هوش مصنوعی (artificial intelligence) شاخهای از علوم رایانه است که هدف اصلی آن تولید ماشینهای هوشمندی است که توانایی انجام وظایفی که نیازمند به هوش انسانی است را داشته باشد. هوش مصنوعی در حقیقت نوعی شبیه سازی هوش انسانی برای کامپیوتر است و منظور از هوش مصنوعی در واقع فناوری است که به گونهای برنامه نویسی شده که همانند انسان فکر کند و توانایی تقلید از رفتار انسان را داشته باشد مانند چت جی پی تی CHATGPT. این تعریف میتواند به تمامی ماشینهایی اطلاق شود که بگونهای همانند ذهن انسان عمل میکنند و میتوانند کارهایی مانند حل مسئله و یادگیری داشته باشند.
اساس هوش مصنوعی آن است که هوش انسان و طریق کار آن بهگونهای تعریف شود که یک ماشین بتواند آن را به راحتی اجرا کند و وظایفی که بر آن محول میشود را به درستی اجرا کند. هدف هوش مصنوعی در حقیقت بر سه پایه استوار است: یادگیری، استدلال و درک.
هوش مصنوعی یک علم میان رشتهای با چندین رویکرد است، اما پیشرفت در یادگیری ماشین و یادگیری عمیق باعث ایجاد تغییر الگوی تقریباً در هر بخش از صنعت فناوری میشود. رفته رفته با پیشرفت فناوری و سایر سخت افزارهای مورد نیاز برای توسعه AI، ابزار هوشمند و سرویسهای هوشمندی به بازار عرضه شدند که از هوش مصنوعی در بسیاری از فرآیندهایشان استفاده میکردند. بسیاری از سرویسهای معروفی همانند موتورهای جستجو، ماهوارهها و غیره از هوش مصنوعی استفاده میکردند. با معرفی گوشیهای هوشمند و پس از آن گجتهای هوشمند، AI گام بلندی را برای ورود به زندگی انسانهای پشت سر گذاشت. از این زمان به بعد هوش مصنوعی برای انسانها جلوه کاربردیتری پیدا کرد و انسانها بیشتر با واژه هوش مصنوعی و کاربردهای آن آشنا شدند.
با این سطح از آگاهی و دانش یک ماشین میتواند تمام کارهایی که زمانی بر انسان محول میشد را بدون نیاز به وجود انسان انجام دهد و با گذشت زمان بیشتر ماشینهای دارای هوش مصنوعی عمومی میتوانند در بسیاری از زمینهها جای انسان را پر کنند. خاتمه دادن به نیاز حضور نیروی انسانی در بسیاری از کارها و استفاده از تکنولوژی AI عمومی یا کامل میتواند مانند هر تکنولوژی دیگری هر دو جنبه مثبت و منفی در زندگی اجتماعی و فردی انسانها داشته باشد. اما با همهی اینها وجود آن بسیار مفید و درعینحال اجتناب ناپذیر خواهد بود. به کمک هوش مصنوعی عمومی که دارای تواناییها و ظرفیتهای زیادی برای کمک به بشریت میباشد، بسیاری از مشکلاتی انسان امروزی با آن سر و کله میزند، همانند تغییرات شدید آب و هوایی، حل خواهد شد.
سیستمهای هوش مصنوعی عمومی میتواند از کارهای عادی تا کارهای بسیار مهم و خطیر را به بهترین شکل انجام دهند. در سطح عمومی آنها میتوانند کارهایی مثل رانندگی، دستیار شخصی هوشمند با توانایی درک همهی نیازهای کاربر، یک دستیار پزشک و یا سیستم تشخیص بیماری و غیره باشد. در سطوح بالا این سیستمها میتوانند کارهایی را انجام دهند که به زندگی و امنیت و جان انسانها بستگی دارد و میتوانند به خوبی از پس چنین کارهایی بر بیایند.
که به آن هوش مصنوعی باریک یا AI باریک (ANI) نیز میگویند – هوش مصنوعی آموزش دیده و متمرکز برای انجام وظایف خاص است. هوش مصنوعی ضعیف بیشتر هوش مصنوعی را که امروز ما را احاطه کرده است هدایت می کند. «Narrow» ممکن است توصیف دقیقتری برای این نوع هوش مصنوعی باشد، زیرا چیزی جز ضعیف است. برخی از برنامه های بسیار قوی مانند سیری اپل، الکسای آمازون، آی بی ام واتسون و وسایل نقلیه خودران را فعال می کند.
از هوش عمومی مصنوعی (AGI) و ابر هوش مصنوعی (ASI) تشکیل شده است. هوش عمومی مصنوعی (AGI)، یا AI عمومی، شکلی نظری از هوش مصنوعی است که در آن یک ماشین دارای هوشی برابر با انسان است. این یک آگاهی خودآگاه است که توانایی حل مشکلات، یادگیری و برنامه ریزی برای آینده را دارد. (ASI) که به عنوان ابر هوش نیز شناخته می شود، از هوش و توانایی مغز انسان پیشی می گیرد. در حالی که هوش مصنوعی قوی هنوز کاملاً تئوری است و هیچ نمونه عملی امروزی مورد استفاده قرار نمی گیرد، این بدان معنا نیست که محققان هوش مصنوعی نیز در حال بررسی توسعه آن نیستند. در این میان، بهترین نمونه های ASI ممکن است از داستان های علمی تخیلی باشد، مانند HAL، دستیار کامپیوتر سرکش و مافوق بشر در سال ۲۰۰۱: یک ادیسه فضایی.
یادگیری ماشین (Machine Learning) در واقع بخشی از هوش مصنوعی به حساب میآید و کاربردی از AI است. فرایند استفاده از مدلهای ریاضی ساخته شده براساس دادهها توسط ماشینهای کامپیوتری را یادگیری ماشین مینامند. هدف ماشین لرنینگ توسعه و ساخت سیستمی است که بتواند بدون دریافت دستورالعملهای دقیق و خط به خط، خودش یاد بگیرد و بیاموزد. در یادگیری ماشین سیستمی طراحی و ساخته میشود که به یادگیری ادامه میدهد و رفته رفته خودش را بر اساس تجربه بدست آمده بهبود میدهد.
به قابلیت سیستمهای کامپیوتری برای تقلید از عملکردهای شناختی انسان مانند یادگیری، حل مسئله و سایر موارد AI گفته میشود. هوش مصنوعی از یادگیری ماشین استفاده میکند تا دانش مربوطه و مورد نیاز را بدست آورد. سپس AI دانش بدست آمده را به وسیله شبیهسازی منطق و استدلال انسان گونه برای توصیه یا تصمیمگیری به کار میگیرد. در حالی که هوش مصنوعی علم گسترده تقلید از تواناییهای انسان است، یادگیری ماشین زیرمجموعه خاصی از هوش مصنوعی به حساب میآید که به ماشین آموزش میدهد چگونه یاد بگیرد.
از آنجایی که یادگیری عمیق و یادگیری ماشین به جای یکدیگر مورد استفاده قرار می گیرند، ارزش توجه به تفاوت های ظریف بین این دو را دارد. همانطور که در بالا ذکر شد، یادگیری عمیق و یادگیری ماشین هر دو زیر شاخه های هوش مصنوعی هستند و یادگیری عمیق در واقع زیر شاخه یادگیری ماشین است.
یادگیری عمیق در واقع از شبکه های عصبی تشکیل شده است. “عمیق” در یادگیری عمیق به یک شبکه عصبی متشکل از بیش از سه لایه – که شامل ورودی ها و خروجی ها می شود – اشاره دارد که می تواند یک الگوریتم یادگیری عمیق در نظر گرفته شود. این به طور کلی با استفاده از نمودار زیر نشان داده شده است.
تفاوت یادگیری عمیق و یادگیری ماشین در نحوه یادگیری هر الگوریتم است. یادگیری عمیق بسیاری از بخش استخراج ویژگی فرآیند را خودکار می کند و برخی از مداخلات دستی انسان را حذف می کند و امکان استفاده از مجموعه داده های بزرگتر را فراهم می کند. همانطور که لکس فریدمن در همان سخنرانی MIT از بالا اشاره کرد، می توانید یادگیری عمیق را به عنوان “یادگیری ماشین مقیاس پذیر” در نظر بگیرید. یادگیری ماشین کلاسیک یا “غیر عمیق” بیشتر به مداخله انسان برای یادگیری وابسته است. متخصصان انسانی سلسله مراتب ویژگیها را برای درک تفاوتهای بین ورودیهای داده تعیین میکنند، که معمولاً به دادههای ساختاریافتهتری برای یادگیری نیاز دارند.
یادگیری ماشینی «عمیق» میتواند از مجموعه دادههای برچسبگذاریشده، که به عنوان یادگیری نظارتشده نیز شناخته میشود، برای اطلاعرسانی الگوریتم خود استفاده کند، اما لزوماً به مجموعه داده برچسبگذاریشده نیاز ندارد. این می تواند داده های بدون ساختار را به شکل خام خود (مثلاً متن، تصاویر) وارد کند و می تواند به طور خودکار سلسله مراتب ویژگی هایی را تعیین کند که دسته های مختلف داده ها را از یکدیگر متمایز می کند. برخلاف یادگیری ماشینی، برای پردازش داده ها نیازی به مداخله انسانی نیست و به ما امکان می دهد یادگیری ماشین را به روش های جالب تری مقیاس بندی کنیم.
یک سیستم یادگیری عمیق با اقتباس از مغز انسان که برپایه چنین شبکههایی ساخته شده است نتیجه یکسانی را نسبت به الگوریتمهای استاندارد تحت شرایط استاندارد از خود نشان داده است. اما برخلاف شبکههای عصبی رایج، این سیستم جدید تحت شرایط مختلفی مثل جهتیابی در مه، باران شدید یا سایر تغییرات آب و هوایی به خوبی عمل میکند.
هوش مصنوعی مولد به مدلهای یادگیری عمیق اطلاق میشود که میتوانند دادههای خام را بگیرند – مثلاً تمام ویکیپدیا یا آثار جمعآوریشده رامبراند – و «یاد بگیرند» تا در صورت درخواست، خروجیهای آماری احتمالی تولید کنند. در سطح بالایی، مدلهای مولد نمایش سادهشدهای از دادههای آموزشی خود را رمزگذاری میکنند و از آن برای ایجاد یک اثر جدید مشابه، اما نه یکسان، با دادههای اصلی استفاده میکنند.
مدل های مولد برای سال ها در آمار برای تجزیه و تحلیل داده های عددی مورد استفاده قرار گرفته اند. با این حال، ظهور یادگیری عمیق، گسترش آنها را به تصاویر، گفتار و دیگر انواع داده های پیچیده ممکن کرد. در میان اولین کلاس از مدلهایی که به این شاهکار متقاطع دست یافتند، رمزگذارهای خودکار متغیر یا VAE بودند که در سال ۲۰۱۳ معرفی شدند. VAEها اولین مدلهای یادگیری عمیق بودند که به طور گسترده برای تولید تصاویر و گفتار واقعی مورد استفاده قرار گرفتند.
امروزه کاربردهای واقعی و متعددی از سیستم های AI وجود دارد. در زیر برخی از رایج ترین موارد استفاده آورده شده است:
همچنین با نامهای تشخیص خودکار گفتار (ASR)، تشخیص گفتار رایانهای یا گفتار به متن نیز شناخته میشود و قابلیتی است که از پردازش زبان طبیعی (NLP) برای پردازش گفتار انسان در قالب نوشتاری استفاده میکند. بسیاری از دستگاههای تلفن همراه برای انجام جستجوی صوتی از تشخیص گفتار در سیستمهای خود استفاده میکنند. سیری—یا دسترسی بیشتری در مورد ارسال پیامک فراهم کنید.
نمایندگان مجازی آنلاین در طول سفر مشتری جایگزین عوامل انسانی می شوند. آنها به سؤالات متداول (پرسشهای متداول) در مورد موضوعاتی مانند حمل و نقل پاسخ میدهند، یا مشاوره شخصی، فروش متقابل محصولات یا اندازههای پیشنهادی را برای کاربران ارائه میدهند، و طرز فکر ما را در مورد تعامل با مشتری در وبسایتها و پلتفرمهای رسانههای اجتماعی تغییر میدهند. به عنوان مثال میتوان به رباتهای پیامرسان در سایتهای تجارت الکترونیک با عوامل مجازی، برنامههای پیامرسانی مانند Slack و Facebook Messenger و کارهایی که معمولاً توسط دستیاران مجازی و دستیارهای صوتی انجام میشود، اشاره کرد.
این فناوری هوش مصنوعی رایانهها و سیستمها را قادر میسازد تا اطلاعات معنیداری را از تصاویر دیجیتال، ویدیوها و سایر ورودیهای بصری به دست آورند و بر اساس آن ورودیها، میتواند اقدام کند. این توانایی در ارائه توصیه ها آن را از وظایف تشخیص تصویر متمایز می کند. بینایی رایانه با پشتیبانی از شبکه های عصبی کانولوشنال، کاربردهایی در برچسب گذاری عکس در رسانه های اجتماعی، تصویربرداری رادیولوژی در مراقبت های بهداشتی و خودروهای خودران در صنعت خودرو دارد.
محققان MIT ثابت کردهاند که نوع خاصی از شبکههای عصبی قابلیت یادگیری ساختار تصادفی و واقعی کاری را دارند که برای انجام آن آموزش دیده است. این تحقیقات روی شبکههای عصبی مختص جهتیابی صورت گرفتهاند و بهگونهای طراحی شدهاند تا بتوانند اتومبیل بدون سرنشین را در جاده برانند یا مسئولیت جهتیابی پهبادها را بر عهده بگیرند.
هدف این است که وقتی یک شبکه عصبی آموزش داده میشود، نمیتوان به طور قطعی اطمینان حاصل کرد که مدل ساخته شده آیا محدوده جاده را خط کشیهای روی آسفالت در نظر گرفته است یا بر اساس بوتههای اطراف جاده عمل میکند.
با استفاده از دادههای رفتار مصرف گذشته، الگوریتمهای هوش مصنوعی میتوانند به کشف روندهای دادهای که میتوانند برای توسعه استراتژیهای فروش متقابل مؤثرتر مورد استفاده قرار گیرند، کمک کنند. این برای ارائه توصیههای افزودنی مرتبط به مشتریان در طول فرآیند پرداخت برای خردهفروشان آنلاین استفاده میشود.
اگر الگوریتم دادههای اشتباهی را برای آموزش انتخاب کرده باشد، در صورت تغییر محیط، امکان انجام وظیفه محوله را نخواهد داشت. محققان از چیزی به نام شبکههای عصبی سیال (Liquid Neural Network) استفاده میکنند که میتوانند معادلات پایهای خود را تغییر دهند تا خود را به طور مداوم با دادههای ورودی جدید تطبیق دهند.
پلتفرمهای معاملاتی با فرکانس بالا مبتنی بر هوش مصنوعی که برای بهینهسازی پرتفوی سهام طراحی شدهاند، هزاران یا حتی میلیونها معامله را در روز بدون دخالت انسان انجام میدهند.
