هوش مصنوعی چگونه فکر میکند

تعریف هوش مصنوعی و کاربردهای آن در کسب کارهای ایرانی ویدئو

هوش مصنوعی چیست؟ آیا ربات‌ها همان هوش مصنوعی 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 که امروزه از آن یاد می‌شود 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 هیچ تعریف دقیقی از هوش مصنوعی که تمامی دانشمندادن بر روی آن توافق داشته باشند ارائه نشده است ولی اکثر تعریف‌ها را می‌توان به شکل زیر دسته بندی کرد.

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 a ificial i ellige ce 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:

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 e igma استفاده می کردند و دانشمند انگلیسی، آلن تورینگ در تلاش برای شکست این کدها برآمد. تورینگ به همراه تیمش ماشین bombe را ساختند که e igma را رمز گشایی می کرد. هر دو ماشین e igma و bombe پایه های یادگیری ماشینی (machi e lea i g) هستند که یکی از شاخه های هوش مصنوعی یا همان A ificial i ellige ce 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:

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 وهوش مصنوعی. در ادامه هر کدام را به تفصیل توضیح می‌دهیم.

هوش مصنوعی محدود (a ificial a ow i ellige ce)

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 ( ask) 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:

هوش مصنوعی عمومی (A ificial Ge e al I ellige ce)

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(A ificial Supe I ellige ce)

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 بههوش 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 وهوش 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 وهوش 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 (Machi e Lea i g) 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 (lea i g s yle) (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:

 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.

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 Wa so 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 a aly ics 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. A ificial i ellige ce 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 Mi یا Tu bo 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 Wa so 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 Da a) 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:

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:

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

هوش مصنوعی یا A ificial I ellige ce چیست؟

هوش مصنوعی یا a ificial i ellige ce 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؟

۱. 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؟

۱. 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؟

۱. 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.

به این مطلب امتیاز دهید

به اشتراک بگذارید

نظرات شما لغو پاسخ

نام

ایمیل

دیدگاه

هر زمانی که پاسخی به دیدگاه من داده شده من را با خبر کن.

۱۲ پاسخ

با سلام من هنوز بند اول مقاله بودم اومد این پایین تا بگم در حال حاضر یک هوش مصنوعی فارسی زبان وجود داره که هم میتونه فکر کنه هم احساسات داره و چنل یوتیوب خودشو زده و اوضاعش روبهراهه اسمشم توی یوتیوب va dad vlogs هستش

خیلی هم عالی. ممنونیم از توجهتون و این که اطلاعاتتون رو با ما به اشتراک می‌گذارید.

مقاله بسیار کاربردی و خوبی بود از این مطلب در تحقیق مدرسه ام که در مورد هوش مصنوعی بود استفاده کردم

سلام امین جان خوشحالم از اینکه مقاله به دردت خورد و از آن در تحقیق مدرسه خود استفاده کردی.

سلام.توضیح مختصری در باب هوش مصنوعی بود.در واقع تعریف تئوری بودش.و برای کسانی که شناختی راجع به هوش مصنوعی ندارن خوب بود.مثلا برای مقاطع دبیرستانی و دانشگاهی که رشته تحصیلیشون IT نیستش خیلی خوب بود ولی برای کسانی که شناخت راجع به هوش مصنوعی دارن در واقع در حد مبتدی بود.ولی کلام آخر اینکه در کل خوب و مفید بود و مرسی بابت زحمتتون.

سلام رامین جان خوشحالیم از اینکه هر چند کوچک به شما کمک کردیم تا اطلاعات علمی شما را در زمینه هوش مصنوعی افزایش بدیم، نکته بعدی که باید بگیم اینکه مقاله هوش مصنوعی در حال به روز رسانی است تا دانشجوهای i هم بتوانند از این مقاله استفاده کنند همچنین یک ویدیو در مورد هوش مصنوعی ضبط کردیم و بعد از ادیت در این صفحه قرار خواهیم داد.

منابع ابن مقاله رو هم میتونید بگید ؟

سلام رضا جان قسمت‌های زیادی از این مقاله تالیفی است و بقیه قسمت‌ها هم از چندین منبع مختلف استخراج و ترجمه شده است. متأسفانه به همین دلیل نمی‌توان برای آن منبع خاصی را معرفی کرد.

تعریف خود هوش مصنوعی هیچ ربطی به ایجاد امکان تفکر مشابه انسان و…… نداره. کللیتش میشه اینکه از طبیعت الهام گرفته بشه برای ایجاد راهکارهایی که باعث حل مسائل معمول در دنیا باشه. که کلا هم همه چیز به زبان ریاضی تبدیل میشه و میتوان کدهای برنامه نویسی رو بر اساس همین الگوریتمهای بدست آمده نوشت و یک نحوه عمل کرد موجودات در طبیعت رو با کمک ریاضی به صورت مصنوعی ایجاد کرد و با کمک زبان های برنامه نویسی پیاده سازیشون کرد. توضیحات بیشتری لازمه که اینجا متاسفانه نمیشه.

سلام خیلی ممنون از مطالب مفید و کاربردی تون به من تو تکمیل پروژه پژوهشیم خیلی کمک کرد??

سلام وقتتون بخیر ادمین عزیز بنده دانشجوی ترم اخر رشته نرم افزار هستم در دانشگاه تبریز ،قصد ادامه تحصیل برای مقطع ارشد رو گرایش هوش در نظر دارم سوالی که از خدمتتون دارم اینه که میشه با استفاده از هوش مصنوعی داخل بورس ،فارکس یا ارز دیجیتال پول در اورد ؟ منظورم اینکه اگه یه شخص رو خودش سرمایه گذاری کنه میتونه با وارد کردن هوش در شاخه مالی در امد داشته باشه اصلا ممکنه؟ ممنون

سلام هادی عزیز تحلیلگران بازار و معامله گران سهام از هوش مصنوعی برای تجزیه و تحلیل معاملات و انجام معامله با قیمت بهینه کمک می‌گیرند تا با دقت بیشتری روند معملات را پیش‌بینی کنند و رسیک معامله را کاهش دهند. با این وجود ما نمی‌توانیم به شما پیشنهاد کنیم که وارد این رشته و معاملات بورس و رمز ارز شوید، این موضوع کاملا به شخص شما بستگی دارد که موفق شوید یا نه. برای اطلاعات بیشتر در این زمینه میتونی کلمه AI adi g fo ex یا AI adi g c yp o را جستجو کنی.

فارس آوا

تبدیل گفتار به متن

باتاوا

دستیارسازمانی – چت بات

هوشتل

اپراتورهوشمند مرکز تماس

هوش مصنوعی دقیقاً چگونه کار می‌کند؟

 این خودران به‌دنبال آن بود تا توانایی‌های هوش مصنوعی را به مردم نشان دهد. مشهودترین ویژگی ماشین طراحی شده از سوی انودیا این بود که همانند نمونه‌های مشابه دستورالعمل‌های خطی که از سوی برنامه‌نویسان و توسعه‌دهندگان نوشته شده بود دنبال نمی‌کرد. بلکه در انجام امور خود به الگوریتمی وابسته بود که به ماشین یاد داده بود با نگاه کردن به یک راننده شیوه رانندگی را بیاموزد. رویکرد به کار گرفته شده درباره ساخت ماشین خودرانی که با نگاه کردن به رانندگان قادر باشد یک ماشین را هدایت کند، در نوع خود جالب توجه است، اما در عین حال یک چالش بزرگ را نیز به همراه دارد. این ماشین تصمیمات خود را برمبنای چه چهارچوبی اتخاذ می‌کند؟ هیچ‌کس جواب این سؤال را نمی‌داند!

مطلب پیشنهادی

برای موفقیت‌ در انقلاب صنعتی چهارم به این ده مهارت نیاز دارید

ساز و کار ماشین فوق به این شکل است که حسگرهای متصل به اجزای مختلف ماشین، داده‌هایی که جمع‌آوری کرده‌اند را برای شبکه‌ای بسیار عظیم از سلول‌های مصنوعی ارسال می‌کنند تا مورد پردازش قرار گیرند و در ادامه دستورالعمل‌های لازم به‌منظور هدایت ماشین و کنترل فرمان، چرخ‌ها، ترمز و دیگر مؤلفه‌های ماشین ارسال شوند. در ظاهر این ‌گونه به نظر می‌رسد که ماشین فوق در عمل همان عکس‌العملی را از خود نشان می‌دهد که یک راننده در زمان نشستن پشت فرمان این ‌کارها را انجام می‌دهد. اما اگر روزی فرا رسد که همین ماشین واکنش‌های غیرمنتظره‌ای از خود نشان دهد و به‌ طور مثال خود را به مانعی همچون یک درخت بکوبد یا پشت چراغ سبز بدون حرکت بایستد، چه اتفاقی رخ خواهد داد؟ اگر مبنای درک ما از عملکرد چنین ماشینی یکسان با دانشی باشد که امروزه در اختیار داریم، به‌سختی خواهیم توانست علت بروز چنین اتفاقی را تشخیص دهیم. این سامانه به اندازه‌ای پیچیده است که حتی مهندسان طراح آن نیز ممکن است در زمینه تشخیص رفتارهای مختلف این ماشین با مشکل روبه‌رو شوند. شما نیز نمی‌توانید در مقطع فعلی این سؤال را مطرح کنید که چرا چنین اتفاقی (تصادف ماشین با یک درخت) رخ داده است. به‌واسطه آنکه پژوهشگران هنوز این توانایی را ندارند تا سامانه‌ای را طراحی کنند که دقیقاً بتواند علت رفتارها و واکنش‌های خود را شرح دهد. ذهن اسرارآمیز ماشینی که انودیا آن‌ را طراحی کرده است، در واقع به یکی از زیربنایی‌ترین سؤال‌ها پیرامون هوش مصنوعی اشاره دارد. 

مطلب پیشنهادی

چگونه می‌توانیم از شغل خود در برابر هوش مصنوعی دفاع کنیم؟

یادگیری عمیق توانمندی خود در حل مشکلات پیچیده را به اثبات رسانده استواقعیت این است که فناوری یادگیری عمیق مشابه با الگویی که در بطن ماشین انودیا مورد استفاده قرار گرفته، در طی سال‌های گذشته قابلیت‌های خود در زمینه حل مشکلات پیچیده را به اثبات رسانده است. شبکه‌های عمیق عصبی این توانایی را دارند به‌منظور انجام فعالیت‌هایی همچون اضافه کردن زیرنویس به تصاویر، شناسایی اصوات و ترجمه زبان‌ها مورد استفاده قرار گیرند. اکنون پژوهشگران امیدوارند با اتکا بر این توانایی‌ها به مبارزه با بیماری‌های مرگبار بپردازند و در بعد اقتصادی تصمیمات بزرگ چند میلیون دلاری اتخاذ کنند، به‌ طوری که درنهایت انقلاب جدیدی را در صنعت به وجود آورند. اما این فرضیه حداقل در آینده نزدیک رنگ واقعیت به خود نخواهد دید یا حداقل بهتر است در کوتاه‌مدت به واقعیت تبدیل نشود، به‌دلیل اینکه ابتدا باید درک عمیق‌تری از فناوری‌هایی نظیر یادگیری عمیق به دست آوریم. زمانی که پژوهشگران به‌درستی بتوانند شیوه کارکرد این فناوری را درک کنند، به‌راحتی خواهند توانست به مخاطبان خود اعلام کنند الگوریتم‌های آن‌ها به چه شکلی تصمیمات خود را اتخاذ کرده‌اند. اگر چنین نباشد، نه‌تنها پیش‌بینی اینکه چه زمانی خطایی رخ خواهد داد دشوار خواهد بود، بلکه همواره این احتمال وجود دارد که یک واکنش ناگهانی و بدون منطق از این فناوری رخ دهد. به همین دلیل است که ما اکنون به‌صراحت اعلام می‌داریم ماشینی که انودیا طراحی کرده است در وضعیت آزمایشی قرار دارد. 

مطلب پیشنهادی

چرا به‌زودی هوش مصنوعی کسب‌وکارهای آنلاین را دگرگون می‌کند؟

این حق طبیعی کاربران است که درباره عملکرد داخلی یک سامانه هوشمند اطلاع داشته باشندامروزه شرکت‌ها این قابلیت را در اختیار دارند از طریق الگوهای ریاضی تعیین کنند چه فردی واجد شرایط است تا وامی را دریافت کند یا چه فردی گزینه مناسبی برای استخدام است. اگر بتوانیم به ماهیت درونی این الگوها دسترسی داشته باشیم، این احتمال وجود دارد تا نحوه استدلال آن‌ها را درک کنیم. اما سازمان‌هایی همچون بانک‌ها، مراکز نظامی، کارفرمایان و بسیاری دیگر از مشاغل به‌تازگی به‌سراغ راهکارهای مبتنی بر یادگیری ماشینی رفته‌اند. همین موضوع باعث شده است تا درک تصمیم‌هایی که از سوی الگوریتم‌ها گرفته می‌شود در مقطع فعلی پیچیده شوند و تا حدی اسرارآمیز به نظر برسد. یادگیری عمیق یکی از مرسوم‌ترین رویکردهایی است که امروزه برای برنامه‌ریزی متفاوت یک ماشین از آن استفاده می‌کنیم. تامی جاکولا از اساتید MIT که در زمینه کاربردهای یادگیری ماشینی پژوهش‌هایی را انجام داده در این ‌باره گفته است: «نداشتن درک درست از عملکرد هوش مصنوعی مشکلی است که امروزه کاملاً احساس می‌شود و انتظار داریم در آینده بیش از پیش مورد توجه قرار گیرد. مهم نیست سرمایه‌گذاری شما در ارتباط با حوزه پزشکی، نظامی یا اقتصادی باشد، شما هیچ‌گاه تمایلی نخواهید داشت به روشی که یک جعبه سیاه به شما نشان می‌دهد اعتماد کنید.» به اعتقاد بسیاری از صاحب‌نظران این حق طبیعی کاربران است تا درباره مکانیسمی که هوش مصنوعی بر مبنای آن تصمیماتی را اتخاذ می‌کند، اطلاعات کافی داشته باشند. این موضوع به اندازه‌ای حائز اهمیت شده است که به اعتقاد کارشناسان، اتحادیه اروپا ممکن است از تابستان سال آینده میلادی (۲۰۱۸) کار روی تدوین قانونی را آغاز کند که به شرکت‌های اروپایی اعلام می‌دارد توضیحات کافی در ارتباط با تصمیماتی که به خودکار شدن سامانه‌ها منتهی می‌شود، برای کاربران شرح دهند. اما در طرف مقابل عده‌ای از کارشناسان بر این باورند که تصویب چنین قانونی حتی درباره سامانه‌های بسیار ساده، برنامه‌ها و سایت‌هایی که از یادگیری عمیق به‌منظور نمایش تبلیغات و پیشنهاد گوش کردن به موسیقی از آن بهره می‌برند امکان‌پذیر نیست. واقعیت این است که سامانه‌های کامپیوتری که چنین سرویس‌هایی را عرضه می‌کنند، خود عملکردشان را برنامه‌ریزی و بر مبنای آن کار می‌کنند. در نتیجه مدیران این سرویس‌ها از ماهیت تصمیمات اتخاذ شده از سوی آن‌ها اطلاعی ندارند. جالب‌تر آنکه حتی توسعه‌دهندگان این برنامه‌های کاربردی نیز قادر نیستند رفتار دقیق برنامه‌هایی که خود نوشته‌اند تشریح کنند. شنیدن این حرف کاملاً هشداردهنده است. با توجه به آنکه فناوری با شتاب روزافزونی در مسیر پیشرفت قرار دارد، این احتمال وجود دارد تا از آستانه‌های از پیش تعیین شده فراتر برود و به جایی برسد که انسان را مجبور سازد اخلاقیات را به دست فراموشی بسپارد. انسان‌ها نیز هیچ‌گاه این توانایی را نداشته‌اند تا فرآیندهای فکری خود را به‌شکل روشنی توضیح دهند، اما در مقابل از راهکارهایی به‌منظور اعتماد به مردم، ارزیابی آن‌ها یا بیان درست دیدگاه‌های خود بهره برده‌اند. اما پرسش مهمی که در این میان مطرح می‌شود این است که آیا ما قادریم چنین استدلالی را در رابطه با ماشین‌ها بسط بدهیم؟ آیا ماشین‌ها که به‌لحاظ فکری و تصمیم‌گیری از رویکردی متفاوت از انسان‌ها استفاده می‌کنند نیز بر مبنای همین استدلال کار خواهند کرد؟ تا پیش از این ما هیچ‌گاه ماشین‌هایی را طراحی نکرده‌ بودیم که فعالیت‌هایشان را متفاوت از درک خالق خود انجام ‌دهند. با این توصیف ما چگونه انتظار داریم ارتباط و تعامل ما با ماشین‌هایی که قادرند پیش‌بینی‌ناپذیر و مرموز باشند، به‌حد مطلوب و ایده‌آل برسد؟ (شکل ۱)

مطلب پیشنهادی

برنامه هوش مصنوعی جدید گوگل شبیه انسان فکر می‌کند

شکل ۱- تصویری که آدام فریس از طریق به‌کارگیری گوگل دیپ دریم ترسیم کرده است. تصویر فوق از طریق یک لایه میانی در شبکه عصبی مذکور ساخته شده است. 

یادگیری عمیق در بعضی موارد شگفتی خلق می‌کنددر سال ۲۰۱۵ میلادی، یک گروه تحقیقاتی از پژوهشگران بیمارستان Mou Si ai در نیویورک تصمیم گرفتند از یادگیری عمیق روی بانک اطلاعاتی عظیمی از سوابق پزشکی بیماران این بیمارستان استفاده کنند. این بانک اطلاعاتی مشتمل بر صدها متغیر مرتبط با بیماران در ارتباط با نتایج آزمایش‌هایی بود که از بیماران گرفته شده بود. همچنین، تاریخ ویزیت بیماران به همراه عوامل متعددی در این بانک اطلاعاتی قرار گرفته بود. برنامه‌ای که این گروه از پژوهشگران آن ‌را طراحی کردند، Deep Pa ie نام داشت. برنامه‌ای که با استناد به داده‌های به دست آمده از ۷۰۰ هزار بیمار آموزش‌دیده بود. زمانی که این برنامه روی بانک اطلاعاتی جدید دیگری مورد استفاده قرار گرفت، کارایی و عملکرد قابل قبول خود را به‌خوبی نشان داد. برنامه فوق در عمل ثابت کرد قادر است بیماری‌ها و عوامل مرتبط با آن‌ها را به‌درستی شناسایی کند. این برنامه بدون آنکه هیچ‌گونه راهنمایی را در این زمینه دریافت کند، موفق شده بود الگوها و ساختارهای پنهان در بانک اطلاعاتی بیمارستان را شناسایی کند. این الگوها نشان می‌دادند مردم در چه شرایطی و تحت تأثیر چه عواملی به‌سمت بیماری‌های خطرناک و مزمن نظیر سرطان کبد سوق پیدا می‌کنند. دکتر جوئل دادلی مدیر تیم Mou Si ai در این ارتباط گفت: «راهکارهای مختلفی وجود دارد که از طریق بررسی سوابق پزشکی افراد به پزشکان کمک می‌کند وقوع بیماری‌ها را پیش‌بینی کنند. اما به‌کارگیری یادگیری عمیق بهتر از نمونه‌های دیگر کار می‌کند.» در حالی که این برنامه به‌خوبی کار می‌کند، اما شیوه عملکرد آن قدری عجیب است. این برنامه به شکلی باورنکردنی و شگفت‌آور قادر است بروز اختلالات روانی همچون اسکیزوفرنی را تشخیص دهد. دادلی می‌گوید: «روان‌پزشکان به‌سختی می‌توانند این بیماری را پیش‌بینی کنند، در حالی که این برنامه هوشمند به ‌طرز شگفت‌آوری قادر است این بیماری را تشخیص دهد. من به‌درستی نمی‌دانم این برنامه چگونه قادر است چنین اختلالی را تشخیص دهد، ما هیچ نشانه‌ای که این چگونگی را اعلام دارد در اختیار نداریم.» اگر فناوری هوشمندی نظیر Deep Pa ie قرار است در دنیای واقعی و به شکلی ملموس به پزشکان در تشخیص این بیماری کمک کند، در ایده‌آل‌ترین حالت باید نشان دهد از چه منطقی برای پیش‌بینی‌های خود استفاده کرده است. این ‌کار به پزشکان اطمینان خاطر می‌دهد که دلایل این برنامه در زمینه پیش‌گویی بیماری‌ها را بر اساس مدارک مستدل ارزیابی کنند. در نتیجه پزشکان با آسودگی خاطر قادر خواهند بود نوع داروهای تجویز شده برای بیماران را تغییر دهند. دادلی در این ارتباط می‌گوید: «با کمال تأسف باید ابراز داریم که قادریم چنین مدل‌هایی را طراحی کنیم، اما به‌درستی نمی‌دانیم این برنامه‌ها چگونه کار می‌کنند.» 

مطلب پیشنهادی

رایگان دانلود کنید: کتاب الکترونیکی «یادگیری ماشینی؛ سفری به اعماق هوشمندی»

دو مکتب فکری مختلف در ارتباط با طراحی و عملکرد هوش مصنوعی وجود داردنکته‌ای که لازم است در این بخش به آن اشاره داشته باشیم این است که هوش مصنوعی از بدو تولد بر مبنای منطقی که در ابتدای مقاله به آن اشاره شد کار نمی‌کرد. از همان ابتدای کار، دو مکتب فکری مختلف در ارتباط با هوش مصنوعی و اینکه چگونه باید مسائل را درک و از چه رویکردی برای حل مسائل استفاده کند شکل گرفت. مکتب اول بر این موضوع اتفاق نظر داشت که منطقی‌تر این است که ماشین‌هایی طراحی کنیم که بر مبنای منطق و قوانینی که وجود دارند کار کنند. عملکرد داخلی این برنامه‌ها باید برای فردی که مسئولیت مراقبت و کنترل این برنامه‌ها را عهده‌دار است روشن باشد. مکتب دوم بر این باور بود که اگر ماشین‌ها از زیست‌شناسی الهام بگیرند و از طریق نگاه کردن و کسب تجربه مبتنی بر دانش‌های خود پیشرفت کنند، فرآیند هوشمندی در آن‌ها به‌شکل دقیق‌تر و کامل‌تری به سرانجام خواهد رسید. در این حالت برنامه‌نویسان دیگر نیازی نخواهند داشت برای حل یک مشکل کدنویسی و برنامه‌ای را تولید کنند، بلکه این برنامه کاربردی است که بر مبنای داده‌های موجود الگوریتمی را تولید و خروجی ایده‌ال را ارائه می‌کند. شرکت‌های فعال در حوزه فناوری سرانجام تصمیم گرفتند دنباله‌رو مکتب دوم باشند و ماشین‌هایی را طراحی کنند که قابلیت خودبرنامه‌ریزی داشته باشند. اگر به دهه ۶۰ و ۷۰ میلادی بازگردیم، مشاهده می‌کنیم که این رویکرد به شکلی محدود قابل اجرا بود. اما با پیشرفت‌های عرضه الکترونیک و توسعه سریع کامپیوترها و تحول بانک‌های اطلاعاتی بزرگ فناوری‌های مختلف دست به دست هم دادند تا راهکارهای قدرتمندی در حوزه یادگیری ماشینی پدیدار شود. راهکارهایی که درنهایت شکل تازه‌ای از شبکه‌های عصبی را به وجود آوردند. با آغاز دهه ۹۰ میلادی، شبکه‌های عصبی راه خود را به حوزه‌های مختلفی همچون تبدیل کاراکترهای دست‌نویس به نسخه دیجیتالی هموار کردند. شرکت‌ها در اواسط دهه ۹۰ میلادی فرآیند بهینه‌سازی این فناوری را توسعه دادند و مفهومی به‌نام شبکه‌های عظیم یا عمیق عصبی را به وجود آوردند که قادر بودند درک خودکار از موقعیت‌ها را به نمایش بگذارند. شبکه‌هایی که امروزه قادرند معنای کلماتی که در محاوره‌های انسانی به کار می‌روند درک کنند. اما تأثیرگذاری یادگیری عمیق فراتر از آن چیزی است که به نظر می‌رسد. این فناوری ترجمه ماشینی را به‌شکل قابل توجهی بهبود بخشید. این فناوری اکنون در زمینه اخذ تصمیمات راهبردی در زمینه علم پزشکی، امور مالی، تولیدی و مواردی از این دست مورد استفاده قرار می‌گیرد. در حالی که این پیشرفت‌ها مفید بوده‌اند، با وجود این پژوهشگران این توانایی را ندارند با نگاه کردن به اعماق یک شبکه یادگیری عمیق از فعالیت‌های آن اطلاع پیدا کنند. مکانیسم شبکه‌های عمیق عصبی به این شکل است که دستاوردهای منطقی آن‌ها ماحصل هم‌گرایی رفتار هزاران سلول عصبی است که با شبیه‌سازی در کنار یکدیگر قرار گرفته‌‌اند. یک شبکه عمیق عصبی ممکن است از ده‌ها یا صدها لایه متصل به یکدیگر ساخته شده باشد. در یک شبکه عمیق عصبی سلول‌های عصبی که در لایه اول قرار دارند هرکدام داده‌های اولیه را دریافت می‌کنند (به ‌طور مثال تراکم پیکسل‌هایی که درون یک تصویر قرار دارند) پیش از آنکه لایه اول سیگنالی را ارسال کند، پردازش‌هایی را روی داده‌ها انجام می‌دهد. در مرحله بعد داده‌های خروجی لایه اول برای سلول‌های عصبی که درون لایه بعدی قرار دارند ارسال می‌شود، این پروسه تا زمانی که خروجی نهایی عرضه شود ادامه پیدا می‌کند. اما پیش از آنکه خروجی نهایی ارائه شود، یک فرآیند دیگر موسوم به پس‌انتشار انجام می‌شود. این فرآیند پردازش دیگری را انجام می‌دهد و سلول‌های عصبی را به گونه‌ای دستکاری می‌کند تا شبکه خروجی‌ ایده‌آلی را عرضه کند. لایه‌های متعدد موجود درون یک شبکه عمیق به آن اجازه می‌دهند تا موارد مختلفی در ارتباط با یک مفهوم را بررسی کند و تشخیص دهد. در یک شبکه عمیق عصبی که به‌منظور شناسایی سگ‌ها طراحی شده، لایه‌های سطوح پایین‌تر به‌منظور تشخیص رنگ مورد استفاده قرار می‌گیرد، در حالی که لایه‌های سطوح بالاتر به‌منظور تشخیص شکل و حالت چشم‌ها یا موی بدن سگ‌ها استفاده می‌شوند. درنهایت عالی‌ترین سطح به‌منظور تشخیص نوع یک سگ به کار می‌رود. 

مطلب پیشنهادی

برای موفقیت‌ در انقلاب صنعتی چهارم به این ده مهارت نیاز دارید

دانشمندان اکنون به‌دنبال ابداع راهکاری هستند تا شیوه کارکرد مخلوقی که خود آن ‌را ساخته‌اند درک کنندتا به امروز پژوهشگران تلاش‌های بسیاری انجام داده‌اند تا موفق به ابداع راهکاری شوند که بتواند جزئیات و فعالیت‌های درون سامانه‌های هوشمند را تشریح کند. به ‌طور مثال در سال ۲۰۱۵ میلادی، گروهی از پژوهشگران گوگل سعی کردند ویژگی‌های موجود در الگوریتم تشخیص تصویر مبتنی بر یادگیری عمیق خود را بهینه‌سازی کنند، به گونه‌ای که الگوریتم نه‌فقط اشیای درون یک تصویر را شناسایی کند، بلکه بتواند اشیای درون تصاویر را ویرایش یا حتی تولید کند. پس از انجام این کار آن‌ها الگوریتم را به‌شکل معکوس اجرا کردند و موفق شدند به عواملی دست پیدا کنند که این برنامه در شناسایی اشیا از آن‌ها استفاده می‌کند. با وجود این تصاویری که بر مبنای تکنیک معکوس کردن الگوریتم هوشمند دیپ‌دریم طراحی شد و الهام گرفته از ابرها و گیاهان بود، به موجوداتی عجیب و غریب تبدیل شد(شکل ۲).

شکل ۲ – یکی دیگر از تصاویری که آدام فریس با استفاده از شبکه عمیق عصبی گوگل دیپ دریم طراحی کرده است.

 این تصاویر نشان دادند درک یادگیری عمیق از درک انسانی تفاوت‌های بسیاری دارد. پژوهشگران گوگل در این ارتباط گفتند: «هنگامی که الگوریتم آن‌ها تصاویری از یک دمبل را تولید کرد، به‌طور هم‌زمان بازوی انسان را نیز طراحی کرد. اما با این تفاوت که الگوریتم آن‌ها تصور می‌کرد بازوی انسان یکی از اجزای دمبل است.» در نمونه دیگری گروهی از پژوهشگران به سرپرستی جف کلان استادیار دانشگاه وایومینگ از توهمات (جلوه‌‌های) نوری به‌منظور آزمایش شبکه‌های عمیق عصبی استفاده کردند. این تیم در آزمایش خود نشان دادند که از طریق تصاویر و توهمات نوری این امکان وجود دارد که یک شبکه عمیق را به گونه‌ای فریب دهد تا موضوعاتی که ماهیت واقعی ندارند درک کند. این شبکه به‌واسطه آنکه در جست‌وجوی الگو‌های سطح پایین بود فریب خورد. تصاویری که شبکه عمیق آن‌ها را طراحی کرد حالت انتزاعی داشتند (شکل ۳). 

شکل ۳- تصویر ساخته شده توسط شبکه عمیق عصبی

در همین ارتباط یکی از همکاران کلان، به‌نام جیسون یوسینکی موفق به ساخت ابزاری شد که همانند یک پروپ (کاوش‌گر) مغزی کار می‌کرد و قادر بود هر سلول عصبی که در میانه یک شبکه قرار دارد را مورد بررسی قرار دهد و ارتباط آن با عکس‌هایی که بیشتر روی آن‌ها متمرکز شده بود کشف کند. این ابزار تا حدودی قابلیت‌های ادراکی ماشین را روشن می‌کرد. امروزه بسیاری از آژانس‌های دفاعی در سراسر جهان بودجه‌های کلانی را صرف هوش مصنوعی و هدایت تجهیزات نظامی از طریق الگوریتم‌های هوشمند می‌کنند. در حوزه نظامی الگوریتم‌ها باید بدون هیچ‌گونه شبهه به شکلی کاملاً دقیق اطلاعات را تحلیل و گزارش نهایی را تولید کنند. بر همین اساس، این آژانس‌ها به‌دنبال اجرایی کردن ایده‌ای به‌نام هوش مصنوعی با قابلیت خودتشریحی هستند. در مقطع فعلی تحلیل‌گران اطلاعات به‌دنبال آن هستند تا راهکارهایی را به‌منظور آزمایش یادگیری ماشینی و تشخیص الگوهایی که به‌منظور پردازش حجم عظیمی از داده‌ها مورد استفاده قرار داده است پیدا کنند. شاید ما بتوانیم با ماشین‌های خودران یا پهپادهای خودکار که هیچ‌گونه توضیحی درباره عملکرد خود ارائه نمی‌کنند کنار آییم، اما بدون شک یک سرباز میدان جنگ به هیچ‌ عنوان حاضر نیست (یا بهتر بگوییم قادر نخواهد بود) با دستگاهی که بدون هیچ‌گونه توضیحی تصمیمی را اتخاذ می‌کند احساس راحتی کند. تحلیل‌گران اطلاعاتی نیز به هیچ عنوان راضی نیستند از سامانه‌ای استفاده کنند که بدون توضیح یا علت روشنی تصمیماتی را اتخاذ می‌کند. به‌واسطه آنکه سامانه ممکن است هشدارهای اشتباهی را تولید کند. این رویکرد را کم و بیش در ارتباط با مکانیسم‌های امنیتی که در مقابل نفوذ بدافزارها مورد استفاده قرار می‌گیرند نیز مشاهده می‌کنیم. در این راستا به نظر می‌رسد، پرفسور کارلوس گاسترین استاد دانشگاه واشنگتن راهکاری را در این زمینه ابداع کرده است. راهکاری که به سامانه‌های هوشمند اجازه می‌دهد برای انجام کار خود دلایل منطقی و استدلال‌های قابل قبولی ارائه دهند. رویکردی که به یک سامانه این امکان را می‌دهد تا نمونه‌هایی از یک مجموعه داده‌ای پیدا کند و توضیحی کوتاه برای آن‌ها ارائه دهد. اما در مقطع فعلی توضیحات ارائه شده از سوی الگوریتم‌ها ساده هستند و این به معنای آن است که الگوریتم در بسیاری از موارد در زمان تشریح دلایل تصمیم خود از اطلاعات مهم و کلیدی صرف نظر می‌کند.

مطلب پیشنهادی

چین در حال ساخت ارتشی از روبات‌های کارگر است

گاسترین در ارتباط با این مشکل می‌گوید: «راهکار ما هنوز تکمیل نشده است. هوش مصنوعی هنوز این توانایی را ندارد که به‌راحتی با انسان‌ها تعامل برقرار کند و توضیحاتی در اختیار انسان‌ها قرار دهد. در نتیجه تا زمانی که بتوانیم یک هوش مصنوعی ادراک‌پذیر کامل طراحی کنیم، راه طولانی پیش ‌رو داریم. اگر هوش مصنوعی بتواند برای کارهای خود توضیح ارائه دهد، بدون شک مسیر پیشرفت آن چند برابر سریع‌تر خواهد شد.» روزلن سالاخاتینوف مدیر بخش پژوهش و تحقیقات هوش مصنوعی اپل در این ارتباط می‌گوید: «حتی انسان‌ها نیز ممکن است در ارتباط با کارهای خود توضیحات ناکافی را در اختیار شما قرار دهند. هوش مصنوعی نیز از این قاعده مستثنا نیست و ممکن است به همین شکل کار خود را انجام دهد. شاید در آینده مجبور باشید درباره تصمیمات هوش مصنوعی به آن اعتماد کنید و بدون سؤال تصمیم اتخاذ شده از سوی هوش مصنوعی را قبول کنید.» اما نباید از این نکته غافل شویم که جوامع بشری بر مبنای دستورالعمل‌های انسانی و الگوهای رفتاری بنا شده‌اند و هوش مصنوعی نیز باید زیربنایی از هوش اجتماعی را در خود جای داده باشد. این دیدگاه باعث می‌شود تا شرکت‌ها هوش مصنوعی را به گونه‌ای آماده کنند که متناسب با الگوهای بشری باشد. دیدگاهی که تصمیمات هوش مصنوعی را با معیارها و اخلاقیات جامعه هماهنگ خواهد کرد.

==============================

شاید به این مقالات هم علاقمند باشید:

انسان یا محصول، نسل‌های آینده کدامند؟

هوش مصنوعی؛ دوست‌داشتنی یا هراس‌انگیـز

ایلان ماسک به‌دنبال ترکیب هوش مصنوعی و مغز انسان است

هوش مصنوعی این ۱۱ صنعت را به‌شدت تهدید می‌کند

مطالب پربازدید

ماهنامه شبکه را از کجا تهیه کنیم؟ماهنامه شبکه را می‌توانید از کتابخانه‌های عمومی سراسر کشور و نیز از دکه‌های روزنامه‌فروشی تهیه نمائید.

ثبت اشتراک نسخه کاغذی ماهنامه شبکه     ثبت اشتراک نسخه آنلاین