این روزها صحبت های زیادی در مورد “هوش مصنوعی” ، که به اختصار AI نامیده می شود ، وجود دارد. اما هوش مصنوعی دقیقاً چیست و چه کاربردی دارد؟ این دقیقاً سوالی است که ما در این مقاله به آن پاسخ خواهیم داد.
تاریخچه
نقش هوش مصنوعی در زندگی ما روز به روز در حال افزایش است. آخرین روند در این زمینه تراشه های هوش مصنوعی و کاربردهای مختلف آنها در تلفن های هوشمند است. اما آغاز توسعه این فناوری در واقع بسیار زودتر برمی گردد. در آن زمان بود که کالج دارتموث در ایالات متحده یک پروژه تحقیقاتی تابستانی را به هوش مصنوعی در دهه 1950 اختصاص داد. ریشه های هوش مصنوعی را می توان در تاریخ و کار آلن نیول ، هربرت ای جستجو کرد. . سیمون “و” آلن تورینگ “. آزمون معروف تورینگ توسط وی در مقاله ای در سال 1950 ارائه شد. این مقاله یکی از اولین اسنادی است که در آن ظاهر ماشین های هوشمند پیش بینی شده است. با این حال ، مقوله هوش مصنوعی تا زمان معرفی ابررایانه Deep Blue توسط IBM توجه جهانیان را به خود جلب نکرده بود. این ابر رایانه اولین ماشینی بود که در مسابقات 1996 گری کاسپاروف ، قهرمان شطرنج جهان را شکست داد. الگوریتم های هوش مصنوعی سالهاست که در مراکز داده بزرگ و رایانه ها مورد استفاده قرار می گیرد ، اما حضور آنها در زمینه مصرف الکترونیک به سالهای اخیر برمی گردد.
تعریف هوش مصنوعی
تعریف هوش مصنوعی آن را به عنوان شاخه ای از محاسبات تعریف می کند که با اتوماسیون رفتارهای هوشمند سروکار دارد. بخش سخت این است: از آنجا که ما نمی توانیم هوش را به درستی تعریف کنیم ، امکان تعریف دقیق هوش مصنوعی وجود ندارد. به طور کلی ، اصطلاح هوش مصنوعی برای توصیف سیستم هایی استفاده می شود که هدف آنها استفاده از ماشین ها برای تقلید و شبیه سازی هوش انسان و رفتارهای مرتبط است. این هدف گاهی با استفاده از الگوریتم های ساده و الگوهای از پیش تعیین شده قابل دستیابی است ، اما گاهی اوقات به الگوریتم های بسیار پیچیده ای نیاز دارد.
انواع مختلف هوش مصنوعی
هوش مصنوعی نمادین
هوش مصنوعی نمادین با نمادهای انتزاعی کار می کند که برای نشان دادن دانش استفاده می شود. هوش مصنوعی نمادین یک هوش مصنوعی کلاسیک است بر اساس این ایده که تفکر انسان را می توان در سطح سلسله مراتبی و منطقی بازسازی کرد. در این روش ، اطلاعات از بالا با کار بر روی نمادهای معنی دار انسان ، ارتباط انتزاعی و نتیجه گیری منطقی پردازش می شوند.
هوش مصنوعی عصبی
هوش مصنوعی عصبی در محاسبات در اواخر دهه 1980 رواج یافت. به این ترتیب ، دانش با نمادها نشان داده نمی شود ، بلکه نورون های مصنوعی و ارتباطات بین آنها نشان دهنده دانش است. این هوش مصنوعی چیزی شبیه مغز بازسازی شده است. در این روش ، دانش به دست آمده به قسمتهای کوچکتر (نورون ها) تجزیه شده و سپس گروه هایی تشکیل می شود. این نوع هوش مصنوعی دارای رویکرد از پایین به بالا است.برخلاف هوش مصنوعی نمادین ، یک سیستم هوش مصنوعی عصبی ابتدا باید آموزش ببیند و در معرض محرک ها قرار گیرد تا شبکه های عصبی بتوانند آزمایش ، رشد و جمع آوری دانش بیشتری کنند.
شبکه های عصبی
شبکه های عصبی در لایه هایی سازماندهی شده اند که توسط خطوط شبیه سازی شده به هم متصل شده اند. لایه بالا لایه دریافت کننده است. این لایه به عنوان یک حسگر عمل می کند که اطلاعات را برای پردازش دریافت کرده و به لایه های پایینی ارسال می کند. این روند پس از دریافت اطلاعات با حداقل دو لایه دیگر (در سیستم های بزرگ تا بیش از بیست لایه) که به صورت سلسله مراتبی روی هم چیده شده اند و اطلاعات را از طریق پیوندها طبقه بندی و ارسال می کنند ، ادامه می یابد. در انتهای سلسله مراتب لایه خروجی قرار دارد که معمولاً دارای نورون های مصنوعی کمتری نسبت به سایر لایه ها است. این لایه داده های محاسبه شده را به قالبی تبدیل می کند که دستگاه می تواند بخواند.
شیوه‌ها و ابزارها
چندین ابزار و روش برای استفاده از هوش مصنوعی در دنیای واقعی وجود دارد که برخی از آنها را می توان به صورت ترکیبی استفاده کرد.
اساس همه این روش ها “یادگیری ماشین” است. تعریف یادگیری ماشین سیستمی است که تجربه را به دانش تبدیل می کند. این فرایند به سیستم این توانایی را می دهد که الگوها و قوانین را با سرعت بیشتری شناسایی کند. در انواع مختلف یادگیری ماشین ، از هوش مصنوعی نمادین و عصبی استفاده می شود.
یادگیری عمیق یک زیرگونه رو به رشد از یادگیری ماشین است. در این مورد ، فقط از هوش مصنوعی عصبی یا شبکه های عصبی استفاده می شود. اکثر برنامه های کاربردی امروز هوش مصنوعی مبتنی بر یادگیری عمیق هستند. با توجه به توانایی توسعه سریع طراحی شبکه های عصبی و تبدیل آنها به سیستم های پیچیده تر و قدرتمندتر با لایه های جدید ، مقیاس یادگیری عمیق را می توان به راحتی تغییر داد و با بسیاری از کاربردها سازگار شد.
سه نوع فرایند یادگیری برای آموزش شبکه های عصبی وجود دارد: یادگیری تحت نظارت ، بدون نظارت و یادگیری تقویتی. این سه فرایند روشهای مختلفی را برای پیکربندی نحوه تبدیل ورودی به خروجی مورد نظر ارائه می دهد. در یادگیری تحت نظارت ، ارزشها و پارامترها برای سیستم به صورت خارجی تعیین می شوند ، اما در یادگیری بدون نظارت این خود سیستم است که سعی می کند الگوهایی در اطلاعات ورودی کشف کند که دارای ساختار قابل تشخیص بوده و قابل بازتولید باشد. در یادگیری تقویتی ، ماشین نیز به طور مستقل کار می کند ، اما بر اساس موفقیت یا شکست تشویق یا مجازات می شود.
کاربردها
هوش مصنوعی در حال حاضر در بسیاری از نقاط مورد استفاده قرار می گیرد ، اما به هیچ وجه همه این کاربردها در نگاه اول واضح نیستند. بنابراین ، انتخاب موقعیت هایی که در آن از قابلیت های این فناوری استفاده می شود لزوماً به یک لیست کامل منجر نمی شود.
مکانیسم های هوش مصنوعی در تشخیص ، شناسایی و طبقه بندی اشیا و افراد در عکس ها و فیلم ها بسیار مثر است. برای دستیابی به این هدف ، از مکانیسم تشخیص الگو ساده اما دست و پا گیر استفاده می شود.اگر اطلاعات تصویر رمزگذاری نشده و توسط دستگاه قابل خواندن باشد ، عکس ها و فیلم ها به راحتی در دسته های مختلف طبقه بندی می شوند که می توان آنها را جستجو و یافت. از این تشخیص ها می توان برای اطلاعات صوتی نیز استفاده کرد.
استفاده از چت ها در بخش خدمات مشتری روز به روز در حال افزایش است. این دستیارهای متنی وظیفه خود را انجام می دهند تا کلمات کلیدی را در درخواست مشتری شناسایی کرده و به طور مناسب پاسخ دهند. بسته به کاربردها ، این نوع جادوگران می توانند ساده تر یا پیچیده تر باشند.
علاوه بر پیش بینی نتایج انتخابات در دنیای سیاست ، تحلیل نظر در بازاریابی و بسیاری از زمینه های دیگر نیز مورد استفاده قرار می گیرد. “Opinion Mining” که به “تجزیه و تحلیل احساسات” نیز معروف است ، برای جستجوی ایده ها و بیان احساسات در اینترنت استفاده می شود. با استفاده از این روش ها ، می توان نظرسنجی ها را به صورت ناشناس انجام داد.
الگوریتم های جستجو ، مانند الگوریتم هایی که توسط گوگل استفاده می شود ، به طور طبیعی بسیار محرمانه هستند. روش های محاسبه ، مرتب سازی و نمایش نتایج جستجو تا حد زیادی بر اساس مکانیسم هایی است که از یادگیری ماشین استفاده می کنند.
پردازش کلمه یا بررسی اشتباهات دستوری و املایی در یک متن یکی از کاربردهای کلاسیک هوش مصنوعی نمادین است که برای مدت طولانی مورد استفاده قرار گرفته است. در این روش ، زبان به عنوان یک شبکه پیچیده از قوانین و دستورالعمل ها تعریف می شود که قطعات متن را در یک جمله تجزیه می کند و در برخی موارد می تواند خطاها را تشخیص داده و تصحیح کند. همچنین از قابلیت های مشابه برای تبدیل متن به گفتار در دستیارهای صوتی مانند Siri ، Alexa و Google Assistant استفاده می شود.
در تراشه های جدیدتر گوشی های هوشمند ، مانند تراشه Kirin 970 هواوی ، هوش مصنوعی دارای بخش خاصی به نام NPU یا “واحد پردازش عصبی” است. کوالکام حدود دو سال است که بر روی NPU خود با نام پردازنده Zeroth کار می کند. تراشه A11 Bionic اپل دارای بخشی مشابه است.
علاوه بر این ، چندین مطالعه دیگر در زمینه هوش مصنوعی در حال انجام است که شاید برجسته ترین آنها پروژه واتسون IBM باشد. این برنامه کامپیوتری در حال حاضر اولین حضور عمومی خود را در یک مسابقه تلویزیونی اطلاعات عمومی در سال 2011 تجربه کرد. در این برنامه ، واتسون با دو نفر رقابت کرد و برنده مسابقه شد. از آن زمان AI چندین بار در رویدادهای مشابه ظاهر شده است. یک شرکت بیمه ژاپنی از واتسون از اوایل سال 2017 برای بررسی پرونده ها و اطلاعات پزشکی مشتریان و ارزیابی آسیب ها و بیماری ها استفاده می کند. طبق اطلاعات منتشر شده توسط شرکت بیمه ، واتسون AI تقریباً 30 کارمند را جایگزین کرده است. از دست دادن شغل به دلیل اتوماسیون تنها یکی از بسیاری از مسائل اخلاقی و اجتماعی است که در هوش مصنوعی مورد بحث قرار می گیرد و شرکت ها و دانشگاه های بزرگ در حال بررسی آن هستند.
سخن نهایی
هوش مصنوعی چیزی نیست که یک شبه اتفاق افتاده باشد.اما به نظر می رسد که این فناوری در حال نزدیک شدن به یک نقطه عطف عمده در زمینه لوازم الکترونیکی مصرفی است. این برای همه کافی است تا همه سعی کنند اطلاعات خود را در مورد این موضوع به روز نگه دارند.
چه جنبه ای از هوش مصنوعی بیشتر به شما علاقه دارد؟ پاسخ های خود را در قسمت نظرات برای ما بنویسید.
نظرات کاربران
نظرات شما پس از بررسی مدیریت منتشر می شود.