هوش مصنوعی چیست | AI به زبان ساده

از رویا تا واقعیت : باید توجه داشته باشیم که هوش مصنوعی (AI) موضوعی است که دهه ها در فلسفه، ریاضی  و داستان های علمی تخیلی مورد بحث قرار گرفته است و در گذشته آن را غیر منطقی و غیر ممکن می‌دانستند  اما به سرعت به واقعیتی غیر قابل انکار ، دانشی گسترده و علم مورد کاربرد تبدیل گردید .

تعریف دانشمندان از هوش مصنوعی (AI)

• هاگلند-۱۹۸۵: تلاشی نو و مهیج برای اینکه تفکر را به کامپیوتر ها اضافه کنیم. ماشین‌هایی با فکر و حس تشخیص واقعی .
• کورزویل- ۱۹۹۰ : هنر ایجاد ماشین‌ و سیستم هایی که وظایف و عملیاتی  را انجام می‌دهند که انجام آن‌ها توسط انسان‌ها نیاز به هوش دارد .
• جان مک‌کارتی – ۱۹۸۰: هوش مصنوعی دانش و مهندسی ساخت ماشین‌هایی هوشمند و به خصوص برنامه‌های رایانه‌ای هوشمند است. هوش مصنوعی با وظیفه مشابه استفاده از کامپیوتر ها برای فهم چگونگی هوش انسان مرتبط است، اما مجبور نیست خودش را به روش‌هایی محدود کند که بیولوژیکی باشند.
• بلمن -۱۹۷۸: خودکارسازی فعالیت‌هایی که ما آن‌ها را به تفکر و هوش انسانی نسبت می‌دهیم. فعالیت‌هایی نظیر حل مسئله، تصمیم‌گیری و یادگیری .
• وینستون – ۱۹۹۲: مطالعه محاسباتی که درک، استدلال و عمل کردن را توسط ماشین‌ها (کامپیوتر ها) را ممکن و عملیاتی می‌سازد.
• آلن تورینگ – ۱۹۵۰: توانایی دست یافتن به کارایی در حد انسان در همهٔ امور شناختی ( توجه،  ادراک،  حافظه،  زبان،  حل مسئله،  خلاقیت  و  استدلال) توسط کامپیوتر ها .
• ریچ و نایت -۱۹۹۱: مطالعهٔ اینکه چگونه کامپیوتر ها را قادر به انجام عملیاتی کنیم که در حال حاضر، انسان آن اعمال را بهتر انجام می‌دهد.

یادگیری ماشین | Machine Learning

یادگیری ماشین ML مهم ترین زیر شاخه هوش مصنوعی AI است و علمی است که رایانه‌ها و سامانه‌ها  را به یادگیری تدریجی  با افزایش داده‌ها و عمل کردن مشابه رفتار انسان‌ها برای کارایی بهتر در انجام وظیفهٔ برمی‌انگیزد.

یادگیری ماشین  ML شاخه‌ای از هوش مصنوعی AI است که الگوریتم‌ها را قادر می‌سازد تا با یادگیری تدریجی  به کمک  افزایش داده‌های ورودی و تطبیق با داده های خروجی، الگوهای پنهان را در مجموعه داده‌ها کشف کنند و به آن‌ها اجازه می‌دهد تا بر روی داده‌های جدید و مشابه بدون برنامه‌ریزی صریح برای هر کار پیش‌بینی کنند.

یادگیری ماشینی داده‌ها را با ابزارهای آماری برای پیش‌بینی خروجی‌ها ترکیب می‌کند و بینش‌های عملی را به دست می‌دهد. این فناوری در زمینه‌های مختلفی مانند تشخیص تصویر و گفتار، پردازش زبان طبیعی، سیستم‌های توصیه، تشخیص تقلب، بهینه‌سازی پورتفولیو و وظایف خودکار کاربرد های بسیار مهمی پیدا کرده است .

برای مثال، سیستم‌های توصیه‌گر از داده‌های تاریخی برای شخصی‌سازی پیشنهادها استفاده می‌کنند. نتفلیکس از فیلتر مشارکتی و مبتنی بر محتوا برای توصیه فیلم‌ها و نمایش‌های تلویزیونی بر اساس سابقه بازدید و سلیقه کاربر، رتبه‌بندی و اولویت‌های ژانر استفاده می‌کند. یادگیری تقویتی این سیستم ها را با توانمند ساختن عوامل برای تصمیم گیری بر اساس بازخورد محیطی و اصلاح مداوم توصیه ها، بیشتر می کند.

تأثیر یادگیری ماشین به وسایل نقلیه خودران، پهپادها و روبات‌ها گسترش می‌یابد و سازگاری آنها را در محیط‌های پویا افزایش می‌دهد. این رویکرد پیشرفتی را نشان می‌دهد که در آن ماشین‌ها از نمونه‌های داده یاد می‌گیرند تا نتایج دقیقی را ایجاد کنند، که از نزدیک با داده کاوی و علم داده در هم تنیده است.

شبکه عصبی | Artificial Neural Networks

شبکه های عصبی مصنوعی حاوی نورون های مصنوعی هستند که به آنها واحد می گویند. این واحدها در مجموعه ای از لایه ها مرتب شده اند که با هم کل شبکه عصبی مصنوعی را در یک سیستم تشکیل می دهند.

یک لایه می تواند تنها ده ها واحد یا میلیون ها واحد داشته باشد، زیرا این بستگی به این دارد که چگونه شبکه های عصبی پیچیده برای یادگیری الگوهای پنهان در مجموعه داده مورد نیاز خواهند بود. معمولاً شبکه عصبی مصنوعی دارای یک لایه ورودی، یک لایه خروجی و همچنین لایه های پنهان است.

لایه ورودی داده‌هایی را از دنیای خارج دریافت می‌کند که شبکه عصبی باید آن‌ها را تجزیه و تحلیل کند یا درباره آن بیاموزد. سپس این داده از یک یا چند لایه پنهان عبور می کند که ورودی را به داده هایی تبدیل می کند که برای لایه خروجی ارزشمند است. در نهایت، لایه خروجی خروجی را در قالب پاسخ شبکه های عصبی مصنوعی به داده های ورودی ارائه می دهد.

در اکثر شبکه های عصبی، واحدها از یک لایه به لایه دیگر به هم متصل هستند. هر یک از این اتصالات دارای وزن هایی هستند که تأثیر یک واحد بر واحد دیگر را تعیین می کنند. با انتقال داده ها از یک واحد به واحد دیگر، شبکه عصبی بیشتر و بیشتر در مورد داده ها می آموزد که در نهایت منجر به خروجی از لایه خروجی می شود.

یادگیری عمیق | Deep Learning

یادگیری عمیق یا Deep Learning (DL) توانایی پردازش حجم بسیار بزرگتر و پیچیده تر  از داده ها و تفسیر آن ‌ها را دارد .  یادگیری عمیق DL نیز شاخه ای از یادگیری ماشین ML می‌باشد .

تعریف یادگیری عمیق این است که شاخه ای از یادگیری ماشین است که مبتنی بر معماری شبکه عصبی مصنوعی است. یک شبکه عصبی مصنوعی یا ANN از لایه‌هایی از گره‌های به هم پیوسته به نام نورون‌ها استفاده می‌کند که برای پردازش و یادگیری از داده‌های ورودی با هم کار می‌کنند.

یادگیری عمیق DL پیشرفته ترین و پیچیده ترین فناوری هوش مصنوعی AI است. یادگیری عمیق DL عملکرد مغز ما را تقلید می کند. داده های عظیم از طریق چندین لایه پردازش می شوند و در نهایت، با داده های آموزشی کافی، این شبکه های عصبی می توانند در کارهای هوشمندانه مانند تشخیص گفتار یا بازی شطرنج از انسان پیشی بگیرند.

در یک شبکه عصبی عمیق کاملا متصل، یک لایه ورودی وجود دارد و یک یا چند لایه پنهان یکی پس از دیگری به هم متصل می شوند. هر نورون ورودی از نرون های لایه قبلی یا لایه ورودی دریافت می کند. خروجی یک نرون به ورودی سایر نورون ها در لایه بعدی شبکه تبدیل می شود و این روند تا زمانی ادامه می یابد که لایه نهایی خروجی شبکه را تولید کند. لایه‌های شبکه عصبی داده‌های ورودی را از طریق یک سری تبدیل‌های غیرخطی تغییر می‌دهند و به شبکه اجازه می‌دهند تا نمایش‌های پیچیده داده‌های ورودی را بیاموزند.

رباتیک | Robotics

رباتیک شاخه ای است که به خلق و طراحی انسان های مکانیکی می پردازد.  رباتیک این روزها فقط به حوزه مکانیکی و الکترونیکی محدود نمی شود.

هوش مصنوعی (AI) در رباتیک یکی از جدیدترین و مهم ترین پیشرفت‌های حوزه های فناوری است که انقلابی در نحوه انجام وظایف ربات‌ها ایجاد کرده است. چیزی که زمانی مفهومی آینده‌نگر از آدم های فضایی بود، ایده «ربات‌های هوش مصنوعی» اکنون تبدیل به واقعیت شده است و صنایع مهمی را در سطح جهانی شکل می‌دهد.

برخلاف روبات‌های اولیه، ربات‌های جدید و مجهز به هوش مصنوعی امروزی می‌توانند داده‌ها را بازیابی کنند، از تجربیات بیاموزند، استدلال کنند و تصمیم بگیرند و مانند یک انسان رفتار کنند . این قابلیت ها به طور قابل توجهی اثربخشی و تطبیق پذیری آنها را در بخش هایی مانند تولید، مراقبت های بهداشتی، حمل و نقل و خدمات داخلی افزایش می دهد.

حوزه های فعالیت ربات های هوشمند هر روز گسترده تر می‌شود .  از ربات های کوچک مانند ربات جاروبرقی هوشمند تا بازوهای مکانیکی بزرگ و غول آسای هوشمند در فعالیت های صنعتی .

سیستم‌های خبره | Expert systems

سیستم خبره  از فناوری‌های هوش مصنوعی (AI) برای شبیه‌سازی قضاوت و رفتار یک انسان یا سازمانی که در زمینه خاصی دارای تخصص و تجربه است ( تقلید رفتار انسان ) ، استفاده می‌کند.

سیستم های خبره معمولاً برای تکمیل و نه جایگزینی متخصصان انسانی در نظر گرفته شده اند.

مفهوم سیستم های خبره در دهه 1970 توسط دانشمند کامپیوتر ادوارد فایگنبام، استاد علوم کامپیوتر در دانشگاه استنفورد و موسس آزمایشگاه سیستم های دانش استنفورد، توسعه یافت. فایگنبام در دست نوشته ای در سال 1988 گفت که جهان از پردازش داده به «پردازش دانش» در حال حرکت بود.

او توضیح داد که این بدان معناست که رایانه‌ها توانایی انجام بیش از محاسبات اولیه را دارند و به لطف فناوری پردازنده‌های جدید و معماری‌های رایانه‌ای قادر به حل مسائل پیچیده هستند.

منطق فازی | Fuzzy logic

منطق فازی (FL) Fuzzy logic روشی برای استدلال است که شبیه استدلال انسان است. رویکرد منطق فازی FL از روش تصمیم‌گیری در انسان تقلید می‌کند که شامل تمام احتمالات میانی بین مقادیر دیجیتال بله و خیر است.

جالب است بدانید مخترع منطق فازی،آقای لطفی زاده  Lotfi Aliasker Zadeh  بوده است . لطفی زاده مشاهده کرد که برخلاف کامپیوترها، تصمیم گیری انسان شامل طیف وسیعی از احتمالات بین بله و خیر است، مانند :

• مطمئنا بله
• احتمالا بله
• نمی توان گفت
• احتمالا خیر
• مطمئنا خیر

پردازش زبان طبیعی |  Natural Language Processing (NLP)

پردازش زبان طبیعی (NLP)Natural Language Processing  شاخه ای از هوش مصنوعی AI است که می‌توانند زبان انسان و یا داده‌هایی که شبیه زبان انسان هستند  را به شیوه‌ای که نوشته، گفتار و سازماندهی می‌شود، پردازش کنند .

پردازش زبان طبیعی NLP از زبان‌شناسی محاسباتی که از علوم کامپیوتر برای درک اصول زبان استفاده می‌کند، تکامل یافته است. اما به جای توسعه چارچوب‌های نظری، NLP یک رشته مهندسی است که به دنبال ایجاد فناوری برای انجام وظایف مفید است.

پردازش زبان طبیعی NLP را می توان به دو زیرشاخه تقسیم کرد:

1. درک زبان طبیعی (NLU)، که بر تجزیه و تحلیل معنایی یا تعیین معنای مورد نظر متن تمرکز دارد.
2. تولید زبان طبیعی (NLG)، که بر تولید متن توسط یک ماشین تمرکز دارد.

پردازش زبان طبیعی NLP جدا  (اما اغلب همراه ) از  تشخیص گفتار است ، که به دنبال تجزیه زبان گفتاری به کلمات، تبدیل صدا به متن و بالعکس است.

یکی از مهم‌ترین کاربردهای هوش مصنوعی در زمینهٔ تجارت، اقتصاد و داده های کلان  است.همچنین، شرکت‌هایی مانند Gooogle خدماتی در حوزه هوش مصنوعی AI به شرکت‌های بزرگ ارائه می‌دهند که می‌تواند به برنامه‌ریزی، انبارگردانی، پیش‌بینی سیر صعودی یا نزولی فروش در محصولات و همچنین  برندسازی آن‌ها کمک کند.

با استفاده از هوش مصنوعی می‌توان با ضریب خطای پایینی، تغییرات فصلی و بلندمدت در عرضه یا تقاضای محصولات مختلف را پیش‌بینی کرد. این موضوع می‌تواند به شدت در سیاست، اقتصاد کلان و کنترل عرضه و تقاضا مفید واقع شود.

از زمان های گذشته ، پیش‌بینی فوتبال و اسب سواری به انسان‌های ماهر و کارکشته ای وابسته بود که می‌توانستند سوابق و وضعیت دو تیم و بازیکنان را بطور کامل تحلیل و بررسی کنند.

با ورود تکنولوژی های دیجیتال و ورود به عصر تکنولوژی ، سایت‌های شرط‌بندی کار را برای پیش‌بینی آسان و آسان‌تر کردند. اما ورود تکنولوژی تاثیری در نحوه شرط‌بندی های آنلاین و حتی غیر آنلاین ایجاد نکرد. زیرا برخی از بررسی ها و تعیین وضعیت های طرفین ، نیازمند تلاش  زیادی بود .

ورود هوش مصنوعی AI  به این حوزه توانست فرم های شرط‌بندی را چیزی فراتر از یک محاسبه انسانی کند و الگوریتم‌های یادگیری ماشین، بازی را عوض کردند!

شبکه‌های اجتماعی (Social Media) پرطرفدار مانند توییتر Twitter ، اینستاگرام Instagram  و یوتیوب YouTubeبرای تشخیص الگوهای رفتاری انسانی، جلوگیری از هرزنامه و انتشار محتوای مجرمانه و نیز شناسایی مخاطبان هدف برای تبلیغات، از هوش مصنوعی به‌طور گسترده استفاده می‌شود.

همچنین، برخی از ربات‌های شبکه های اجتماعی بر پایه هوش مصنوعی فعالیت می‌کنند (چت بات ها) تا در بالاترین سطوح رفتارهای انسانی را شبیه‌سازی نمایند.

کاربران شبکه های مجازی نیز عکس و فیلم های خود را با هوش مصنوعی تولید و ادیت می‌کنند . به عنوان مثال عکس زیر را با عنوان لیموی دیوانه ای که زبانش بیرون است ، هوش مصنوعی برای ما ساخته است .

کاربرد هوش مصنوعی AI در صنایع نظامی روز به روز بیشتر و گسترده تر می‌شود . پهباد های شناسایی و انتحاری، موشک و رادار ها ،سیستم های هدف گیری، امنیت سایبری، جاسوسی، سلاح های سنگین و سبک هوشمند،  تشخیص چهره ، تغییر صدا (مقاله 10 تا از بهترین هوش مصنوعی های تغییر صدا)و مکان یابی و… .