درک هوش مصنوعی
به طور کلی، سیستمهای هوشمند مصنوعی میتوانند وظایفی را که معمولاً با عملکردهای شناختی انسان مرتبط هستند انجام دهند - مانند تفسیر گفتار، بازی کردن و شناسایی الگوها. آنها معمولاً یاد می گیرند که چگونه این کار را با پردازش مقادیر انبوه داده انجام دهند و به دنبال الگوهایی برای مدل سازی در تصمیم گیری خود هستند. در بسیاری از موارد، انسانها بر فرآیند یادگیری هوش مصنوعی نظارت میکنند و تصمیمهای خوب را تقویت میکنند و از تصمیمهای بد جلوگیری میکنند. اما برخی از سیستمهای هوش مصنوعی برای یادگیری بدون نظارت طراحی شدهاند - به عنوان مثال، با انجام یک بازی ویدیویی بارها و بارها تا زمانی که در نهایت قوانین و نحوه برنده شدن را پیدا کنند.
کاربردهای هوش مصنوعی
کاربردهای هوش مصنوعی بی پایان است. این فناوری را می توان در بسیاری از بخش ها و صنایع مختلف به کار برد. هوش مصنوعی در صنعت مراقبت های بهداشتی برای دوز کردن داروها و انجام درمان های مختلف متناسب با بیماران خاص و برای کمک به روش های جراحی در اتاق عمل آزمایش و استفاده می شود. از دیگر نمونههای ماشینهای دارای هوش مصنوعی میتوان به رایانههای شطرنج و ماشینهای خودران اشاره کرد. هر یک از این ماشینها باید عواقب هر اقدامی را که انجام میدهند بسنجید، زیرا هر اقدامی بر نتیجه نهایی تأثیر میگذارد.
در شطرنج، نتیجه نهایی برنده شدن در بازی است. برای خودروهای خودران، سیستم کامپیوتری باید تمام داده های خارجی را در نظر گرفته و آن را محاسبه کند تا به گونه ای عمل کند که از برخورد جلوگیری کند. هوش مصنوعی همچنین کاربردهایی در صنعت مالی دارد، جایی که از آن برای شناسایی و نشان دادن فعالیتهای بانکی و مالی مانند استفاده غیرعادی از کارت نقدی و سپردههای بزرگ حساب استفاده میشود که همگی به بخش کلاهبرداری بانک کمک میکنند. از برنامه های کاربردی برای هوش مصنوعی نیز برای کمک به ساده سازی و تسهیل تجارت استفاده می شود. این امر با تسهیل برآورد عرضه، تقاضا و قیمت گذاری اوراق بهادار انجام می شود.
هوش مصنوعی قوی در مقابل هوش مصنوعی ضعیف
هوش مصنوعی ضعیف – که به آن هوش مصنوعی باریک یا هوش مصنوعی 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.
هوش مصنوعی قوی از هوش عمومی مصنوعی (AGI) و هوش مصنوعی فوق العاده (ASI) تشکیل شده است. هوش عمومی مصنوعی (AGI)، یا هوش مصنوعی 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. ابر هوش مصنوعی (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 امروزه هیچ نمونه عملی در آن استفاده نمی شود، این بدان معنا نیست که محققان هوش مصنوعی نیز در حال بررسی توسعه آن نیستند.
ماشین های خودران
جستجوی گوگل
ربات های مکالمه ای
فیلترهای اسپم ایمیل
توصیه های نتفلیکس
یادگیری ماشین در مقابل یادگیری عمیق هوش مصنوعی
اگرچه اصطلاحات «یادگیری ماشینی» و «یادگیری عمیق» اغلب در مکالمات مربوط به هوش مصنوعی به کار می روند، اما نباید به جای یکدیگر از آنها استفاده کرد. یادگیری عمیق نوعی یادگیری ماشینی است و یادگیری ماشین زیرشاخه هوش مصنوعی است.
یک الگوریتم یادگیری ماشینی داده ها را توسط یک کامپیوتر تغذیه می کند و از تکنیک های آماری استفاده می کند تا به آن کمک کند "بیاموزد" چگونه به تدریج در یک کار بهتر شود، بدون اینکه لزوماً به طور خاص برای آن کار برنامه ریزی شده باشد. در عوض، الگوریتم های ML از داده های تاریخی به عنوان ورودی برای پیش بینی مقادیر خروجی جدید استفاده می کنند. برای این منظور، ML هم از یادگیری نظارت شده (که در آن خروجی مورد انتظار برای ورودی به لطف مجموعه داده های برچسب دار شناخته شده است) و هم از یادگیری بدون نظارت (که در آن خروجی های مورد انتظار به دلیل استفاده از مجموعه داده های بدون برچسب ناشناخته هستند) تشکیل می شود.
یادگیری عمیق نوعی از یادگیری ماشینی است که ورودی ها را از طریق معماری شبکه عصبی الهام گرفته از بیولوژیکی اجرا می کند. شبکههای عصبی حاوی تعدادی لایه پنهان هستند که دادهها از طریق آنها پردازش میشوند و به ماشین اجازه میدهند تا در یادگیری خود «عمیق» پیش برود، اتصالات و وزن ورودی را برای بهترین نتایج ایجاد کند.
نمونه هایی از هوش مصنوعی
بر اساس نوع و پیچیدگی وظایفی که یک سیستم قادر به انجام آن است، هوش مصنوعی را می توان به چهار دسته تقسیم کرد. آن ها هستند
یک ماشین واکنشگرا از ابتداییترین اصول هوش مصنوعی پیروی میکند و همانطور که از نامش پیداست، فقط قادر است از هوش خود برای درک و واکنش به دنیای مقابل خود استفاده کند. یک ماشین واکنشی نمی تواند یک حافظه را ذخیره کند و در نتیجه نمی تواند به تجربیات گذشته برای اطلاع رسانی تصمیم گیری در زمان واقعی تکیه کند. درک جهان به طور مستقیم به این معنی است که ماشین های واکنشی برای انجام تنها تعداد محدودی از وظایف تخصصی طراحی شده اند. با این حال، محدود کردن عمدی جهان بینی یک ماشین واکنشدهنده مزایای خود را دارد: این نوع هوش مصنوعی قابل اعتمادتر و قابل اعتمادتر خواهد بود، و هر بار به همان روش به محرکهای مشابه واکنش نشان میدهد.
هوش مصنوعی حافظه محدود این توانایی را دارد که دادهها و پیشبینیهای قبلی را هنگام جمعآوری اطلاعات و سنجیدن تصمیمهای بالقوه ذخیره کند - اساساً به دنبال سرنخهایی در مورد آنچه ممکن است در آینده رخ دهد، به گذشته نگاه میکنیم. هوش مصنوعی حافظه محدود پیچیدهتر است و امکانات بیشتری را نسبت به ماشینهای واکنشی ارائه میدهد. هوش مصنوعی حافظه محدود زمانی ایجاد می شود که یک تیم به طور مداوم مدلی را در مورد نحوه تجزیه و تحلیل و استفاده از داده های جدید آموزش می دهد یا یک محیط هوش مصنوعی ساخته می شود تا مدل ها به طور خودکار آموزش داده و تجدید شوند.
هنگام استفاده از هوش مصنوعی حافظه محدود در ML، شش مرحله باید دنبال شود:
ایجاد داده های آموزشی
مدل یادگیری ماشین را ایجاد کنید
اطمینان حاصل کنید که مدل می تواند پیش بینی کند
اطمینان حاصل کنید که مدل می تواند بازخورد انسانی یا محیطی را دریافت کند
بازخوردهای انسانی و محیطی را به عنوان داده ذخیره کنید
مراحل بالا را به صورت چرخه ای تکرار کنید
نظریه ذهن فقط همین است - نظری. ما هنوز به توانایی های فنی و علمی لازم برای رسیدن به این سطح بعدی هوش مصنوعی دست نیافته ایم. این مفهوم مبتنی بر پیشفرض روانشناختی درک این است که موجودات زنده دیگر افکار و احساساتی دارند که بر رفتار فرد تأثیر میگذارند. از نظر ماشینهای هوش مصنوعی، این بدان معناست که هوش مصنوعی میتواند احساسات انسانها، حیوانات و سایر ماشینها را درک کند و از طریق خود اندیشی و تصمیمگیری تصمیم بگیرد و سپس از این اطلاعات برای تصمیمگیری خود استفاده کند. اساساً، ماشینها باید بتوانند مفهوم «ذهن»، نوسانات احساسات در تصمیمگیری و مجموعهای از مفاهیم روانشناختی دیگر را در زمان واقعی درک و پردازش کنند و یک رابطه دو طرفه بین افراد و هوش مصنوعی ایجاد کنند.
هنگامی که نظریه ذهن می تواند ایجاد شود، در آینده ای نزدیک به هوش مصنوعی، گام نهایی برای خودآگاهی هوش مصنوعی خواهد بود. این نوع هوش مصنوعی دارای آگاهی در سطح انسانی است و وجود خود در جهان و همچنین حضور و وضعیت عاطفی دیگران را درک می کند. این می تواند بفهمد که دیگران به چه چیزهایی ممکن است نیاز داشته باشند، نه فقط بر اساس آنچه با آنها ارتباط برقرار می کنند، بلکه بر اساس نحوه ارتباط آنها. خودآگاهی در هوش مصنوعی هم به محققان انسانی متکی است که مقدمات هوشیاری را درک کنند و سپس یاد بگیرند که چگونه آن را تکرار کنند تا بتوان آن را در ماشین ها ساخت.
مزایای هوش مصنوعی
کاهش خطای انسانی
یکی از بزرگترین مزایای هوش مصنوعی این است که می تواند خطاها را به میزان قابل توجهی کاهش دهد و دقت و دقت را افزایش دهد. تصمیماتی که هوش مصنوعی در هر مرحله اتخاذ می کند با اطلاعات جمع آوری شده قبلی و مجموعه خاصی از الگوریتم ها تعیین می شود. هنگامی که به درستی برنامه ریزی شود، این خطاها را می توان به صفر کاهش داد.
خطرات صفر
یکی دیگر از مزیتهای بزرگ هوش مصنوعی این است که انسانها میتوانند با اجازه دادن به رباتهای هوش مصنوعی بر بسیاری از خطرات غلبه کنند. خواه خنثی کردن بمب، رفتن به فضا، کاوش در عمیقترین بخشهای اقیانوسها، ماشینهایی با بدنههای فلزی در طبیعت مقاوم هستند و میتوانند در جوهای غیر دوستانه زنده بمانند. علاوه بر این، آنها می توانند با مسئولیت بیشتر کار دقیقی ارائه دهند و به راحتی فرسوده نشوند.
کمک دیجیتال
برخی از پیشرفتهترین شرکتها از نظر فناوری با کاربرانی که از دستیارهای دیجیتالی استفاده میکنند، درگیر میشوند که نیاز به نیروی انسانی را از بین میبرد. بسیاری از وب سایت ها از دستیارهای دیجیتال برای ارائه محتوای درخواستی کاربر استفاده می کنند. میتوانیم در گفتگو با آنها درباره جستجوی خود صحبت کنیم. برخی از چت بات ها به گونه ای ساخته شده اند که تشخیص اینکه آیا با یک انسان صحبت می کنیم یا یک ربات چت را دشوار می کند. همه ما می دانیم که کسب و کارها دارای خدمه خدمات مشتری هستند که باید به شکها و نگرانی های مشتریان رسیدگی کنند. کسب و کارها می توانند یک ربات چت یا ربات صوتی ایجاد کنند که می تواند با استفاده از هوش مصنوعی به تمام سوالات مشتریان خود پاسخ دهد.
اختراعات جدید
عملاً در هر زمینه ای، هوش مصنوعی نیروی محرکه پشت نوآوری های متعددی است که به انسان ها در حل اکثر مسائل چالش برانگیز کمک می کند. به عنوان مثال، پیشرفتهای اخیر در فناوریهای مبتنی بر هوش مصنوعی به پزشکان این امکان را داده است که سرطان سینه را در زنان در مراحل اولیه تشخیص دهند.
تصمیم گیری های بی طرفانه
انسانها خواه ناخواه توسط احساسات هدایت می شوند. از سوی دیگر هوش مصنوعی عاری از احساسات و در رویکرد خود بسیار کاربردی و منطقی است. مزیت بزرگ هوش مصنوعی این است که هیچ دیدگاه مغرضانه ای ندارد که تصمیم گیری دقیق تر را تضمین می کند.
آینده هوش مصنوعی
وقتی هزینههای محاسباتی و زیرساخت دادههای فنی در پشت هوش مصنوعی را در نظر بگیریم، در واقع اجرای بر روی هوش مصنوعی یک تجارت پیچیده و پرهزینه است. خوشبختانه، پیشرفت های عظیمی در فناوری محاسبات صورت گرفته است، همانطور که قانون مور نشان می دهد که تعداد ترانزیستورهای روی یک ریزتراشه تقریباً هر دو سال دو برابر می شود در حالی که هزینه رایانه ها به نصف می رسد. اگرچه بسیاری از کارشناسان بر این باورند که قانون مور احتمالاً در دهه 2020 به پایان خواهد رسید، اما این تأثیر زیادی بر تکنیکهای مدرن هوش مصنوعی داشته است بدون آن، یادگیری عمیق از نظر مالی دور از ذهن خواهد بود.
تحقیقات اخیر نشان داده است که نوآوری هوش مصنوعی در واقع از قانون مور بهتر عمل کرده است و هر شش ماه یا بیشتر در مقایسه با دو سال دو برابر می شود. با این منطق، پیشرفتهایی که هوش مصنوعی در صنایع مختلف ایجاد کرده است، در چند سال گذشته بسیار مهم بوده است. و پتانسیل تأثیر حتی بیشتر در چند دهه آینده کاملاً اجتناب ناپذیر به نظر می رسد.