هوش مصنوعی چیست؟

هوش مصنوعی (artificial intelligence) که به اختصار AI خوانده می شود، به شبیه سازی هوش انسانی در دستگاه ها و ماشین ها گفته می شود. این ماشین ها طوری برنامه ریزی و طراحی شده اند که بتوانند مانند انسان فکر و رفتار آن ها را تقلید کنند. هوش مصنوعی به هر ماشینی که ذهنی مانند انسان دارد و می تواند کارهایی مانند حل مسئله و یادگیری را انجام دهد، نیز نسبت داده می شود.

اولین چیزی که مردم با شنیدن هوش مصنوعی به ذهنشان خطور می کند، ربات است. ربات هایی که همه مان در فیلم ها و سریال ها دیده ایم. هوش مصنوعی بر این اصل استوار است که هوش انسان می تواند به گونه ای تعریف شود که برای ماشین ها، قابل تقلید باشد و ماشین بتوانند این رفتارها را از ساده ترین شکل تا پیچیده ترین نوع آن انجام دهد. هدف هوش مصنوعی یادگیری، استنتاج و ادراک است. ماشین های هوشمند با بکارگیری ریاضیات، علوم کامپیوتر، زبان‌شناسی، روانشناسی و صنایع و علوم دیگر برنامه ریزی می شوند.

با پیشرفت تکنولوژی معیاری های قدیمی این فناوری دیگر منسوخ شده اند. برای مثال ماشین هایی که توابعی را محاسبه می کردند و یا متن ها را با OCR می خواندند دیگر به عنوان نمونه هایی از بکارگیری هوش مصنوعی محسوب نمی شوند.

هوش مصنوعی قرار نیست جای ما را بگیرد و برای تقویت توانایی های ما توسعه یافته است. الگوریتم های آن، متفاوت تر از ما یاد می گیرند و به طور متفاوتی به چیزهای مختلف نگاه می کنند. رابطه ها و الگوهایی که ممکن است از دید ما پنهان بماند را می بینند. بنابراین استفاده از هوش مصنوعی فرصت های بی شماری را برای ما به همراه دارد.

تاریخچه هوش مصنوعی

اصطلاح هوش مصنوعی برای اولین در سال ۱۹۵۶ ظهور یافت. دانشمندی آمریکایی به نام John McCarthy این اصطلاح را در اولین کنفرانس هوش مصنوعی در دانشکده ی Dartmouth  به کار برد. در تحقیقات اولیه ی آن روش هایی حل مسئله و روش های نمادین بررسی شدند. در دهه ی ۱۹۶۰ وزارت دفاع آمریکا به حوزه علاقه مند شد و شروع به آموزش دادن به رایانه های خود به منظور تقلید از استدلال انسان کرد.

آژانس پروژه‌های پژوهشی پیشرفته ی دفاعی (DARPA) قبل از Siri، Alexa یا Cortana در سال ۲۰۰۳ دستیار شخصی هوشمند خود را توسعه داد. بعدها روش های هوش مصنوعی توسعه یافتند و پیشرفته تر شدند. به طور کلی هوش مصنوعی شامل سه دوره بوده است.

فیلم ها و رمان های تخیلی مختلفی در مورد ربات ها ساخته شده است که هوش مصنوعی را ربات هایی نشان می دهند که در سراسر دنیا در حال تکامل هستند. اما باید در نظر داشت که تکامل این فناوری در حال حاضر آنقدر ها هم ترسناک نیست و فواید زیادی را در صنایع مختلف به همراه دارد.

کاربردهای هوش مصنوعی

فناوری هوش مصنوعی در بسیاری از صنایع کاربرد دارد. استفاده از هوش مصنوعی در صنعت پزشکی برای انتخاب میزان دارو و نوع درمان بیمار و برای انجام عمل های جراحی یکی از کاربردهای آن است.

بکارگیری هوش مصنوعی در بازی شطرنج و ماشین های خودران یکی دیگر از این کاربردهاست. هر یک از این ماشین ها باید عواقب اقدامی را که انجام می دهند، ارزیابی کنند. چون هر کنش روی نتیجه ی نهایی تاثیر گذار است. در شطرنج نتیجه ی نهایی و هدف اصلی برنده شدن است. در اتومبیل های خودران نیز ماشین باید داده های ورودی را پردازش کند تا بهترین تصمیمی را بگیرد که به تصادف منجر نشود و به مقصد برسد.

یکی دیگر از کاربردهای هوش مصنوعی استفاده از آن در توسعه ی نرم افزارهای نظارتی مانند نرم افزار تشخیص چهره و نرم افزار پلاک خوان است.

تکنولوژی هوش مصنوعی در صنایع مالی هم کاربرد دارد. برای مثال از آن در بانکداری برای شناسایی استفاده ی غیرعادی کارت های اعتباری و حساب های بانکی زیاد، استفاده می کنند که منجر به تشخیص کلاهبرداری در بانک ها و موسسات مالی می شود.

مراقبت های درمانی و پزشکی

برنامه های هوشمند می توانند میزان و نوع دارو را تعیین کنند، عکس های رادیوگرافی را بخوانند و در کنار این موارد مانند یک دستیار عمل کنند. به فرد یادآوری کنند که چه موقع داروی خود را مصرف کند و همچنین به او در مورد ورزش کردن و خوردن غذاهای سالم هشدار دهند.

صنایع تولیدی

پیشرفت های هوش مصنوعی ما را قادر می سازد تا کارهای پیچیده را خودکار کرده و بتوان دانش ارزشمندی از حجم عظیم اطلاعات تولید شده بدست آورد. در صنایع کارهای مختلفی وجود دارد که توسط نیروی انسانی و در مدت زمان قابل توجهی انجام می شود. اما با هوش مصنوعی می توان چنین کارهایی را در زمان و با نیروی انسانی کمتر انجام داد.

خرده فروشی ها

اگر تا به حال در فروشگاه های آنلاین خرید کرده باشید، حتما دیده اید که در هنگام خرید یک محصول، محصولات دیگری نیز به شما پیشنهاد می شود تا در صورت تمایل آن ها را خریداری کنید. این کار توسط الگوریتم های هوش مصنوعی انجام می شود.

یکی دیگر از مثال های بکارگیری هوش مصنوعی در نحوه ی چیدمان محصولات است. وقتی شما محصولاتی را در یک فروشگاه آنلاین جستجو می کنید، محصولات مختلف با برندهای متفاوت برای شما نمایش داده می شوند. نحوه ی چیدمان نیز می تواند به صورت هوشمند انجام شود.

بانکداری

هوش مصنوعی سرعت، دقت و اثربخشی تلاش‌های انسانی را افزایش می‌ دهد. در موسسات مالی، از تکنیک‌های هوش مصنوعی برای شناسایی تراکنش های تقلبی، امتیاز بندی سریع و دقیق حساب ها  و همچنین خودکار سازی مدیریت داده‌ استفاده می کنند.

انواع هوش مصنوعی

هوش مصنوعی به دو دسته ی قوی و ضعیف تقسیم می شود. در هوش مصنوعی ضعیف ماشین برای انجام یک کار خاص طراحی شده است. بازی های کامپیوتری مانند شطرنج و دستیارهای شخصی الکسا (Alexa) در آمازون و سیری (Siri) در اپل نمونه هایی از بکارگیری هوش مصنوعی ضعیف هستند.

ماشین هایی دارای هوش مصنوعی قوی هستند که رفتارهایی مانند رفتار انسان را انجام می دهند. این ماشین ها نسبت به ماشین هایی که دارای هوش مصنوعی ضعیف هستند از پیچیدگی بیشتری برخوردارند و وقتی با حل مسئله ای مواجه می شوند، می توانند بدون دخالت انسان تصمیم گیری کنند. این ماشین ها در اتومبیل های خودران و اتاق های جراحی کاربرد دارند.

چرا هوش مصنوعی مهم است؟

هوشمندی محصولات

هوش مصنوعی اغلب به عنوان یک محصول جدا فروخته نمی شود بلکه به محصولات اضافه می شود. مانند دستیار شخصی Siri که به گوشی های اپل اضافه شد.

تحلیل داده های عمیق تر

هوش مصنوعی می تواند با استفاده از شبکه ی عصبی که لایه های پنهان بسیاری دارد، داده های عمیق تری را تحلیل کند. ایجاد یک سیستم کشف تقلب با پنج لایه ی مخفی در چند سال پیش تقریبا غیر ممکن بود. ولی با وجود بیگ دیتا و افزایش قدرت رایانه ها، هوش مصنوعی تغییر کرده است. برای آموزش مدل های یادگیری عمیق به داده های زیادی نیاز دارید. هر چقدر مقدار داده ها زیادتر باشد، دقت مدل هم بهبود می یابد.

دقت بالای هوش مصنوعی

هوش مصنوعی با استفاده از شبکه های عصبی عمیق می تواند به دقت بالاتری دست یابد. تعامل شما با دستیار شخصی Alexa، سرچ گوگل و سرچ تصاویر گوگل بر اساس یادگیری عمیق است. با استفاده ی هر چه بیشتر از این ابزارها، دقت آن ها نیز افزایش می یابد. در زمینه ی پزشکی تکنیک های یادگیری عمیق، دسته بندی تصاویر و شناسایی اشیا می توانند سرطان را در تصاویر MRI تشخیص دهند به صورتی که دقت این تشخیص به اندازه ی دقت تشخیص آن توسط متخصص انسانی است.

استخراج دانش بیشتر از اطلاعات

امروزه داده ها نقش حیاتی در صنایع مختلف دارند و یک مزیت رقابتی محسوب می شوند. می توان با بکارگیری تکنیک های هوش مصنوعی دانش بیشتری از داده ها به دست آورد.

چالش ها

هوش مصنوعی با چالش ها و محدودیت هایی مواجه است. یکی از چالش های اساسی هوش مصنوعی یادگیری ماشین ها از طریق داده هاست. هوش مصنوعی به داده های ورودی اش وابسته است تا بتواند از این طریق آموزش ببینید و فرایند یادگیری اش جز این راه امکان پذیر نیست. هر گونه خطا در داده ها منجر به نتایج اشتباه خواهند شد.

هر سیستم هوش مصنوعی برای انجام یک کار خاص توسعه داده می شود، برنامه ای که پوکر بازی می کند نمی تواند شطرنج بازی کند. برنامه ای تقلب را شناسایی می کند، نمی تواند اتومبیل براند. حتی سیستمی که کلاهبرداری در سیستم های مراقبت بهداشتی و درمانی را شناسایی می کنند نمی توانند در کشف تقلب سیستم های مالی و بانکداری مفید باشند.

در واقع این سیستم ها به صورت اختصاصی برای یک هدف خاص توسعه پیدا می کنند و نمی توان انتظار داشت که آن ها مانند یک انسان بتوانند کارهای مختلفی را انجام دهند.

شاخه ها

AI یک حوزه ی بسیار گسترده است که تکنولوژی ها، روش ها و تئوری های مختلفی را در بر می گیرد.

یادگیری ماشین

 یادگیری ماشین بر این پایه استوار است که ماشین ها می توانند با استفاده از داده ها آموزش ببینند، الگوها را شناسایی کنند و بدون کمترین دخالتی از جانب انسان ها،  تصمیم گیری کنند.

شبکه ی عصبی

یکی از انواع روش های یادگیری ماشین است که از واحد های بهم پوسته ی بیشماری تشکیل شده است. این شبکه ها با دریافت یک ورودی خارجی، اطلاعات را پردازش کرده و آن را بین واحد های مختلف پخش می کنند.

یادگیری عمیق

تکنیک های یادگیری عمیق از شبکه های عصبی بزرگ با لایه های زیاد استفاده می کنند. با پیشرفت قدرت محاسباتی و تکنیک های یادگیری پیشرفته برای یادگیری الگوهای پیچیده در داده های زیاد، استفاده از این تکنیک ها میسر شده است. یادگیری عمیق عموما در تشخیص گفتار و تصویر کاربرد دارد.

محاسبات شناختی

محاسبات شناختی در حیطه ی تعامل طبیعی و شبیه انسان با ماشین ها فعالیت می کند. هدف نهایی پردازش شناختی شبیه سازی رفتارها و ذهن انسان از طریق درک تصاویر و گفت و گوهاست.

بینایی ماشین

شاخه ای از هوش مصنوعی است که با استفاده از آن، یک کامپیوتر آموزش می بیند تا بتواند دنیای بصری اطراف خود را درک و تفسیر کند. با استفاده از تصاویر و ویدئوهای ثبت شده توسط دوربین و روش های یادگیری عمیق، ماشین ها می توانند اطراف خود را درک کنند و نسبت به اطراف خود واکنش نشان دهند.

پردازش زبان طبیعی

توانایی رایانه ها برای تحلیل، فهم و تولید زبان انسانی است. گام بعدی پردازش زبان طبیعی، تعامل با سیستم هایی است که از پردازش زبان طبیعی بهره مند هستد. در این صورت انسان ها می توانند با ماشین ها از طریق واژه ها و عباراتی که به صورت روزمره استفاده می کنند، ارتباط برقرار کنند.