هوش مصنوعی چیست؟
در حالی که تعدادی از تعاریف هوش مصنوعی (AI) (Artificial Inteligence) در چند دهه گذشته ظاهر شده است، جان مک کارتی این تعریف را ارائه می دهد: "هوش مصنوعی، علم و مهندسی ساخت ماشین های هوشمند، به ویژه برنامه های رایانه ای هوشمند، است. هوش مصنوعی مربوط به وظیفه مشابه استفاده از رایانه ها برای درک هوش انسان است، اما هوش مصنوعی مجبور نیست خود را محدود به روش هایی کند که از نظر بیولوژیکی قابل مشاهده و مراعات است."با این حال، دهه ها قبل از این تعریف، تولد گفتگوی هوش مصنوعی با کار اصلی آلن تورینگ، "ماشین های محاسباتی و هوش"، نشان داده شد، که در سال 1950 منتشر شد. در این مقاله، تورینگ، که اغلب او را "پدر علوم کامپیوتر" می نامند، این سؤال را می پرسد: "آیا ماشین ها می توانند فکر کنند؟" از آن جا، او آزمایشی را ارائه می دهد، که امروزه به "آزمون تورینگ" معروف است، که یک بازجوی انسانی سعی می کند بین یک پاسخ متنی رایانه و یک پاسخ متنی انسان تمایز قائل شود. در حالی که این آزمون از زمان انتشار مورد بازرسی های زیادی قرار گرفته است، اما به عنوان بخش مهمی از تاریخ هوش مصنوعی و همچنین یک مفهوم مستمر در فلسفه باقی می ماند، زیرا از ایده های پیرامون زبان شناسی استفاده می کند.
سپس استوارت راسل و پیتر نورویگ اقدام به انتشار کتاب "هوش مصنوعی: رویکرد مدرن" کردند که به یکی از کتاب های متن درسی پیشرو در مطالعه هوش مصنوعی تبدیل شد. در آن، آنها به چهار هدف یا تعریف بالقوه از هوش مصنوعی می پردازند، که سیستم های رایانه ای را بر اساس عقلانیت و تفکر در مقابل عمل متمایز می کند:
رویکرد انسانی:
* سیستم هایی که مانند انسان فکر می کنند* سیستم هایی که مانند انسان عمل می کنند
رویکرد ایده آل:
* سیستم هایی که منطقی فکر می کنند* سیستم هایی که منطقی عمل می کنند
تعریف آلن تورینگ در دسته "سیستم هایی که مانند انسان عمل می کنند" قرار می گرفت.
در ساده ترین شکل، هوش مصنوعی رشته ای است که ترکیبی از علوم رایانه و مجموعه داده های قوی برای حل مسائل و مشکلات است. همچنین شامل زمینه های فرعی یادگیری ماشین و یادگیری عمیق است که اغلب در ارتباط با هوش مصنوعی به آنها اشاره می شود. این رشته ها از الگوریتم های هوش مصنوعی تشکیل شده اند که به دنبال ایجاد سیستم های متخصصی هستند که بر اساس داده های ورودی پیش بینی یا طبقه بندی می کنند.
امروزه هنوز هم تبلیغات زیادی پیرامون توسعه هوش مصنوعی وجود دارد که گویی انتظار می رود هر فناوری جدید در حال ظهوری در بازار باشد. همان طور که در چرخه تبلیغات گارتنر ذکر شده است، نوآوری های محصول مانند، اتومبیل های خودران و دستیاران شخصی، "یک پیشرفت معمول نوآوری، از اشتیاق بیش از حد و گذشتن از میان یک دوره ناامیدی تا درک شدن نهایی اهمیت و نقش نوآوری آنها در یک بازار یا حوزه را دنبال می کند. " همان طور که لکس فریدمن در سخنرانی MIT خود در سال 2019 اشاره می کند، ما در اوج انتظارات متورم شده و به سمت ناامیدی نزدیک می شویم.
همان طور که گفتگوها پیرامون اخلاق هوش مصنوعی ظاهر می شود، می توانیم نگاه های اولیه حاکی از ناامیدی را مشاهده کنیم.
در مجموع می توان گفت هوش مصنوعی، توانایی یک کامپیوتر دیجیتالی یا روبات کنترل شده با رایانه، است برای انجام وظایفی که معمولاً با موجودات هوشمند مرتبط است. این واژه غالباً در مورد پروژه توسعه سیستم هایی با فرایندهای فکری مشخصه انسان ها، مانند توانایی استدلال، کشف معنا، تعمیم یا درس گرفتن از تجربیات گذشته به کار می رود. از زمان توسعه رایانه دیجیتال در دهه 1940، ثابت شده است که کامپیوترها می توانند برای انجام کارهای بسیار پیچیده برنامه ریزی شوند - به عنوان مثال، کشف اثبات قضایای ریاضی یا بازی شطرنج - با مهارت بالا. با وجود پیشرفت مستمر در سرعت پردازش رایانه و ظرفیت حافظه، هنوز هیچ برنامه ای وجود ندارد که بتواند جایگزین انعطاف پذیری انسان در حوزه های وسیع تر و یا وظایفی که نیاز به دانش روزمره دارند شود. از سوی دیگر، برخی از برنامه ها به سطوح عملکرد متخصصان انسانی در انجام برخی وظایف خاص رسیده اند، به طوری که هوش مصنوعی به این معنای محدود، در برنامه های متنوعی مانند تشخیص پزشکی، موتورهای جستجوی رایانه ای و تشخیص صدا یا دست خط یافت می شود.
انواع هوش مصنوعی - هوش مصنوعی ضعیف در مقابل هوش مصنوعی قوی
هوش مصنوعی ضعیف - که به آن هوش مصنوعی باریک یا هوش باریک مصنوعی (ANI) (Artificial Narrow Intelligence) نیز گفته می شود - برای انجام وظایف خاص آموزش دیده و متمرکز است. هوش مصنوعی ضعیف بیشترِ هوش مصنوعی را که امروزه ما را احاطه کرده است هدایت می کند. "باریک" ممکن است توصیف دقیق تری برای این نوع هوش مصنوعی باشد زیرا هر چیزی هست به جز ضعیف. این برنامه برخی از برنامه های بسیار قوی مانند Siri اپل، Alexa آمازون، IBM Watson و خودروهای خودران را فعال می کند.هوش مصنوعی قوی از هوش عمومی مصنوعی (AGI) (Artificial General Intelligence) و هوش فوق العاده مصنوعی (ASI) (Artificial Super Intelligence) تشکیل شده است. هوش عمومی مصنوعی (AGI) یا هوش مصنوعی عمومی، یک شکل نظری از هوش مصنوعی است که در آن دستگاه دارای هوشی برابر با هوش انسان است. این یک آگاهی خودآگاه است که توانایی حل مشکلات، یادگیری و برنامه ریزی برای آینده را دارد. هوش فوق العاده مصنوعی (ASI) - که به عنوان فوق هوش نیز شناخته می شود - از هوش و توانایی مغز انسان پیشی می گیرد. در حالی که هوش مصنوعی قوی هنوز کاملاً نظری است و امروزه از نمونه های عملی آن استفاده نمی شود، این بدان معنا نیست که محققان هوش مصنوعی نیز در حال توسعه آن نیستند. در این میان، بهترین نمونه های ASI ممکن است از سنخ داستان های علمی تخیلی، شبیهHAL ، دستیار رایانه فوق بشری و سرکش در 2001: ادیسه فضایی (2001: A Space Odyssey)، باشد.
یادگیری عمیق در مقابل یادگیری ماشین
از آن جا که از یادگیری عمیق و یادگیری ماشین به جای یکدیگر استفاده می شود، شایان تذکر است که تفاوت های ظریفی بین این دو مورد وجود دارد. همان طور که در بالا ذکر شد، هم یادگیری عمیق یا DL (deep learning) و هم یادگیری ماشین یا ML (machine learning) زیر شاخه های هوش مصنوعی یا AI (Artificial Inteligence) هستند و یادگیری عمیق در واقع زیر شاخه ای از یادگیری ماشین است.
تصویر: نمایش بصری نحوه ارتباطAI ، ML و DL با یکدیگر
یادگیری ماشینی "عمیق" می تواند از مجموعه داده های دارای برچسب، که به عنوان یادگیری تحت نظارت نیز شناخته می شود، برای اطلاع از الگوریتم خود استفاده کند، اما لزوماً به مجموعه داده برچسب زده شده نیاز ندارد. یادگیری عمیق در واقع شامل شبکه های عصبی است. "عمیق" در یادگیری عمیق به یک شبکه عصبی متشکل از بیش از سه لایه اشاره دارد - که شامل ورودی ها و خروجی ها می شود – و می تواند یک الگوریتم یادگیری عمیق تلقی شود. این به طور کلی با استفاده از نمودار زیر نشان داده شده است:
تصویر: نمودار شبکه عصبی عمیق
طریقه ای که در آن یادگیری عمیق از یادگیری ماشین متفاوت است در نحوه یادگیری هر الگوریتم است. یادگیری عمیق بخش عمده ای از قسمت استخراج ویژگی های فرآیند را خودکار می کند، برخی از مداخلات دستی مورد نیاز انسان را حذف می کند، و امکان استفاده از مجموعه داده های بزرگ تر را فراهم می نماید. شما می توانید یادگیری عمیق را "یادگیری ماشین مقیاس پذیر" در نظر بگیرید، همان طور که لکس فریدمن در همان سخنرانی MIT که در بالا گفته شد اشاره کرد. یادگیری ماشینی کلاسیک یا "غیر عمیق" بیشتر وابسته به مداخله انسان برای یادگیری است. متخصصان انسانی برای درک تفاوت بین ورودی های داده، سلسله مراتب ویژگی ها را تعیین می کنند، که معمولاً برای یادگیری به داده های ساختارمندتری نیاز دارند.
یادگیری ماشینی "عمیق" می تواند از مجموعه داده های دارای برچسب، که به عنوان یادگیری تحت نظارت نیز شناخته می شود، برای اطلاع از الگوریتم خود استفاده کند، اما لزوماً به مجموعه داده برچسب زده شده نیاز ندارد. این یادگیری می تواند داده های بدون ساختار را در شکل خام خود (مانند متن، تصاویر) وارد کند و می تواند به طور خودکار سلسله مراتب ویژگی هایی را که دسته های مختلف داده را از یکدیگر متمایز می کند، تعیین کند. برخلاف یادگیری ماشینی، برای پردازش داده ها نیازی به مداخله انسان نیست و به ما این امکان را می دهد که یادگیری ماشین را به شیوه های جالب تری مقیاس بندی کنیم.
کاربردهای هوش مصنوعی
حل مسئله، به ویژه در هوش مصنوعی، ممکن است به عنوان یک جستجوی سیستماتیک از طریق طیف وسیعی از اقدامات احتمالی به منظور دستیابی به هدف یا راه حل از پیش تعیین شده، مشخص شود. روش های حل مساله به دو منظور خاص و هدف کلی تقسیم می شوند. در یک روش هدفی خاص برای یک مشکل خاص طراحی شده است و اغلب از ویژگی های بسیار خاصی از موقعیتی که مشکل در آن نهفته است استفاده می کند. در مقابل، یک روش همه منظوره وجود دارد که برای طیف گسترده ای از مشکلات کاربرد دارد. یکی از تکنیک های عمومی که در هوش مصنوعی استفاده می شود، تجزیه و تحلیل هدف است – یعنی کاهش گام به گام یا افزایشی تفاوت بین وضعیت فعلی و هدف نهایی.امروزه برنامه های کاربردی متعددی از سیستم های AI در دنیای واقعی وجود دارد. در زیر برخی از رایج ترین نمونه ها آورده شده است:
تشخیص گفتار:
تشخیص گفتار، همچنین به عنوان تشخیص خودکار گفتار (ASR) (automatic speech recognition)، تشخیص گفتار رایانه ای یا گفتار به متن شناخته می شود و این یک قابلیت است که از پردازش زبان طبیعی (NLP) (natural language processing) برای پردازش گفتار انسان در قالب نوشتاری استفاده می کند. بسیاری از دستگاه های تلفن همراه برای انجام جستجوی صوتی، تشخیص گفتار را در سیستم های خود قرار می دهند - به عنوان مثال- Siri یا دسترسی بیشتر در اطراف ارسال پیامک را فراهم می کنند.خدمات به مشتریان:
نمایندگان مجازی آنلاین در طول سفر مشتری جایگزین نمایندگان انسانی می شوند. آنها به سؤالات متداول (FAQs یا frequently asked questions) در مورد موضوعاتی مانند حمل و نقل پاسخ می دهند، یا مشاوره شخصی ارائه می دهند، محصولات را به فروش می رسانند یا اندازه هایی را برای کاربران پیشنهاد می کنند، و نگرش ما را در مورد مشارکت مشتری در وب سایت ها و سیستم عامل های رسانه های اجتماعی تغییر می دهند. به عنوان مثال می توان به روبات های پیام رسان در سایت های تجارت الکترونیک با عوامل مجازی، برنامه های پیام رسانی مانند Slack و Facebook Messenger و کارهایی که معمولاً توسط دستیاران مجازی و دستیارهای صوتی انجام داده می شود اشاره کرد.بینایی رایانه ای:
این فناوری هوش مصنوعی، رایانه ها و سیستم ها را قادر می سازد تا اطلاعات معنی داری را از تصاویر دیجیتالی، فیلم ها و سایر ورودی های بصری به دست آورند و بر اساس این ورودی ها، می توانند توصیه یا اقدامی انجام دهند. این توانایی در ارائه توصیه ها، آن را از کارهای تشخیص تصویر متمایز می کند. دید رایانه ای که از شبکه های عصبی پیچیده استفاده می کند، دارای برچسب گذاری عکس در رسانه های اجتماعی، تصویربرداری رادیولوژی در مراقبت های بهداشتی و اتومبیل های خودران در صنعت خودرو است.موتورهای توصیه:
با استفاده از داده های رفتار مصرف گذشته، الگوریتم های هوش مصنوعی می توانند به کشف روندهای داده ای کمک کنند که می تواند برای توسعه استراتژی های فروش متقابل مؤثرتر مورد استفاده قرار گیرد. این مورد برای ارائه توصیه های اضافی مربوط به مشتریان در حین فرایند خرید برای خرده فروشان آنلاین استفاده می شود.معاملات خودکار سهام:
سکوهای معاملاتی با فرکانس بالای هدایت شده توسط هوش مصنوعی، که برای بهینه سازی سبد سهام طراحی شده اند، هزاران یا حتی میلیون ها معامله در روز را بدون دخالت انسان انجام می دهند.تاریخچه هوش مصنوعی: تاریخ ها و نام های کلیدی
ایده "دستگاهی که فکر می کند" به یونان باستان برمی گردد. اما از زمان ظهور محاسبات الکترونیکی (و در ارتباط با برخی از موضوعات مورد بحث در این مقاله) رویدادها و مراحل مهم در تکامل هوش مصنوعی شامل موارد زیر است:1950: آلن تورینگ مقاله ماشین آلات محاسبه و هوش (Computing Machinery and Intelligence) را منتشر کرد. در این مقاله، تورینگ - که به دلیل شکستن کد ENIGMA نازی در جنگ جهانی دوم مشهور است - پیشنهاد می کند به این سؤال پاسخ داده شود که "آیا ماشین ها می توانند فکر کنند؟" و تست تورینگ را معرفی می کند تا مشخص شود آیا یک کامپیوتر می تواند همان هوش (یا نتایج همان هوش) انسان را نشان دهد. ارزش آزمون تورینگ از آن زمان مورد بحث بوده است.
1956: جان مک کارتی در اولین کنفرانس هوش مصنوعی در کالج دارتموث واژه "هوش مصنوعی" را به کار برد. (مک کارتی زبان لیسپ (یک زبان برنامه نویسی رایانه ای سطح بالا که برای پردازش لیست طراحی شده است) را اختراع کرد.) بعداً در همان سال، آلن نیول، جی سی شاو و هربرت سایمون نرم افزار نظریه پرداز منطق (Logic Theorist) را ایجاد کردند، که اولین برنامه پویای نرم افزاری هوش مصنوعی بود.
1967: فرانک روزنبلات Mark 1 Perceptron را ساخت، که اولین رایانه مبتنی بر یک شبکه عصبی بود که، هرچند با آزمون و خطا، "آموخته بود". فقط یک سال بعد، ماروین مینسکی و سیمور پاپرت کتابی با عنوان Perceptrons منتشر می کنند که هم به عنوان نقطه عطفی در شبکه های عصبی شناخته می شود و هم دست کم برای مدتی به مناقشه ای علیه پروژه های تحقیقاتی آینده شبکه های عصبی تبدیل می شود.
1980: از شبکه های عصبی که از یک الگوریتم backpropagation برای آموزش خود استفاده می کنند، به طور گسترده در برنامه های AI استفاده می شود.
1997: آبی عمیق (Deep Blue) IBM بر گری کاسپاروف، قهرمان شطرنج جهان، در یک مسابقه شطرنج (و مسابقه برگشت) غلبه کرد.
2011: آی بی ام واتسون (IBM Watson) دو قهرمان کن جنینگز و برد روتر را در Jeopardy شکست داد!
2015: ابر رایانه مینوا بایدو از نوع خاصی از شبکه عصبی عمیق به نام شبکه عصبی کانولوشن برای شناسایی و دسته بندی تصاویر با سرعتی بیشتر از سرعت یک انسان معمولی استفاده می کند.
2016: برنامه آلفاگو دیپمایند (DeepMind's AlphaGo)، مجهز به یک شبکه عصبی عمیق، لی سودول، بازیکن قهرمان جهان Go را در یک مسابقه پنج گِیمی شکست داد. این پیروزی با توجه به تعداد زیاد حرکات احتمالی با پیشرفت بازی (بیش از 14.5 تریلیون پس از تنها چهار حرکت!) قابل توجه است. بعداً گوگل، DeepMind را به مبلغ 400 میلیون دلار خریداری کرد.
هوش مصنوعی عمومی، یک شکل نظری از هوش مصنوعی است که در آن دستگاه دارای هوشی برابر با هوش انسان است. این یک آگاهی خودآگاه است که توانایی حل مشکلات، یادگیری و برنامه ریزی برای آینده را دارد.
هوش مصنوعی و ابر آی بی ام (IBM Cloud)
IBMپیشرو در پیشبرد فناوری های مبتنی بر هوش مصنوعی برای شرکت ها بوده و پیشگام آینده سیستم های یادگیری ماشین برای صنایع مختلف بوده است. بر اساس دهه ها تحقیق درباره هوش مصنوعی، سال ها تجربه کار با سازمان ها در همه اندازه ها، و بر اساس آموخته های بیش از 30،000 مشارکتIBM Watson ، IBM نردبان هوش مصنوعی (AI Ladder) را برای استقرارهای موفق هوش مصنوعی بر مبانی زیر توسعه داده است:جمع آوری: ساده سازی جمع آوری داده ها و دسترسی.
سازماندهی: ایجاد یک بنیاد تجزیه و تحلیل آماده کسب و کار.
تجزیه و تحلیل: ایجاد سیستم های مقیاس پذیر و قابل اعتماد مبتنی بر هوش مصنوعی.
تزریق: یکپارچه سازی و بهینه سازی سیستم ها در کل چارچوب تجاری.
مدرن سازی: برنامه ها و سیستم های هوش مصنوعی خود را به ابر بیاورید.
IBM Watson به شرکت ها ابزارهای هوش مصنوعی لازم برای تغییر سیستم های تجاری و گردش کار خود را می دهد، در حالی که اتوماسیون و کارایی را به میزان قابل توجهی بهبود می بخشد.
منبع: IBM Cloud Education
