هوش مصنوعی (Artificial Intelligence) چیست؟

اساس آزمون تورینگ این است که این هوش باید بتواند با یک عامل انسانی گفتگو کند. عامل انسانی در حالت ایده‌‌آل نباید به این نتیجه برسد که طرف مقابل وی یک هوش مصنوعی است. ویژگی‌‌های زیر در این هوش برای رسیدن به اهداف ذکرشده ضروری است:

• پردازش زبان طبیعی برای برقراری ارتباط موفق
• عمل بازنمایی دانش به‌عنوان حافظه این دانش
• استدلال خودکار برای استفاده از اطلاعات ذخیره‌‌شده برای پاسخ به سؤالات و نتیجه‌‌گیری جدید
• یادگیری ماشین برای شناسایی الگوها و انطباق با شرایط جدید

2.رویکرد مدل‌سازی شناختی

رویکرد مدل‌سازی شناختی سعی در ساخت یک مدل از این هوش بر اساس شناخت انسان دارد. برای واکاوی عملکرد ذهن انسان ۳ رویکرد وجود دارد:

• درون‌‌نگری: مشاهده افکار و ساختن الگویی بر اساس آن
• آزمایش‌‌های روانشناسی: انجام آزمایش بر روی انسان و مشاهده رفتار آن‌‌ها
• تصویربرداری از مغز: استفاده از MRI برای مشاهده نحوه عملکرد مغز در سناریوهای مختلف و تکرار آن از طریق کد

3. رویکرد قوانین تفکر

قوانین تفکر شامل فهرست وسیعی از گزاره‌های منطقی حاکم بر عملکرد ذهن بشر است. قوانین تفکر را می‌توان مدون کرد و برای الگوریتم‌های این هوش اعمال نمود. مسائل مربوط به این رویکرد به ظرافت‌‌های زمینه‌‌ای بسیاری نیاز دارد؛ چراکه حل یک مشکل به‌طور دقیق و طبق قوانین تفکر با حل مسائل در عمل می‌تواند کاملاً متفاوت از یکدیگر باشد. همچنین اقداماتی وجود دارد که انسان‌‌ها بدون اطمینان از نتیجه کاملاً مطمئن انجام می‌دهند. ممکن است این اقدامات در صورت وجود پارامترهای گوناگون الگوریتم‌‌های قابل تکرار را شامل نشود.

4. رویکرد عامل منطقی

رویکرد عامل منطقی برای دستیابی به بهترین نتیجه ممکن در شرایط فعلی خود عمل می‌کند. بر اساس رویکرد قوانین فکر، یک موجود باید مطابق گزاره‌های منطقی رفتار کند؛ اما مواردی وجود دارد که در آن‌‌ها کار با منطق درستی پیش نمی‌‌رود و با نتایج متعددی همراه است. رویکرد عامل منطقی سعی دارد در شرایط فعلی بهترین انتخاب ممکن را داشته باشد و ازاین‌‌رو یک عامل بسیار پویاتر و سازگارتر محسوب می‌‌شود.

 

هوش مصنوعی چگونه کار می‌کند؟

ساختن یک سیستم از این هوش، شامل فرآیند دقیق مهندسی معکوس ویژگی‌ها و قابلیت‌های انسانی در یک ماشین و استفاده از قدرت محاسباتی آن برای پیشی گرفتن از توانایی‌های بشر است. برای درک نحوه عملکرد این هوش باید در زیردامنه‌های مختلف آن بررسی‌‌های عمیقی انجام داد و بررسی نمود که چگونه این حوزه‌ها می‌توانند در زمینه‌های مختلف صنعت اعمال شوند.

• فراگیری ماشین: MLبه ماشین می‌آموزد که چگونه بر اساس تجربیات گذشته استنباط و تصمیم‌‌گیری کند. سپس شناسایی الگوها و تجزیه‌‌وتحلیل داده‌های گذشته برای استنتاج معنای این نقاط داده برای رسیدن به یک نتیجه‌‌گیری احتمالی بدون نیاز به دخالت‌‌دادن تجربه انسانی در دستورالعمل کار خواهد بود. این اتوماسیون برای رسیدن به نتیجه با ارزیابی داده‌ها موجب صرفه‌‌جویی در زمان انسان برای کسب‌‌وکارها می‌گردد و به آن‌‌ها در اتخاذ تصمیمات بهتر کمک می‌کند.
• یادگیری عمیق: یادگیری عمیق یکی از تکنیک‌‌های ML است. این یادگیری به ماشین می‌آموزد که با پردازش ورودی‌ها از طریق لایه‌ها نتایج را طبقه‌‌بندی، استنتاج و پیش‌‌بینی نمایند.
• شبکه‌های عصبی: شبکه‌های عصبی بر اساس اصول مشابه سلول‌های عصبی انسان کار می‌کنند. آن‌ها مجموعه‌ای از الگوریتم‌ها هستند که رابطه بین متغیرهای مختلف زیرین را به تصویر می‌کشند و داده‌ها را همانند مغز انسان پردازش می‌کنند.
• پردازش زبان طبیعی:NLP علم خواندن، درک، تفسیر زبان توسط ماشین است. پردازش زبان طبیعی با درک مقصود یک ماشین مطابق با آن پاسخ می‌دهد.
• کامپیوتر ویژن: الگوریتم‌های بینایی کامپیوتری با تجزیه یک تصویر و مطالعه قسمت‌های مختلف اشیا سعی در درک یک تصویر دارند. این امر به ماشین‌‌ها کمک می‌کند تا مجموعه‌ای از تصاویر را طبقه‌‌بندی کرده و از آن‌‌ها بیاموزند تا بر اساس مشاهدات قبلی خروجی بهتری اتخاذ نمایند.
• محاسبات شناختی: الگوریتم‌های محاسبات شناختی می‌کوشند با تجزیه‌‌وتحلیل متن، گفتار، تصاویر و اشیاء مغز بشر را به روش مشابه انسان تقلید کنند.

 

از هوش مصنوعی در چه حوزه‌‌هایی استفاده می‌شود؟

این رویکرد در حوزه‌های مختلف برای ارائه بینش در مورد رفتار کاربر و ارائه توصیه‌هایی بر اساس داده‌ها استفاده می‌شود؛ برای مثال، الگوریتم جستجوی پیش‌بینی‌کننده گوگل از داده‌های گذشته کاربر برای پیش‌بینی جستجوهای کاربران بعدی در نوار جستجو استفاده می‌کند. نتفلیکس با استفاده از داده‌های گذشته کاربر به آن‌‌ها فیلم‌‌های مطابق با علایقشان را توصیه می‌‌کند. فیس‌‌بوک از داده‌های گذشته کاربران استفاده می‌کند تا به‌‌طور خودکار پیشنهادهایی را برای تگ کردن دوستان بر اساس ویژگی‌های چهره آن‌‌ها در تصاویر ارائه دهد. این هوش در مکان‌‌های مختلف توسط سازمان‌های بزرگ برای ساده‌ترکردن زندگی کاربران نهایی استفاده می‌شود. به‌طورکلی کاربردهای این هوش در دسته پردازش داده‌ها قرار می‌گیرد و موارد زیر را شامل می‌شود:

• جستجو در داده‌ها و بهینه‌‌سازی جستجو برای ارائه مرتبط‌ترین نتایج
• زنجیره‌های منطقی برای استدلال if-then قابل اعمال برای اجرای رشته‌ای از دستورات بر اساس پارامترها
• تشخیص رابطه برای شناسایی الگوهای مهم در مجموعه داده‌های بزرگ جهت کسب بینش‌های منحصربه‌‌فرد
• استفاده از مدل‌های احتمالی برای پیش‌‌بینی نتایج آینده

 

هوش مصنوعی چه مزایایی دارد؟

مزایای این فناوری در زندگی بشر بر هیچ‌کس پوشیده نیست. این مفهوم از توصیه‌های موسیقی، نقشه مسیرها و همراه بانک‌‌ها گرفته و تا پیشگیری از کلاهبرداری و موارد دیگر را دربر می‌‌گیرد. مرز باریکی بین پیشرفت و تخریب وجود دارد و همواره یک سکه دو رو دارد که این امر در مورد AI نیز صدق می‌‌کند. در ادامه به ذکر برخی از مزایای این هوش می‌‌پردازیم:

• کاهش خطای انسانی
• ۲۴×۷ در دسترس
• کمک در کارهای تکراری
• دستیار دیجیتال
• تصمیمات سریع‌‌تر
• تصمیم‌‌گیرنده منطقی
• کاربردهای پزشکی
• بهبود امنیت
• ارتباط کارآمد

 

پیش‌‌نیازهای هوش مصنوعی

در ادامه به برخی از پیش‌‌نیازهای یادگیری این علم می‌‌پردازیم:

• تسلط قوی در ریاضیات از جمله حساب دیفرانسیل، انتگرال، آمار و احتمال
• تجربه کافی در زبان‌های برنامه‌نویسی مانند جاوا یا پایتون
• تسلط بالا در درک و نوشتن الگوریتم‌ها
• پیشینه قوی در مهارت‌های تجزیه‌‌وتحلیل داده‌ها
• تسلط مطلوب در ریاضیات گسسته
• علاقه‌‌مند به فراگیری زبان‌های یادگیری ماشین

 

برترین برنامه‌های کاربردی در هوش مصنوعی

• پیش‌‌بینی‌های مبتنی بر AI گوگل مانند نقشه‌ گوگل
• فیلترهای اسپم در ایمیل‌ها
• هکرها و ابزار سرقت ادبی
• تشخیص چهره
• توصیه‌های جستجو
• ویژگی‌های تبدیل صدا به متن
• دستیارهای شخصی هوشمند مانند سیری، الکسا و موارد دیگر
• حفاظت و پیشگیری از تقلب
• ساعت فیس‌‌بوک
• توصیه‌های دوستان فیس‌‌بوک
• ماشین‌های خودران
• مشاوران روبو
• ربات‌های مکالمه‌ای
• فیلترهای اسپم ایمیل
• توصیه‌های نتفلیکس
• مدیریت پیشگیرانه مراقبت‌های بهداشتی
• نقشه برداری بیماری
• سرمایه‌‌گذاری مالی خودکار
• آژانس رزرواسیون مجازی سفر
• نظارت بر رسانه‌های اجتماعی