هوش مصنوعی (AI) امکان یادگیری تجربه را برای ماشینها فراهم میکند، در واقع به ماشینها کمک میکند که با بهرهمندی از ماشین لرنینگ با ورودیهای جدید سازگار شوند و کارهایی شبیه به انسان را انجام دهند. برای آشنایی با تاریخچه هوش مصنوعی و کاربردها و انواع آن به زبان ساده با ادامه مقاله همراه ما باشید.
بیشتر نمونههای هوش مصنوعی که امروزه میبینید؛ از بازی شطرنج رایانهای تا اتومبیلهایی که از راه دور کنترل میشوند، تا حد زیادی به یادگیری عمیق (Deep learning) و پردازش زبان طبیعی متکی هستند. با استفاده از این فناوریها، میتوان به کامپیوترها آموزش داد تا با پردازش مقادیر زیادی از دادهها و شناخت الگوها در دادهها، وظایف خاص خود را انجام دهند.
اصطلاح هوش مصنوعی در سال 1956 ابداع شد، اما امروزه هوش مصنوعی به دلیل افزایش حجم دادهها، الگوریتمهای پیشرفته و پیشرفت در قدرت محاسبات و ذخیرهسازی، محبوبیت بیشتری پیدا کرده است. تحقیقات اولیه هوش مصنوعی در دهه 1950 موضوعاتی مانند حل مسئله و روشهای نمادین را کشف کرد.
در دهه 1960، وزارت دفاع ایالات متحده به این نوع کارها علاقهمند شد و آموزش کامپیوترها را برای تقلید از استدلالهای اولیه انسانی آغاز کرد. به عنوان مثال، آژانس پروژههای تحقیقاتی پیشرفته دفاعی (DARPA) پروژههای نقشهبرداری خیابان را در دهه 1970 به پایان رساند و DARPA دستیارهای شخصی هوشمندی را در سال 2003 تولید کرد، مدتها قبل از اینکه Siri ، Alexa یا Cortana معرفی شوند. این اقدام اولیه، زمینهساز اتوماسیون کامپیوترهاست که امروزه مشاهده میکنیم. از جمله سیستمهای پشتیبانی تصمیمگیری و سیستمهای جستجوی هوشمند که میتوانند برای تکمیل و تقویت تواناییهای انسان طراحی شوند. در حالی که فیلمها و رمانهای علمی تخیلی هالیوود این تکنولوژی را به عنوان رباتهایی شبیه به انسان نمایش میدهند که جهان را تصرف میکنند، اما تکامل فعلی فناوریهای آن کاملا هوشمندانه نیست.
این فناوری سالها است که بخشی جداییناپذیر از نرمافزار (software and services) SAS است. امروزه مشتریان در هر صنعت از پیشرفت در این حوزه بهره کافی را میبرند و همچنان فناوریهای هوش مصنوعی مانند یادگیری ماشین و یادگیری عمیق را در راهحلهای نمونه کارهای SAS جاسازی خواهند کرد. اولین نمونههای سیستمهای خبره در دهه شصت میلادی عرضه شدند. در سال 1980 تحقیقات در این زمینه منجر به موفقیتهای تجاری در سیستمهای خبره شد. سیستمهای خبره نمونهای از برنامههای شبیهسازی شده هستند که توانایی راهنمایی، تحلیل، دستهبندی، مشاوره، طراحی، تشخیص، شناسایی، تفسیر، آزمایش و ... دارند. سیستمهای خبره در واقع مهارتهای تحلیلی انسان خبره را شبیهسازی میکند.
دستهبندی کلی انواع هوش مصنوعی و از لحاظ توانایی سه نوع زیر است:
هوش مصنوعی محدود به هوشمندی موجود در کامپیوترهای امروزی اطلاق میشود. سیستمهای هوشمندی که با یادگیری خودکار، انجام وظایف خاص را بدون برنامهریزی اختصاصی برای آن وظایف، ممکن میکنند. از کاربردهای این نوع هوش، تشخیص صدا و زبان در دستیارهای مجازی است. این نوع سیستمهای هوشمند برخلاف انسان فقط توانایی یادگیری انجام وظایفی محدود را دارند.
هوش مصنوعی عمومی به ماشینهایی گفته میشود که دارای هوش انسانی هستند. این نوع هوش را در فیلمهای علمی تخیلی که در آن انسانها با ماشینهای دارای آگاهی و احساسات تعامل دارند دیدهایم. برای دستیابی ماشین به هوشی شبیه به هوش انسان، نیاز است که ماشینها قادر به تجربه و آگاهی باشند. این نوع هوش، انسان را برتر از ماشین میکند.
درواقع سوپر هوش مصنوعی هر هوشی است که از عملکرد شناختی انسان در همه حوزهها فراتر میرود. این نوع هوش از هوش انسانی در تمام ابعاد از جمله خلاقیت، حل مسئله و ... پیشی خواهد گرفت و ماشینها قادر به نمایش اطلاعاتی خواهند بود که ما در فرهیختهترین افراد انسانی آن را نخواهیم دید. افراد زیادی در خصوص این نوع هوش نگران هستند و تصور میکنند که منجر به انقراض نسل بشر خواهد شد.
هوش مصنوعی یادگیری و کشف تکراری از طریق دادهها را خودکار میکند اما با اتوماسیون رباتیک سختافزاری متفاوت است. این فناوری بجای اتوماتیک کردن کارهای دستی، کارهای مکرر و با حجم زیاد و رایانهای را با اطمینان بالا و بدون خستگی انجام میدهد. برای این نوع اتوماسیون، نیاز به راهاندازی سیستم از طریق انسان ضروری است و به محصولات موجود خرد را اضافه میکند. محصولاتی که قبلا استفاده میکردید با قابلیتهای جدید بهبود مییابند؛ دقیقا مانند Siri كه به عنوان یک ویژگی به نسل جدید محصولات اپل اضافه شده است. اتوماسیون، پلتفرمهای مکالمه،
رباتها و ماشینهای هوشمند را میتوان با مقدار زیادی از داده ترکیب کرد تا بسیاری از فناوریها را در خانه و محل کار (از هوش امنیتی گرفته تا تجزیه و تحلیل سرمایهگذاری) بهبود بخشید. هوشمصنوعی از طریق الگوریتمهای یادگیری تدریجی سازگار میشود تا دادهها بتوانند برنامهنویسی کنند. ساختار و قاعدههای موجود در دادهها را یافته تا الگوریتم مهارت لازم را کسب کند. الگوریتم به یک طبقهبندیکننده یا پیشبینیکننده تبدیل میشود. بنابراین همانطور که الگوریتم یاد میگیرد چگونه شطرنج بازی کند، میتواند به خودش یاد دهد که چه محصول دیگری را به صورت آنلاین توصیه کند و با ورود دادههای جدید،
مدلها سازگار میشوند. هوش مصنوعی با استفاده از شبکههای عصبی که دارای لایههای پنهان بسیاری هستند، دادههای بیشتر و عمیقتری را تجزیه و تحلیل میکند. ساخت سیستم شناسایی تقلب با پنج لایه پنهان چند سال پیش تقریبا غیرممکن بود. همه اینها با قدرت باورنکردنی رایانه و کلان دادهها تغییر کرده است. برای آموزش مدلهای یادگیری عمیق به دادههای زیادی نیاز دارید زیرا هوش مصنوعی مستقیما از دادهها یاد میگیرد. هرچه اطلاعات بیشتری دریافت کنند، دقیقتر میشوند.
از طریق شبکههای عصبی عمیق به دقت باورنکردنی دست مییابد که قبلا غیرممکن بود. بهعنوان مثال: تعاملات شما با الکسا، جستجوی Google و Google Photos براساس یادگیری عمیق است و هرچه بیشتر از آنها استفاده کنیم دقیقتر میشوند. از آنجا که امروز نقش دادهها بیش از هر زمان دیگری مهم است، استفاده بهجا از دادهها به عنوان یک مزیت رقابتی مطرح است. اگر در صنعت رقابتی بهترین دادهها را داشته باشید، حتی اگر همه رقبا از تکنیکهای مشابه استفاده کنند، نهایتا دادهای برتر شناخته خواهد شد و بهترین دادهها برنده خواهند شد.
یادگیری ماشین زیر مجموعهای از هوش مصنوعی است. با استفاده از تکنیکهای یادگیری ماشین، کامپیوتر الگوهای موجود در دادهها و بدون داشتن برنامهریزی قبلی را یاد گرفته و توانایی استفاده از آن را خواهد داشت. یادگیری ماشین در کارهای محاسباتی که طراحی و برنامهنویسی الگوریتمهای صریح با عملکرد مناسب در آنها سخت یا نشدنی است، مورد استفاده قرار میگیرد. بعضی از کاربردهای آن عبارتند از فیلترینگ ایمیل، بینایی ماشین، OCR و یادگیری رتبهبندی است. از جمله الگوريتمهای یادگیریی ماشین میتوان به الگوریتم یادگیری تقویتی و شبکههای عصبی یادگیری عمیق اشاره کرد. یادگیری ماشین در مواردی از جمله سیستمهای توصیه کننده آنلاین، برای الگوریتمهای جستجوی Google، فیلتر اسپم ایمیل و چت باتها نیز مورد استفاده قرار میگیرد.
یادگیری عمیق (Deep Learning) زیرمجموعه یادگیری ماشین و نسخهای تکامل یافته از آن است. در واقع یادگیری عمیق درمورد استفاده شبکههای عصبی از نورونها، لایهها و ارتباطات داخلی بیشتر است. تفاوت یادگیری عمیق و یادگیری ماشین این است که در یادگیری ماشین باید دادههای طبقهبندی شده به الگوریتم داده شود اما در یادگیری عمیق خود الگوریتم دادهها را آنالیز و طبقهبندی میکند. بهعنوان مثال در یادگیری ماشین باید برای شناسایی عکس یک اسب برای ماشین همه اجزای اسب مانند سر، بدن، دم و غیره جدا تعریف شود اما در یادگیری عمیق، ماشین با دیدن تعداد زیادی عکس اسب، خود قادر به شناسایی دیگر عکسهای اسبها است. به همین دلیل یادگیری عمیق نیاز به دادههای بسیار زیادی دارد.
هوش مصنوعی یعنی کامپیوتری که رفتار انسان را تقلید کند. یادگیری ماشین زیرمجموعهای از هوش مصنوعی است و شامل تکنیکهایی است که به کامپیوتر در انجام برنامههای کاربردی هوش مصنوعی کمک میکند. یادگیری عمیق زیرمجموعهای از یادگیری ماشین است که کامپیوترها را قادر به حل مسائل پیچیده میکند.
کاربردهای هوش مصنوعی حد و مرزی ندارد و تمام حوزهها از جمله سیاست و سرگرمی را دچار تحولات عظیم نموده است. در ادامه به برخی از حوزههای مهم و پرکاربرد اشاره میکنیم.
در زمینه پزشکی نیز میتوان از تکنیکهای یادگیری عمیق، طبقهبندی تصویر و تشخیص اشیا برای یافتن سرطان در MRIها با همان دقت رادیولوژیستهای بسیار آموزش دیده استفاده کرد. از دیگر موارد پرکاربرد هوش مصنوعی در حوزه سلامت و پزشکی میتوان به جراحی توسط رباتها، ساخت داروها و داده کاوی برای تشخیص بیماریها از طریق یافتن الگوی آزمایشات پزشکی اشاره کرد.
از سادهترین کاربردها در حوزه کامپیوتر تحلیل جستجوهای کاربران در گوگل است كه با توجه به جستجوهای قبلی، زمان و مکان و بسیاری فاکتورهای دیگر بهترین پیشنهاد را به شما ارائه میدهد. از دیگر کاربردهای هوش مصنوعی در علم کامپیوتر، تلفیق تحلیل داده با کامپیوترهای کوانتومی است که باعث افزایش بسیار زیاد سرعت تجزیه و تحلیل دادهها خواهد شد.
سایتهای فروش آنلاین از جمله حوزههایی هستند که به درآمد بسیاری رسیدهاند. پیشنهادهایی که سایتهای فروش آنلاین مانند آمازون و دیجیکالا به شما میدهند، از الگوریتمهای پیچیده یادگیری عمیق استفاده میکنند که خریدهای گذشته شما، مکان و زمان و سایر فاکتورها را الگوی خود قرار میدهند. همچنین چتباتهای اتوماتیکی که در سایتها برای ارتباط با کاربران استفاده میشوند از هوش مصنوعی برای پاسخ به مشتریان خود استفاده میکنند.
از کاربردهای مهم هوش مصنوعی در صنعت کشاورزی میتوان به موارد زیر اشاره کرد.
تفاوت یادگیری عمیق و یادگیری ماشین:
یادگیری ماشین
مثال: در یادگیری ماشین باید برای شناسایی عکس یک اسب برای ماشین همه اجزای اسب مانند سر، بدن، دم و غیره جدا تعریف شود.
یادگیری عمیق
مثال: در یادگیری عمیق، ماشین با دیدن تعداد زیادی عکس اسب، خود قادر به شناسایی دیگر عکسهای اسبها است. به همین دلیل یادگیری عمیق نیاز به دادههای بسیار زیادی دارد.