کاربردهای باورنکردنی هوش مصنوعی

در ابتدا محققان تصور می‌کردند که ساخت یک هوش مصنوعی به سادگی برنامه نویسی برای هر یک از عملکردهایی است که یک وسیله هوشمند انجام می‌دهد. اما همانطور که پیش می‌رفتند، متوجه شدند که این رویکرد بسیار سطحی بوده است. حتی عملکردهای ساده‌ای مانند تشخیص چهره، تشخیص الگو و درک زبان بسیار فراتر از مهارتهای برنامه نویسی آنها بودند. بنابراین به این نتیجه رسیدند که جهت ساخت یک هوش مصنوعی بایستی ابتدا کنکاش عمیق‌تری از هوش طبیعی داشته باشند.
برخی از رویکردهای مهم هوش مصنوعی به دو خط فکری یعنی رویکرد پایین به بالا (جزء به کل) و رویکرد بالا به پایین (کل به جزء) تقسیم می‌شوندپژوهشگران سعی کرده نحوه روی دادن فرایندهای شناختی، ادراکی و تصمیم گیری در ذهن انسان را درک نمایند. بعضی از آنها به مطالعه مغز پرداخته و سعی نمودند به نحوه تشکیل ذهن توسط شبکه نورونها پی ببرند. رویکردهای متفاوتی در این خصوص به وجود آمدند اما هدف همه یعنی ساخت ماشینهای هوشمند، یکی بود. برخی از رویکردهای مهم هوش مصنوعی به دو خط فکری یعنی رویکرد پایین به بالا (جزء به کل) و رویکرد بالا به پایین (کل به جزء) تقسیم می‌شوند.
 

در ادامه به چند رویکرد هوش مصنوعی اشاره خواهیم کرد.
 

نوعی رویکرد پایین به بالا است که در اصل بر روی الهام گیری و کپی برداری از ساختار و عملکرد مغز انسان جهت ساخت رفتار هوشمندانه هدف گذاری شده است. محققان در تلاش بوده شبکه‌ای الکترونیکی مبتنی بر سیلیکون بسازند که بر اساس شکل و عملکرد مغز انسان شکل می‌گیرد. مغز ما شبکه‌ای از میلیاردها نورون است که هر یک به دیگری متصل بوده و با یکدیگر ارتباط دارند.

در یک سطح منفرد، یک نورون از هوش بسیار کمی برخوردار است به این معنا که به وسیله یک مجموعه قوانین ساده عمل کرده به گونه‌ای که سیگنالهای الکتریکی را از طریق شبکه خود هدایت می‌کند. با این حال، شبکه‌ای مرکب از تمامی این نورونها رفتار بی نظیر هوشمندانه‌ای را بوجود می‌آورند. در نتیجه این محققان شبکه‌ای از آنالوگهای الکترونیکی یک نورون را بر اساس منطق بولی (Boolean logic) ایجاد کردند. حافظه به عنوان یک الگوی سیگنال الکترونیکی در یک شبکه عصبی بسته شناخته می‌شود.
شبکه‌های عصبی مصنوعی قادر به یادگیری الگوها و به یاد آوردن آنها هستندمغز انسان با شناسایی الگوها و به یاد آوردن آنها عمل می‌کند. به طور مشابه، شبکه‌های عصبی مصنوعی قادر به یادگیری الگوها و به یاد آوردن آنها هستند. این رویکرد هم به دلیل تعداد میلیاردی نورونها و هم به علت پیچیدگی کپی برداری از مغز انسان، دارای محدودیتهایی است. در حال حاضر دانشمندان از طریق تکنیکهای شبیه سازی، موفق به ساخت شبکه‌های عصبی مجازی شده‌اند. این رویکرد نتوانسته است به هدف نهایی خود دست یابد اما در این زمینه پیشرفتهای بسیار مثبتی صورت گرفته است.
 

نوعی رویکرد از بالا به پایین است که پیروان آن بجای شروع از سطح پایه‌ای نورونها، با استفاده از توان محاسباتی کامپیوترهای مدرن، ماشینهای هوشمندی را طراحی می‌کنند که با بکار بردن منطق قیاسی مسائل را حل می‌کنند. ابزار این ماشینها شبیه به ابراز یک کارآگاه است. آنها به گونه‌ای برنامه ریزی می‌شوند که از تجزیه و تحلیل آماری و داده کاوی جهت حل مسائل استفاده کنند.

شطرنج‌های کامپیوتری مانند فریتز (Fritz) که شطرنج بازان قهاری همچون کاسپاروف را شکست دادند نمونه‌های از این سیستم به حساب می‌آیند.
 

رویکردی است که به کامپیوترها این توانایی را بخشیده بدون برنامه ریزی مشخص آموزش ببینند. در این رویکرد یک برنامه می‌آموزد که از طریق فرایندی تحت عنوان «یادگیری» الگوهایی را از میان داده‌ها تشخیص دهد. این روش شناسایی و تعیین الگو، قدرت پیش بینی جهت استنتاج الگوهای رفتاری آینده هر سیستمی را برای برنامه فراهم می‌سازد.
 

هوش مصنوعی در تمام زمینه‌ها دارای کاربرد است. به طوریکه جهت حل مسائل و کاهش خطا در عمل، دقت و قدرت محاسباتی را با منطق خالص درهم می‌آمیزد. هم اینک رباتهای سیستم‌های هوشمند مشاغلی را به خود اختصاص داده‌اند که برای انسان خطرناک بوده یا خارج از توانایی اوست.
 

اتومبیل‌های بدون راننده به وسیله یک برنامه نرم افزاری هدایت می‌شوند. استنلی نام خودرو رباتیکی است که توسط تیم گوگل به سرپرستی سباستین ترون ساخته شد و توانست جایزه مسابقه بزرگ دارپا در سال 2005 به مبلغ 2 میلیون دلار را دریافت نماید.

نرم افزار داخلی این خودرو با استفاده از رادارهای لیزی و تجهیزات پیشرفته، محیط پیرامون خود را با تهیه یک نقشه سه بعدی از تمام اشیاء مجاور خود، تجزیه و تحلیل می‌نماید و با شناسایی  فوری هر جسم می‌تواند عکس‌العمل مناسب را حین رانندگی، با کنترل سرعت، فرمان و همچنین ترمز برنامه‌ریزی نماید. این اتومبیل خودران تا آوریل 2014، حدود 1ر1 میلیون کیلومتر رانندگی بدن تصادف را ثبت نمود.
 

سیستم‌های ترجمه ماشینی خودکار به طور گسترده در اینترنت فراگیر شده‌اند بطوریکه به منظور ترجمه میان دو زبان، با دسترسی به مجموعه داده‌های این دو زبان، از الگوریتم‌های آماری و یادگیری جهت تجزیه و تحلیل استفاده می‌کنند. این سیستم‌ها با گذشت زمان ترجمه‌های بهتر و دقیق‌تری ارائه داده‌اند.
 

امروزه این برنامه‌ها حدود 80% تا 90% از ایمیل‌های اسپم (هرزنامه، نامه‌های ناشناس و اغلب مزاحم) را مسدود می‌سازند. الگوریتم‌هایی جهت تشخیص و درک هر نوع هرزنامه جدید طراحی شده‌اند. هر زمان که ایمیلی را به عنوان هرزنامه مارک‌دار می‌کنید، این نرم افزار نمونه‌ای جدید را برای شناسایی فراگرفته که خود آن را در جداسازی هرزنامه از ایمیلهای مهم دقیق‌تر می‌سازد.
 

الگوریتم‌های یادگیری ماشینی، شبکه‌های عصبی و پردازش زبان طبیعی در بهبود تشخیص گفتار جهت استفاده در دستگاه‌های مختلف بکار می‌روند. گوگل تشخیص گفتار بکار رفته در برنامه‌های کاربردی مختلف خود از جمله گوگل ویس (voice) را با استفاده از تکنیکهای یادگیری ماشینی بهبود بخشیده است.
 

رباتیک و سایبرنتیک در اثر ادغام با سیستم‌های هوشمند پیشرفت سریعی داشته‌اند. امروزه یک فرایند کامل به وسیله سیستم کامپیوتری در صنعت خودروسازی، تولید ابزار ماشین آلات، تولید تراشه کامپیوتری و تقریباً هر فرایند تکنولوژیک برتر تماماً به صورت خودکار، کنترل شده و محافظت شده درآمده است. آنها وظائف خطیری همچون رسیدگی به مواد رادیواکتیو خطرناک را برعهده می‌گیرند. خلبانهای رباتیک تکنیکهای مانور پیچیده را در فضاپیماهای بدون سرنشین انجام می‌دهند. ژاپن کشور پیشرو در زمینه تحقیقات و استفاده از رباتیک است.
 

محققان در حین تحقیق در خصوص هوش مصنوعی موفق به ساخت محصولات جانبی همچون برنامه نویسی پویا، برنامه نویسی شیء‌گرا، برنامه نویسی سمبلیک، سیستم‌های مدیریت ذخیره سازی هوشمند و بسیاری از ابزارهای دیگر شده‌اند. هدف اولیه از ساخت هوش مصنوعی هنوز هم یک رؤیای دست نیافتنی باقی مانده اما انسان در حال ایده پردازی در خصوص مسیر نهایی ختم به آن است.
 

خطوط هوایی از سیستم‌های هوشمند در هواپیماهای خود جهت نظارت بر شرایط جوی و وضعیت سیستم بهره می‌برند. این نوع هواپیما را می‌توان پس از تعیین مسیر مقصد، در وضعیت خلبان خودکار قرار داد.
 

رویکرد شبکه‌های عصبی برای پیش بینی شرایط آب و هوایی به کار برده می‌شود. اطلاعات پیشین به یک شبکه عصبی مصنوعی وارد شده بطوریکه پس از فراگیری این الگو، از آن دانش جهت پیش بینی الگوهای آب و هوایی استفاده می‌کند.
 

یکی از پویاترین حوزه‌های تحقیق، دید کامپیوتری است که شامل ساخت الگوریتم‌هایی است که بتوانند به شناسایی خودکار اشیاء و محیط توسط ماشین‌ها کمک کنند. نرم افزار هوش خودکار تشخیص بینایی می‌تواند در صنایع و همچنین سکتورهای فناوری اطلاعات مورد استفاده قرار گیرد. گوگل به تازگی الگوریتمی را عرضه کرده است که می‌تواند به درستی صورتهای گربه‌ها را از میلیاردها تصویر در اینترنت تشخیص دهد.

اکثر کاربردهایی که در بالا عنوان شد بر روی وظائف خودکار از طریق یادگیری ماشینی و قدرت محاسباتی متمرکز شده بودند. ماشین آلات بر خلاف هوش واقعی، هنوز هم درکی از اطلاعات و ارتباط میان انواع مختلف آن ندارند.

 
منبع: techspirited