هوش مصنوعی (AI) امکان یادگیری از تجربیات، تطبیق یافتن با ورودیهای جدید و انجام وظایف مانند انسان را برای ماشینها فراهم می آورد. بیشتر مثال‌های AI که امروز درباره آنها می‌شنوید (از کامپیوترهایی که شطرنج بازی می کنند تا خودروهای خودراننده) اتکای زیادی بر یادگیری عمیق و پردازش زبان طبیعی دارند. با استفاده از این تکنولوژیها، کامپیوترها را می توان برای اجرای ماموریتهای ویژه از طریق پردازش حجم بالایی از داده ها و تشخیص الگوها در داده ها آموزش داد.
در این مقاله با مفهوم هوش مصنوعی و کاربردهای گوناگون آن آشنا می‌شوید.
تاریخچه هوش مصنوعی
اصطلاح هوش مصنوعی (Artificial Intelligence) در سال 1956 برای نخستین بار مطرح گردید، ولی AI امروزه به لطف افزایش حجم داده ها، الگوریتم های پیشرفته و بهبود توان و حافظه کامپیوترها رواج بیشتری یافته است.
تحقیقات اولیه در حوزه AI در دهه 1950 به کنکاش در مباحثی همچون حل مساله و روشهای نمادین پرداختند. در دهه 1960، وزارت دفاع آمریکا به این حوزه علاقه نشان داد و آموزش کامپیوترها برای تقلید از استدلال انسانی را آغاز نمود. به عنوان مثال، آژانس پروژه‌های تحقیقاتی پیشرفته دفاعی (DARPA) پروژه های نقشه برداری خیابانی را در دهه 1970 تکمیل نمود. DARPA دستیارهای شخصی هوشمند را در سال 2003 تولید کرد، مدتها پیش از آنکه سیری، الکسا و کورتانا به وفور در دسترس عموم قرار بگیرند.
این کار اولیه راه را برای اتوماسیون و استدلال رسمی که ما در کامپیوترهای امروزی می بینیم هموار نمود، که دربرگیرنده سیستمهای پشتیبانی از تصمیم و سیستمهای جستجوی هوشمند می شوند که می توانند برای تکمیل و تقویت قابلیتهای انسان طراحی شوند.
با اینکه فیلمهای هالیوودی و رمانهای علمی تخیلی AI را در قالب رباتهای انسان مانندی به تصویر می‌کشند که دنیا را به سلطه خود در می آورند، ولی روند کنونی تکامل تکنولوژیهای AI آنقدرها هم وحشتناک و تا آن حد هوشمند نیست. در عوض، AI مزایای ویژه بسیاری را در همه صنایع فراهم آورده است. در ادامه به ذکر نمونه هایی از هوش مصنوعی در حوزه سلامت، فروش و دیگر حوزه ها می پردازیم.
علت اهمیت هوش مصنوعی چیست؟
1)AI یادگیری مکرر و کشف از طریق داده ها را اتوماتیک می کند. ولی AI با اتوماسیون رباتیک مبتنی بر سخت افزار فرق می کند. به جای اتومات کردن کارهای دستی، AI وظایف کامپیوتری شده، حجیم و متناوب را به شکلی قابل اتکا و بدون خستگی انجام می دهد. برای این نوع از اتوماسیون، تحقیق و بررسی توسط انسان هنوز برای راه اندازی سیستم و پرسیدن سوالات مناسب ضروری است.
۲) AI هوش را به محصولات موجود می افزاید. در بیشتر موارد، AI به عنوان یک ابزار مجزا فروخته نخواهد شد. در عوض، محصولاتی که شما هم اکنون در حال استفاده از آنها هستید با قابلیتهای AI بهبود خواهند یافت، تا حدود زیادی شبیه افزوده شدن Siri به عنوان قابلیتی به نسل جدید محصولات اپل. اتوماسیون، پلتفرمهای محاوره ای، باتها و ماشینهای هوشمند را می توان با حجم بالایی از داده ها برای بهبود بسیاری از تکنولوژیها در خانه و در محل کار، از هوش امنیتی تا آنالیز سرمایه گذاری، ترکیب نمود.
۳) AI از طریق الگوریتم های یادگیری مداوم تطابق می یابد تا داده ها بتوانند برنامه نویسی را انجام دهند. AI ساختار و ترتیب داده ها را می یابد تا الگوریتم یک مهارت را کسب کند: الگوریتم به یک طبقه بندی کننده یا یک پیشبینی کننده تبدیل می شود. از این رو، همانگونه که الگوریتم می تواند نحوه بازی شطرنج را به خود بیاموزد، می تواند به خود بیاموزد که چه محصولی را بعدا در محیط آنلاین توصیه نماید. و این مدلها وقتی تطابق می یابند که داده های جدید را کسب کنند. پس انتشار یک تکنیک AI است که امکان تطابق یافتن مدل را، از طریق آموزش و داده های افزوده، در زمانی که پاسخ کاملا درست نباشد فراهم می آورد.
۴) AI داده های بیشتر و عمیق‌تری را با استفاده از شبکه های عصبی که لایه های مخفی بسیاری دارند آنالیز می کند. ساختن یک سیستم شناسایی تقلب و تخلف با پنج لایه پنهان تا همین چند سال پیش ناممکن بود. امام وضعیت با توان باورنکردنی کامپیوتر و داده های بزرگ تغییر یافت. شما برای آموزش دادن مدلهای یادگیری عمیق به حجم عظیمی از داده نیاز دارید چرا که آنها یادگیری را مستقیما از داده ها انجام می دهند. هرچه داده های بیشتری را بتوانید به آنها تغذیه کنید، آنها دقیقتر می شوند.
۵) AI از طریق شبکه های عصبی عمیق به دقتی باورنکردنی می رسد، چیزی که در گذشته ناممکن بود. به عنوان مثال، تعاملات شما با الکسا، Google Search و Google Photosهمه مبتنی بر یادگیری عمیق هستند – و آنها به مرور که بیشتر از آنها استفاده می کنیم دقیقتر می شوند. در حوزه پزشکی، تکنیکهای AI برگرفته از یادگیری عمیق، طبقه بندی تصویر و تشخیص شیء اکنون برای یافتن سرطان بر روی MRI ها با همان دقت رادیولوژیستهای بسیار آموزش دیده قابل استفاده هستند.
۶) AI بیشترین بهره برداری را از داده ها می کند. وقتی الگوریتمها خودفراگیر باشند، داده ها خودشان به دارایی معنوی تبدیل می شوند. پاسخها در داده ها موجودند؛ فقط باید AI را اعمال کنید تا استخراج شوند. از آنجا که نقش داده ها اکنون بیش از همیشه شده است، این کار می تواند یک مزیت رقباتی را ایجاد نماید. اگر شما بهترین داده ها را در یک صنعت رقابتی داشته باشید، حتی در صورتی که همه تکنیکهای مشابهی را اعمال کنند، پیروزی از آن داده های برتر خواهد بود.
کاربردهای مختلف هوش مصنوعی
همه صنایع نیاز فراوانی به قابلیتهای AI دارند – به طور خاص سیستمهای پاسخ دادن به سوالات که در مشاوره حقوقی، جستجوی حقوق انحصاری (پتنت)، هشداردهی مخاطرات و تحقیقات پزشکی قابل استفاده هستند. دیگر کاربردهای AI عبارتند از:
سلامت
ابزارهای AI می توانند قرائتهای اشعه ایکس و پزشکی شخصی سازی شده را فراهم بیاورند. دستیارهای مراقبت از سلامت شخصی می توانند به عنوان مربیان زندگی عمل نموده و به شما یادآوری کنند که قرصهایتان را بخورید، ورزش کنید یا تغذیه سالمتری داشته باشید.
تولید
AI می تواند داده های IoT کارخانه را آنالیز کند چرا که از تجهیزات متصل شده تا پیشبینی بار و تقاضای مورد انتظار با استفاده از شبکه های مکرر، که نوع خاصی از شبکه یادگیری عمیق مورد استفاده با داده های توالیبندی شده است، امتداد می یابد.
خرده فروشی
AI قابلیتهای خرید مجازیی را فراهم می آورد که به مشتری مشاوره اختصاصی ارائه می کنند و درباره گزینه های مختلف خرید با وی بحث می کنند. تکنولوژیهای چیدمان سایت و مدیریت سهام نیز با AI بهبود خواهند یافت.
ورزش
AI برای ثبت تصاویر بازیهای کامپیوتری و ارائه گزارشهایی درباره نحوه سازماندهی بهتر بازی، از جمله موقعیتهای میدانی و استراتژی، به مربیان استفاده می شود.
چالش‌های استفاده از هوش مصنوعی
هوش مصنوعی در حال تغییر دادن همه صنایع است، ولی لازم است که محدودیتهای آن را درک کنیم.
محدودیت اصلی AI این است که از داده ها می آموزد. راه دیگری برای گنجاندن دانش وجود ندارد. این باعث می شود که بی دقتیهای موجود داده ها در نتایج خود را نشان دهند. و همچنین هر لایه مضاعف پیشبینی یا آنالیز باید به طور مجزا افزوده شود.
سیستمهای AI امرزی برای اجرای یک وظیفه مشخصا تعریف شده آموزش داده می شوند. سیستمی که پوکر بازی می کند نمی تواند solitaire یا شطرنج بازی کند. سیستمی که تقلب را شناسایی می کند نمی تواند یک ماشین را براند یا به شما مشاوره حقوقی ارائه نماید.
به عبارت دیگر، این سیستمها بسیار بسیار تخصصی هستند. آنها بر یک ماموریت واحد تمرکز دارند و با رفتارهای شبیه انسان فاصله زیادی دارند.
همچنین، سیستمهای خودفراگیر سیستمهای مستقلی نیستند. تکنولوژیهای متصور شده AI ی که در فیلمها و تلوزیون می بینید هنوز علمی تخیلی هستند. ولی کامپیوترهایی که می توانند در داده های پیچیده برای یادگیری و تسلط یافتن در ماموریتهای ویژه جستجو نمایند در حال رواج یافتن هستند.
هوش مصنوعی چگونه عمل می کند؟
هوش مصنوعی با ترکیب حجم عظیمی از داده ها با الگوریتمهای هوشمند و پردازش سریع و مکرر عمل می کند، تا به این طریق نرم افزار بتواند به طور اتوماتیک از الگوها یا قابلیتهای موجود در داده ها یاد بگیرد. AI طیف وسیعی از مطالعات است که دربرگیرنده تئوریها، روشها و تکنولوژیهای بسیار و همچنین زیرزمینه های عمده ذیل می شود:
۱) یادگیری ماشینی مدلسازی تحلیلی را اتوماتسازی می کند.
۲) یک شبکه عصبی نوعی از یادگیری ماشینی است که از واحدهای به هم پیوسته (مانند نورنها) تشکیل یافته است که اطلاعات را با پاسخدهی به ورودیهای خارجی و تقویت اطلاعات بی هر واحد پردازش می کند.
۳) یادگیری عمیق از شبکه های عصبی عظیم با لایه های متعدد واحدهای پردازشی استفاده می کند، و از پیشرفتها در توان رایانشی و بهبود تکنیکهای آموزشی برای یادگیری الگوهای پیچیده در حجم بالای داده ها بهره می برد.
۴) رایانش شناختی زیرزمینه ای از AI است که برای تعامل انسان مانند طبیعی با ماشینها تلاش می کند.
۵) بینایی کامپیوتری با از تشخیص الگو و یادگیری عمیق برای تشخیص اینکه چه چیزی در یک تصویر یا ویدئو است بهره می برد.
۶) پردازش زبان طبیعی (NLP) توانایی کامپیوترها برای آنالیز، درک و تولید زبان انسانی، از جمله گفتار، است.
چند تکنولوژی هم هستند که AI را امکانپذیر و پشتیبانی می کنند:
۱) پردازنده های گرافیکی نقشی کلیدی در AI دارند زیرا توان رایانشی عظیمی مورد نیاز برای پردازش مکرر را فراهم می آورند.
۲) اینترنت اشیاء حجم عظیمی از داده ها را از دستگاههای به هم پیوسته، که بیشترشان آنالیز نشده هستند، تولید می کند.
۳) الگوریتمهای پیشرفته در حال توسعه و ترکیب به شیوه های جدیدی هستند تا امکان آنالیز سریعتر داده ها و در سطوح متعدد فراهم بیاید.
۴) APIها و رابطهای پردازش برنامه بسته های کد قابل حملی هستند که امکان افزودن کارکرد AI به بسته های نرم افزاری و محصولات موجود را فراهم می آورند.
به بیانی خلاصه، هدف AI فراهمسازی نرم افزاری است به استدلال برای ورودی و توضیح خروجی بپردازد. AI امکان تعاملات انسان مانند با نرم افزار را فراهم آورده و پشتیبانی از تصمیم را برای وظایف خاص ارائه می کند، ولی جایگزینی برای انسانها نیست – و به این زودیها هم جایگزین آنها نخواهد شد.
درباره این سایت