هوش مصنوعی چیست؟

هوش مصنوعی (به انگلیسی: Artificial Intelligence) که منظور از مصنوعی (Artificial) یعنی ساخته شده به دست بشر است و از طرفی دیگر هوش (Intelligence) به معنای توانایی درک ذهن حقایق یا معانی، اصول و کسب دانش و تبدیل علم به عمل بر پایه توانایی یادگیری و درک کردن است.

بنابراین هوش مصنوعی، ماشینی است که توسط انسان ها ایجاد می‌شود تا زندگی را آسان و راحت کند که به صورت نرم افزار رایانه‌ای یا ماشین‌هایی بوده که به فکر کردن و یادگیری کمک می‌کنند.

پس میتوانیم بگوییم که هوش مصنوعی می‌توانند سخت‌افزاری باشند (مثل استفاده از بازوهای رباتیک در برخی از کارهای تکراری مثل استفاده در جوشکاری های صنعتی) و یا می‌توانند نرم‌افزاری باشند، مثل الگوریتم‌هایی که الگوها را تشخیص می‌دهند و یا ترکیبی از هر دو (مثل الگوریتم های گوگل برای رنکینگ کلمات کلیدی که در سئو کاربرد دارند)

تاریخچه هوش مصنوعی

درباره نفطه آغاز پژوهش‌ها در مورد هوش مصنوعی نظرات متفاوتی وجود دارد. اما ما خوب می‌دانیم که صحبت از هوش مصنوعی بدون کامپیوتر بی‌معناست؛ بنابراین، بحث درباره تاریخچه هوش مصنوعی بدون نگاه به تاریخ رایانه‌ها کامل نخواهد بود.

در یک فکت میتوان تاریخچه هوش مصنوعی و پیدایش آن را به سال های جنگ جهانی دوم نسبت داد 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.

فکت دیگر در مورد تاریخچه پیدایش هوش مصنوعی به سال ۱۹۴۳ که اولین کامپیوترهای الکترونیکی متولد شدند برمیگردد که ایده استفاده از هوش مصنوعی نیز به وجود آمد. در سال ۱۹۵۶ پژوهش‌های دانشگاهی درباره هوش مصنوعی آغاز شد. در این سال جان مک‌کارتنی برای اولین بار در یک کنفرانس علمی از اصطلاح هوش مصنوعی استفاده کرد.

از همان زمان تا اوایل دهه ۱۹۷۰، با ‍پیشرفت و تکامل زبان‌های برنامه‌نویسی در طول زمان و با استفاده از قابلیت‌های نوین برنامه‌نویسی کامپیوترها، حوزه جدیدی به نام هوش مصنوعی به‌سرعت توسعه یافت. پس از این دوران و شرکت‌ها و موسسات دولتی و نظامی علاقه زیادی به استفاده و پژوهش درباره هوش مصنوعی پیدا کردند. با توسعه سخت‌افزارهای مخصوص هوش مصنوعی در سال ۱۹۸۶ این حوزه به تجارتی چندمیلیون‌دلاری تبدیل شد.

در سال‌های بعد هوش مصنوعی عمدتا برای استفاده در بازی‌ها و مسائل توسعه پیدا کردند. در سال‌های دهه نود ربات‌هایی با استفاده از هوش مصنوعی ساخته شدند که بازی‌های کامپیوتری انجام می‌دادند. این ربات‌ها در اواخر این دهه موفق شدند بزرگترین استادان شطرنج جهان را در این بازی شکست دهند.

از سال ۲۰۱۰ محصولات بسیار متنوعی با استفاده از هوش مصنوعی ساخته شد. این محصولات اعم از نرم‌افزاری و سخت‌افزاری، توسط شرکت‌هایی مانند اپل، گوگل و مایکروسافت راه‌اندازی شد.

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

6 شاخه هوش مصنوعی کدامند؟

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)

1. سیستم های خبره (Experts Systems)

سامانه‌ها یا همان سیستم‌های خبره، نرم‌افزارهای هوش مصنوعی و موفق‌ترین ارائه از توانایی‌های هوش مصنوعی هستند. برنامه‌های کامپیوتری که برای حل مسائل پیچیده طراحی شده‌اند. این سیستم‌ها دانش انسانی را در پایگاه دانش خود ذخیره و برای حل مسائلی که نیازمند کارشناسی انسان هستند از آنها استفاده می‌کنند.

آنها برای حل مسائلی به کار می‌روند که برایشان الگوریتمی خاص یا دانشی صریحی وجود ندارد. سیستم‌های خبره قابلیت‌های زیادی دارند. آنها در دسترس و دائمی هستند. قابلیت اطمینان بالایی دارند و قدرت تبیین و یافتن پاسخ‌های سریع و کامل را در هر حالتی دارند. آنها پایگاه تجربه هستند و به انتقال دانش نیز سهولت می‌بخشند.

مطالعات نشان داده که سیستم‌های خبره، نسبت به یک کارشناس انسانی، تصمیم‌گیرنده‌های بهتری هستند. چرا که توانایی نگهداری و بازیابی داده‌های واقعی را دارند و به‌وسیله احساسات تحت تأثیر قرار نمی‌گیرند. سامانه‌های خبره در زمینه‌های متنوعی همچون پزشکی، حسابداری، منابع انسانی و … به کار می‌روند.

2. رباتیک (Robotics)

رباتیک شاخه‌ای از هوش مصنوعی است که از مهندسی برق، مهندسی مکانیک و علوم کامپیوتر برای طراحی، ساخت و کاربرد ربات‌ها تشکیل شده است.

ربات‌ها ماشین‌های قابل‌برنامه‌ریزی‌ای هستند که معمولاً قادرند مجموعه‌ای از وظایف را به‌صورت خودکار یا نیمه‌خودکار انجام دهند. آنها قابل‌برنامه‌ریزی‌اند و از طریق حسگرها و محرک‌ها با دنیای فیزیکی در ارتباط هستند.

ربات‌ها دارای ساختار و فرم مکانیکی و اجزای الکتریکی هستند که ماشین‌ها را کنترل می‌کنند. آنها حاوی سطوح مختلفی از برنامه‌های کامپیوتری‌اند که تعیین می‌کنند ماشین‌ها چه چیزی را چه زمانی و چگونه انجام دهند. روبات‌ها انواع بسیار گوناگون و خاصی دارند که در حوزه‌های وسیع و مختلفی به کمک انسان می‌آیند.

3. ماشین لرنینگ (Machine Learning)

ماشین لرننیگ یا همان یادگیری ماشین هوشمند کردن رایانه‌هاست بدون اینکه مستقیماً به آنها یاد بدهیم چطور رفتار کنند. رایانه‌ها می‌توانند با استفاده از حجم عظیمی از داده، به طور خودکار الگوهایی تکرارشونده را بدون دخالت انسان یاد بگیرند. یادگیری این الگوریتم‌ها به تقلید از شیوه یادگیری انسان انجام می‌شود و با بیشتر شدن تجربه رایانه، به‌تدریج دقت آن هم بالاتر می‌رود. در یک حالت کلی انواع یادگیری ماشین را به سه دسته تقسیم می‌کنند:

1. یادگیری تحت نظارت
2. یادگیری بدون نظارت
3. و یادگیری تقویتی.

یادگیری ماشین در دنیای امروز کاربردهای بی‌شماری دارد. ما خیلی وقت‌ها در فعالیت‌های روزمره از کمک یادگیری ماشین استفاده می‌کنیم؛ بدون اینکه لزوماً متوجه آن‌ها باشیم. علاوه بر این‌ها یادگیری ماشین در تجارت و کسب‌وکار هم کارایی‌های زیادی دارد. بخش عمده‌ای از سرویس‌های خدمات‌رسانی شرکت‌هایی مانند نتفلیکس، فیس‌بوک و گوگل، با استفاده از یادگیری ماشین انجام می‌شود.

4. شبکه عصبی (Neural Network)

در ساخت این شبکه‌ها، از شبکه‌های عصبی بیولوژیکی (BNN) در طبیعت الهام گرفته شد. مدل این شبکه‌ها دقیقاً ازروی مدل مغز انسان به‌صورت توابع ریاضی روی کامپیوترها پیاده‌سازی شده است.

تفاوت شبکه‌های عصبی مصنوعی با برنامه‌های کلاسیک گذشته در قابلیت یادگیری است. قبلاً باید برای کامپیوترها حالت‌های مختلف پیش‌بینی می‌شد اما امروزه ارائه با دادن نمونه‌ها به هوش مصنوعی، از او می‌خواهیم در موقعیت‌های پیش‌بینی‌نشده، مثل یک انسان باتجربه عمل کند.

5. منطق فازی (Fuzzy Logic)

رایانه‌ها دارای بلوک‌های منطقی‌ای هستند که می‌توانند ورودی‌های دقیق و مشخصی را دریافت و خروجی‌های مشخصی را هم به‌عنوان خروجی صحیح یا غلط تحویل دهند. این شیوه معادل پاسخ بله یا خیر در انسان است.

اما لطفی علی‌عسکرزاده، کاشف منطق فازی یا (Fuzzy Logic) مشاهده کرد که تصمیم‌گیری در انسان این‌گونه نیست و شامل طیف وسیعی از امکانات بین بله و خیر است.

منطق فازی روشی استدلالی است که به استدلال انسان شباهت دارد. رویکرد منطق فازی از شیوه تصمیم‌گیری در انسان تقلید می‌کند که شامل تمام احتمالات میانی بین ارزش‌های دیجیتال بله و خیر می‌شود.

منطق فازی در هوش مصنوعی به مقابله با عدم قطعیت در مهندسی کمک می‌کند. این شیوه ممکن است استدلال دقیقی ارائه ندهد، اما استدلال قابل قبولی ارائه می‌دهد. منطق فازی برای اهداف تجاری و عملی مفید است.

6. پردازش زبان طبیعی (Natural Language Processing)

این حوزه یکی از شاخه‌های پراهمیت در علوم رایانه و هوش مصنوعی است. پردازش زبان‌های طبیعی بر ارتباط انسان و رایانه، متمرکز است.

هدف پردازش طبیعی درک زبان انسان‌ها توسط ماشین‌ها است. در این شیوه ماشین‌ها مانند یک کودک تازه‌متولدشده زبان را فرامی‌گیرند و در مرحله بعد از آن برای ایجاد ارتباط استفاده می‌کنند.

حتماً شما هم این تکنولوژی را در دستیارهای صوتی مثل Siri و Google Assistant دیده‌اید. در ماشین‌های ترجمه انگلیسی مثل گوگل ترنسلیت، سرویس زیرنویس خودکار یوتیوب و سرویس تصحیح گرامر Gmail هم از این فناوری استفاده شده است.

هوش مصنوعی به چند نوع تقسیم می‌شود؟

1. هوش محدود مصنوعی یا به اختصار 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.

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.

2. هوش مصنوعی عمومی 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.

در ادامه به تقسیم بندی های دیگر از انواع هوش مصنوعی میپردازیم که از منظر دیگری به آن نگاه شده و تقسیم بندی جزئی تر و بر اساس کارکرد و موارد دیگر را شامل میگردد.

3. ماشین‌ واکنش‌گرا یا انفعالی (Reactive machine)

در این نوع یادگیری از حافظه یا به طور دقیق از تجربه استفاده نمی شود و سعی می شود در هر لحظه همه گزینه های ممکن را بررسی کرده و بهترین راه حل را به نتیجه برساند. یک نمونه بارز آن هوش دیپ بلو(Deep Blue) شزکت IBM در زمینه بازی شطرنج بود که در سال ۱۹۹۷ توانست گری کاسپارف(قهرمان شطرنج در آن دهه) را شکست دهد. این گونه ماشین ها توانایی یادگیری با گذشت زمان و تجربه دریافت ورودی های مختلف را ندارند و صرفا بر اساس آنچه از پیش تعیین شده عمل می-کنند(همانند دانش آموزی که فقط حفظ می کنه )

4. حافظه محدود (The limited memory machine)

بر خلاف نوع قبل این سیستم از اطلاعات قبلی برای انتخاب هایش استفاده می کند. این نوع از هوش مصنوعی در دهه اخیر در اتومبیل های خودران بسیار دیده شده است. این حوزه بیشتر به یادگیری تقویتی باز می گردد که بعدا در مورد آن بیشتر توضیح خواهم داد. به عنوان نمونه می توان نوع جدید بازی های شطرنج، بازی های چند نفره و …. اشاره کرد.

5. نظریه ذهن (Theory of Mind)

شاخه ای از هوش مصنوعی است که هنوز عملی نشده است و روانشناختی فرد به همراه اعتقادات، آرزوها و نیت فرد را در نظر می-گیرد. این هوش مصنوعی جهت تعامل انسان ها بر اساس ویژگی های گفته شده را دنبال می کند. این نوع از هوش مصنوعی با وجود پیشرفت های شگرف همچنان به واقعیت مبدل نشده است.

6. خود آگاهی (Self-Awareness Intelligence)

هوش مصنوعی است که هوشیاری، هوش فوق‌العاده، خودآگاهی و احساس را به همراه داشته باشد و درنهایت یک انسان کامل باشد. البته چنین سیستم‌هایی هنوز وجود خارجی نداشته و پیاده‌سازی آن‌ها، نقطه عطف و مقصد نهایی حوزه هوش مصنوعی محسوب می‌شود.

کاربردهای هوش مصنوعی

هوش مصنوعی در جوامع امروزی کاربردهای گوناگونی دارد و در دنیای امروز امری ضروری است. زیرا می‌تواند مشکلات پیچیده انسان را با روشی کارآمد حل کند. هوش مصنوعی زندگی انسان را راحت‌تر و سرعت آن را بیشتر کرده است. در اینجا به برخی از کاربردهای هوش مصنوعی در عصر حاضر اشاره می‌کنیم.

کاربرد‌های هوش مصنوعی 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.

هوش مصنوعی در مراقبت‌های بهداشتی

در پنج تا ده سال گذشته، هوش مصنوعی در صنعت مراقبت‌های بهداشتی تأثیر قابل‌توجهی گذاشته و آن را ارتقاء داده است. صنایع بهداشت و درمان از هوش مصنوعی برای تشخیص‌هایی بهتر و سریع‌تر از انسان استفاده می‌کنند. با کمک هوش مصنوعی به پزشکان در تشخیص بیماری‌ها، پیش از وخامت حال بیماران به آنها کمک‌های پزشکی می‌رسانند. مثلاً الگوریتم‌های هوش مصنوعی در ساعت‌های هوشمند فعالیت‌های حیاتی فرد را برای تشخیص مشکلات قلبی و سایر اختلالات کنترل می‌کنند و حتی وخامت حال بیماران را به اورژانس گزارش می‌دهند. علاوه بر این، هوش مصنوعی به افزایش سرعت ساخت داروها و دقت در تولید آنها کمک شایانی کرده است.

خدمات مالی و بانکداری و هوش مصنوعی

خدمات مالی در سه دهه گذشته از هوش مصنوعی بهره زیادی برده است. در بانکداری، هوش مصنوعی برای مدیریت و نگهداری حساب‌ها، پیش‌بینی سهام در بازار و حتی پیشگیری از تقلب و تخلفات مالی بسیار مفید بوده است. شرکت‌های بزرگ از هوش مصنوعی برای پردازش و حسابرسی دقیق معاملات خود استفاده می‌کنند.

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 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.

هوش مصنوعی در آموزش‌وپرورش

امروزه هوش مصنوعی دستیاری برای معلمان به‌حساب می‌آید. چت‌بات‌ها می‌توانند به‌عنوان راهبران آموزشی به‌جای معلمان با دانش‌آموزان ارتباط برقرار کنند. تکنولوژی نمره دهی خودکار نیز به کمک معلمان آمده تا آنها زمان بیشتری برای تدریس داشته باشند.

هوش مصنوعی در آینده می‌تواند یک معلم مجازی شخصی برای دانش‌آموزان باشد که در هر زمان و مکانی به‌راحتی در دسترس خواهد بود.

استفاده از هوش مصنوعی در حمل‌ونقل

در سال‌های اخیر استفاده از هوش مصنوعی در صنعت حمل‌ونقل و گردشگری امری بسیار متداول شده است. هوش مصنوعی قادر است کارهای مختلفی را دراین‌رابطه انجام دهد. از برنامه‌ریزی برای سفر تا پیشنهاد هتل‌ها و پروازها و نشان‌دادن بهترین مسیرها به مسافران. شرکت‌های گردشگری از چت‌بات‌های مجهز به هوش مصنوعی استفاده می‌کنند که می‌توانند برای پاسخگویی بهتر، دقیق‌تر و سریع‌تر از انسان با مشتریان تعامل و نیاز آنها را برطرف کنند.

بازی و سرگرمی از مهمترین کاربردهای هوش مصنوعی

هوش مصنوعی جزء لاینفک بازی‌های ویدئویی از زمان شروع آن در سال ۱۹۵۰ بوده است. این فناوری انقلابی در سبک بازی‌های رایانه‌ای و ویدئویی به وجود آورده است. هوش مصنوعی در بازی‌های رایانه‌ای و ویدئویی با ایجاد استراتژی‌های هیجان‌انگیزتر و بازیکنان را نسبت به این بازی‌ها متمرکزتر و علاقه‌مندتر از پیش کرده است.

بازیکنان حالا حریفان جذاب‌تری دارند. موجودات باهوش‌تری که در دنیای بازی‌های خود زندگی می‌کنند و رفتارهای هوشمندانه‌تر و جالب‌تری از خود بروز می‌دهند. هدف اصلی در این صنعت این است که با مدل‌سازی رفتار انسانی از کسالت و تکرار در بازی‌ها جلوگیری شود.

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.

اثر هوش مصنوعی (AI effect) چیست؟

کامپیوترها و ماشین‌ها به‌مرورزمان هوشمندتر می‌شوند. اعمالی که درگذشته انجام می‌دادند به امری روزمره تبدیل شده و دیگر اعمال هوشمندی به‌حساب نمی‌آیند. به این پدیده اثر هوش مصنوعی (AI effect) می‌گویند. زمانی که یک فناوری سطحی از هوشمندی خود را از دست می‌دهد.

به‌عبارت‌دیگر، اثر هوش مصنوعی زمانی رخ می‌دهد که مردم یک ابزار فناوری را دیگر به‌عنوان یک ابزار هوش مصنوعی معتبر به‌حساب نیاورند. این امر معمولاً زمانی اتفاق می‌افتد که این فناوری به بخش گسترده‌ای از زندگی روزمره مردم تبدیل شود.

برای مثال هوش مصنوعی تشخیص چهره به‌مرورزمان به‌سادگی تبدیل به تکنولوژی تشخیص چهره می‌شود و یا چت‌بات‌های هوش مصنوعی در آینده به‌سادگی فقط چت‌بات خواهند بود.

هوش مصنوعی در بلاک چین

تکنولوژی هوش مصنوعی چه فواید و کاربردهایی برای بلاک چین دارد؟ این فناوری و مدل‌های پیشرفته آن چطور می‌توانند به بهبود سیستم‌های بلاک چینی که امروز می‌بینیم، کمک کنند؟ در این بخش به برخی از کاربردهای احتمالی هوش مصنوعی در حوزه Blockchain اشاره می‌کنیم.

کاهش حجم و مصرف انرژی سیستم های بلاک چین

استخراج ارزهای دیجیتال به انرژی و قدرت محاسباتی بالایی نیاز دارد. دفاتر کل توزیع شده بهره‌وری را قربانی ویژگی‌هایی مثل ثبات و مقابله با سانسور می‌کنند. هوش مصنوعی می‌تواند در بهینه‌سازی مصرف انرژی بسیار مؤثر باشد که به نوبه خود در بهبود الگوریتم‌های ماینینگ نیز مفید خواهد بود.

یکی از مهمترین استدلال‌ها علیه استفاده از سیستم‌های بلاک چین، مصرف انرژی بسیار بالای آنهاست. امکانات امنیتی و اقتصاد کریپتو این سیستم‌ها نیازمند انجام وظایف محاسباتی است که در غیر این صورت ضروری نخواهد بود. کاهش مصرف بلاک چین های اثبات کار به سود کل این صنعت خواهد بود و پذیرش جهانی تکنولوژی Blockchain را تسریع خواهد کرد.

هوش مصنوعی می‌تواند ملزومات ذخیره‌سازی بلاک چین ها را نیز بهینه‌سازی کند. چون تاریخچه تراکنش‌ها در تمام نودها ذخیره می‌شود، سایز دفتر کل توزیع شده می‌تواند به سرعت به حجم بالایی برسد. اگر الزامات ذخیره‌سازی و حافظه زیاد باشد، موانع ورود نیز بیشتر خواهد بود که به‌طور بالقوه غیر متمرکز بودن شبکه را کاهش می‌دهد. هوش مصنوعی می‌تواند با ارائه تکنیک‌های جدید شاردینگ پایگاه داده، اندازه بلاک چین را کوچک‌تر کرده و داده‌ها را به روشی کارآمدتر در آن ذخیره کند.

اقتصاد داده غیر متمرکز

داده یک دارایی با ارزش روزافزون است که نه تنها باید به روشی امن ذخیره شود بلکه باید مبادله شود. سیستم‌های هوش مصنوعی کارآمد به شدت به داده وابسته هستند؛ همان چیزی که بلاک چین ها می‌توانند با درصد اطمینان‌پذیری بالایی ذخیره کنند.

بلاک چین در واقع یک پایگاه داده توزیع شده و ایمن است که توسط تمام اعضای شبکه به اشتراک گذاشته می‌شود. داده‌های این شبکه در یک سری بلوک ذخیره می‌شود و هر بلوک به صورت رمزنگاری شده به بلوک قبلی متصل است. این باعث می‌شود دستکاری داده‌های ذخیره‌ شده بدون سرقت اجماع شبکه (با روش‌هایی مثل حمله 51٪) به امری بسیار دشوار تبدیل شود.

پلتفرم‌های انتقال داده غیر متمرکز قصد دارند یک اقتصاد داده جدید را روی بلاک چین ها بسازند. این پلتفرم‌ها دسترسی آسان و ایمن همه افراد به داده‌ها و حافظه سیستم را فراهم می‌کنند. در این اقتصاد داده، الگوریتم‌های هوش مصنوعی می‌توانند از مجموعه داده‌های خروجی بزرگتری استفاده کنند و سریع‎تر یاد بگیرند. علاوه بر این، خود الگوریتم‌ها را نیز می‌توان در این بازارها معامله کرد. به این ترتیب، در دسترس مخاطبان بیشتری قرار می‌گیرند و توسعه آنها سرعت می‌گیرد.

پلتفرم‌های داده غیر متمرکز این قابلیت متحول کردن فضای ذخیره‌سازی داده را دارند. در واقع، هرکسی در ازای پرداخت کارمزد (به صورت توکن) قادر به اجاره حافظه محلی آنها خواهد بود. در مقابل، ارائه‌دهندگان خدمات ذخیره‌سازی داده فعلی هم برای حفظ مزیت رقابتی مجبور به بهبود خدماتش خواهند شد.

برخی از این بازارهای داده در حال حاضر فعال و مشغول به کار هستند اما هنوز در مراحل اولیه پیشرفت قرار دارند. تشویق ارائه‌دهندگان خدمات داده و ذخیره‌سازی به افزایش یکپارچگی داده‌ها، به سود سیستم‌های هوش مصنوعی هم خواهد بود.

بیشتر بخوانید:

• تقویت هوش کودکان
• وب 3 چیست؟
• بلاکچین چیست؟