هوش مصنوعی چیست و چه کاربردهایی دارد؟

هوش مصنوعی چیست و چه کاربردهایی دارد؟

هوش مصنوعی چیست؟ 

از هوش مصنوعی چه استفاده هایی می شود؟

امروزه هوش مصنوعی در همه‌جا مورد استفاده قرار می گیرد مانند: برای خرید های آنلاین، تشخیص دستور های صوتی که به دستیار های مجازی مانند Amazon’s Alexa یا Apple’s Siri می دهید، برای تشخیص اینکه چه‌چیزی یا چه کسی درون یک عکس وجود دارد، تشخیص اسپم و شناسایی کارت های اعتباری تقلبی.

انواع هوش مصنوعی

هوش مصنوعی در سطح بسیار بالایی می تواند به دو نوع گسترده تقسیم شود: هوش مصنوعی محدود و هوش مصنوعی عمومی

هوش های مصنوعی محدود همان چیزی هستند که امروزه آن ها را به عنوان انواع رایانه ها در اطراف خود می بینیم. این دستگاه ها، سیستم های هوشمندی هستند که به آن ها آموخته شده یا یادگرفته‌اند که چگونه می توانند کارهای خاصی را انجام دهند؛ اما از طرفی این دستگاه ها خودشان قادر به برنامه‌ریزی نیستند، بلکه باید برنامه‌ای به آن ها داده شود.

این نوع سیستم های هوشمند را در دستیار مجازی اپل به نام Siri که قابلیت تشخیص صدا را دارد، سیستم های بینایی موجود در ماشین های اتومات و موتورهای جستجویی که محصولاتی را بر اساس آنچه قبلا خریداری کرده‌اید به شما پیشنهاد می دهند، می توان مشاهده نمود. برخلاف انسان، این سیستم ها به گونه‌ای طراحی شده‌اند که تنها آنچه را که به آن ها آموزش داده‌ می شود را می توانند انجام دهند؛ به همین خاطر است که به این سیستم ها، هوش مصنوعی محدود گفته می شود.

هوش مصنوعی محدود چه کار هایی را می تواند انجام دهد؟

تعداد زیادی از برنامه های کاربردی مرتبط با هوش مصنوعی محدود در حال ظهور هستند، مانند: تفسیر فید های ویدیویی از طریق پهباد هایی که می توانند به درون زیرساخت هایی از جمله خطوط انتقال نفت نفوذ کنند، سازماند‌هی تقویم های تجاری و شخصی، پاسخگویی به سوالات ساده مشتریان، همکاری با سایر سیستم های هوشمند برای انجام کارهایی از قبیل رزرو هتل در زمان و مکان مناسب، کمک به رادیولوژیست ها برای تشخیص تومور های احتمالی در اشعه‌ی ایکس، جلوگیری از محتواهای نامناسب آنلاین، تشخیص سایش و پارگی در آسانسورها از داده های جمع آوری شده توسط دستگاه های LOT. این لیست همچنان می تواند ادامه یابد.

هوش مصنوعی عمومی چه کارهایی می تواند انجام دهد؟

هوش مصنوعی عمومی کاملا متفاوت است و به نوعی دستگاه وفق یافته با هوش انسان می باشد. این سیستم ها شکلی انعطاف‌پذیر از هوش هستند که قادر به یادگیری نحوه انجام کارهای بسیار متفاوت می باشند؛ هر چیزی از مدل مو گرفته تا ساخت جداول آماری یا استدلال در مورد طیف گسترده‌ای از موضوعات بر اساس تجربه انباشته ‌شده این هوش مصنوعی است که بیشتر در فیلم ها دیده می شود مانند HAL در سال 2001 یا Skynet در فیلم The Terminator. اما امروزه این هوش‌ مصنوعی ها وجود ندارند و متخصصان حوزه‌ی هوش مصنوعی به شدت در حال افزایش هستند تا این امر را به زودی به واقعیت تبدیل کنند.

نحوه‌ اجرای هوش مصنوعی و یادگیری ماشین ها

یک نظرسنجی در بین چهار گروه از متخصصین این حوزه در سال 2012 انجام شد که در آن، وینسنت سی مولر و نیک بوستروم که جز محققان و فیلسوفان حوزه‌ی هوش مصنوعی هستند، بیان کردند که هوش مصنوعی عمومی (AGI) در بین سال های 2040 تا 2050 به میزان 50 درصد پیشرفت خواهد کرد و تا سال 2075 به سقف 90 درصد خواهد رسید. این گروه حتی فراتر رفتند و بیان کردند که 30 سال پس از دستیابی به AGI، هوش هایی ساخته خواهد شد که آن را “Superintelligence” می نامند و به گونه‌ای است که از هر هوش از جمله انسان و سایر‌ هوش های مصنوعی فراتر خواهد رفت.

به گفته‌ این گزارش، برخی از متخصصان این چنین پیش بینی هایی را با توجه به درک پایین ما از مغز انسان، بسیار خوشبینانه می دانند و معتقد هستند که همچنان تا دستیابی به AGI، قرن ها فاصله داریم.

یادگیری ماشین چیست؟

تحقیقات گسترده‌ای در حوزه‌ هوش مصنوعی انجام شده ‌است، به گونه‌ای که هرکدام از آن ها دیگری را کامل می کند و به عبارتی مکمل یکدیگر هستند. با بهره‌گیری از دانش رو به ‌رشد، یادگیری ماشین ها فرآیندی است که با وارد کردن حجم زیادی از اطلاعات به یک سیستم، یاد می گیرد که با استفاده از این داده ها، یک کار خاص را انجام دهد مانند تشخیص صدا یا نوشتن شرح یک عکس.

شبکه عصبی چیست؟

کلید فرآیند یادگیری ماشینی شبکه های عصبی هستند. این شبکه ها، سیستم های الهام گرفته از مغز هستند به گونه‌ای که چندین لایه از الگوریتم ها به یکدیگر متصل شده‌اند که آن ها را نورون می نامیم و می توانند با تغییراتی که به داده های ورودی در حین عبور از لایه ها می دهند، انجام یک فعالیت خاص را یاد بگیرند. در طول آموزش این شبکه های عصبی، به طور مداوم تغییراتی بر روی این داده ها انجام می شود تا زمانی که خروجی شبکه عصبی به آنچه انتظارش را داشتیم نزدیک شود؛ در این حالت می گوییم که ماشین، انجام یک کار خاص را یاد گرفته ‌است.

زیر مجموعه یادگیری ماشینی، یادگیری عمیق است، جایی که شبکه های عصبی با تعداد زیادی لایه که به وسیله انبوهی از داده ها آموزش داده می شوند، به شبکه های گسترده تبدیل می شوند. این شبکه های عصبی عمیق هستند که باعث جهش فعلی در توانایی رایانه ها در انجام وظایفی مانند تشخیص گفتار و بینایی رایانه شده اند.

انواع مختلفی از شبکه های عصبی، با نقاط قوت و ضعف مختلف وجود دارد. شبکه های عصبی خطی یا به عبارتی بازگرداننده، نوعی از شبکه عصبی هستند که به خصوص برای پردازش زبان و تشخیص گفتار مناسب هستند، در حالی که شبکه های عصبی حلقوی (ساختار پیچیده‌تری دارند) معمولا در تشخیص تصویر استفاده می شوند. طراحی شبکه های عصبی نیز در حال تحول است، به طوری که محققان به تازگی شکل مؤثرتری از شبکه عصبی عمیق به نام حافظه کوتاه مدت یا LSTM را طراحی کرده‌اند و به آن ها این امکان را می دهد که به اندازه کافی سریع عمل کنند تا در سیستم های پر تقاضا مانند Google Translate استفاده شود.

محاسبات تکاملی

حوزه‌ دیگری که هوش مصنوعی در آن کاربرد دارد در محاسبات تکاملی است که از نظریه‌ی معروف انتخاب طبیعی (توسط داروین) وام گرفته‌است. در این نظریه، الگوریتم های ژنتیکی طی نسل های متوالی، در تلاش برای پیدا کردن راه‌حل مناسب برای حل یک مسئله، دچار جهش و ترکیب تصادفی می گردند.

این دیدگاه حتی در  طراحی هوش مصنوعی نیز کمک کننده بوده ‌است؛ مخصوصا ساخت یک هوش مصنوعی توسط یک هوش مصنوعی دیگر. استفاده از الگوریتم های تکاملی برای بهینه‌سازی شبکه های عصبیneuroevolution  گفته می شود و می تواند نقش مهمی در کمک به طراحی کارآمد هوش مصنوعی داشته باشد چرا که تقاضا برای طراحی هوش مصنوعی توسط دانشمندان حوزه‌ی فناوری اطلاعات، روز به روز در حال افزایش است. این تکنیک اخیرا توسط آزمایشگاه هوش مصنوعی Uber به نمایش گذاشته شد که در آن مقالاتی در زمینه‌ی استفاده از الگوریتم های ژنتیکی ارائه شد که با استفاده از آن ها می توان به شبکه های عصبی عمیق آموزش داد که توانایی حل مسئله‌ی خود را تقویت کنند.

در نهایت باید گفت که سیستم های خبره‌ای وجود دارد که با قوانینی برنامه ریزی می شوند که به آن ها این امکان را می دهد مجموعه‌ای از تصمیمات را بر اساس تعداد زیادی از ورودی ها اتخاذ کنند که به این دستگاه اجازه می دهد تا رفتار یک متخصص انسانی را در یک دامنه خاص تقلید کند. نمونه‌ای از این فناوری های دانش‌بنیان را می توان خلبان های اتوماتیکی دانست که یک هواپیما را به صورت خودکار متعادل نگه می دارند و حرکت می دهند.

منابع تغذیه‌ای هوش مصنوعی چیست؟

بزرگترین پیشرفت در حوزه‌ی هوش مصنوعی در سال های اخیر، مربوط به یادگیری ماشینی به ویژه در زمینه یادگیری عمیق آن بوده ‌است. این امر تا حدودی با دسترسی آسان به داده ها انجام شده‌ است؛ این پیشرفت از زمانی که سیستم های محاسباتی GPU برای یادگیری ماشینی مورد استفاده قرار می گیرد، شدت بیشتری یافته است چرا که با این فناوری توانستند محاسبات موازی بسیار قدرتمندی انجام دهند.

سیستم های GPU نه تنها سیستم های بسیار قدرتمندتری را برای آموزش مدل های یادگیری ماشینی ارائه می دهند، بلکه اکنون به عنوان سرویس های ابری از طریق اینترنت نیز به طور گسترده ای در دسترس هستند. با گذشت زمان، شرکت های بزرگ فناوری مانند گوگل و مایکروسافت، به سمت استفاده از این تراشه های تخصصی گام برداشتند تا علاوه بر اجرای کار هوش‌ مصنوعی، بتوانند از آن در یادگیری عمیق ماشینی نیز استفاده کنند.

مثال:

به عنوان نمونه، واحد پردازش Tensor Google (TPU) یکی از این تراشه های سفارشی است که در آخرین نسخه‌ی آن سرعت آن را در یادگیری ماشینی تقویت می کند. به عنوان نمونه، کتابخانه‌ی نرم‌افزاری Google’s TensorFlow از این تراشه استفاده می کند که علاوه بر استخراج اطلاعات از طریق داده های ورودی، سرعت یادگیری ماشینی آن را نیز افزایش می دهد.

این تراشه ها فقط در آموزش مدل هایی مانند سیستم های DeepMind و Google Brain استفاده نمی شود، بلکه پایه و اساس Google Translate و تشخیص تصویر در Google Photo و همچنین خدماتی که از طریق Google’s TensorFlow Research Cloud به عموم مردم داده می شود تا با استفاده از آن مدل های یادگیری ماشینی بسازند نیز می باشد. دومین نسل از این تراشه ها در کنفرانس I/O  گوگل در ماه مه سال گذشته رونمایی شد. این مدل با مجموعه‌ای از TPU های جدید می تواند مدل های یادگیری ماشینی بسازد که با استفاده از آن در Google Translate، می توان زمان پردازش داده ها را به نصف زمانی که از GPU استفاده می شود، کاهش داد.

عناصر یادگیری ماشینی چیست؟

همانطور که گفته شد، یادگیری ماشینی زیر مجموعه ای از هوش مصنوعی است و به طور کلی به دو دسته اصلی تقسیم می شود: یادگیری نظارت شده و بدون نظارت.

1) یادگیری تحت نظارت

یک روش معمول برای آموزش سیستم های هوش مصنوعی، آموزش آنها با استفاده از تعداد بسیار زیادی از نمونه های برچسب خورده است. این سیستم های یادگیری ماشینی از داده های عظیمی تغذیه می شوند که برای برجسته کردن ویژگی های مورد علاقه، حاشیه نویسی شده است.

این ها ممکن است عکس هایی باشند که نشان می دهد آیا آن ها دارای سگی هستند یا خیر، یا  یک سری جملات نوشتاری که پاورقی دارند تا نشان دهند آیا کلمه “Base” مربوط به موسیقی است یا ماهی. پس از آموزش، سیستم می تواند این برچسب ها را بر روی داده های جدید اعمال کند؛ به عنوان مثال هنگامی که یک عکس سگ جدید را به درون دستگاه آپلود می کنیم، برای آن عکس به طور خودکار برچسب سگ را اعمال می کند. این پروسه، یادگیری نظارت شده نام دارد و وظیفه‌ی برچسب گذاری داده ها برعهده‌ی کاربران آنلاین یا کارکنان پلتفرم هایی مانند Amazon Mechanical Turk می باشد.

مثال:

آموزش این سیستم ها به طور معمول به داده های گسترده ای نیاز دارد. به عنوان مثال در برخی سیستم ها برای یادگیری یک کار مشخص، باید میلیون ها داده به دستگاه تزریق شود؛ اگر چه، اکنون که در عصر داده ها قرار داریم و با تعداد نامحدودی از داده ها سروکار داریم، این کار ممکن است. مجموعه داده های آموزشی بسیار بزرگ‌ هستند و اندازه‌ی آن ها در حال افزایش است.

به عنوان مثال مجموعه داده های تصویری گوگل حدود 9 میلیون عکس می باشد در حالی که مخزن ویدیویی YouTube به چیزی حدود 7 میلیون لینک برچسب شده می رسد. ImageNet یکی از پایگاه  های داده‌ی اولیه، بیش از 14 میلیون تصویر طبقه‌بندی شده دارد. تمام این داده های تصویری در طی 2 سال توسط 50000 نفر جمع آوری شده‌اند که البته اکثر آن ها از طریقAmazon Mechanical Turk استخدام شده‌اند، که تقریبا یک میلیارد تصویر انتخابی را بررسی، برچسب‌گذاری و مرتب کرده‌اند.

در دراز مدت، دستیابی به مجموعه داده های بزرگ دارای برچسب ممکن است اهمیت کمتری نسبت به دسترسی به مقادیر زیادی از قدرت محاسباتی داشته باشد. در سال های اخیر، شبکه های Generative Adversarial (GANs) نشان داده‌اند که چگونه سیستم های یادگیری ماشینی می توانند با مقدار بسیار کمی از داده های برچسب شده، حجم زیادی از داده های جدید را برای آموزش خود تولید کنند. این رویکرد می تواند به ظهور یادگیری نیمه نظارت منجر شود، جایی که سیستم ها یاد می گیرند که چگونه وظایف خود را با استفاده از مقدار بسیار کمتری از داده های برچسب خورده نسبت به آنچه امروزه برای سیستم های آموزشی با استفاده از یادگیری نظارت شده ضروری است، انجام دهند.

2) یادگیری بدون نظارت

در مقابل یادگیری تحت نظارت، یادگیری بدون نظارت از یک رویکرد دیگری استفاده می کند. به ‌گونه‌ای که الگوریتم ها سعی در شناسایی الگوهای داده ها دارند و به دنبال شباهت هایی هستند که می توانند برای طبقه بندی آن داده ها استفاده کنند. به عنوان مثال، می توان میوه هایی که وزن مشابه دارند یا ماشین هایی که اندازه‌ی موتور یکسانی را دارند در یک گروه قرار داد. این الگوریتم از قبل برای انتخاب انواع خاصی از داده ها تنظیم نشده است، بلکه به جستجوی داده هایی می پردازد که می توانند بر اساس شباهت های آن دسته بندی شوند. به عنوان مثال، Google News، هر روز داستان هایی را با موضوعات مشابه جمع‌آوری می کند.

یادگیری تقویتی

یک قیاس نسبتا خام و نپخته برای یادگیری تقویتی این است که زمانی که یک حیوان خانگی یک ترفند جالبی را اجرا می کند به او پاداش می دهیم و این‌کار باعث تقویت آن رفتار در او می شود. در یادگیری تقویتی، سیستم تلاش می کند تا بر اساس داده های ورودی خود پاداش را به حداکثر برساند، به گونه‌ای که اساسا روند آزمایش و خطا را طی می کند تا اینکه به بهترین نتیجه ممکن برسد. نمونه‌ای از یادگیری تقویت کننده، شبکه Google DeepMind Deep Q-Network است که برای بهترین عملکرد انسان در انواع بازی های ویدیویی کلاسیک استفاده شده است. این سیستم در هر بازی از پیکسل ها تغذیه می کند و اطلاعات مختلفی مانند فاصله‌ی بین اشیاء را تعیین می کند.

سیستم یک حرکت خاص را به عنوان بهترین حرکت تعیین کرده و با توجه به تفاوت حرکت شما با حرکت تعیین شده، به شما امتیاز می دهد. زمانی امتیاز کامل و بهترین عملکرد را خواهید داشت که همان عملی را انجام دهید که سیستم تعیین کرده است. به عنوان مثال در بازی Breakout  باید پارو را در بهترین مکان ممکن قرار دهید تا توپ از دسترس شما خارج نشود.

شرکت‌‌‌های پیشرو در حوزه هوش مصنوعی کدام شرکت‌‌‌ها هستند؟

با توجه به این که AI امروزه به طور گسترده‌‌‌ای در صنعت نرم‌‌‌افزار استفاده می‌‌‌شود، شرکت‌‌‌های مختلف در پی آن هستند که خود را در این زمینه تقویت کنند؛ شرکت‌‌‌های مختلف نرم‌‌‌افزاری در سراسر دنیا در تلاشند تا به تکنولوژی یادگیری ماشین قوی‌‌‌تری برای مصارف خودشان و ارائه در قالب نرم‌‌‌افزارهای ابری (SaaS) استفاده کنند. البته گوگل و به طور مشخص زیرمجموعه هوش مصنوعی آن یعنی دیپ مایند، تاثیر بیش‌‌‌تری در آگاهی عمومی از هوش مصنوعی داشته است.

شرکت‌‌‌های AI، چه سرویس‌‌‌هایی را ارائه می‌‌‌دهند؟

همه‌‌‌ی ارائه‌‌‌دهندگان خدمات ابری اصلی در دنیا (یعنی آمازون وب سرویس، گوگل کلود و مایکروسافت آژور)، خدمات دسترسی و استفاده از GPU برای train کردن مدل‌‌های یادگیری ماشین ارائه می‌‌کنند. گوگل حتی پروسسورهای تانسوری خود را نیز برای استفاده سایرین ارائه می‌‌دهد. گوگل به تازگی سرویس جدیدی به نام AutoML نیز ارائه کرده است که ساخت مدل‌‌های یادگیری ماشین را بسیار آسان می‌‌کند. با استفاده از این سرویس و تنها با درگ اند دراپ و بدون هیچ دانش تخصصی در زمینه AI، می‌‌توان نرم‌‌افزاری برای پردازش تصویر ساخت.

لطفا نظرات خود در رابطه با مقاله هوش مصنوعی چیست و چه کاربردهایی دارد؟ را با ما به اشتراک بگذارید.

شاد و پیروز باشید.