هوش مصنوعی (Artificial intelligence) که به اختصار AI نیز گفته می‌شود، شبیه سازی فرایندهای هوش انسانی توسط ماشین‌ها، به‌ویژه سیستم‌های رایانه‌ای است. برنامه‌های خاص هوش مصنوعی شامل سیستم‌های خبره، پردازش زبان طبیعی(NLP)، تشخیص گفتار و بینایی ماشین است. برنامه نویسی Artificial intelligence روی سه مهارت شناختی متمرکز است: یادگیری، استدلال و اصلاح خود.
- فرایندهای یادگیری: این جنبه از برنامه نویسی هوش مصنوعی بر دستیابی به داده‌ها و ایجاد قوانینی برای چگونگی تبدیل داده‌ها به اطلاعات عملی متمرکز است. این قوانین که الگوریتم نامیده می‌شوند، دستورالعمل‌های گام به گام برای نحوه انجام یک کار خاص را به دستگاه‌های محاسباتی ارائه می‌دهند.
- فرایندهای استدلال: این جنبه از برنامه نویسی هوش مصنوعی بر انتخاب الگوریتم مناسب برای رسیدن به نتیجه دلخواه تمرکز دارد.
- فرایندهای خود اصلاح: این جنبه از برنامه نویسی هوش مصنوعی برای تنظیم دقیق مداوم الگوریتم‌ها و اطمینان از ارائه دقیق‌ترین نتایج ممکن طراحی شده است.
هوش مصنوعی چیست و چگونه کار می‌کند؟
Artificial intelligence از یادگیری ماشین برای تقلید از هوش انسان استفاده می‌کند. کامپیوتر باید یاد بگیرد که چگونه به برخی از اقدامات پاسخ دهد، بنابراین از الگوریتم‌ها و داده‌های تاریخی برای ایجاد چیزی به نام مدل استفاده می‌کند. سپس این مدل‌ها شروع به پیش بینی می‌کنند. هوش مصنوعی با استفاده از الگوریتم‌ها همراه با محدودیت‌ها و عناصر دیگری مدل‌ها را به سمت تفکر، درک و عمل هدایت می‌کند. Artificial intelligence می‌تواند با یادگیری عمیق یا یادگیری ماشینی تأمین شود، یا می‌تواند توسط فرایندهای ساده قوانین ایجاد شود. ابتدایی‌ترین نوع هوش مصنوعی چندان پیچیده نیست که به نظر می‌رسد؛ یعنی می‌تواند یک کامپیوتر برنامه ریزی شده باشد که به روشی خاص رفتار کند یا بر اساس قوانین خاصی خروجی خاصی را بدهد.
تاریخچه هوش مصنوعی
مفهوم اشیاء بی جان که دارای هوش هستند از دوران باستان وجود داشته است. خدای یونانی هفائستوس در افسانه‌ها به‌عنوان خالق بندگان ربات مانند از طلا به تصویر کشیده شده است. مهندسان در مصر باستان مجسمه‌هایی از خدایان ساخته‌اند که توسط کشیشان متحرک شده‌اند. در طول قرن‌ها، متفکران از ارسطو تا حکیمان اسپانیایی قرن سیزدهم رامون لول تا رنه دکارت و توماس بیز، از ابزار و منطق زمان خود برای توصیف فرایندهای تفکر بشری به‌عنوان نمادها استفاده کردند و مفاهیم هوش مصنوعی مانند بازنمایی دانش عمومی را پایه گذاری کردند.
اواخر قرن نوزدهم و نیمه اول قرن بیستم، چهارمین کار بنیادی انجام شد که باعث ظهور رایانه مدرن شد. در سال 1836، ریاضی دانان دانشگاه کمبریج چارلز بابیج و آگوستا آدا بایرون، کنتس لاولایس، اولین طرح را برای یک ماشین قابل برنامه ریزی اختراع کردند. در دهه 1940، ریاضیدان پرینستون، جان فون نویمان، ایده معماری کامپیوتر با برنامه ذخیره شده را بیان کرد؛ یعنی برنامه کامپیوتر و داده‌هایی که پردازش می‌کند را می‌توان در حافظه کامپیوتر نگه داشت. همچنین وارن مک کالوخ و والتر پیتس، پایه و اساس شبکه‌های عصبی را بنا نهادند.
با ظهور رایانه‌های مدرن، دانشمندان می‌توانند ایده‌های خود را در مورد هوش ماشین آزمایش کنند. یک روش برای تعیین اینکه آیا کامپیوتر از هوش برخوردار است یا خیر توسط ریاضیدان انگلیسی و رمزگشای جنگ جهانی دوم، آلن تورینگ در سال 1950 ابداع شد. آزمون تورینگ آزمونی است که برای سنجش هوشمندی ماشین و رفتار شبیه به انسان ماشین انجام می‌گیرد.
در اواخر دهه 1950، نیول و سایمون الگوریتم عمومی حل مسئله(GPS) را منتشر کردند که در حل مشکلات پیچیده آن‌چنان توانا نبود اما پایه‌های آن را جهت توسعه معماری‌های پیشرفته شناختی ایجاد می‌کرد. مک کارتی زبان Lisp را برای برنامه نویسی هوش مصنوعی توسعه داد که امروزه نیز مورد استفاده قرار می‌گیرد. در اواسط دهه 1960 پروفسور MIT، جوزف وایزنباوم، ELIZA را ایجاد كرد، یک برنامه اولیه پردازش زبان طبیعی كه پایه و اساس چت بات‌های امروزی را بنا نهاد.
زمستان هوش مصنوعی
دولت‌ها و شرکت‌ها از حمایت خود از تحقیقات Artificial intelligence عقب نشینی کردند و این منجر به دوره‌ای طولانی از 1974 تا 1980 شد و به‌عنوان اولین «زمستان هوش مصنوعی» شناخته شد. در دهه 1980، تحقیقات در مورد تکنیک‌های یادگیری عمیق و استفاده از سیستم‌های تخصصی ادوارد فیگنباوم توسط صنعت، موج جدیدی از اشتیاق به هوش مصنوعی را برانگیخت که در پی آن سرازیر شدن بودجه دولت و حمایت از صنعت به وجود آمد. دومین زمستان Artificial intelligence تا اواسط دهه 1990 ادامه داشت.
رنسانس هوش مصنوعی
افزایش توان محاسباتی و انفجار داده‌ها باعث ایجاد رنسانس هوش مصنوعی در اواخر دهه 1990 شد که تاکنون ادامه دارد. آخرین تمرکز بر هوش مصنوعی باعث پیشرفت در پردازش زبان طبیعی، بینایی رایانه، رباتیک، یادگیری ماشین، یادگیری عمیق و موارد دیگر شده است. علاوه بر این، Artificial intelligence ملموس‌تر می‌شود، به ماشین‌ها نیرو می‌بخشد، بیماری را تشخیص می‌دهد و نقش آن را در فرهنگ عامیانه تقویت می‌کند.
به‌عنوان مثال ابرکامپیوتری به نام Watson IBM وقتی که در نمایش بازی Jeopardy دو قهرمان سابق را شکست داد، مردم را مجذوب خود کرد. اخیراً، شکست تاریخی لی سدول، قهرمان 18 دوره World Go، توسط AlphaGo گوگل دیپ مایند(Google deep mind)، جامعه Go را متحیر کرد و نقطه عطف بزرگی در توسعه ماشین‌های هوشمند ایجاد کرد.
اهداف هوش مصنوعی
7 هدف هوش مصنوعی
هدف کلی تحقق هوش مصنوعی، ایجاد یک فناوری است که به کامپیوترها و ماشین‌ها امکان عملکرد هوشمندانه را می‌دهد. Artificial intelligence به وجود آمد تا در موارد زیر کمک کننده باشد.
1. استدلال و حل مسئله
محققان اولیه الگوریتم‌هایی را تدوین کردند که استدلال گام به گام را تقلید می‌کرد و بشر هنگام حل معما یا استنتاج منطقی از آن‌ها استفاده می‌کرد. در اواخر دهه 1980 و 1990، تحقیقات هوش مصنوعی روش‌هایی برای مقابله با اطلاعات نامشخص یا ناقص ایجاد کرد، مانند به‌کارگیری مفاهیم احتمال و اقتصاد. برای مشکلات دشوار، الگوریتم‌ها به منابع محاسباتی زیادی احتیاج دارند. بیشتر آن‌ها «انفجار ترکیبی» را تجربه می‌کنند به معنای این که مقدار حافظه کامپیوتر یا زمان مورد نیاز برای حل مشکلات، نجومی می‌شود. جستجوی الگوریتم‌های کارآمد برای حل مسئله از اولویت بالایی برخوردار است.
2. بازنمایی دانش
بازنمایی دانش و مهندسی دانش در تحقیقات AI نقش اساسی دارند. بسیاری از مشکلاتی که ماشین‌ها برطرف می‌کنند نیاز به دانش گسترده‌ای در مورد جهان دارند. از جمله مواردی که هوش مصنوعی باید آن‌ها را نشان دهد عبارت‌اند از: اشیاء، خصوصیات، مقوله‌ها و روابط بین اشیاء، شرایط، رویدادها، حالت‌ها و زمان؛ همچنین علل و نتایج دانش درباره دانش(آنچه ما می‌دانیم درباره آنچه دیگران می‌دانند) و بسیاری دیگر از دامنه‌های کمتر تحقیق شده. نمایش «آنچه وجود دارد» در حوزه هستی شناسی به معنای مجموعه‌ای از اشیاء، روابط، مفاهیم و موارد دیگر که ماشین از آن‌ها آگاه است. این نوع هستی شناسی اصطلاحاً هستی شناسی بنیادین می‌نامند كه سعی در ارائه اصول بنيادین برای ساير دانش‌ها دارد.
3. برنامه ریزی
عامل‌های هوشمند(Intelligent agents) باید قادر به تعیین اهداف و دستیابی به آن‌ها باشند. آن‌ها به روشی برای تجسم آینده احتیاج دارند؛ یعنی نمایشی از وضعیت جهان و این که بتوانند پیش بینی کنند که اقداماتشان چگونه آن را تغییر می‌دهند و در ادامه بتوانند گزینه‌هایی را انتخاب کنند که سودمندی یا «ارزش» گزینه‌های موجود را به حداکثر برساند. در مشکلات برنامه ریزی کلاسیک، عامل هوشمند می‌تواند فرض کند که این تنها سیستمی است که در جهان عمل می‌کند، این فرض به عامل هوشمند اجازه می‌دهد تا از عواقب اقدامات خود مطمئن باشد. به عبارتی عامل هوشمند نه تنها می‌تواند محیط خود را ارزیابی و پیش بینی کند، بلکه پیش بینی‌های خود را نیز ارزیابی کند و بر اساس ارزیابی‌هایش سازگار شود.
4. یادگیری
یادگیری ماشین، یک مفهوم اساسی تحقیقات هوش مصنوعی از ابتدای شکل گیری، مطالعه الگوریتم‌های رایانه است که به طور خودکار از طریق تجربه بهبود می‌یابند. یادگیری بدون نظارت توانایی یافتن الگوها در جریان ورودی است. یادگیری تحت نظارت، هم شامل دسته بندی (Classification) و هم رگرسیون عددی است. بعد از دیدن تعدادی مثال از چندین دسته، برای تعیین اینکه هر کدام متعلق به چه گروهی است از دسته بندی استفاده می‌شود. رگرسیون تلاشی برای تولید تابعی است که رابطه بین ورودی و خروجی را توصیف می‌کند و پیش بینی می‌کند با تغییر ورودی‌ها، خروجی‌ها چگونه باید تغییر کنند.
5. هوش اجتماعی
محاسبات عاطفی، مطالعه و توسعه سیستمی است که می‌تواند تأثیرات انسانی را تشخیص، تفسیر، پردازش و شبیه سازی کند. هوش اجتماعی یک مبحث میان رشته‌ای است که شامل علوم رایانه، روانشناسی و علوم شناختی است.
6. خلاقیت
زیرمجموعه‌ای از هوش مصنوعی، خلاقیت را هم از لحاظ تئوری(دیدگاه روانشناسی فلسفی) و هم از نظر عملی(پیاده سازی خاص سیستم‌هایی که خروجی‌های بدیع و مفیدی ایجاد می‌کنند) مورد توجه قرار می‌دهد. برخی از زمینه‌های مرتبط تحقیقات محاسباتی، شامل درک مصنوعی(Artificial Intuition) و تفکر مصنوعی است.
7. هوش عمومی
بسیاری از محققان فکر می‌کنند که کار آن‌ها سرانجام در یک ماشین با هوش عمومی مصنوعی، با ترکیب همه مهارت‌های ذکر شده در بالا و حتی بیش از توانایی انسان در بیشتر یا همه این مناطق، ادغام می‌شود. تعداد کمی معتقدند که ویژگی‌های انسانی مانند آگاهی مصنوعی یا مغز مصنوعی ممکن است برای چنین پروژه‌ای مورد نیاز باشد.
هوش مصنوعی عمومی در مقابل هوش مصنوعی محدود
هوش مصنوعی را می‌توان به‌عنوان عمومی یا مصنوعی طبقه بندی کرد. هوش مصنوعی محدود (Narrow AI) یک سیستم Artificial intelligence است که برای تکمیل یک کار خاص طراحی شده و آموزش داده می‌شود. ربات‌های صنعتی و دستیارهای شخصی مجازی مانند Siri اپل از هوش مصنوعی محدود استفاده می‌کنند.
هوش مصنوعی عمومی (AGI) طوری برنامه نویسی می‌شود که می‌تواند توانایی‌های شناختی مغز انسان را تکرار کند. هنگامی که وظیفه‌ای ناآشنا ارائه می‌شود، یک سیستم هوش مصنوعی عمومی می‌تواند با استفاده از منطق فازی، دانش را از یک حوزه به حوزه دیگر اعمال کند و به طور مستقل یک راه حل پیدا کند. از نظر تئوری، یک برنامه Artificial intelligence عمومی باید بتواند هم آزمون تورینگ و هم تست اتاق چینی را بگذراند.
هوش تقویت شده(Augmented Intelligence) در مقابل هوش مصنوعی
برخی از کارشناسان صنعت معتقدند که اصطلاح هوش مصنوعی ارتباط تنگاتنگی با فرهنگ عامه دارد و همین امر باعث شده است که عموم مردم به طور کلی انتظارات احتمالی درباره چگونگی تغییر هوش مصنوعی در محل کار و زندگی نداشته باشند. برخی از محققان و بازاریاب‌ها امیدوارند که برچسب هوش تقویت شده که معنای خنثی‌تری دارد، به مردم کمک خواهد کرد تا درک کنند که اکثر پیاده سازی‌های Artificial intelligence از نوع محدود بوده و به سادگی محصولات و خدمات را بهبود می‌بخشد.
مفهوم تکینگی تکنولوژیک، آینده‌ای تحت سلطه یک هوش فوق العاده مصنوعی که به مراتب بالاتر از توانایی مغز انسان در درک آن است یا این که چگونه هوش مصنوعی قرار است به واقعیت زندگی آینده بشر شکل بدهد، در قلمرو داستان علمی تخیلی باقی می‌ماند.
تفاوت محاسبات شناختی(Cognitive computing) و هوش مصنوعی
اصطلاحات هوش مصنوعی و محاسبات شناختی گاهی به جای یکدیگر استفاده می‌شوند، اما به طور کلی، از برچسب هوش مصنوعی در ماشین‌هایی استفاده می‌شود که با شبیه سازی نحوه درک، یادگیری، پردازش و واکنش به اطلاعات موجود در محیط، جایگزین هوش انسان می‌شوند. برچسب محاسبات شناختی نیز در رابطه با محصولات و خدماتی که فرایندهای اندیشه انسان را تقلید و تقویت می‌کنند، استفاده می‌شود.
استفاده اخلاقی از هوش مصنوعی
در حالی که ابزارهای Artificial intelligence طیف وسیعی از عملکردهای جدید را برای کسب و کار‌ها ارائه می‌دهند، استفاده از هوش مصنوعی نیز سؤالات اخلاقی را به وجود می‌آورد زیرا خوب یا بد، یک سیستم هوش مصنوعی آنچه را که قبلاً آموخته است تقویت می‌کند. این قابلیت می‌تواند مشکل ساز باشد زیرا الگوریتم‌های یادگیری ماشین که زیربنای بسیاری از پیشرفته‌ترین ابزارهای Artificial intelligence هستند، فقط به اندازه داده‌هایی که در آموزش به دست می‌آورند هوشمند هستند. از آنجا که یک انسان انتخاب می‌کند چه داده‌هایی برای آموزش یک برنامه هوش مصنوعی استفاده شود، پتانسیل یادگیری ماشین، ذاتی است و باید از نزدیک کنترل شود.
هرکسی که به دنبال استفاده از یادگیری ماشین به‌عنوان بخشی از سیستم‌های در حال تولید در دنیای واقعی است، باید اخلاق را در فرآیندهای آموزش هوش مصنوعی خود لحاظ کند و سعی کند از بایاس(تمایل به یک طرف) جلوگیری کند. این امر به‌ویژه در هنگام استفاده از الگوریتم‌های Artificial intelligence که ذاتاً در برنامه‌های یادگیری عمیق و شبکه‌های مولد تخاصمی(GAN) غیرقابل توصیف هستند، صادق است.
قابلیت توضیح(Explainability) یک مانع احتمالی استفاده از Artificial intelligence در صنایعی است که تحت الزامات دقیق نظارتی کار می‌کنند. به‌عنوان مثال، مؤسسات مالی در ایالات متحده تحت مقرراتی فعالیت می‌کنند که از آن‌ها خواسته می‌شود تصمیمات خود در مورد صدور اعتبار را توضیح دهند. وقتی تصمیم برای رد اعتبار توسط برنامه نویسی هوش مصنوعی گرفته می‌شود، توضیح چگونگی تصمیم گیری دشوار است زیرا ابزارهای هوش مصنوعی مورد استفاده برای تصمیم گیری با استفاده از همبستگی‌های ظریف بین هزاران متغیر کار می‌کنند. وقتی روند تصمیم گیری قابل توضیح نیست، ممکن است از این برنامه به‌عنوان جعبه سیاه AI یاد شود.
هوش مصنوعی به‌عنوان یک سرویس(AIaaS)
همان طور که در مقاله SaaS چیست؟ برای شما از نرم‌افزار به‌عنوان سرویس صحبت کردیم، برای هوش مصنوعی هم این قابلیت وجود دارد. از آنجا که سخت‌افزار، نرم‌افزار و هزینه‌های کارکنان Artificial intelligence می‌تواند گران باشد، بسیاری از فروشندگان، اجزای هوش مصنوعی را در نسخه‌های استاندارد خود قرار می‌دهند یا دسترسی به Artificial intelligence را به‌عنوان سرویس(AIaaS) فراهم می‌کنند. AIaaS به افراد و شرکت‌ها این امکان را می‌دهد تا قبل از تعهد، هوش مصنوعی را برای اهداف مختلف تجاری آزمایش کنند و از چندین پلتفرم استفاده کنند. پیشنهاد‌های محبوب ابری Artificial intelligence شامل موارد زیر است:
- Amazon AI
- IBM Watson Assistant
- Microsoft Cognitive Services
- Google AI
انواع هوش مصنوعی
4 نوع از هوش مصنوعی
آرند هینتز Arend Hintze، استادیار زیست شناسی تلفیقی و علوم کامپیوتر و مهندسی در دانشگاه ایالتی میشیگان ، در مقاله‌ای توضیح داد که Artificial intelligence را می‌توان در چهار نوع طبقه بندی کرد که از سیستم‌های هوشمند با وظیفه خاص که امروزه به صورت گسترده مورد استفاده قرار می‌گیرد، شروع شده و تا سیستم‌های دارای حس و درک ادامه دارد. دسته‌ها به شرح زیر است:
هوش مصنوعی پاسخ دهنده
این سیستم‌های هوش مصنوعی فاقد حافظه هستند و وظیفه خاصی دارند. به‌عنوان مثال، Deep Blue، برنامه شطرنج IBM است که در دهه 1990 گری کاسپارف را شکست داد. Deep Blue می‌تواند مهره‌های موجود در صفحه شطرنج را شناسایی کرده و پیش بینی کند، اما چون حافظه ندارد، نمی‌تواند از تجربیات گذشته برای گرفتن تصمیمات در آینده استفاده کند.
حافظه محدود
این سیستم‌های هوش مصنوعی دارای حافظه هستند، بنابراین می‌توانند از تجربیات گذشته برای گرفتن تصمیمات در آینده استفاده کنند. برخی از عملکردهای تصمیم گیری در اتومبیل‌های خودران از این طریق طراحی شده‌اند.
نظریه ذهن
نظریه ذهن، اصطلاحی روانشناسی است. هنگامی که روی هوش مصنوعی اعمال می‌شود، به این معنی است که سیستم از هوش اجتماعی برای درک احساسات برخوردار است. این نوع Artificial intelligence قادر به استنباط اهداف انسانی و پیش بینی رفتار خواهد بود، این مهارت لازم برای سیستم‌های هوش مصنوعی برای تبدیل شدن به اعضای اصلی تیم‌های انسانی است.
خودآگاهی
در این گروه، سیستم‌های Artificial intelligence نسبت به خودش درک و آگاهی دارد. ماشین‌های دارای خودآگاهی وضعیت فعلی خود را درک می‌کنند. این نوع هوش مصنوعی هنوز وجود ندارد.
نمونه‌هایی از فناوری هوش مصنوعی
هوش مصنوعی در انواع مختلف فناوری ارائه شده است. در اینجا شش مثال برای شما آورده‌ایم:
1. خودکار سازی
خودکار سازی یا اتوماسیون وقتی با فناوری‌های هوش مصنوعی متصل شوند، آنگاه ابزارهای اتوماسیون می‌توانند انواع وظایف را در حجم گسترده‌تری انجام دهند. به‌عنوان مثال اتوماسیون فرآیند رباتیک (RPA)، نوعی نرم‌افزار است که وظایف پردازشی داده‌های تکراری و مبتنی بر قوانین را که به طور سنتی توسط انسان انجام می‌شود، خودکار می‌کند. PRA هنگامی که با یادگیری ماشین و ابزارهای نوظهور Artificial intelligence ترکیب می‌شود، می‌تواند بخش‌های بیشتری از مشاغل سازمانی را خودکار کند، این خودکار سازی، به ربات‌های تاکتیکی RPA امکان می‌دهد اطلاعات را از هوش مصنوعی منتقل کرده و به تغییرات فرایند پاسخ دهند.
2. یادگیری ماشین
این یک علم است که کامپیوتر بدون برنامه نویسی اجرا شود. یادگیری عمیق (Deep Learning) زیرمجموعه‌ای از یادگیری ماشینی است که به عبارتی بسیار ساده، می‌توان آن را اتوماسیون تجزیه و تحلیل‌های پیش بینی تعریف کرد. سه نوع الگوریتم یادگیری ماشین وجود دارد:
- یادگیری با ناظر (Supervised learning): مجموعه داده‌ها برچسب گذاری شده‌اند تا الگوها بتوانند شناسایی شوند و از آن‌ها برای برچسب گذاری مجموعه داده‌های جدید استفاده شود.
- یادگیری بدون ناظر (Unsupervised learning): مجموعه داده‌ها برچسب گذاری نشده و بر اساس شباهت‌ها یا تفاوت‌ها مرتب می‌شوند.
- یادگیری تقویتی (Reinforcement learning): مجموعه داده‌ها برچسب گذاری نشده‌اند، اما پس از انجام یک عمل یا چندین عمل، به سیستم هوش مصنوعی بازخورد داده می‌شود.
3. بینایی ماشین (Machine Vision)
این فناوری به ماشین توانایی دیدن می‌دهد. بینایی ماشین با استفاده از دوربین، تبدیل آنالوگ به دیجیتال و پردازش سیگنال دیجیتال، اطلاعات بصری را ضبط و تحلیل می‌کند. این فناوری غالباً با بینایی انسان مقایسه می‌شود، اما بینایی ماشین محدود به حیطه بیولوژیک نیست و به‌عنوان مثال می‌توان آن را برای دیدن پشت دیوارها برنامه ریزی کرد. از بینایی ماشین در طیف وسیعی از برنامه‌ها از شناسایی امضاء تا تجزیه و تحلیل تصاویر پزشکی استفاده می‌شود. بینایی رایانه‌ای که متمرکز بر پردازش تصویر مبتنی بر ماشین است، غالباً با بینایی ماشین آمیخته می‌شود.
4. پردازش زبان طبیعی (NLP)
پردازش زبان طبیعی شامل پردازش زبان انسان توسط یک برنامه رایانه‌ای است. یکی از قدیمی‌ترین و شناخته شده‌ترین نمونه‌های NLP، شناسایی هرزنامه است که به موضوع و متن نامه ایمیل نگاه می‌کند و در مورد ناخواسته بودن آن تصمیم می‌گیرد. رویکردهای فعلی NLP مبتنی بر یادگیری ماشین است. وظایف NLP شامل ترجمه متن، تحلیل احساسات و تشخیص گفتار است.
5. رباتیک
این رشته مهندسی بر طراحی و ساخت ربات‌ها تمرکز دارد. از ربات‌ها اغلب برای انجام کارهایی استفاده می‌شود که انجام آن‌ها یا انجام مداوم آن‌ها برای انسان دشوار است. به‌عنوان مثال، از ربات‌ها در خطوط مونتاژ برای تولید ماشین یا توسط ناسا برای جابجایی اجسام بزرگ در فضا استفاده می‌شود. محققان همچنین از یادگیری ماشینی برای ساخت ربات‌هایی استفاده می‌کنند که می‌توانند در محیط‌های اجتماعی با یکدیگر تعامل داشته باشند.
6. اتومبیل‌های خودران
وسایل نقلیه خودران از ترکیبی از بینایی کامپیوتر، تشخیص تصویر و یادگیری عمیق برای ایجاد مهارت خودکار در راندن یک وسیله نقلیه استفاده می‌کند. این اتومبیل‌ها هنگام رانندگی در یک جاده مشخص، می‌تواند موانع غیر منتظره مانند عابران پیاده تشخیص دهد.
کاربردهای هوش مصنوعی
هوش مصنوعی به طیف گسترده‌ای از بازارها راه پیدا کرده است. در اینجا هشت نمونه برای شما می‌آوریم.
1. هوش مصنوعی در مراقبت‌های بهداشتی
یکی از بزرگ‌ترین مسئله‌ها در مورد بهبود بیماری افراد و کاهش هزینه‌ها است. شرکت‌ها از روش یادگیری ماشین که نسبت به انسان تشخیص بهتر و سریع‌تری دارد، استفاده می‌کنند. یکی از شناخته شده‌ترین فناوری‌های مراقبت‌های بهداشتی IBM Watson است. این فناوری زبان طبیعی را می‌فهمد و می‌تواند به سؤالات مطرح شده از آن پاسخ دهد. این سیستم، داده‌های بیمار و سایر منابع داده موجود را برای تشکیل یک فرضیه استخراج می‌کند و سپس آن را با یک طرح نمره گذاری مطمئن ارائه می‌دهد.
سایر برنامه‌های Artificial intelligence شامل استفاده از دستیارهای بهداشت مجازی آنلاین و ربات‌های چت برای کمک به بیماران و نیازمندان به مراقبت‌های بهداشتی در یافتن اطلاعات پزشکی، تعیین قرار ملاقات، درک روند صورتحساب و تکمیل سایر مراحل اداری است. همچنین مجموعه‌ای از فناوری‌های هوش مصنوعی برای پیش بینی، مبارزه و درک موارد همه گیر مانند COVID-19 استفاده می‌شود.
2. هوش مصنوعی در کسب و کار
الگوریتم‌های یادگیری ماشین در سیستم عامل‌های تجزیه و تحلیل و مدیریت ارتباط با مشتری (CRM) ادغام شده‌اند تا اطلاعات بهتری را در مورد چگونگی خدمات بهتر به مشتریان کشف کنند. چت بات‌ها در وب‌سایت‌ها وظیفه دارند تا خدمات فوری به مشتریان ارائه دهند. اتوماسیون موقعیت‌های شغلی نیز به یک صحبت مشترک در میان دانشگاهیان و تحلیل گران فناوری اطلاعات تبدیل شده است.
3. هوش مصنوعی در آموزش
Artificial intelligence می‌تواند درجه بندی را به صورت خودکار انجام دهد و به این صورت مربیان فرصت بیشتری خواهند داشت. در نتیجه Artificial intelligence می‌تواند دانش آموزان را ارزیابی کند و با نیازهای آن‌ها سازگار شود و با سرعتی که دارد به آن‌ها در انجام کارشان کمک کند. مدرسان هوش مصنوعی می‌توانند با اطمینان بیشتری دانش آموزان را در مسیر خود حمایت کنند. به این ترتیب مکان و نحوه یادگیری دانش آموزان تغییر خواهد کرد، شاید حتی جای برخی از معلمان را بگیرد.
4. هوش مصنوعی در امور مالی
هوش مصنوعی در برنامه‌های مالی شخصی، مانند Intuit Mint یا TurboTax، باعث تحول در خدمات مؤسسات مالی شده است. برنامه‌هایی مانند این، داده‌های شخصی را جمع آوری می‌کنند و مشاوره مالی می‌دهند. برنامه‌های دیگری مانند IBM Watson در روند خرید خانه به کار گرفته می‌شود. امروزه نرم‌افزار Artificial intelligence بیشتر معاملات را در وال استریت انجام می‌دهد.
5. هوش مصنوعی در قانون
روند کشف و غربال کردن اسناد در قانون اغلب برای انسان طاقت فرسا است. استفاده از Artificial intelligence برای کمک به خودکارسازی فرآیندهای پر کار حوزه قانون، موجب صرفه جویی در وقت و بهبود خدمات مشتری می‌شود. بنگاه‌های حقوقی با استفاده از یادگیری ماشین به توصیف داده‌ها و پیش بینی نتایج و با استفاده از بینایی کامپیوتر به طبقه بندی و استخراج اطلاعات از اسناد و پردازش زبان طبیعی برای تفسیر درخواست‌های اطلاعات می‌پردازند.
6. هوش مصنوعی در ساخت و تولید
بخش تولید در صف اول وارد کردن ربات‌ها به گردش کار بوده است. به‌عنوان مثال، ربات‌های صنعتی که زمانی برای انجام تک وظایف برنامه ریزی شده و از کارگران انسانی جدا شده بودند، اکنون به طور فزاینده‌ای به‌عنوان کوبات (cobot) عمل می‌کنند. کوبات‌ها ربات‌های کوچک و چند وظیفه‌ای هستند که با انسان همکاری می‌کنند و مسئولیت قسمت‌های بیشتری از کار را در انبارها، کف کارخانه و سایر فضاهای کاری بر عهده می‌گیرند.
7. هوش مصنوعی در امور بانکی
موفقیت بانک‌ها در استفاده از چت بات‌ها باعث شده است تا مشتریان خود را از خدمات و پیشنهاد‌های آگاه کنند و معاملاتی را انجام دهند که نیازی به مداخله انسانی ندارند. از دستیارهای مجازی هوش مصنوعی برای بهبود و کاهش هزینه‌های انطباق با مقررات بانکی استفاده می‌شود. سازمان‌های بانکی همچنین از Artificial intelligence برای بهبود تصمیم گیری خود در مورد وام‌ها و تعیین محدودیت‌های اعتباری و شناسایی فرصت‌های سرمایه گذاری استفاده می‌کنند.
8. هوش مصنوعی در حمل و نقل
علاوه بر نقش اساسی Artificial intelligence در کار با وسایل نقلیه خودران، از فناوری‌های هوش مصنوعی در حمل و نقل برای مدیریت ترافیک، پیش بینی تأخیر پرواز و ایمن و کارآمدتر بودن حمل و نقل دریایی نیز استفاده می‌شود.
آیا هوش مصنوعی در بحث امنیت عملکرد خوبی دارد؟
هوش مصنوعی و یادگیری ماشین در صدر لیست جملاتی هستند که امروز فروشندگان حوزه امنیت برای تمایز پیشنهاد‌های خود از آن استفاده می‌کنند. Artificial intelligence و یادگیری ماشینی در محصولات امنیت سایبری برای تیم‌های امنیتی که به دنبال راه‌هایی برای شناسایی حملات، بدافزار و سایر تهدیدات هستند، ارزش واقعی می‌افزایند. سازمان‌ها برای شناسایی ناهنجاری‌ها و شناسایی فعالیت‌های مشکوک که نشانگر تهدیدها هستند، از یادگیری ماشینی در نرم‌افزار اطلاعات امنیتی و مدیریت رویدادها (SIEM) و مناطق مربوطه استفاده می‌کنند.
با تجزیه و تحلیل داده‌ها و استفاده از منطق برای شناسایی شباهت‌ها با کد مخرب شناخته شده، Artificial intelligence می‌تواند هشدارهای حملات جدید و جدید را بسیار زودتر از کارمندان انسانی ارائه دهد. در نتیجه، فناوری امنیتی هوش مصنوعی هم به طور چشمگیری تعداد حفره‌های امنیتی به ظاهر امن را کاهش می‌دهد و هم به سازمان‌ها زمان بیشتری برای مقابله با تهدیدات واقعی قبل از آسیب رساندن می‌دهد. فناوری بالغ نقش مهمی در کمک به سازمان‌ها برای مقابله با حملات سایبری دارد.
هوش مصنوعی چگونه می‌تواند خطرناک باشد؟
اکثر محققان اتفاق‌نظر دارند که بعید به نظر می‌رسد هوش مصنوعی فوق العاده هوشمند، احساسات انسانی را مانند عشق یا نفرت از خود نشان دهد و هیچ دلیلی وجود ندارد که انتظار داشته باشیم هوش مصنوعی عمداً خیرخواه یا بدخواه شود. در عوض، هنگام بررسی چگونگی خطرناک شدن Artificial intelligence، کارشناسان احتمالاً دو سناریو را در نظر می‌گیرند:
سناریوی اول: هوش مصنوعی برای انجام کاری ویرانگر برنامه ریزی شده است
سلاح‌های خودکار، سیستم‌های Artificial intelligence هستند که برای کشتن برنامه ریزی شده‌اند. این سلاح‌ها در دست یک فرد اشتباه می‌توانند به راحتی تلفات جانی ایجاد کنند. علاوه بر این، یک مسابقه تسلیحاتی هوش مصنوعی می‌تواند ناخواسته به جنگ هوش مصنوعی منجر شود که منجر به تلفات جانی نیز می‌شود.
برای جلوگیری از خنثی شدن توسط دشمن، این سلاح‌ها به گونه‌ای طراحی شده‌اند که «خاموش کردن» آن‌ها بسیار دشوار است، بنابراین انسان‌ها می‌توانند به طور منطقی کنترل چنین وضعیتی را از دست بدهند. در این صورت این ریسک حتی در استفاده از Artificial intelligence محدود هم وجود دارد، اما با افزایش سطح هوش و استقلال هوش مصنوعی، رشد می‌کند.
سناریوی دوم: هوش مصنوعی برای انجام یک کار مفید برنامه ریزی شده است اما برای رسیدن به هدف خود، روشی مخرب را توسعه می‌دهد
هر زمان که نتوانیم اهداف Artificial intelligence را با اهداف خود هماهنگ کنیم، اتفاق بسیار دشواری خواهد افتاد. اگر از یک ماشین هوشمند فرمان بر، بخواهید که شما را با سریع‌ترین زمان ممکن به فرودگاه برساند، ممکن است شما را با وجود خرابکاری در مسیر، به مقصد برساند. این به معنای واقعی کلمه همان چیزی است که شما خواسته‌اید. اگر یک سیستم فوق العاده هوشمند وظیفه یک پروژه مهندسی زمین بلند پروازانه را داشته باشد، ممکن است به‌عنوان یک عارضه جانبی، ویرانگر اکوسیستم ما باشد و تلاش‌های انسان برای متوقف کردنش را تهدیدی برای خود بداند.
همان‌طور که این مثال‌ها نشان می‌دهد، نگرانی در مورد Artificial intelligence پیشرفته، بدخواهی نیست بلکه بحث قابلیت است. Artificial intelligence فوق العاده هوشمند، در تحقق اهداف خود بسیار خوب خواهد بود و اگر این اهداف با اهداف ما مطابقت نداشته باشد، ما با یک مشکل روبرو هستیم. شما احتمالاً هرگز از روی نفرت و سوء نیت پا روی مورچه‌ها نمی‌گذارید، اما اگر شما مسئول یک پروژه انرژی سبز برق آبی باشید ممکن است لانه مورچه‌هایی که در همان منطقه وجود دارند را غرق آب کنید. یک هدف اصلی در تحقیقات ایمنی Artificial intelligence این است که هرگز بشریت را در موقعیت آن مورچه‌ها قرار ندهیم.
مقررات مربوط به فناوری هوش مصنوعی
با وجود خطرات احتمالی، در حال حاضر مقررات کمی در مورد استفاده از ابزارهای هوش مصنوعی وجود دارد و در مواردی هم که قوانینی وجود دارد، معمولاً به طور غیرمستقیم به Artificial intelligence مربوط می‌شوند. آیین نامه عمومی حفاظت از داده‌های اتحادیه اروپا (GDPR) محدودیت‌های شدیدی در نحوه استفاده شرکت‌ها از داده‌های کاربران ایجاد می‌کند که مانع آموزش و عملکرد بسیاری از برنامه‌های کاربردی هوش مصنوعی در حوزه داده‌های کاربران می‌شود.
تدوین قوانین برای هوش مصنوعی آسان نخواهد بود، یک دلیلش این است که Artificial intelligence شامل انواع فناوری‌هایی است که شرکت‌ها برای اهداف مختلف استفاده می‌کنند و دلیل دیگر این است که مقررات می‌توانند بهای پیشرفت و توسعه AI باشند. تکامل سریع فناوری‌های Artificial intelligence از دیگر موانع تشکیل مقررات معنی دار برای هوش مصنوعی است؛ زیرا پیشرفت‌های تکنولوژی و کاربردهای جدید می‌تواند قوانین موجود را فوراً منسوخ کند.
آینده هوش مصنوعی چگونه خواهد بود؟
هوش مصنوعی و فناوری‌های مربوط قبلاً در بخش‌هایی به عملکرد فوق بشری دست یافته‌اند و تردیدی نیست که توانایی آن‌ها احتمالاً در 10 سال دیگر تا سال 2030، به طرز چشمگیری بهبود خواهد یافت. با کمک دسترسی به داده‌های گسترده، ربات‌هایی که از اتوماسیون هوشمند، قدرت می‌گیرند، از انسان در توانایی تصمیم گیری پیچیده پیشی می‌گیرند. Artificial intelligence طیف گسترده‌ای از بهینه سازی کارایی را به‌ویژه در کارهای کاملاً قانون محور که نیروی انسانی را درگیر می‌کند، هدایت خواهد کرد.
نسل‌های جدید دانشمندان داده، هر روز بیشتر به ساختارها و فرایندهای Artificial intelligence شبکه‌ای، وابسته می‌شوند. وابستگی متقابل شبکه، آسیب پذیری شرکت را در برابر حملات سایبری افزایش می‌دهد. به خصوص در کسانی که از نظر فناوری زیرساخت‌های دیجیتال، وابسته هستند. Artificial intelligence توانایی عملکرد مستقل را تقویت می‌کند و اولین چیزی که به ذهن خطور می‌کند وسایل نقلیه خودران است، اما برنامه‌های هوش مصنوعی، بی حد و حصر هستند. ترکیبی از پردازش زبان طبیعی، تجزیه و تحلیل پیش بینی و دنیای حسگرهای هوشمند مجهز به اینترنت اشیاء، تأثیر گسترده‌ای در زندگی روزمره ما داشته است.
هوش مصنوعی یک جز جدایی ناپذیر در چند سال آینده
هوش مصنوعی از اجزای جدایی ناپذیر یک تجربه سازمانی خواهد بود. سازمان‌ها به طور فزاینده‌ای از سیستم‌های Artificial intelligence استفاده می‌کنند و گاهی اوقات به منظور افزایش تعاملات روزمره خود با یکدیگر به سیستم‌های هوش مصنوعی اعتماد می‌کنند. در دهه آینده، Artificial intelligence قدرت ترجمه زبان و خلاقیت را افزایش می‌دهد و باعث ایجاد بعد جدیدی در تحول دیجیتال می‌شود. اکنون می‌دانید که Artificial intelligence چیست و چه کاربرد‌هایی دارد و آیا به ذات خود مخرب است یا سازنده، پس بیایید کمی منصفانه به این فناوری نگاه کنیم و امیدوار باشیم که هوش مصنوعی در جهت خدمت به بشر، حرکت کند و ما هم هر چه بیشتر حضور مفید آن را در زندگی و کار خود لمس کنیم.
نظر شما درباره‌ی هوش مصنوعی و میزان تاثیر آن در زندگی ما انسان‌ها چیست؟ آیا با خواندن این مقاله سوالی برایتان پیش آمد؟ سوالات و نظرات خودتان را در زیر همین پست برای ما و همراهان همیار آکادمی به اشتراک بگذارید تا در سریع‌ترین زمان به شما پاسخ دهیم.
نویسنده
علی صادقی
کارشناس طراحی سایت و تولید محتوا - علاقه مند به دیجیتال مارکتینگ
تغییر شماره