داده‌های مختلف را جمع‌آوری کرده و سپس مورد بررسی قرار داد. به این شکل نقاط قوت و ضعف یک سازمان شناسایی شده و برای رشد و توسعه آن امکان برنامه‌ریزی وجود خواهد داشت. در واقع هوش مصنوعی فرصت‌های زیادی را برای سفارشی‌سازی و بهینه‌سازی به همراه دارد.

    هوشمندسازی فرآیند و تحلیل داده

مثال سفارش آنلاین غذا در این بخش نیز کاربرد دارد. با اطلاع از میزان نارضایتی مشتریان یک سازمان، نهادهای نظارتی آن قادر به ارائه راهکارهایی برای حل این مشکل خواهند بود. در واقع بهترین روش این است که تشخیص دهید بهبود کدام بخش‌ها برای کسب و کار شما اولویت دارند و کاربرد هوش مصنوعی در کسب و کار شما چیست؟ باید بدانید کجا بیشترین ارزش را به شرکت شما می‌افزاید؟ سپس تصمیم بگیرید که کسب و کار شما چه هدفی دارد و هوش مصنوعی برای رسیدن به این هدف چه کمکی خواهد کرد؟ به این ترتیب، می‌توانید درک درستی از هوشمندسازی فرآیندهای سازمانتان پیدا کنید.

    تعامل با مشتریان و کارمندان

مدیریت ارتباط با مشتری یکی از ارکان اصلی هر کسب و کاری است. برقراری تعامل صحیح با مشتریان و ذخیره‌سازی اطلاعات آنان برای ارائه خدمات بهتر بسیار ضروری می‌باشد. با کمک هوش مصنوعی می‌توان علایق، اعتقادات و تمایلات هر کاربر را شناسایی کرده و بر اساس نیاز او پیشنهادات جذابی ارائه نمود. سرویس‌های ارسال ایمیل و یا اتوماسیون‌های CRM نمونه خوبی برای این موضوع هستند. دسته‌بندی کاربران بر اساس پارامترهای مشخص و ارائه راهکار به موقع در زمان بروز مشکل،‌ راز موفقیت سازمان‌های بزرگ می‌باشد. به‌طور مثال با تکیه بر هوش مصنوعی می‌توان کاربرانی که در تاریخ مشخصی متولد شده‌اند را شناسایی کرده و با ارسال یک ایمیل هوشمند، تخفیف‌های ویژه‌ای را به‌عنوان هدیه به آنان ارائه نمود.

اما بسیاری از کارمندان، هوش مصنوعی را تهدیدی برای از دست‌دادن شغل خود دانسته‌اند. در حالی‌که این فناوری با هدف مدیریت تعاملات کارکنان و مشتریان طراحی گردیده است.. اگر نیازمند آشنایی بیشتر با کاربردهای هوش مصنوعی در شرکت خود می‌باشید، پیشنهاد می‌کنیم دوره آموزشی هوش مصنوعی و ایده‌های کسب و کار آکادمی همراه اول را از دست ندهید.

معایب و مزایای استفاده از هوش مصنوعی در کسب و کار

همانطور که قبل‌تر به آن اشاره شد استفاده از هوش مصنوعی نگرانی‌های بسیاری برای افراد به همراه دارد. نگرانی در مورد امنیت شغلی، کمرنگ شدن احساسات، کنترل رفتار توسط ماشین‌ها و حکمرانی ربات‌ها، همه از این موارد هستند. از مزایای هوش مصنوعی می‌توان به انجام امور با دقت بالا، کار مداوم بدون نیاز به استراحت، تصمیم‌گیری درست و به دور از احساسات در شرایط مختلف اشاره نمود.

 اما در مواقعی ممکن است همین نکات مثبت نیز منجر به بروز مشکلاتی شوند. به بیان دیگر تصمیم‌گیری بدون در نظر گرفتن ابعاد عاطفی، خطر بزرگی برای انسان خواهد بود. از طرفی وابستگی بیش از حد به ماشین‌ها،‌ نرم‌افزارها، ربات‌های هوشمند نیز موجب کاهش راندمان فعالیت افراد شده‌اند. تصور کنید تنها یک ساعت بدون اینترنت و گوشی همراه در اتاقی تنها بمانید. بدون این ابزار در بسیاری از مواقع حس سردرگمی و اضطراب در افراد نمایان می‌شود و این ناشی از عدم تاب‌آوری آنان می‌باشد. نکته دیگر هزینه بالای استفاده از هر ابزار است. بخش قابل توجهی از هزینه‌های ماهانه افراد صرف استفاده از فناوری‌های گوناگون می‌شود. در تجارت نیز ممکن است نکات مثبت و منفی بسیاری برای استفاده از هوش مصنوعی وجود داشته باشد، اما مزیت‌ها همواره بر معایب این تکنولوژی برتری دارند.

نمونه‌های هوش مصنوعی

همان طور که در ابتدا اشاره کردیم، تبلیغات مرتبط، یکی از کاربردهای هوش مصنوعی است که به منظور هدفگیری مخاطبان اصلی و رساندن پیام مرتبط به آن‌ها، انجام می‌شود. اما این تکنولوژی، کاربردهای فراوان دیگری نیز دارد. رتبه‌بندی صفحات وب بر اساس علایق کاربر، پاسخ‌دهی خودکار در نرم‌افزارهای پیام رسان، طراحی لباس بر اساس سلیقه کاربران و فناوری تشخیص چهره، نمونه‌هایی از کاربردهای این تکنولوژی هستند. در پست‌های بعدی، در مورد کاربردهای گوناگون و گسترده هوش مصنوعی بیشتر صحبت می‌کنیم.

همان‌طور که در پست‌های قبل اشاره کردیم، هوش مصنوعی پدیده‌ای است که در آن یک ماشین با توانایی درک، تحلیل و یادگیری از طریق الگوریتم‌های ویژه، به‌صورت یک برنامه هوشمند عمل می‌کند. برای کسب اطلاعات بیشتر می‌توانید مقاله هوش مصنوعی و رویکردهای آن را مطالعه کنید. ماشین‌های هوش مصنوعی می‌توانند الگوهای رفتاری انسان را به خاطر بسپارند و مطابق با ترجیحات آن‌ها سازگار شوند. برخلاف تصور عمومی، هوش مصنوعی تنها به فناوری اطلاعات یا صنعت فناوری محدود نمی‌شود. این تکنولوژی، در زمینه‌های دیگر مانند پزشکی، کسب و کار، آموزش، قانون و تولید نیز به‌طور گسترده مورد استفاده قرار می‌گیرد. آمار زیر، وضعیت رشد هوش مصنوعی را نشان می‌دهد:

    در سال ۲۰۱۴، بیش از ۳۰۰ میلیون دلار در استارتاپ‌های هوش مصنوعی سرمایه گذاری شد که نسبت به سال قبل، ۳۰۰ درصد افزایش داشت (بلومبرگ).

    تا سال ۲۰۱۸، ۶ میلیارد دستگاه، به‌صورت پیش فرض، درخواست پشتیبانی می‌کنند (گارتنر).

    تا پایان سال ۲۰۱۸، «دستیارهای دیجیتال مشتری»، مشتریان را از طریق چهره و صدا تشخیص می‌دهند (گارتنر).

    هوش مصنوعی، تا پایان دهه، جایگزین ۱۶ درصد مشاغل آمریکایی خواهد شد (فارس‌تر).

    ۱۵ درصد از کاربران تلفن‌های اپل از قابلیت تشخیص صدا Siri استفاده می‌کنند (BGR).

در ادامه چند نمونه از کاربردهای هوش مصنوعی را که در حال حاضر به‌صورت گسترده مورد استفاده قرار می‌گیرند، بررسی می‌کنیم.

    سیری  (Siri) سیری  (Siri) و هوش مصنوعی

سیری، یکی از محبوب‌ترین برنامه‌های دستیار شخصی است که توسط اپل در آیفون و آیپد ارائه می‌شود. این دستیار مجازی، با صدایی دوستانه، به‌صورت روزمره با کاربر ارتباط برقرار می‌کند. سیری در یافتن اطلاعات، پیدا کردن مسیر، ارسال پیام، برقراری تماس صوتی، باز کردن اپلیکیشن‌ها و افزودن رویدادها به تقویم، به کاربر کمک می‌کند

    تسلا  (Tesla) تسلا  (Tesla) و هوش مصنوعی

تنها تلفن‌های هوشمند نیستند که به سوی هوش مصنوعی سوق پیدا کرده‌اند؛ خودروها نیز در این مسیر گام‌هایی برداشته‌اند. خودرو تسلا، نه تنها توانسته است تحسین‌های زیادی را برانگیزد، بلکه از قابلیت‌هایی مانند رانندگی خودکار، قابلیت پیش‌بینی و نوآوری مطلق تکنولوژی نیز برخوردار است.

    کاگیتو  (Cogito)کاگیتو  (Cogito) و هوش مصنوعی

کاگیتو، نرم‌افزاری قدرتمند است که صدای مشتریانی را که برای مثال با واحد پشتیبانی یک شرکت تماس می‌گیرند، تجزیه و تحلیل می‌کند. این نرم‌افزار، براساس نتایج حاصل از بررسی‌ها، به‌صورت همزمان توصیه‌های رفتاری لازم را به کارمندان واحد پشتیبانی ارائه می‌دهد.

حتما بخوانید:   آشنایی با نرم‌افزار گوگل دیتا استودیو

کاگیتو، یکی از بهترین نمونه‌های نسخه رفتاری برای بهبود هوش هیجانی کارمندان پشتیبانی است و به آن‌ها کمک می‌کند ارتباط بهتری با مشتریان برقرار کنند. توصیه‌هایی که توسط نرم‌افزار ارائه می‌شود، در نهایت موجب افزایش رضایت‌مندی مشتریان خواهد شد.

    نتفلیکس  (Netflix)

نتفلیکس، یک سرویس بسیار محبوب در زمینه محتوا بر اساس تقاضا است که با استفاده از تکنولوژی پیش‌بینی، پیشنهادهایی را بر اساس واکنش، علایق، انتخاب‌ها و رفتار کاربران ارائه می‌دهد. این فناوری، با بررسی سوابق پیشین، فیلم‌ها را بر اساس علاقه و واکنش‌های قبلی کاربران پیشنهاد می‌دهد.

    پاندورا  (Pandora)

پاندورا، یکی از محبوب‌ترین و پرطرفدارترین سرویس‌های پخش موسیقی است که از هوش مصنوعی برای شناسایی علایق کاربران بهره می‌برد. در این سرویس، هر آهنگ بر اساس ۴۰۰ ویژگی موسیقی، به‌صورت جداگانه تجزیه و تحلیل می‌شود. این سیستم، قابلیت بسیار خوبی در پیشنهاد آهنگ‌هایی دارد که علی رغم علاقه مردم به آن‌ها، هرگز مورد توجه واقع نمی‌شوند.

    نست – گوگل  (Nest, Google)

نست، یکی از موفق‌ترین استارتاپ‌های هوش مصنوعی بود که در سال ۲۰۱۴ توسط گوگل خریداری شد. ترموستات هوشمند نست، برای صرفه‌جویی در مصرف انرژی، از الگوریتم‌های رفتاری براساس رفتار کاربران استفاده می‌کند. در هفته اول، کاربر، تنظیمات ترموستات را انجام می‌دهد تا داده‌های اولیه از رفتار او فراهم شود. پس از آن، نست می‌آموزد که کاربر در چه زمان‌هایی، چه دمایی را ترجیح می‌دهد و تمام سیستم‌ها را برای دستیابی به آن دما مدیریت می‌کند. این سیستم، برای صرفه جویی در مصرف انرژی، در زمان‌هایی که کسی در خانه نیست به‌صورت خودکار خاموش می‌شود. در حقیقت، ترکیبی از هوش مصنوعی و بلوتوث کم انرژی است.

    باکس‌اور  (Boxever)

باکس‌اور، شرکتی است که با بهره‌گیری از قابلیت یادگیری ماشین، به آژانس‌های مسافرتی کمک می‌کند تا پیشنهادهای سازگارتری با اهداف و سلیقه هر مشتری ارائه دهند. این نرم‌افزار، به برقراری ارتباط موثرتری با مشتریان و بهبود تجربه آن‌ها در صنعت گردشگری کمک می‌کند.

    پرنده‌های بدون سرنشین  (Flying Drones)

پرنده‌های بدون سرنشین، پیش از این نیز محصولات را به خانه مشتریان می‌رساندند. اگرچه از این ابزار به‌صورت آزمایشی استفاده می‌شد. این پرنده‌ها، از نوعی سیستم یادگیری ماشین قدرتمند برخوردارند که می‌تواند از طریق سنسورها و دوربین‌های فیلم‌برداری، محیط را به مدل‌های سه بعدی تبدیل کند.

الگوریتم‌های تعیین مسیر حرکت، پرنده‌های بدون سرنشین را در مورد چگونگی و مکان حرکت راهنمایی می‌کنند. با استفاده از سیستم Wi-Fi، می‌توان هواپیماهای بدون سرنشین را کنترل کرد و از آن‌ها برای اهداف خاصی مانند تحویل محصول، ساخت فیلم یا گزارش اخبار استفاده کرد.

    اکو  (Echo)

اکو، در ابتدا توسط آمازون راه‌اندازی شد و در حال حاضر، به سمت هوشمندتر شدن پیش می‌رود. این محصول، نوعی محصول انقلابی است که در جستجوی اطلاعات، تعیین وقت قرار ملاقات، خرید کردن، چراغ‌های کنترل، ترموستات، پاسخ به سؤالات، خواندن کتاب‌های صوتی، گزارش ترافیک و آب و هوا، ارائه اطلاعات در مورد کسب و کارهای محلی و موارد دیگر با استفاده از سرویس صدای الکسا. به کاربر کمک می‌کند.

    آمازون

آمازون، یکی از شرکت‌های پیشرو در زمینه استفاده از هوش مصنوعی است. این شرکت، سرمایه‌گذاری زیادی در این حوزه انجام داده است. کمپانی آمازون، با استفاده از تکنولوژی هوش مصنوعی، کالاهای مورد علاقه مشتریان را شناسایی کرده و به آن‌ها معرفی می‌کند. این کار به افزایش فروش محصولات آمازون کمک زیادی می‌کند.

کاربرد هوش مصنوعی در کسب و کار و ایده‌های به‌کارگیری آن برای پیشرفت و توسعه، یکی از دغدغه‌های اصلی مدیران سازمان‌ها می‌باشد. به‌عنوان شاخه‌ای از علوم رایانه‌ای، استفاده از هوش مصنوعی در حوزه‌های گوناگون رواج بسیاری پیدا کرده است. در جهان تجاری امروز کمتر کسی را می‌توان یافت که برای کوچکترین امور خود به نوعی از این فناوری کمک نگیرد. به همان اندازه که این علم در سبک زندگی اکثر انسان‌ها جای گرفته است، کسب و کارهای بسیاری را نیز تحت تأثیر خود قرار داده و موجب رشد و موفقیت آنان شده است.

آزمون تورینگ

تست تورینگ یک روش تحقیق در هوش مصنوعی با هدف تعیین اینکه آیا یک کامپیوتر قادر است مانند یک انسان فکر کند یا خیر. این آزمون به نام «آلن تورینگ» بنیان‌گذار آزمون تورینگ و دانشمند کامپیوتر، رمزنگار، ریاضیدان و زیست شناس نظری انگلیسی ثبت شده است.

تورینگ پیشنهاد داد اگر کامپیوتری بتواند پاسخ‌های انسان را در شرایط خاص تقلید کند پس می‌توان به این نتیجه رسید که دارای هوش مصنوعی است. تست تورینگ اولیه به ۳ پایانه نیاز دارد که هر یک از ۲ ترمینال دیگر از نظر فیزیکی جدا هستند. ۱ ترمینال توسط کامپیوتر و ۲ ترمینال دیگر توسط انسان اداره می‌شود. در طول آزمون یکی از انسان‌ها به‌عنوان پرسشگر عمل می‌کند درصورتی‌که انسان دوم و رایانه در جایگاه پاسخ دهندگان هستند. پرسشگر از پاسخ دهندگان در یک زمینه خاص با استفاده از قالب و زمینه مشخص سؤال می‌پرسد؛ سپس از پرسشگر خواسته می‌شود تصمیم بگیرد کدام پاسخ دهنده انسان و کدام یک کامپیوتر است. این آزمایش بارها تکرار می‌شود تا در نهایت بتوان به نتیجه صحیح رسید.

هوش مصنوعی «محدود» و «جنرال»

هوش مصنوعی هوش مصنوعی ai به دو دسته محدود و جنرال تقسیم شود. هر کدام از این دسته‌ها بر اساس قدرت و توانایی‌هایی که دارند به حل مسائل مختلف کمک می‌کنند.

هوش مصنوعی محدود یا ضعیف، توانایی حل مسائل محدودتری را دارد و در بخش‌های خاصی قادر به فعالیت است. به‌عبارت‌دیگر هوش مصنوعی محدود تنها در یک حوزه خاص عملکرد مناسبی دارد و در حوزه‌های دیگر قدرتش کم می‌شود؛ به‌عنوان‌مثال می‌تواند متن‌ها را از یک زبان به زبان دیگر ترجمه کنه اما ظرفیتش در حوزه‌های دیگر مانند تشخیص تصاویر یا برنامه‌ریزی استراتژیک پایین است.

در مقابل آن هوش مصنوعی جنرال یا قوی قرار می‌گیرد که توانایی حل مسائل در حوزه‌های مختلف را دارد و عملکردش در بسیاری از وظایف و فعالیت‌ها شبیه به انسان است. هوش مصنوعی جنرال این توانایی را دارد که در بیش از یک حوزه به‌صورت مؤثر عمل کند؛ به‌عنوان‌مثال می‌تواند توانایی تشخیص چهره را داشته باشد و درعین‌حال تک‌تک اعضای صورت مانند چشم، بینی و دهان را آنالیز کند.

فلسفه هوش مصنوعی

فلسفه هوش مصنوعی به مطالعه و بررسی طبیعت و ماهیت هوش مصنوعی می‌پردازد. این فلسفه در تلاش است تا به سؤالاتی درباره هوش مصنوعی مانند آیا هوش مصنوعی به اندازه هوش انسان قدرتمند و آگاهانه است؟ آیا هوش مصنوعی قادر به اخلاقیات است؟ آیا هوش مصنوعی تأثیرات قابل توجهی بر جامعه و انسان‌ها دارد؟ پاسخ دهد. فلسفه هوش مصنوعی به بررسی تفاوت‌های میان هوش مصنوعی و هوش طبیعی و سایر مسائل مرتبط با هوش مصنوعی می‌پردازد.

چگونگی استفاده هوش مصنوعی

هوش مصنوعی AI با روش‌های مختلفی به حل مسائل پیچیده و ساده‌سازی کارهایی که قبلاً پرزحمت بودند کمک می‌کند. چگونگی استفاده از آن به شرح زیر است:

    تعیین مسئله

ابتدا باید مسئله خاصی که باید حل شود یا شغلی که باید خودکار شود را تعیین کنید.

    جمع آوری داده‌ها

اطلاعات مورد نیاز برای آموزش سیستم اطلاعاتی مد نظر را به دست آورید. این اطلاعات باید مناسب، دقیق و کامل باشند.

    انتخاب یک الگوریتم مناسب

برنامه هوش مصنوعی را انتخاب کنید که به بهترین وجه با موضوع مورد نظر مطابقت دارد. روش‌های مختلفی مانند درخت‌های تصمیم و شبکه‌های عصبی در دسترس هستند.

    آموزش سیستم هوش مصنوعی

سیستم هوش مصنوعی را با استفاده از داده‌های جمع آوری شده آموزش دهید. این امر مستلزم ارسال داده به برنامه و تنظیم آن برای افزایش دقت است. بعد از آموزش باید سیستم هوش مصنوعی را ارزیابی کنید تا دقت و قابلیت اطمینان آن را بسنجید.

    استقرار سیستم

پس از آزمایش و اثبات صحت باید آن را در مرحله تولید قرار دهید. این کار شاید مستلزم ادغام آن با سیستم‌های فعلی یا توسعه سیستم‌های جدید باشد.

    مدیریت مداوم سیستم هوش مصنوعی

برای اطمینان از عملکرد درست و پیش بینی‌های دقیق سیستم باید نظارت مستمر داشته باشید و آن را دائماً به‌روزرسانی کنید.

شاخه‌های هوش مصنوعی

در اینجا شاخه‌های اصلی هوش مصنوعی را برای شما آوردیم.

    رباتیکربات‌ها در انجام کارهای خسته کننده و تکراری کمک کننده هستند به ویژه ربات‌های مجهز به هوش مصنوعی که به شرکت‌هایی مانند ناسا در اکتشاف فضا کمک می‌کنند.

ربات‌ها ماشین‌های برنامه ریزی شده‌ای هستند که به‌طور خودکار مجموعه‌ای از اقدامات پیچیده را انجام می‌دهند. افراد، ربات‌ها را با دستگاه‌های خارجی یا سیستم‌های کنترلی که درونشان تعبیه شده کنترل می‌کنند. ربات‌ها در انجام کارهای خسته کننده و تکراری کمک کننده هستند به ویژه ربات‌های مجهز به هوش مصنوعی که به شرکت‌هایی مانند ناسا در اکتشاف فضا کمک می‌کنند.

ربات‌های انسان نما جدیدترین پیشرفت‌ها و نمونه‌های شناخته شده هستند؛ به‌عنوان‌مثال سوفیا رباتی است که توسط “Hanson Robotics” ساخته شده و با ترکیب هوش مصنوعی و شبکه‌های عصبی کار می‌کند. او چهره انسان‌ها را می‌شناسد و احساسات و ژست‌ها را درک می‌کند حتی می‌تواند با مردم تعامل داشته باشد.

    تشخیص الگو

در این شاخه از هوش مصنوعی، الگوریتم‌ها و مدل‌هایی طراحی می‌شوند که قادر به تشخیص الگوهای خاص در داده‌ها هستند. این الگوریتم‌ها برای تشخیص الگوهای صوتی، تصویری، متنی و … استفاده می‌شوند؛ به‌عنوان‌مثال الگوریتم‌های تشخیص الگو در شناسایی چهره ویژگی‌های خاصی از صورت را شناسایی می‌کنند و افراد مختلف را تشخیص می‌دهند.

    شبکه‌های عصبی مصنوعی

شبکه‌های عصبی به‌عنوان شبکه‌های عصبی مصنوعی (ANN) یا شبکه‌های عصبی شبیه سازی شده (SNN) هم شناخته می‌شوند. شبکه‌های عصبی از مغز انسان الهام می‌گیرند و نحوه ارسال سیگنال‌های نورون‌های بیولوژیکی به یکدیگر را کپی می‌کنند. شبکه‌های عصبی مصنوعی دارای لایه‌های گره‌ای هستند که از یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی تشکیل شدند. هر گره یک نورون مصنوعی نامیده می‌شود و به نورون‌های دیگر متصل می‌شود. هنگامی که خروجی یک گره فردی بیش از یک مقدار آستانه مشخص است، گره برای ارسال داده به لایه شبکه بعدی فعال می‌شود. شبکه‌های عصبی برای یادگیری و بهبود دقت به داده‌های آموزشی نیاز دارند.

    یادگیری عمیق

یادگیری عمیق زیرمجموعه‌ای از ML یا همان یادگیری ماشین است که شبکه‌های عصبی مصنوعی مغز انسان را با مهارت کامل تقلید می‌کند. در این صورت هوش مصنوعی وظایف استدلالی پیچیده را بدون دخالت انسان انجام می‌دهد.

    تشخیص گفتارتشخیص گفتار و هوش مصنوعی

در این شاخه سعی می‌شود تا برای تشخیص و تفسیر گفتار انسان الگوریتم‌ها و مدل‌هایی طراحی شوند. این الگوریتم‌ها به شناسایی کلمات و جملات مورد استفاده در یک گفتار کمک می‌کنند و در برخی موارد به ترجمه گفتار از یک زبان به زبان دیگر می‌پردازند.

    پردازش زبان طبیعی

پردازش زبان طبیعی به رایانه‌ها اجازه می‌دهد تا هم متن و هم کلمات گفتاری را مانند انسان درک کنند. زبان‌شناسی و مدل‌های یادگیری عمیق، با ترکیب یادگیری ماشینی، زبان انسان را در داده‌های صوتی یا متنی پردازش می‌کنند تا معنی، هدف و احساسات رو کاملاً درک کنند؛ به‌عنوان‌مثال در تشخیص گفتار به متن، داده‌های صوتی به‌طور قابل اعتمادی به داده‌های متنی تبدیل می‌شوند. این کار خیلی چالش برانگیز است زیرا مردم با لحن، تأکید و لهجه‌های مختلف صحبت می‌کنند. برنامه نویسان باید برنامه‌های کاربردی مبتنی بر زبان طبیعی را به رایانه‌ها آموزش دهند تا بتوانند داده‌ها را از ابتدا درک کرده و تشخیص دهند. برخی از کاربردهای پردازش زبان طبیعی عبارت‌اند از:

    چت‌بات‌های مجازی که قادرند اطلاعات متنی را تشخیص دهند تا در طول زمان به مشتریان پاسخ‌های بهتری ارائه دهند.

    تشخیص هرزنامه‌ها که با پردازش زبان ایمیل‌ها آن‌ها را به بخش هرزنامه می‌فرستد.

    تحلیل احساسات و تجزیه و تحلیل زبان مورد استفاده در سیستم عامل‌های رسانه‌های اجتماعی که به استخراج احساسات و نگرش‌ها در مورد محصولات مختلف کمک می‌کند.

    بینایی ماشین

یکی از محبوب‌ترین شاخه‌های هوش مصنوعی در حال حاضر «بینایی کامپیوتر» است. بینایی کامپیوتری به دنبال توسعه تکنیک‌هایی است که به رایانه‌ها در دیدن و درک تصاویر و فیلم‌های دیجیتال کمک می‌کند. استفاده از مدل‌های یادگیری ماشینی روی تصاویر به رایانه‌ها امکان می‌دهد اشیا، چهره‌ها، افراد، حیوانات و … را شناسایی کنند.

مدل‌های الگوریتمی به رایانه‌ها کمک می‌کنند تا در مورد زمینه‌های داده‌های بصری آموزش ببینند و با داده‌های کافی که از طریق یک مدل تغذیه می‌شوند یک تصویر را از تصویر دیگر تشخیص دهند. یک شبکه عصبی کانولوشنال در کنار یک مدل کار می‌کند تا تصاویر را به پیکسل‌ها تجزیه کند و به آن‌ها برچسب بدهد؛ سپس شبکه عصبی از برچسب‌ها برای انجام کانولوشن که یک عملیات ریاضی روی دو تابع برای تولید تابع سوم است استفاده می‌کنند و پیش‌بینی‌هایی درباره آنچه می‌بیند انجام می‌دهند. بینایی کامپیوتر در صنایع مختلف کاربرد دارد.

    شبکه عصبی پیچشی

این شاخه از هوش مصنوعی برای پردازش تصاویر و سیگنال‌های دوبعدی استفاده می‌شود. شبکه عصبی پیچشی قادر است الگوهای خاصی را در تصاویر مانند تشخیص چهره، تشخیص اشیاء، تشخیص اعداد و حروف و … شناسایی کند. این شبکه‌ها معمولاً در برنامه‌های تشخیص تصویر و تشخیص الگو به کار می‌روند.

    شبکه عصبی بازگشتی

در این شاخه، شبکه‌های عصبی طراحی می‌شوند که قادر به پردازش داده‌های دنباله‌ای هستند. این شبکه‌ها می‌توانند الگوهای زمانی و ترتیبی را در داده‌ها شناسایی کنند. برخی از کاربردهای شبکه عصبی بازگشتی شامل ترجمه ماشینی، تولید متن، تشخیص گفتار و پردازش زبان طبیعی می‌شود.

    هوش مصنوعی و یادگیری ماشینهوش مصنوعی و یادگیری ماشین الگوریتم های هوش مصنوعی

منظور از یادگیری ماشینی، توانایی ماشین‌ها برای یادگیری خودکار از داده‌ها و الگوریتم‌ها است. این بخش به‌عنوان یکی از شاخه‌های سخت هوش مصنوعی شناخته می‌شود. یادگیری ماشینی عملکردها را با استفاده از تجربیات گذشته بهبود می‌بخشد و می‌تواند بدون برنامه‌ریزی‌های خاص تصمیم‌گیری کند. این فرآیند با جمع‌آوری داده‌های تاریخی مانند دستورالعمل‌ها آغاز می‌شود تا بتواند مدل‌های منطقی را برای استنتاج آینده بسازد. الگوریتم‌های یادگیری ماشینی به شکل زیر طبقه بندی می‌شوند:

    یادگیری تحت نظارت: ماشین‌ها با داده‌های برچسب‌گذاری شده برای پیش‌بینی نتیجه آموزش داده می‌شوند.

    یادگیری بدون نظارت: ماشین‌ها با داده‌های بدون برچسب آموزش داده می‌شوند و مدل اطلاعات را از ورودی استخراج می‌کنند تا با شناسایی ویژگی‌ها و الگوها یک نتیجه را ایجاد کنند.

    یادگیری تقویتی: ماشین‌ها از طریق آزمون و خطا یاد می‌گیرند و برای شکل دادن به اقدامات از «بازخورد» استفاده می‌کنند.

    یادگیری تقویتی

در این شاخه از هوش مصنوعی، الگوریتم‌ها و مدل‌هایی طراحی می‌شوند که قادر به یادگیری از طریق «تجربه و تعامل با محیط» هستند. این الگوریتم‌ها با استفاده از سیگنال‌های تقویت، عملکرد خود را در انجام یک وظیفه خاص بر اساس تجربه در محیط بهبود می‌بخشند. یادگیری تقویتی برای کاربردهایی مانند بازی‌های رایانه‌ای، کنترل ربات‌ها و مدیریت منابع استفاده می‌شود.

    منطق فازی

منطق فازی تکنیکی است که به حل مسائل یا عباراتی که می‌توانند درست یا نادرست باشند کمک می‌کند. این روش با در نظر گرفتن تمام احتمالات موجود بین مقادیر دیجیتالی «بله» و «نه» تصمیمات انسانی را کپی می‌کند. به بیان ساده‌تر میزان درستی یک فرضیه را می‌سنجد. شما می‌توانید از این شاخه از هوش مصنوعی برای استدلال در مورد موضوعات نامشخص استفاده کنید. منطق فازی یک روش راحت و انعطاف‌پذیر برای پیاده‌سازی تکنیک‌های یادگیری ماشینی و کپی کردن منطقی فکر انسان است. معماری منطق فازی از چهار بخش تشکیل شده است.

سطوح مختلف هوش مصنوعیسطوح مختلف هوش مصنوعی

فناوری‌های هوش مصنوعی بر اساس موارد زیر دسته بندی می‌شوند:

    ظرفیت تقلید ویژگی‌های انسان

    فناوری‌هایی که برای انجام این کار استفاده می‌شوند.

    کاربردهای دنیای واقعی و تئوری ذهن

بر اساس این ویژگی‌ها، تمام سیستم‌های هوش مصنوعی اعم از واقعی و فرضی به یکی از سه نوع زیر تقسیم می‌شوند:

    هوش مصنوعی باریک یا  ANI

    هوش مصنوعی عمومی یا  AGI

    ابر هوش مصنوعی یا ASI

    ANI

هوش مصنوعی ANI که به آن هوش مصنوعی ضعیف یا هوش مصنوعی باریک نیز گفته می‌شود تنها نوع هوش مصنوعی است که تا به امروز با موفقیت به آن دست یافتیم. ANI هدف گرا است و برای انجام وظایف منحصر به فرد مانند تشخیص چهره، تشخیص گفتار/ دستیاران صدا، رانندگی با ماشین یا جستجو در اینترنت طراحی شده و در تکمیل کار خاصی که برای انجام آن برنامه ریزی شده بسیار هوشمند است.

اگرچه این ماشین‌ها ممکن است هوشمند به نظر برسند اما تحت نظر مجموعه کوچکی از محدودیت‌ها کار می‌کنند؛ به همین دلیل است که این نوع معمولاً به‌عنوان هوش مصنوعی ضعیف شناخته می‌شوند. ANI هوش انسانی را تقلید یا تکرار نمی‌کند بلکه صرفاً رفتار انسان را بر اساس طیف محدودی از پارامترها و زمینه‌ها شبیه سازی می‌کند. تشخیص گفتار و زبان دستیار مجازی Siri در آیفون‌ها یا تشخیص دید اتومبیل‌های خودران را در نظر بگیرید که بر اساس سابقه خریدتان محصولاتی را به شما پیشنهاد می‌دهند. این سیستم‌ها فقط تکمیل وظایف خاصی را یاد می‌گیرند.

هوش مصنوعی ANI در دهه گذشته پیشرفت‌های متعددی را تجربه کرد و توسط دستاوردهای یادگیری ماشین و یادگیری عمیق تقویت شد؛ به‌عنوان‌مثال امروزه از سیستم‌های هوش مصنوعی در پزشکی برای تشخیص سرطان و سایر بیماری‌ها از طریق تکرار شناخت و استدلال انسانی استفاده می‌شود. ANI از پردازش زبان طبیعی یا NLP برای انجام وظایف گوناگون کمک می‌گیرد. NLP در چت‌بات‌ها و فناوری‌های مشابه هوش مصنوعی مشهود است و با درک گفتار و متن به زبان طبیعی با انسان‌ها به شیوه‌ای طبیعی و شخصی شده تعامل می‌کند. نمونه‌هایی از هوش مصنوعی باریک به شرح زیر هستند:

    الگوریتم RankBrain گوگل

    Siri توسط اپل

    Alexa توسط آمازون

    Cortana توسط مایکروسافت

    نرم افزارهای تشخیص چهره

    ابزارهای نقشه برداری

    ابزارهای مخصوص پیش بینی بیماری

    تولید و ربات‌های مخصوص پهپاد

    فیلترهای هرزنامه ایمیل

    ابزارهای نظارت بر رسانه‌های اجتماعی

    توصیه محتواهای مختلف به کاربر بر اساس رفتار او

    AGI

هوش مصنوعی قوی یا عمیق یک مفهوم ماشینی با هوش عمومی است که هوش یا رفتارهای انسان را تقلید می‌کند و توانایی یادگیری و استفاده از هوش خود را برای حل هر مشکلی دارد. AGI می‌تواند به گونه‌ای فکر کند، بفهمد و عمل کند که از انسان در هر موقعیتی قابل تشخیص نیست.

حتما بخوانید:   چه مهارت‌هایی در دوره آموزشی هوش مصنوعی یاد می‌گیرید؟

محققان و دانشمندان هوش مصنوعی هنوز به AGI دست پیدا نکردند. آن‌ها برای موفقیت در این زمینه باید راهی بیابند تا ماشین‌ها را آگاه کرده و مجموعه‌ای کامل از توانایی‌های شناختی را برنامه ریزی کنند. ماشین‌ها باید توانایی استفاده از دانش تجربی را در طیف وسیع‌تری از مسائل مختلف به دست آورند.

“K computer” که توسط شرکت فوجیتسو و موسسه RIKEN ساخته شده یکی از سریع‌ترین ابررایانه‌ها است. K computer بیشترین تلاش برای دستیابی به هوش مصنوعی AGI است اما با توجه به اینکه ۴۰ دقیقه طول کشید تا یک ثانیه فعالیت عصبی شبیه‌سازی شود؛ پس تعیین اینکه آیا هوش مصنوعی قوی خواهد بود یا نه دشوار است.

    ASI

ابر هوش مصنوعی یا ASI در واقع یک هوش مصنوعی فرضی است که فقط هوش و رفتار انسان را تقلید یا درک نمی‌کند. ASI جایی است که ماشین‌ها خودآگاه می‌شوند و از ظرفیت هوش و توانایی انسان فراتر می‌روند. ابر هوش مدت‌هاست که الهام بخش داستان‌های علمی تخیلی دیستوپیایی بوده است. در داستان‌های او ربات‌ها بشریت را زیر پا می‌گذارند، سرنگون می‌کنند یا به بردگی می‌گیرند.

ASI از نظر تئوری در هر کاری که انجام می‌دهیم از ریاضیات گرفته تا علوم، ورزش، هنر، پزشکی، سرگرمی‌ها، روابط عاطفی و … بهتر است. ASI حافظه بیشتر و توانایی سریع‌تری برای پردازش و تجزیه و تحلیل داده‌ها و محرک‌ها دارد؛ در نتیجه توانایی تصمیم گیری و حل مسئله آن بسیار برتر از انسان‌ها است. پتانسیل داشتن چنین ماشین‌های قدرتمندی ممکن است جذاب به نظر برسد اما این مفهوم پیامدهای ناشناخته زیادی دارد.

آموزش هوش مصنوعیآموزش هوش مصنوعی

در حال حاضر دوره‌های آموزشی آنلاین و مؤسسات آموزشی زیادی وجود دارند که به شما کمک می‌کنند تا مفاهیم و تکنیک‌های هوش مصنوعی را یاد بگیرید؛ همچنین کتاب‌ها و منابع آموزشی متعددی در دسترس‌اند که به شما اطلاعات جامع‌تری درباره هوش مصنوعی ارائه می‌دهند. بعضی از منابع آموزشی معروف در حوزه هوش مصنوعی عبارت‌اند از:

    “Artificial Intelligence: A Modern Approach” نوشته Stuart Russell و Peter Norvig

    “Deep Learning” نوشته Ian Goodfellow، Yoshua Bengio و Aaron Courville

    “Pattern Recognition and Machine Learning” نوشته Christopher Bishop

    “Reinforcement Learning: An Introduction” نوشته Richard S. Sutton و Andrew G. Barto

علاوه بر این موارد سایت‌های آموزشی آنلاینی مانند Coursera، Udemy و edX هم بهترین دوره‌های هوش مصنوعی را برگزار می‌کنند؛ حتی برخی از دانشگاه‌ها هم دوره‌های آموزشی مخصوصی در این زمینه دارند. با توجه به پیچیدگی و گستردگی هوش مصنوعی پیشنهاد می‌کنیم مباحث را از پایه شروع کنید سپس سراغ مفاهیم پیشرفته‌تر بروید.

الگوریتم هوش مصنوعی چیست؟تشخیص اجسام (Object Recognition) – هوش مصنوعی در برقراری امنیت

برای حل یک دسته از مسائل می‌توان از الگوریتم‌های هوش مصنوعی مختلفی استفاده کرد. در بخش زیر انواع مختلف الگوریتم‌ها را با هم بررسی می‌کنیم.

    Naive Bayes

 این الگوریتم بر اساس «قاعده بیز» است و برای تخمین احتمال وقوع یک رویداد استفاده می‌شود. این الگوریتم به‌عنوان یک طبقه بند احتمالاتی عمل می‌کند و برای طبقه بندی مسائل مانند تشخیص اسپم ایمیل یا تشخیص بیماری‌ها استفاده می‌شود.

    Decision Tree

در این الگوریتم برای طبقه بندی داده‌ها یک درخت تصمیم‌گیری ساخته می‌شود. در هر گره از درخت، یک شرط بر اساس ویژگی‌های داده‌ها قرار می‌گیرد و با توجه به شرط، داده‌ها به گره‌های فرزند تقسیم می‌شوند. این فرآیند تا رسیدن به گره‌های پایانی ادامه می‌یابد.

    Random Forest

این الگوریتم بر اساس ترکیب چندین درخت تصمیم‌گیری (decision tree) کار می‌کند. هر درخت در این الگوریتم به‌صورت تصادفی از داده‌ها و ویژگی‌های موجود ساخته می‌شوند؛ سپس نتیجه طبقه بندی با استفاده از رأی گیری اکثریت درخت‌ها تعیین می‌شود.

    Logistic Regression

این الگوریتم برای مسائل طبقه بندی دودویی (binary classification) استفاده می‌شود. احتمال وقوع یک رویداد در هر دسته با استفاده از تابع لجستیک محاسبه می‌شود سپس بر اساس آن، داده‌ها به دسته‌های مختلف تقسیم می‌شوند.

    Support Vector Machines (SVM)

این الگوریتم مخصوص طبقه بندی داده‌های خطی و غیرخطی است. SVM با استفاده از یک صفحه (برای داده‌های خطی) یا یک ابر صفحه (برای داده‌های غیرخطی) داده‌ها را به دسته‌های مختلف تقسیم می‌کند.

    K Nearest Neighbours (KNN)

در این الگوریتم برای پیش بینی برچسب یک نمونه جدید، نزدیک‌ترین همسایگان آن در مجموعه داده‌های آموزشی پیدا می‌شوند و برچسب بیشترین تکرار را به نمونه جدید اختصاص می‌دهند. روش کار الگوریتم KNN به این صورت است که ابتدا فاصله نمونه جدید با همه نمونه‌های آموزشی محاسبه می‌شود؛ سپس K نزدیک‌ترین همسایگان با کم‌ترین فاصله به نمونه جدید انتخاب می‌شوند. در نهایت با توجه به برچسب‌های همسایگان انتخاب شده، برچسب نمونه جدید تعیین می‌شود. عدد K در الگوریتم KNN نشان دهنده تعداد همسایگانی است که در نظر گرفته می‌شوند. انتخاب درست مقدار K برای هر مسئله ممکن است تأثیر زیادی بر دقت الگوریتم داشته باشد.

    رگرسیون خطی

در الگوریتم رگرسیون خطی رابطه خطی بین ورودی و خروجی پیدا می‌شود. با استفاده از این رابطه، مقدار خروجی برای ورودی‌های جدید پیش‌بینی می‌شود.

    K-Means Clustering

در K-Means Clustering، داده‌ها به K خوشه تقسیم می‌شوند به‌طوری که داده‌های هر خوشه به یکدیگر نزدیک باشند و از داده‌های خوشه‌های دیگر فاصله داشته باشند.

    Gradient Boosting

این الگوریتم بر اساس ترکیب چندین مدل ضعیف (weak learner) کار می‌کند. در هر مرحله یک مدل ضعیف به مدل قبلی اضافه می‌شود و با استفاده از تابع هدف (objective function) وزن‌های نمونه‌ها تعیین می‌شود.

    XGBoost

XGBoost نسخه بهبود یافته‌ای از Gradient Boosting است و با استفاده از روش‌های بهینه سازی و فشرده سازی عملکرد و سرعت آن را بهبود می‌بخشد.

جایگاه هوش مصنوعی در ایرانجایگاه هوش مصنوعی در ایران

در ایران هوش مصنوعی در حال توسعه است و در برخی از حوزه‌ها هم مورد استفاده قرار می‌گیرد؛ به‌عنوان‌مثال شرکت‌های ایرانی در حوزه تشخیص چهره توانستند سیستم‌های تشخیص چهره پیشرفته‌ای را تولید کنند که در سیستم‌های حضور و غیاب و امنیت استفاده می‌شود یا در حوزه تشخیص اجسام نیز پروژه‌هایی در دانشگاه‌ها و شرکت‌های فناوری ایران در حال انجام است.

علاوه بر این در حوزه رباتیک هم تحقیقات و پروژه‌هایی در دانشگاه‌ها و صنعت صورت می‌گیرد. برخی از شرکت هوش مصنوعی نیز ربات‌های هوشمندی را تولید کردند که قادر به تشخیص و پاسخ به محیط و وظایف مختلف هستند. در حوزه اقتصاد، هوش مصنوعی به تحلیل داده‌ها و پیش‌بینی رویدادها کمک می‌کند. برخی شرکت‌ها و مؤسسات تحقیقاتی در ایران توانستند الگوریتم‌های یادگیری ماشین را برای تحلیل داده‌های اقتصادی و مالی استفاده کنند. به‌طورکلی هوش مصنوعی در ایران هنوز در مراحل اولیه توسعه است و به سرمایه‌گذاری و تحقیقات بیشتری نیاز دارد.

کاربرد هوش مصنوعی

در زیر برخی از برنامه‌های کاربردی هوش مصنوعی که ممکن است متوجه آن‌ها نباشید را به شما توضیح خواهیم داد.

تشخیص اجسام (Object Recognition)

تشخیص اجسام (Object Recognition)

تشخیص اجسام در تصاویر و ویدئوها به کمک هوش مصنوعی امکان پذیر خواهد بود. مدل‌های هوش مصنوعی با استفاده از الگوریتم‌های یادگیری عمیق قادر به تشخیص اجسام مختلف مانند خودروها، انسان‌ها، حیوانات و اشیاء مختلف هستند. Object Recognition در حوزه‌هایی مانند خودروهای خودران، امنیت و تصویربرداری استفاده می‌شود.

تشخیص چهره (Face Recognition)تشخیص چهره (Face Recognition) و هوش مصنوعی

با استفاده از الگوریتم‌های یادگیری عمیق، مدل‌های هوش مصنوعی قادر به تشخیص و شناسایی افراد مختلف بر اساس ویژگی‌های چهره خواهند بود. Face Recognition در حوزه‌هایی مانند امنیت، تشخیص هویت و سیستم‌های حضور و غیاب به کار می‌رود.

تشخیص گفتار (Speech Recognition)

هوش مصنوعی AI در تشخیص و تبدیل گفتار به متن عالی است. مدل‌های هوش مصنوعی با استفاده از الگوریتم‌های پردازش سیگنال صوتی و یادگیری عمیق قادر به تشخیص کلمات و جملات از طریق گفتار هستند. این کاربرد در حوزه‌هایی مانند سیستم‌های خودکار ترجمه، سیستم‌های شناسایی صدا و سیستم‌های خودروهای خودران استفاده می‌شود.

دیپ‌فیک و شبکه‌های مولد (Deepfakes and Generative AI)دیپ‌فیک و شبکه‌های مولد (Deepfakes and Generative AI)

هوش مصنوعی در ایجاد دیپ‌فیک‌ها (تصاویر و ویدئوهای تقلبی) و استفاده از شبکه‌های مولد (Generative Adversarial Networks) به کار می‌رود. هوش مصنوعی AI با استفاده از الگوریتم‌های یادگیری عمیق قادر به تولید تصاویر و ویدئوهای واقعی خواهد بود. حوزه‌هایی مانند سینما، تبلیغات و امنیت به این سیستم نیاز پیدا خواهند کرد.

رباتیک و هوش مصنوعیرباتیک و هوش مصنوعی

هوش مصنوعی با کمک الگوریتم‌های یادگیری عمیق و پردازش تصویر و گفتار می‌تواند سیستم‌هایی را طراحی کند که قادر به تشخیص و پاسخ به محیط و وظایف مختلف هستند. رباتیک در حوزه‌های گوناگون قابل استفاده است.

هوش مصنوعی در اقتصاد

هوش مصنوعی AI در تحلیل داده‌ها و پیش‌بینی رویدادها هم نقش دارد. با الگوریتم‌های یادگیری ماشین و تحلیل داده‌ها می‌توان ماشین‌هایی را ساخت که الگوها و روندهای اقتصادی را تشخیص می‌دهند و در حوزه‌هایی مانند بورس، بازار سرمایه و تجارت استفاده می‌شوند.

هوش مصنوعی در حوزه کسب و کار

هوش مصنوعی تقریباً در هر جنبه‌ای از یک تجارت کاربرد دارد: تولید، منابع انسانی، بازاریابی، فروش، زنجیره تأمین و تدارکات، خدمات مشتری، کنترل کیفیت، فناوری اطلاعات، امور مالی و موارد دیگر. از ماشین‌آلات و وسایل نقلیه خودکار تا الگوریتم‌هایی که تقلب مشتری را تشخیص می‌دهند از کارکردهای هوش مصنوعی هستند. این قابلیت می‌تواند رفتار سازمان شما را از درون تغییر دهد. ماشین‌های هوش مصنوعی می‌توانند به‌عنوان دستیار شخصی برای کمک به مدیریت ایمیل‌های شما، حفظ تقویم و حتی ارائه توصیه‌هایی برای تسهیل فرآیندها استفاده شوند.

هوش مصنوعی در حوزه آموزش و پرورش

هوش مصنوعی این توانایی را دارد که به مربیان در انجام وظایف غیر آموزشی مانند تسهیل و خودکارسازی پیام‌های شخصی به دانش‌آموزان، کارهای پشتیبانی مانند درجه‌بندی مدارک، تعاملات با والدین، فرایند ثبت نام در دوره‌های مختلف به کار برود.

هوش مصنوعی در حوزه تولیدهوش مصنوعی در حوزه تولید

نظارت بر وضعیت ماشین‌های تولید، تعمیر و نگهداری دستگاه‌ها، تجزیه و تحلیل شرایط، بررسی کارایی هر بخش به‌صورت مجزا از قابلیت‌های هوش مصنوعی AI در حوزه تولید است.

هوش مصنوعی در برقراری امنیت

سیستم‌های هوش مصنوعی در زمینه شناسایی و مبارزه با حملات سایبری و سایر تهدیدات سایبری بر اساس ورودی مداوم داده‌ها، شناسایی الگوها و عقب‌نشینی حملات قابل استفاده خواهد بود.

هوش مصنوعی و تفسیر داده‌ها

بسیاری از مردم بر این باورند که هوش مصنوعی، حال و آینده بخش فناوری است. بسیاری از رهبران صنعت از هوش مصنوعی برای اهداف مختلفی از جمله ارائه خدمات ارزشمند و آماده سازی شرکت‌های خود برای آینده استفاده می‌کنند. امنیت داده‌ها که یکی از مهم‌ترین دارایی‌های هر شرکت فناوری محور است، یکی از رایج‌ترین و حیاتی‌ترین کاربردهای هوش مصنوعی است. از آنجایی که دنیا هوشمندتر و مرتبط‌تر از همیشه است پس عملکرد هوش مصنوعی در تجارت بسیار اهمیت دارد.

هوش مصنوعی در ورزشهوش مصنوعی در ورزش

نحوه استفاده از هوش مصنوعی در ورزش معمولاً مربوط به سازماندهی تاکتیک‌ها، مربیگری ورزشکاران، بازاریابی و موارد دیگر است؛ به‌عبارت‌دیگر هوش مصنوعی تأثیر بسزایی در نحوه مشاهده و مصرف مطالب ورزشی دارد.

هوش مصنوعی در شبکه‌های اجتماعیهوش مصنوعی در شبکه‌های اجتماعی

    هوش مصنوعی AI در اینستاگرام، لایک‌های شما و حساب‌هایی را که دنبال می‌کنید در نظر می‌گیرد تا مشخص کند چه پست‌هایی در برگه کاوش به شما نشان داده شوند.

    فیسبوک با این ابزار می‌تواند مکالمات را بهتر درک کند یا ترجمه خودکار پست‌ها را از زبان‌های مختلف بهتر انجام دهد.

    هوش مصنوعی توسط توییتر برای کشف تقلب، حذف تبلیغات و محتواهای نفرت‌انگیز استفاده می‌شود. توییتر از هوش مصنوعی برای توصیه توییت‌هایی استفاده می‌کند که کاربران ممکن است از آن‌ها لذت ببرند.

هوش مصنوعی در خدمات حقوقی

هوش مصنوعی در تحلیل قوانین و پیشنهاد دادن راهکارهای حقوقی کمک کننده است. این تکنولوژی تحلیل متون حقوقی و ارائه پاسخ‌های حقوقی را راحت‌تر می‌کند.

کاربرد هوش مصنوعی در مسیریابی و سفرکاربرد هوش مصنوعی در مسیریابی و سفر

سیستم‌های حمل و نقل هوشمند این پتانسیل را دارند که به یکی از مؤثرترین روش‌ها برای بهبود کیفیت زندگی مردم در سراسر جهان تبدیل شوند. در حال حاضر نمونه‌های متعددی از سیستم‌های مشابه در بخش‌های مختلف مانند حمل و نقل کالاهای سنگین یا مدیریت ترافیک استفاده می‌شوند.

کاربرد هوش مصنوعی در تجارت الکترونیک

هوش مصنوعی AI در این بخش به ۳ دسته زیر تقسیم می‌شود:

    خرید شخصی: فناوری هوش مصنوعی برای ایجاد موتورهای توصیه‌ای استفاده می‌شود که از طریق آن‌ها می‌توانید با مشتریان خود تعامل بهتری داشته باشید. این توصیه‌ها مطابق با تاریخچه مرور، ترجیحات و علایق آن‌ها ارائه شدند. این به بهبود رابطه شما با مشتریان و وفاداری آن‌ها نسبت به برند شما کمک می‌کند.

    دستیاران مجهز به هوش مصنوعی: دستیارهای خرید مجازی و چت‌بات‌ها به بهبود تجربه کاربر در هنگام خرید آنلاین کمک می‌کنند. پردازش زبان طبیعی برای اینکه مکالمه تا حد امکان انسانی و شخصی به نظر برسد استفاده می‌شود.

    جلوگیری از کلاه برداری: تقلب‌های کارت اعتباری و بررسی‌های جعلی دو مورد از مهم‌ترین مسائلی است که شرکت‌های تجارت الکترونیک با آن سروکار دارند. هوش مصنوعی با در نظر گرفتن الگوهای استفاده به کاهش احتمال کلاهبرداری کارت‌های اعتباری کمک کند. بسیاری از مشتریان ترجیح می‌دهند محصول یا خدمتی را بر اساس نظرات مشتریان انتخاب کنند. هوش مصنوعی در این بخش به شناسایی و رسیدگی به بررسی‌های جعلی کمک می‌کند.

کاربرد هوش مصنوعی در بازاریابی

بازاریابان با استفاده از هوش مصنوعی تبلیغات بسیار هدفمند و شخصی شده تری را با کمک تجزیه و تحلیل رفتاری، و تشخیص الگو در ML و … ارائه می‌دهند؛ همچنین به هدف‌گیری مجدد مخاطبان در زمان مناسب برای اطمینان از نتایج بهتر و کاهش احساس بی‌اعتمادی کمک می‌کنند. هوش مصنوعی بازاریابی محتوا را با سبک و صدای برند مطابقت می‌دهد؛ حتی می‌توان از آن برای انجام کارهای معمولی مانند عملکرد، گزارش‌های کمپین و موارد دیگر استفاده کرد. هوش مصنوعی قادر است شخصی‌سازی‌های بی‌درنگی را بر اساس رفتار کاربران ارائه دهد و به بهینه‌سازی کمپین‌های بازاریابی کمک کند.

کاربرد هوش مصنوعی در مدیریت منابع انسانی

سیستم‌های هوش مصنوعی این توانایی را دارند تا با اسکن Index یا نمایه نامزدهای شغلی و رزومه کاری آن‌ها به استخدام‌کنندگان درک درستی از مجموعه استعدادهایی که باید از بین آن‌ها انتخاب کنند ارائه دهند.

کاربرد هوش مصنوعی در اکتشافات فضاییکاربرد هوش مصنوعی در اکتشافات فضایی

نجوم یک موضوع نسبتاً ناشناخته است که جذابیت و هیجان زیادی دارد. وقتی صحبت از نجوم می‌شود یکی از دشوارترین موضوعات «تجزیه و تحلیل داده‌ها» است؛ به همین علت ستاره شناسان برای ایجاد ابزارهای جدید به یادگیری ماشین و هوش مصنوعی روی آورند. اخیراً گروهی از دانشمندان از هوش مصنوعی در تحقیقات ادغام کهکشان‌ها استفاده کردند تا ثابت کنند ادغام کهکشان‌ها نیروی اصلی زیربنای ستارگان است. محققان با توجه به اندازه این مجموعه یک سیستم یادگیری عمیق ایجاد کردند که خود را برای مکان یابی کهکشان‌های ادغام شده آموزش می‌داد. به گفته یکی از ستاره شناسان مزیت هوش مصنوعی این است که تکرارپذیری مطالعه را بهبود می‌بخشد.

کاربرد هوش مصنوعی در بازی‌های کامپیوتریکاربرد هوش مصنوعی در بازی‌های کامپیوتری

بخش دیگری که کاربردهای هوش مصنوعی در آن برجسته شده «بخش بازی» است. هوش مصنوعی در ایجاد NPC های هوشمند و شبیه انسان برای تعامل با بازیکنان نقشش را به خوبی ایفا می‌کند.

کاربرد هوش مصنوعی در کشاورزی

هوش مصنوعی برای شناسایی عیوب و کمبود مواد مغذی در خاک استفاده می‌شود. این کار با استفاده از برنامه‌های بینایی کامپیوتر، روباتیک و یادگیری ماشین انجام می‌شود. هوش مصنوعی AI قادر است تا محل رشد علف‌های هرز را تجزیه و تحلیل کند. ربات‌های هوش مصنوعی می‌توانند به برداشت محصولات با حجم بالاتر و سرعت بیشتر هم کمک کنند.

کاربردهای هوش مصنوعی در آموزش

اگرچه بخش آموزش بیشترین تأثیرپذیری را از انسان دارد اما هوش مصنوعی به آرامی شروع به ریشه‌یابی در بخش آموزش کرده است؛ حتی در این بخش به افزایش بهره‌وری در میان دانشکده‌ها کمک می‌کند یعنی آن‌ها را ترغیب می‌کند تا به جای اینکه تمرکز خود را روی کارهای اداری بگذارند توجهشان را به دانشجویان بدهند.

کاربردهای هوش مصنوعی در بانکداری و بازارهای مالیکاربردهای هوش مصنوعی در بانکداری و بازارهای مالی

گزارش شده ۸۰ درصد بانک‌ها مزایایی را که هوش مصنوعی ارائه می‌دهد تشخیص داده است. فناوری بسیار پیشرفته‌ای که از طریق هوش مصنوعی ارائه شده می‌تواند به بهبود چشمگیر طیف گسترده‌ای از خدمات مالی کمک کند. هوش مصنوعی این قابلیت را دارد تا تغییر در الگوی تراکنش‌ها را که نشانه کلاهبرداری است را تشخیص دهد؛ همچنین می‌تواند خطرات وام را بهتر پیش بینی و ارزیابی کند.

کاربردهای هوش مصنوعی در پزشکی

همان‌طور که اشاره کردیم، پیشرفت هوش مصنوعی را می‌توان در علم پزشکی مشاهده کرد. شرکت‌های نوآور و مؤسسات پزشکی تکنولوژی محور، در حال ایجاد، آزمایش و اجرای الگوریتم‌های هوشمند در شاخه‌های گوناگون مراقبت‌های پزشکی هستند. کاربرد این الگوریتم‌ها، از پیشگیری و غربالگری گرفته تا تشخیص، درمان و کنترل بیماری‌ها، گسترده است. در همین زمان، قانون‌گذاران نیز توجه ویژه‌ای به این موضوع داشته‌اند.

در فوریه ۲۰۱۹، سازمان غذا و داروی ایالات متحده آمریکا (FDA) مقاله‌ای در مورد صدور مجوز برای به کارگیری هوش مصنوعی در پزشکی منتشر کرد. این موضوع، به کاربردهای ساده این تکنولوژی مربوط نمی‌شود. چنین کاربردهایی پیش از این نیز وجود داشته‌اند و دارای تأییدیه نظارتی هستند. ابتکار جدید FDA مربوط به سیستم‌های پیشرفته هوش مصنوعی در زمان واقعی هستند که دائماً الگوریتم‌هایشان را تغییر می‌دهند و نسبت به راه‌حل‌های نرم‌افزاری سنتی، به قانون‌گذاری متفاوتی نیاز دارند.

حوزه رادیولوژیهوش مصنوعی و حوزه رادیولوژی

آموزش شبکه‌های عصبی در رادیولوژی، که معمولاً شامل ده‌ها هزار مجموعه داده می‌شود، بسیار خبرساز شده است. جایی که در حال حاضر و در برخی موارد خاص، الگوریتم‌ها عملکرد بهتری نسبت به رادیولوژیست‌ها دارند. تا جایی که پروفسور استفان شنبرگ، رئیس گروه رادیولوژی بالینی و پزشکی هسته‌ای در مرکز پزشکی دانشگاه مانهایم آلمان، از یک «انقلاب ریاضی در رادیولوژی» صحبت می‌کند.

نگرانی در مورد این که الگوریتم‌ها، جای رادیولوژیست‌ها را بگیرند، بعضاً توسط رسانه‌ها مطرح می‌شود؛ اما متخصصان، چنین دغدغه‌ای ندارند. بیشتر رادیولوژیست‌ها، هوش مصنوعی را تهدید تلقی نمی‌کنند؛ بلکه معتقدند که این تکنولوژی می‌تواند برای حوزه رادیولوژی مفید باشد. الگوریتم‌ها می‌توانند فعالیت‌های تکراری و وقت گیر را کنترل کنند و در نتیجه، باعث کاهش حجم کار روزمره رادیولوژیست‌ها شوند.

چالش‌های هوش مصنوعیچالش‌های هوش مصنوعی

اگر چه از سال ۲۰۲۳ حوزه هوش مصنوعی AI شاهد پیشرفت‌های قابل توجهی بوده و توجهات گسترده‌ای را به سمت خود جلب کرده و اما در میان این پیشرفت‌ها باید اذعان کنیم که سفر به سمت هوش مصنوعی بدون چالش نیست. این چالش‌ها در هوش مصنوعی پیچیدگی‌های بی‌شماری را در بر می‌گیرد که نیازمند بررسی دقیق و استراتژیک است. در این بخش قرار است شما را با چالش‌ها و پیچیدگی‌هایی که مانع پذیرش هوش مصنوعی می‌شود آشنا کنیم.

    عدم درک

هوش مصنوعی هنوز یک فناوری نسبتاً جدید است و چیزهای زیادی در مورد عملکرد آن وجود دارد که درک نشده است. این عدم درک مانع توسعه سیستم‌های هوش مصنوعی AI می‌شود. برای مقابله با این چالش‌ها شرکت‌ها در تلاش برای درک الگوریتم‌ها، مدل‌ها و تکنیک‌های هوش مصنوعی هستند.

    نگرانی‌های مربوط به حریم خصوصی

سیستم‌های هوش مصنوعی برای آموزش و عملکرد بهتر به حجم وسیعی از داده‌ها احتیاج دارند. این داده‌ها شامل اطلاعات شخصی و حساس می‌شوند و نگرانی‌هایی را در مورد حفظ حریم خصوصی و حفاظت از داده‌ها به وجود می‌آورند. شرکت هوش مصنوعی برای کاهش این نگرانی‌ها باید اقدامات محرمانه و قوی مانند ناشناس سازی داده‌ها یا ذخیره‌سازی امن داده‌ها را در اولویت قرار دهند. سیاست‌های شفاف استفاده از داده‌ها و کسب رضایت آگاهانه از افراد نیز اعتماد را افزایش و نگرانی‌های مربوط به حریم خصوصی را کاهش می‌دهد.

    قدرت پردازش

این سیستم‌ها از نظر محاسباتی سخت هستند و برای انجام کارهای پیچیده به قدرت پردازشی قابل توجهی نیاز دارند. این امر منجر به هزینه‌های زیرساختی بالا می‌شود. برای غلبه بر این چالش‌ها شرکت‌ها باید از پیشرفت‌های فناوری سخت‌افزاری مانند تراشه‌های تخصصی هوش مصنوعی و سیستم‌های محاسباتی توزیع‌شده استفاده کنند.

    کمبود داده

سیستم‌های هوش مصنوعی AI برای آموزش و دستیابی به عملکرد مطلوب وابسته به داده‌های بزرگ و متنوع هستند. بااین‌حال همه صنایع به حجم یا کیفیت داده مورد نیاز دسترسی ندارند. شرکت‌ها قادرند با تقویت همکاری‌ها و مشارکت‌ها برای دسترسی به مجموعه داده‌های مرتبط به این چالش‌ها در هوش مصنوعی رسیدگی کنند یا با تکنیک‌هایی مانند یادگیری انتقال، افزایش داده‌ها و تولید داده‌های مصنوعی مشکل دسترسی محدود داده‌ها را کاهش دهند.

    نتایج غیرقابل اعتماد

سیستم‌های هوش مصنوعی به دلایل مختلف مانند مجموعه داده‌های مغرضانه یا ناقص، محدودیت‌های الگوریتمی، یا پیچیدگی کار نتایج غیرقابل اعتمادی دارند. برای مقابله با این چالش‌ها شرکت‌ها باید بر فرآیندهای آزمایش و اعتبارسنجی دقیق در طول توسعه سیستم‌های هوش مصنوعی تأکید کنند. نظارت و اصلاح مستمر در رفع این چالش تأثیرگذار خواهد بود.

    عدم اعتماد

برخی از افراد ممکن است در اعتماد به سیستم‌های هوش مصنوعی تردید یا بی‌میلی نشان دهند که اغلب ناشی از عدم درک نحوه عملکرد هوش مصنوعی است. ایجاد اعتماد به شفافیت و توضیح پذیری در الگوریتم‌های هوش مصنوعی و فرآیندهای تصمیم گیری بستگی دارد. شرکت‌ها با ارائه توضیحات واضح و قابل دسترس در مورد نحوه رسیدن هوش مصنوعی AI به نتیجه اعتماد را افزایش خواهند داد. علاوه بر این رعایت استانداردها و مقررات مربوطه، اعتماد کاربران و ذینفعان را تقویت می‌کند.

    اهداف نامشخص

گاهی اوقات شرکت‌ها در تعیین اهداف برای پیاده سازی هوش مصنوعی در سازمان خود به چالش می‌خورند. توسعه سیستم‌های هوش مصنوعی کارآمد بدون هدف گذاری دشوار است. برای غلبه بر این چالش‌ها شرکت‌ها باید ارزیابی‌های جامعی از فرآیندهای کسب‌وکار خود انجام دهند و با شناسایی حوزه‌های خاصی که هوش مصنوعی ارزش را به وجود می‌آورد به این مشکل خاتمه دهند.

    مشکلات فنی

پیاده سازی هوش مصنوعی AI شامل غلبه بر چالش‌های فنی مانند ذخیره سازی داده‌ها، امنیت و مقیاس پذیری می‌شود. شرکت‌ها باید در زیرساخت‌های قوی سرمایه گذاری کنند تا قادر به مدیریت داده‌های مرتبط با هوش مصنوعی باشند. اطمینان از امنیت و حریم خصوصی داده‌ها در طول چرخه عمر هوش مصنوعی برای ایجاد اعتماد کاربران بسیار مهم است. از همان ابتدا باید مقیاس پذیری در نظر گرفته شود تا تقاضاهای سیستم‌های هوش مصنوعی برآورده شود.

    تعصب در الگوریتم‌ها

گاهی اوقات الگوریتم‌های هوش مصنوعی سوگیری‌های موجود در داده‌های مورد استفاده را به ارث می‌برند و نتایج ناعادلانه یا تبعیض‌آمیزی را ارائه می‌دهند. این چالش بسیار حیاتی است؛ زیرا سیستم‌های هوش مصنوعی نقش مهمی را در فرآیندهای تصمیم‌گیری در حوزه‌های مختلف بازی می‌کنند. برای رسیدگی به این سوگیری‌ها شرکت‌ها به اجرای استراتژی‌هایی نیاز دارند که انصاف و جامعیت را ترویج می‌دهد.

    استراتژی پیاده سازی

هیچ رویکرد یکسانی برای پیاده سازی هوش مصنوعی وجود ندارد. هر شرکت الزامات منحصربه‌فردی دارد و یک استراتژی اجرایی مؤثر باید متناسب با نیازهای خاص آن باشد. انجام ارزیابی‌های کامل از زیرساخت‌های موجود، در دسترس بودن داده‌ها و آمادگی سازمانی یک امر ضروری است. شرکت‌ها باید نقشه راه واضحی را تدوین کنند که مراحل، منابع و جدول زمانی لازم برای ادغام موفقیت آمیز هوش مصنوعی را مشخص کند.

حتما بخوانید:   چگونه متخصص هوش مصنوعی شویم؟

آیا هوش مصنوعی، جای متخصصان را خواهد گرفت؟آیا هوش مصنوعی، جای متخصصان را خواهد گرفت؟

در کارهای آزمایشگاهی، نوعی علاقه نسبت به الگوریتم‌هایی وجود دارد که از فرایندهای عملیاتی پشتیبانی می‌کنند. به‌عنوان‌مثال، در نظارت بین آزمایشگاهی بر سیستم‌های تشخیصی، این تکنولوژی می‌تواند مشکلات را پیش از وقوع خرابی یا شکست شناسایی کند. این امر، امکان به کارگیری برنامه‌های تعمیر و نگهداری فعال را فراهم می‌کند. از نظر بالینی، الگوریتم‌ها برای تصمیم‌گیری تشخیصی در پزشکی آزمایشگاهی مناسب هستند. علاوه بر این، همانند پاتولوژی (آسیب‌شناسی)، برای تجزیه و تحلیل پیش‌بینانه بر اساس الگوهای پیچیده نشانگر زیستی نیز مناسب‌اند.

ممکن است در آینده نقش رادیولوژیست، پاتولوژیست و پزشک آزمایشگاه از یکدیگر جدا شود. شاید متخصصان به «یکپارچه کننده اطلاعات تشخیصی» تبدیل شوند و با همکاری نزدیک‌تر در بخش‌های تشخیصی یکپارچه، همه قطعات پازل تشخیصی را در اسرع وقت در کنار یکدیگر قرار دهند.

در ادامه کاربردهای هوش مصنوعی در حوزه سلامت، می‌توان به استفاده از این تکنولوژی در تشخیص ویروس کرونا بر اساس صدای سرفه افراد اشاره کرد. کارشناسان انستیتوی تکنولوژی ماساچوست اعلام کردند که نوعی مدل هوش مصنوعی طراحی کرده‌اند که می‌تواند موارد بدون علائم ابتلا به ویروس کرونا را از طریق صدای سرفه تشخیص دهد.

تشخیص کرونا بر اساس صدای سرفه افرادتشخیص کرونا – تشخیص کرونا بر اساس صدای سرفه افراد

افرادی که علائمی از خود نشان نمی‌دهند، کمتر تحت آزمایش قرار می‌گیرند. بنابراین ممکن است بدون این که اطلاع داشته باشند، بیماری را به دیگران منتقل کنند. این مدل، به پیشگیری از بروز این عارضه کمک می‌کند. متخصصان، با بررسی ده‌ها هزار نمونه از صدای سرفه و صداهایی که توسط افراد داوطلب ارسال شده، دریافتند که مدل سرفه در افراد بدون علامت با افراد سالم متفاوت است. این تفاوت، توسط گوش انسان قابل تشخیص نیست؛ اما هوش مصنوعی می‌تواند آن را تشخیص دهد. این مدل توانسته است بیماری کووید ۱۹ را با دقت ۹۸.۵ درصد در افراد مبتلا تشخیص دهد.

شما چقدر با کاربردهای هوش مصنوعی در حوزه‌های گوناگون آشنا هستید؟ چه کاربردهای دیگری از هوش مصنوعی در حوزه سلامت می‌شناسید؟ به نظر شما استفاده از هوش مصنوعی در حوزه سلامت، چه تاثیری بر پیشگیری، کنترل و درمان بیماری‌ها دارد؟ نظرات و تجربیات‌تان را با ما و دیگران به اشتراک بگذارید.

آینده هوش مصنوعیآینده هوش مصنوعی

به سختی می‌توان در مورد آینده این فناوری شگفت‌انگیز اظهار نظر کرد، اما با توجه به قابلیت‌های متعدد آن، هوش مصنوعی به شکل گسترده‌ای در زندگی شخصی و کاری افراد مورد استفاده قرار خواهد گرفت. اینترنت اشیا مدل پرطرفدار این امر در دنیای امروز می‌باشد.

تکنیک‌ها و زبان‌های برنامه‌نویسی هوش مصنوعیتکنیک‌ها و زبان‌های برنامه‌نویسی هوش مصنوعی

ساختن هوش مصنوعی به مجموعه مهارت‌های خاصی نیاز دارد. در زیر هشت زبان برنامه نویسی مناسب برای توسعه هوش مصنوعی آورده شده است.

    هوش مصنوعی با پایتون

پایتون یک زبان برنامه نویسی سطح بالا و همه منظوره است. توسعه دهندگان پایتون را به دلیل سینتکس ساده و رویکردشی گرا برای قابلیت نگهداری کد ارزشمند می‌دانند. برای انجام پروژه‌های بزرگ و پیچیده پایتون گزینه خوبی است. محبوب‌ترین چارچوب پایتون برای توسعه هوش مصنوعی “TensorFlow” است. TensorFlow یک کتابخانه یادگیری ماشین منبع باز است که در آن شبکه‌های عصبی عمیق را آموزش می‌دهید. سایر کتابخانه‌ها و چارچوب‌های از پیش موجود پایتون عبارت‌اند از:

    Pandas

    SciPy

    nltk

    PyTorch

    Keras

    Theano

    scikit-learn

شما قادر خواهید بود با این فناوری‌ها یادگیری ماشینی، پردازش زبان طبیعی (NLP) و ارزیابی عبارات ریاضی پیشرفته را انجام دهید. پردازش زبان طبیعی چیزی است که برنامه‌های دستیار هوشمند مانند الکسا برای درک آنچه می‌گویید و پاسخی که می‌دهد استفاده می‌کنند. پایتون علیرغم توانایی‌هایی که دارد یکی از آسان‌ترین زبان‌ها برای یادگیری است.

    Java

جاوا یک زبان ارزشمند است. شما می‌توانید از جاوا در هر مکان و در هر پلتفرمی استفاده کنید. اگرچه توسعه دهندگان اندروید این امکان را دارند که با “Kotlin” کار کنند اما جاوا یک زبان مادری برای توسعه برنامه اندروید است. توسعه دهندگان اپلیکیشن موبایل می‌دانند که هوش مصنوعی AI یک روند سودآور است؛ حتی جاوا در خارج از برنامه‌های تلفن همراه چندین کتابخانه یادگیری ماشینی برای یادگیری عمیق و پردازش زبان طبیعی دارد. اگر دوست دارید از جاوا برای نیازهای یادگیری ماشینی استفاده کنید چند گزینه پیشنهادی برای شما داریم:

    Deep Java Library

    Kubeflow

    OpenNLP

    Java Machine Learning Library

    Neuroph

جاوا کار با زبان ساده خود مطمئناً در پروژه‌های هوش مصنوعی استفاده می‌شود.

    Lisp

Lisp یکی از قدیمی‌ترین زبان‌ها برای توسعه هوش مصنوعی است که در سال ۱۹۵۸ ایجاد شد و تا سال ۱۹۶۲ با کمک جان مک کارتی توانست به حل مشکلات هوش مصنوعی کمک کند. در حال حاضر این زبان توانایی‌های زیادی دارد اما به دلیل کتابخانه‌های پیچیده‌اش به ندرت توسعه‌دهندگان از آن استفاده می‌کنند. پروژه‌های هوش مصنوعی AI مختلفی وجود دارد که تخصص Lisp یک دارایی بزرگ برای آن به حساب می‌آید مانند:

    نمونه سازی سریع

    ایجادشی پویا

    اجرای ساختارهای داده به‌عنوان برنامه

    اصلاح برنامه‌ها به‌عنوان داده

    جمع آوری زباله اجباری

اخیراً Lisp به خاطر انعطاف بسیار زیاد و تبدیل افکار به واقعیت محبوبیت زیادی پیدا کرده است.

    C++

C++ زمان طولانی است که وجود داشته و نسبتاً سطح پایینی دارد. C++ با سخت‌افزار و ماشین‌ها به خوبی کار می‌کند اما برای جنبه تئوری نرم‌افزار خیلی خوب نیست. بااین‌وجود ظرفیت C++ برای برنامه‌نویسی‌های سطح پایین عالی خواهد بود. شما می‌توانید از ابتدا شبکه‌های عصبی را با استفاده از C++ بسازید و کد کاربر را به چیزی ترجمه کنید که ماشین‌ها می‌توانند بفهمند.

    R

R یک زبان محبوب برای جوانان و افراد حرفه‌ای است. R بهترین زبان برای هوش مصنوعی نیست اما در خرد کردن اعداد بسیار کاربردی است. در توسعه هوش مصنوعی، داده‌ها اهمیت زیادی دارند پس اگر می‌خواهید داده‌ها را به‌طور دقیق تجزیه و تحلیل کنید و نمایش دهید R را دست کم نگیرید. در ادامه برخی از بسته‌های R را به شما معرفی می‌کنیم:

    Gmodels: ابزارهایی برای برازش مدل

    Tm: چارچوبی برای برنامه‌های متن کاوی

    OneR: برای پیاده سازی طبقه بندی  One Rule Machile Learning

    Julia

Julia یکی از زبان‌های جدید برای توسعه هوش مصنوعی است. اگرچه در حال حاضر جامعه Julia کوچک است اما به‌عنوان یکی از بهترین زبان‌ها برای هوش مصنوعی همیشه در لیست‌ها قرار می‌گیرد. از ویژگی‌های اساسی جولیا می‌توان به پشتیبانی مستقیم از توابع C، سیستم نوع پویا و محاسبات موازی و توزیع شده اشاره کرد. Julia در مورد توسعه هوش مصنوعی بسته‌های متعددی دارد مانند:

    MLJ.jl

    Flux,jl

    Turing,jl

    Metalhead

    Prolog

Prolog یک پورت برنامه نویسی منطقی از سال ۱۹۷۲ است. Prolog برای پروژه‌های گوناگون به خوبی کار می‌کند. در Prolog به جای استفاده از دنباله‌های کدگذاری شده شما به سادگی مجموعه‌ای اساسی از حقایق، قوانین، اهداف و پرس و جوها را ترسیم می‌کنید. Prolog در تطبیق الگو مناسب است به خصوص زمانی که NLP درگیر باشد.

    Haskell

Haskell یک زبان برنامه نویسی استاتیکی و کاملاً کاربردی است. Haskell نه تنها انعطاف پذیری بالایی دارد بلکه مدیریت کارآمد حافظه و شیوه‌های قابلیت استفاده مجدد آن را بسیار کاربردی کرده است. Haskell یک زبان برنامه نویسی تنبل است یعنی در صورت لزوم قطعات کد را ارزیابی می‌کند.

مسئله کنترل هوش مصنوعیمسئله کنترل هوش مصنوعی

مسئله کنترل هوش مصنوعی به معنای طراحی و تعیین روش‌ها و الگوریتم‌هایی است که بتوانند هوش مصنوعی را به‌طور صحیح کنترل کنند. در این مسئله هدف این است که هوش مصنوعی به‌طور مناسب و با دقت اقدامات خود را انجام دهد و به وظایف مورد نظری برسد؛ به‌عنوان‌مثال در حوزه رباتیک مسئله کنترل هوش مصنوعی شامل طراحی الگوریتم‌ها و روش‌هایی است که ربات‌ها قادر به تشخیص و پاسخ به محیط و وظایف خود باشند.

مسابقه تسلیحاتی هوش مصنوعیمسابقه تسلیحاتی هوش مصنوعی

مسابقه تسلیحاتی هوش مصنوعی یک رقابت است که بین سیستم‌های هوش مصنوعی برگزار می‌شود. در این مسابقه، سیستم‌های هوش مصنوعی با یکدیگر به رقابت می‌پردازند تا نشان دهند کدام یک از آن‌ها در حل یک مسئله خاص بهتر عمل می‌کنند. این مسابقه در حوزه‌های مختلفی مانند بازی‌های رایانه‌ای، تشخیص تصاویر، ترجمه ماشینی و … برگزار می‌شود. هدف اصلی مسابقه تسلیحاتی هوش مصنوعی «تحقیقات و پیشرفت در زمینه هوش مصنوعی AI» است.

مشاغل مرتبط با هوش مصنوعی

برخی از محبوب‌ترین مشاغلی که در ارتباط با هوش مصنوعی AI هستند عبارت‌اند از:

    مهندس نرم افزار

این گروه از مهندسان در حوزه توسعه نرم افزار کار می‌کنند تا محصولات جدیدی را از چت‌بات‌های جدید و بهبود یافته گرفته تا برنامه‌های خرید برای هوش مصنوعی ایجاد کنند. آن‌ها از زبان‌های برنامه نویسی مانند پایتون و جاوا استفاده می‌کنند.

    دانشمند داده

دانشمندان داده، داده‌های مورد استفاده در هوش مصنوعی را جمع آوری، سازماندهی و تجزیه و تحلیل می‌کنند. آن‌ها برچسب گذاری داده‌ها را برای کمک به بهبود هوش مصنوعی AI برای آینده بر عهده دارند. این افراد در شرکت‌های فناوری یا شرکت‌های مهندسی کار می‌کنند.

    مهندس یادگیری ماشین

مهندسان یادگیری ماشین از داده‌ها و الگوریتم‌ها برای بهبود ابزارهای هوش مصنوعی استفاده می‌کنند. آن‌ها می‌خواهند به هوش مصنوعی کمک کنند تا دقتش را بهبود ببخشد و شبیه یک انسان “فکر” کند. وظایف مهندسان یادگیری ماشین شامل تحقیق، تجزیه و تحلیل و بهینه سازی فرمول‌های یادگیری ماشین می‌شود.

    مهندس داده

این مهندسان زیرساخت‌های دیجیتالی را به وجود می‌آورند تا داده‌هایی را که ابزارهای هوش مصنوعی برای عملکرد صحیح نیاز دارند را به خوبی حفظ کنند.

    مهندس پردازش زبان طبیعی

مهندسین پردازش زبان طبیعی (NLP) سیستم‌های پردازش NLP را طراحی می‌کنند؛ به‌عنوان‌مثال آن‌ها ممکن است ابزارهایی را ایجاد کنند که به هوش مصنوعی اجازه می‌دهد الگوهای گفتار را تشخیص دهد، دقیقاً مانند الکسا که دستورات شما را دنبال می‌کند. مهندسین پردازش زبان طبیعی علاوه بر توسعه ابزارهای جدید ممکن است ابزارهای موجود را برای بهبود تجربه کاربر بهبود ببخشند.

    مهندس رباتیک

    رباتیک و هوش مصنوعی

مهندسان رباتیک از ابزارهایی مانند اتوماسیون و هوش مصنوعی هوش مصنوعی ai برای توسعه سیستم‌های رباتیک استفاده می‌کنند. این سیستم‌ها ممکن است کارهای پر زحمتی را که قبلاً توسط انسان انجام می‌شد را انجام دهند مانند چیدن اقلام انبار تا تمیز کردن کف.

    توسعه دهنده هوش تجاری (BI)

توسعه دهندگان هوش تجاری به پر کردن شکاف بین داده‌های هوش مصنوعی و افرادی که با آن کار می‌کنند از جمله مدیران محصول، تحلیلگران و مدیران کمک می‌کنند. آن‌ها داده‌ها را به شیوه‌ای قابل فهم سازماندهی کرده و گزارش می‌دهند.

    مهندس یادگیری عمیق

یادگیری عمیق نوعی یادگیری ماشینی است که با شبکه‌های عصبی مصنوعی سر و کار دارد. مهندسان یادگیری عمیق به دنبال بهبود هوش مصنوعی هستند تا بتواند روش کسب دانش را بهتر تقلید کند.

    مهندس بینایی کامپیوتر

مهندسان بینایی کامپیوتر به ابزارهای مبتنی بر هوش مصنوعی کمک می‌کنند تا مانند یک انسان ببینند. آن‌ها برنامه‌هایی را ایجاد می‌کنند که می‌توانند اطلاعات بصری را شبیه به مغز انسان ایجاد و تفسیر مانند اسکن یک کد QR برای دیدن منوی رستوران.

تفاوت هوش مصنوعی و یادگیری ماشین چیست؟تفاوت هوش مصنوعی و یادگیری ماشین چیست؟

بسیاری از افراد به اشتباه تصور می‌کنند که هوش مصنوعی و یادگیری ماشین مفهوم مشترک دارند، درحالی‌که کاملاً متفاوت هستند. اگر بخواهیم به‌صورت ساده‌تر این مبحث را توضیح دهیم، باید گفت که هوش مصنوعی، نرم افزار رایانه‌ای است که تکنیک‌های خلاقانه را با اعداد و ارقام ریاضی به کار می‌گیرد تا کلیه اموری که انسان‌ها برای انجام کارهای پیچیده، مانند تجزیه و تحلیل، استدلال و یادگیری انجام می‌دهند را تقلید کند. از طرفی یادگیری ماشین، زیرمجموعه‌ای از هوش مصنوعی است که الگوریتم‌های آموزش داده شده را روی داده‌ها پیاده‌سازی می‌کند تا بتواند کارهای پیچیده انسانی را به خوبی انجام دهد.

امروزه تکنولوژی به سرعت در حال پیشرفت و خلق چیزهای شگفت‌انگیز است. به‌عنوان‌مثال، هوش مصنوعی با بهره‌گیری از یادگیری ماشین، هر درخواست دیجیتالی که انسان داشته باشد را با حداکثر کیفیت انجام داده و ارائه می‌دهد. بنابراین اغلب مواقع هوش مصنوعی در کنار یادگیری ماشین می‌تواند کاربردهای جامع‌تری داشته باشد. نکته دیگر آنکه هوش مصنوعی با استفاده از کد، تکنیک و یا آمار و ارقام ریاضی تلاش می‌کند تا رفتار و کردار انسان را با استفاده از کامپیوتر تقلید کند. درصورتی‌که یادگیری ماشین به درک مفاهیم عمیق و کدنویسی شده کاری ندارد.

دامنه فعالیت هوش مصنوعی بسیار گسترده است، اما یادگیری ماشین سعی می‌کند وظیفه‌ای خاص را به ماشین یا دستگاه‌ها بیاموزد و به خودکارسازی آن‌ها کمک کند. باتوجه به آینده هوش مصنوعی و پیشرفت مداوم آن، این فناوری کم کم یاد می‌گیرد تا به‌طور کامل مثل انسان فکر کند و تصمیم بگیرد. در مقابل، یادگیری ماشین تنها قادر به انجام کارهایی است که از قبل داده‌های مربوط به آن را دریافت کرده باشد.

چگونه کار کردن با هوش مصنوعی را بیاموزیم؟چگونه کار کردن با هوش مصنوعی را بیاموزیم؟

ممکن است شما هم جزو آن دسته از افرادی باشید که تا به امروز به درستی نمی‌دانستید هوش مصنوعی چیست؟ ما در این مقاله به این پرسش پاسخ دادیم و درمورد کاردبردها و مزایا و معایب و… صحبت کردیم.

همان‌طور که می‌دانید، این مبحث بسیار عمیق و گسترده است، اما به طور خلاصه هوش مصنوعی به دنبال تقلید اعمال و رفتار انسان برای به سرانجام رساندن امور با رویکردی مشخص است. اگر شما هم به این مبحث علاقه دارید و تمایل دارید در این حوزه شاغل شوید، پیشنهاد ما شرکت در بوتکمپ هوش مصنوعی و پایتون آکادمی همراه اول است. در این دوره‌ها همه آنچه که برای کار کردن با این فناوری نیاز دارید را آموزش می‌بینید.

منابع

    https://www.bbntimes.com

     siemens-healthineers.com

    https://www.iotforall.com/

    https://builtin.com/artificial-intelligence

    https://www.techtarget.com/searchenterpriseهوش مصنوعی ai/definition/Turing-test

    https://philpapers.org/browse/philosophy-of-artificial-intelligence

    https://www.analyticsinsight.net/how-to-use-هوش مصنوعی ai-a-guide-to-learning-artificial-intelligence/

    https://www.europarl.europa.eu/news/en/headlines/society/20200827STO85804/what-is-artificial-intelligence-and-how-is-it-used

    https://www.هوش مصنوعی aiacceleratorinstitute.com/what-are-the-top-7-branches-of-artificial-intelligence/

    https://www.h2kinfosys.com/blog/what-are-the-branches-of-artificial-intelligence/

    https://codebots.com/artificial-intelligence/the-3-types-of-هوش مصنوعی ai-is-the-third-even-possible

    https://www.edureka.co/blog/artificial-intelligence-algorithms/#Artificial%20Intelligence%20Algorithms

    https://www.geeksforgeeks.org/artificial-intelligence-applications/

    https://www.simplilearn.com/tutorials/artificial-intelligence-tutorial/artificial-intelligence-applications

    https://hooshio.com/%D8%AC%D8%A7%DB%8C%DA%AF%D8%A7%D9%87-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D8%A7%DB%8C%D8%B1%D8%A7%D9%86/

    https://dataconomy.com/2023/07/06/challenges-in-artificial-intelligence/

    https://www.trio.dev/blog/best-languages-for-هوش مصنوعی ai

    https://joinhandshake.com/blog/students/artificial-intelligence-jobs/