هوش مصنوعی چیست و چه کاربردهایی دارد؟

اگر کمی اخبار دنیای تکنولوژی و فناوری را دنبال کرده باشید، کلمه هوش مصنوعی به گوش شما خورده است. واژه هوش مصنوعی (Artificial Intelligence) که مخفف آن به AI معروف است در زندگی روزمره‌ی ما کاربردهای بسیاری دارد و حضور این تکنولوژی در بعضی جاهای زندگیمان قابل لمس و در بسیاری جاها نامحسوس است.

با شنیدن اسم هوش مصنوعی در ذهن ما تصورات عجیب و غریبی و بعضاً خطرناکی شکل می‌گیرد، تصوراتی مثل دستیار صوتی سیری و الکسا، ربات‌های مهاجم و جنگنده در فیلم ترمیناتور، دنیاهای مجازی مثل متاورس، پایان بشریت، علم رباتیک و غیره. اما سوال‌های مهم‌تری شکل می‌گیرد، سوال‌هایی از جنس سردرگمی و ترس ولی در عین حال هیجان‌انگیز است.

سوال‌هایی مثل هوش مصنوعی چیست؟ هوش مصنوعی چطور کار می‌کند؟ چگونه برنامه نویس هوش مصنوعی شویم؟ آیا هوش مصنوعی باعث پایان بشریت می‌شود؟ آینده هوش مصنوعی چگونه پیش‌بینی می‌شود؟ و سوال‌هایی از این جنس که همه‌ی این سوال‌ها به یک دلیل برای شما ایجاد می‌شوند چون شما جواب سوال هوش مصنوعی چیست را نمی‌دانید!

اخبار مربوط به دنیای هوش مصنوعی بازگوی این ماجراست که رشد این حوزه با سرعت زیادی و بعضاً تصاعدی در حال انجام است و گذر زمان بخش‌های زیادی از زندگی فردی و اجتماعی ما را در برمی‌گیرد. من در این مقاله سعی کردم که تمامی ابعاد مختلف علم هوش مصنوعی را برای شما بازگو کنم تا هوش مصنوعی به زبان ساده برای شما تعریف شود که تمام سوال‌های شما از هوش مصنوعی را پوشش دهد، پس در این مقاله با من همراه باشید.

شاید خیلی از ما، هوش مصنوعی را کامپیوترهای بزرگ یا ربات‌هایی که قابلیت صحبت کردن دارند می‌بینید اما این طور نیست! همین حالا که شما در حال خواندن این مقاله هستید، نزدیک به چندین محصول گوگل که بر پایه هوش مصنوعی هستند درگیر شدند تا شما را به این مقاله برسانند. ما در طول روز از تکنولوژی هوش مصنوعی بصورت مکرر استفاده می‌کنیم اما چون نحوه استفاده ملموس نیست، به چشممان نمی‌آید.

برای مثال زمانی که در شبکه‌های اجتماعی مثل اینستاگرام گشت‌وگذار می‌کنیم، هوش مصنوعی این کمپانی در حال رصد کردن ماست تا ما را بطور کامل بشناسد و محتوای مناسب‌تری را برای ما ارسال کند. یا زمانی که وارد سایت‌های فروشگاهی می‌شویم، هوش مصنوعی تمام تلاش خود را می‌کند تا محصولی را در اختیار ما قرار دهد که شانس بالاتری برای خرید داشته باشد. تمامی این فرایندها در سایت‌های ارائه خدمات هم بکار می‌رود.

هوش مصنوعی چیست؟

برای تعریف هوش مصنوعی چون تنوع موضوعاتی بسیار است، بین محققان و پژوهشگران این حوزه اختلافاتی است اما چندین تعریف وجود دارد که تمامی ابعاد هوش مصنوعی را پوشش می‌دهد. علم هوش مصنوعی یکی از شاخه‌های علوم کامپیوتر است که به هوشمندسازی ماشین‌ها می‌پردازد. یکی دیگر از اسامی هوش مصنوعی، هوش ماشینی است که زبان ساده‌تر میتوان آن را تقلید یک ماشین از رفتار هوشمندانه‌ی انسان دانست.

هوش مصنوعی از روی هوش انسانی شبیه سازی شده تا توانایی فکر و عمل مانند انسان را داشته باشد. این تعریف برای هر ماشینی که همانند ذهن انسان فکر کند و توانایی عمل کردن داشته باشد صدق می‌کند. کتاب‌های مرجع هوش مصنوعی به این علم نگاه کارگزار هوشمند دارند یعنی هر دستگاهی که توانایی درک محیط و فعالیت با حداکثر شانس موفقیت را داشته باشد، هوش مصنوعی است.

اگرچه هنوز تعریف دقیقی برای هوش مصنوعی که مورد توافق دانشمندان این علم باشد، ارائه نشده است اما اکثر تعاریفی که درباره حوزه هوش مصنوعی ارائه شدند، بر پایه یکی از ۴ اصل مهم است که عبارتند از :

1. سامانه‌هایی که مانند انسان فکر می‌کنند.
2. سامانه‌هایی که عقلانی فکر می‌کنند.
3. سامانه‌هایی که مانند انسان عمل می‌کنند.
4. سامانه‌هایی که عقلانی عمل می‌کنند.

ساخت کامپیوترها و ماشین‌های متفکر و با احساس، خودکارسازی فعالیت‌های مرتبط با تفکر انسان، فعالیت‌هایی مانند تصمیم‌گیری، حل مسئله و یادگیری، در تعریف «سامانه‌هایی که مانند انسان فکر می‌کنند» قرار می‌گیرد. در نهایت «سامانه‌هایی که همچون انسان عمل می‌کنند» به ساخت ماشین‌هایی اشاره دارد که کارهایی را انجام می‌دهد که انسان با فکر کردن آن‌ها را به انجام می‌رساند.

سامانه‌هایی که منطقی فکر می‌کنند، در واقع سامانه‌هایی هستند که از طریق مدل‌های محاسباتی به طراحی توانایی‌های ذهن انسان برسند. طراحان سامانه، سامانه‌ها را بر اساس مدل‌های محاسباتی طوری طراحی می‌کنند که منجر به درک و استدلال مانند انسان شوند. در دو اصل اول اشاره به فرایندهای تفکر و استدلال دارد و دو اصل دوم به رفتار و برخورد اشاره می‌کند. سامانه‌هایی که منطقی عمل می‌کنند، دارای محاسباتی می‌باشند، در اصل در این سامانه‌ها به طراحی عامل‌های هوشمند پرداخته می‌شود که میتوان رفتار هوشمندانه به کار رفته در سامانه‌های هواپیمایی را از این نوع دانست.

تاریخچه هوش مصنوعی

تکنولوژی هوش مصنوعی که به تازگی بر سر زبان‌ها افتاده است اما قدمتی به طول جنگ جهانی دوم یا شاید قبل‌تر هم دارد، در کتاب فرانکشتاین نمونه‌هایی از سیستم‌های هوشمند دیده می‌شودو و باعث نگرانی‌های انسان از سیستم‌های هوش مصنوعی شد. جان مک کارتی (John McCarthy) از افراد پیشرو در حوزه هوش مصنوعی بود، وی در یک کنفرانسی در تابستان سال ۱۹۵۶ میلادی، واژه هوش مصنوعی را به کار برد.

مک کارتی، علم هوش مصنوعی را اینگونه توصیف کرد:

علم مهندسی ساخت ماشین‌های هوشمند

از اختراعات وی، زبان برنامه نویسی لیسپ (LISP) در سال ۱۹۵۸ بود. به مرور زمان، زبان لیسپ تبدیل به یک زبان برنامه نویسی استاندارد در حوزه هوش مصنوعی شد. وجود این زبان برنامه نویسی راه را برای فناوری تشخیص صدا مانند دستیار مجازی سیری در تلفن‌های همراه آیفون کمپانی اپل هموار کرد و تا به امروز در حوزه‌های رباتیک، زیرساخت اینترنت، طراحی تکنولوژی کارت‌های اعتباری و صنایع هوایی کاربرد دارد.

جان مک کارتی در دانشگاه استنفورد، آزمایشگاهی را راه‌اندازی کرد و کار خود را با کار کردن بر روی خودروهایی با قابلیت رانندگی خودکار شروع کرد. وی در سال‌های بین ۱۹۶۵ تا ۱۹۸۰ مدیر آزمایشگاه هوش مصنوعی SAIL بود. او در این آزمایشگاه در دهه‌های ۶۰ الی ۷۰ میلادی بر روی سیستم‌هایی کار کرد که مهارت‌های شنیداری، بینایی، حرکتی و استدلال را از روی انسان تقلید کند و همین اتفاق باعث شد تا تحولات مهمی در هوش مصنوعی رخ دهد.

زمانی که آلمانی‌ها قطب علم در جهان بودند از دستگاهی به نام ماشین انیگما (Enigma machine) برای رمز نگاری پیام‌های خود استفاده می‌کردند. در آن زمان این تکنولوژی، بازی جنگ را عوض کرد و نام آلمان‌ها را به عنوان پیشرو در جنگ بر سر زبان‌ها انداخت. با حضور آلن تورینگ (Alan Turing) ورق برگشت! آلن تورینگ با کمک گروه خود دستگاهی را ساخت تا کدهای ایجاد شده توسط enigma را بشکند و قابلیت شنود این اطلاعات را در اختیار انگلیس‌ها قرار داد. اسم این دستگاه bombe بود که بطور همزمان اولین کامپیوتر و اولین هوش مصنوعی جهان بود. هر دو این دستگاه‌ها بر پایه یادگیری ماشین بودند که یکی از شاخه‌های هوش مصنوعی است.

آلن تورینگ (پدر علم هوش مصنوعی) تعریف جالبی برای هوش مصنوعی داشت:

دستگاهی هوشمند است که انسان در زمان برقراری ارتباط با آن احساس نکند که در حال صحبت با یک ماشین است.

این صحبت تورینگ بر این موضوع اشاره دارد که هوش مصنوعی زمانی تکامل پیدا می‌کند که توانایی درک احساس و بروز احساس را داشته باشد. نکته‌ای که اکنون میتوان نمونه‌های اولیه را در دستیارهای کمکی مثل سیری و الکسا دید. امکان‌پذیر بودن هوشمندی ماشین سوالی بود که در ذهن محققان علوم کامپیوتر شکل گرفته بود.

آلن تورینگ این سوال را به شکل دیگری تغییر داد:

آیا یک ماشین می‌تواند رفتار هوشمندانه داشته باشد؟

این سوال را وارن مک کلاچ (Warren Sturgis McCulloch) و والتر پیتز (Walter Pitts) در سال ۱۹۴۰ به اولین مقاله شبکه‌های عصبی در حوزه هوش مصنوعی تبدیل کردند. آزمایش‌های رسمی در مورد هوش مصنوعی درسال ۱۹۵۶ در آزمایشگاه کالج دارتموث (Dartmouth workshop) شروع شد تا اولین قدم‌های هوش مصنوعی طی بشود. از پیشگامان این حوزه میتوان به آلن نیوول (Allen Newell)، هربت سیمون (Herbert A. Simon)، ماروین مینسکی (Marvin Minsky) و آرتور سمیوئل (Arthur Samuel) اشاره کرد.

تلاش برای توسعه هوش مصنوعی تا سال ۱۹۷۰ با نتایج خوبی همراه نبود. به هر میزان که هوش مصنوعی پیشرفت می‌کرد، چالش‌هایی زیادی به وجود می‌آمد. در این سال‌ها دولت‌های ثروتمند دنیا مثل آمریکا و انگلیس سرمایه‌گذاری خود را در این صنعت کاهش دادند تا وارد برهه زمستان هوش مصنوعی شویم. در برهه تاریخی زمستان هوش مصنوعی، پیدا کردن سرمایه‌گذار برای پروژه‌های هوش مصنوعی تقریبا غیر ممکن بود!

سرمایه‌گذاران به این حوزه حس خوبی نداشتند چون در حدود ۲۰ سالی که به این صنعت اجازه فعالیت دادند، خروجی قابل توجهی نگرفته بودند تا آن‌ها را ترغیب به سرمایه‌گذاری مجدد کند. در سال ۱۹۸۰ این زمستان به پایان رسید. متخصصان هوش مصنوعی توانستند با سرمایه‌گذارانی نه‌چندان قوی محصولاتی بر پایه هوش مصنوعی بسازند و ابعاد بازار هوش مصنوعی را در سال ۱۹۸۰میلادی به چند صد میلیون دلاری برسانند.

این محصولاتی کامپیوترهایی بودند که حالا با نام کامپیوترهای خبره از آن‌ها یاد می‌شود؛ کامپیوتر خبره، توانایی تحلیل و شبیه‌سازی مهارت متخصصان انسانی را دارا بود. تحقیقات پژوهشگران و محققان در زمینه هوش مصنوعی نشان می‌دهد در آینده‌ای نه چندان دور، فعالیت‌های انسانی مثل ترجمه متون (تا سال ۲۰۲۴) و انجام جراحی‌های پزشکی (تا سال ۲۰۵۳) توسط الگوریتم های یادگیری ماشین و هوش مصنوعی بهبود پیدا می‌کند.

زمان بسیاری گذشته و هوش مصنوعی سعی در تکامل خود دارد و تا به امروز در همه‌ی گجت‌ها، موبایل‌های هوشمند، لپتاپ‌ها، کمپانی‌های سطح یک دنیا و اکثر کسب‌و‌کارهای موفقی که می‌بینیم، تکنولوژی هوش مصنوعی جای خود را باز کرده است. علاوه بر این محققان بر این باورند که حدود ۵۰ سال آینده، چیزی نزدیک به ۵۰ درصد از فعالیت‌های انسانی با استفاده از تکنولوژی هوش مصنوعی انجام می‌شود و تا یک قرن آینده تمامی مشاغل انسانی اتوماسیون و خودکار می‌شوند.

انواع هوش مصنوعی

هوش مصنوعی بر اساس میزان دقت یادگیری از مفاهیم و عملکردی که دارد دسته‌بندی می‌شود، در حال حاضر علم هوش مصنوعی سه نوع دارد که چشم انداز و ماموریت این علم را مشخص کرده است.

1. هوش مصنوعی محدود (Artificial Narrow Intelligence) – ANI
2. هوش مصنوعی عمومی (Artificial General Intelligence) – AGI
3. هوش مصنوعی سوپر (Artificial Super Intelligence) – ASI

• هوش مصنوعی محدود – Artificial Narrow Intelligence

هوش مصنوعی محدود بسیار زودتر از انواع دیگر هوش مصنوعی به وجود آمد و امروزه هوش مصنوعی محدود بسیار پرکاربرد است بطور مثال در بازی‌های رایانه‌ای مثل شطرنج شاهدشون هستیم. هوش مصنوعی محدود بر این منظور توسعه پیدا می‌کند که یک وظیفه مشخص را بهتر از انسان انجام دهد، برای همین به آن‌ها هوش مصنوعی محدود می‌گویند. برای مثال معرفی محصولات مناسب شما، سیستم تبدیل گفتار به نوشتار، بررسی رزومه‌ها، بررسی زمان ورود و خروج کاربران، رانندگی با ماشین، سیستم تشخیص چهره در اماکن پرتردد و غیره… که از انواع هوش مصنوعی محدود هستند.

در هوش مصنوعی محدود، ماشین توانایی یادگیری خودکار در هر زمینه‌ای را ندارد. این مدل از هوش همانجور که از اسمش مشخص است فقط توانایی بررسی فعالیت‌ها در زمینه محدودی که در اختیارش قرار می‌گیرد را دارد و فراتر از آن نمی‌رود. برای مثال از هوش مصنوعی که برای رانندگی ماشین‌های خودران تسلا طراحی شده است، نباید توقع شطرنج بازی کردن داشت!

• هوش مصنوعی عمومی – Artificial General Intelligence

هوش مصنوعی عمومی مانند ماشینی است که بتواند دنیای اطرافش را مثل انسان درک کند و پتانسیل انجام کارهایی را دارد که انسان هم توانایی انجام آن‌ها را دارد. این سطح از هوش مصنوعی سیستمی است که بطور مثال در کارهایی مثل حافظه و ذخیره‌سازی دارای گنجایشی مشابه مغز انسان را داراست تا توانایی انجام فعالیت‌های روزمره یک انسان را داشته باشد.

هوش مصنوعی عمومی مانند هر تکنولوژی دیگری، جنبه مثبت و منفی در زندگی انسان‌ها دارد اما اگر از ظرفیت و توانایی‌های آن بصورت مدیریت شده استفاده شود بسیار مفید و کاربردی است و تا حد قابل توجهی از مشکلات را می‌تواند حل کند. هوش مصنوعی عمومی به مرور زمان توانایی انجام کارهای مشخص شده را در حوزه‌های کاربردی بدون حضور انسان داراست.

از هوش مصنوعی عمومی این انتظار را دارند تا مانند انسان احساسات را درک کند و بروز دهد، یاد بگیرید و بتواند تمامی فعالیت‌های انسان ها را شیبه سازی کند. این مدل از هوش مصنوعی در انجام کارهای معمولی تا خیلی حساس و مهم، می‌توانند وظیفه‌شان را به بهترین شکل ممکن انجام دهند، برای مثال در کارهایی همچون رانندگی، دستیار جراح و غیره… استفاده کرد. علاوه بر این با حضورش در کارهایی که حیات، زندگی، امنیت و جان انسان‌ها در میان باشید، می‌تواند از پس کارها بربیاید و عملکرد قابل قبول و خوبی داشته باشد.

• سوپر هوش مصنوعی – Artificial Super Intelligence

این سطح از هوش مصنوعی، دلیل اصلی ترس انسان از هوش مصنوعی است! به هوشی، سوپر هوش مصنوعی می‌گویند که توانایی بالاتری از ذهن انسان را داراست و از درک و سطح قدرت فهمیدن انسانی عبور کرده باشد. در واقع این مدل از هوش مصنوعی، سطح هوش فرابشری دارد که تاکنون هیچ کشوری به این سطح از هوش دست نیافته است و رسیدن به این سطح از هوش مصنوعی، همچنان در هاله‌ای از ابهام است.

یکی از مباحثی که بر سر سوپر هوش مصنوعی است، موضوع تهدید نابودی انسان‌ها است! بسیاری از متخصصان، پژوهشگران و محققان این حوزه معتقدند که برای رسیدن به این سطح از هوش مصنوعی باید تست تورینگ را بصورت کامل پیاده‌سازی کرد که تاکنون هیچ ماشینی نتوانسته است به این سطح از درک و فهم برسد که با موفقیت کامل و صددرصد از آن بیرون آید.

دسته بندی هوش مصنوعی

پیشرفت قابلیت‌های هوش مصنوعی در طول زمان باعت شده است تا سطح توانایی‌های آن با توجه به نوعشان، هوش مصنوعی را به چند دسته تقسیم بندی کند. از معیارهای تعیین سطح هوش مصنوعی به عملکرد آن برمی‌گردد که چقدر به فرآیندهای هوش انسانی شبیه باشد. هرچقدر یک هوش مصنوعی، تعداد وظایف انسانی بالاتری را با سطوح مختلف مهارتی انجام دهد به عنوان هوش مصنوعی تکامل یافته در نظر گرفته می‌شود و در نقطه مقابل یک هوش مصنوعی هر چقدر عملکرد و قابلیت‌های کمتری داشته باشد، به عنوان یک هوش مصنوعی محدودتر و کم توسعه یافته در نظر گرفته می‌شود.

با توجه به توضیحاتی که گفته شد، هوش مصنوعی با توجه به شباهت‌های به ذهن یک انسان دسته بندی می‌شود که این دسته بندی به دو شاخصه کلیدی همچون «فکر کردن» و «احساس کردن» برمی‌گردد که این موضوع سیستم هوش مصنوعی را به ۴ دسته اصلی تقسیم می‌کند که عبارتند از:

• ماشین‌های واکنشی (Reactive Machines)
• حافظه محدود (Limited Memory)
• نظریه ذهن (Theory of Mind)
• هوش مصنوعی خودآگاه (Self-aware AI)

• ماشین های واکنشی – Reactive Machines

یکی از قدیمی‌ترین سیستم‌های هوش مصنوعی، ماشین‌های واکنشی هستند، این نوع ماشین‌ها از محدودیت‌هایی برخوردارند چون با توجه به فرایند ذهن انسان در موقعیت‌های مختلف به نوع‌های متفاوتی تقلید می‌کنند. این ماشین‌ها توانایی یادگیری ندارند و هیچ ویژگی مبنی بر حافظه ندارند و نمی‌توانند از تجربه‌های قبلی خود در کارهای فعلی استفاده کنند.

در این مورد ماشین‌ها میتوان به ماشین آبی عمیق (Deep Blue) کمپانی IBM اشاره کرد، دیپ بلو به اولین ماشینی تبدیل شد که توانست در سال ۱۹۹۷ گری کاسپاروف (Garry Kasparov) قهرمان شطرنج را جهان را شکست دهد. این ماشین توانایی استفاده از تاریخچه حرکات قبلی خود و حریف را نداشت و برای هر حرکت جدید باید تمامی استراتژی ها را بررسی و بهترین را انتخاب میکرد، به همین دلیل اگر از ماشین های انفعالی در بازه های بزرگ تر استفاده میکردند. توان سیستمی بالا و سرعت پایینی داشت.

• حافظه محدود – Limited Memory

سیستم‌های حافظه محدود دقیقا نقطه مقابل ماشین‌های انفعالی است، این ماشین‌ها توانایی یادآوری داده‌های قبلی را بصورت محدود دارا هستند تا بتوانند بهترین تصمیم را بگیرند؛ بطور مثال فرض کنید سیستم هوش مصنوعی دیپ بلو توانایی به یادآوری ۱۰ حرکت قبلی خود و حریف را در حافظه داشته باشد. این موضوع باعث دقیق تر شدن تصمیمات ماشین و سریع‌تر شدن پاسخگویی می‌شود.

امروزه تقریبا تمامی سیستم‌های هوش مصنوعی که از یادگیری عمیق (Deep Learning) استفاده می‌کنند با بکارگیری از داده‌های آموزشی بسیاری که در حافظه‌شان ذخیره کردند، تلاش می‌کنند تا به یک مدل اصلی و مرجع برای حل مشکل برسند، برای نمونه میتوان به برنامه‌هایی همچون شناسایی تصویر، تشخیص اشیا در تصویر و غیره… اشاره کرد.

این سیستم با هوش مصنوعی که حافظه محدود و تجربه یادگیری که دارد در چت بات‌ها و دستیارهای مجازی موجود در خودروهای خودران استفاده می‌شود. علاوه بر این بخش بزرگی از نرم‌افزارهایی که می‌شناسیم در این گروه از سیستم‌های هوش مصنوعی هستند.

• نظریه ذهن – Theory of Mind

تا به اینجا با دو سیستم هوش مصنوعی آشنا شدیم که در روزمره زندگیمان با آن‌ها سروکار داریم، سومین سیستم از هوش مصنوعی نظریه ذهن است که متخصصین و پژوهشگران این حوزه در حال توسعه آن هستند چون هوش مصنوعی برای تکامل به آن نیاز دارد. همچنین یکی از موضوعات مورد علاقه محققان در این حوزه، «هوش مصنوعی عاطفی» است.

نظریه ذهن هوش مصنوعی توانایی درک و تحلیل انسان را دارد و می‌تواند از هرچیزی درک درستی داشته باشد، این سیستم بر اساس تشخیص احساسات، نیازها، نوع تفکر و اعتقادات افراد با آن‌ها به تعامل برسد. درک از عوامل چندگانه انسانی است که ماشین‌های دارای هوش نظریه ذهن باید در خود داشته باشند تا بتوانند به شناخت کافی از محیط برسند و میزان تاثیرگذاری احساسات فرد را بفهمند که تمام این عوامل منجر به درک انسان می‌شود.

• هوش مصنوعی خودآگاه – Self-aware AI

در بخش آخر به رشد هوش مصنوعی می‌رسیم که در حال حاضر بصورت یک فرضیه است. همانطور که از اسم «هوش مصنوعی خودآگاه» مشخص است باید به نوعی طراحی شوند تا به شکلی خودآگاه باشد که به مغز انسان تبدیل شود. این سیستم هوش مصنوعی دارای هوشیاری است که توانایی درک کامل محیط را دارد و بر اساس اطلاعاتی که بدست می‌آورد، می‌تواند احساسات دیگران را بررسی کند.

هوش مصنوعی خودآگاه، هنوز ساخته نشده است و سالیان سال با اختراع و طراحی آن فاصله است، هدف تمامی پژوهش‌ها و تحقیقات دانشمندان حوزه هوش مصنوعی ایجاد این سیستم است. این مدل از هوش مصنوعی علاوه بر درک احساسات افرادی که با آن‌ها تعامل دارد، می‌تواند نیازها، احساسات و خواسته‌های بالقوه‌ای در خود داشته باشد که محققان این حوزه نسبت به آن‌ها احتیاط می‌کنند.

تکنولوژی هوش مصنوعی همانطور که بطور ذاتی باعث پیشرفت در همه‌ی جوانب می‌شود اما به همان اندازه می‌تواند خطرناک باشد. این به معنی است که اگر هوش مصنوعی خودآگاه اختراع شود و توسعه یابد بر اساس حافظه‌ای که دارد تا چگونه از خود مراقبت و حفاظت کند، می‌تواند بصورت مستقیم یا غیرمستقیم باعث پایان بشریت شود چون توانایی خنثی‌سازی ذهن انسان‌ها را دارد و با قدرت تفکرش می‌تواند به راحتی به انسان غلبه کند.

شاخه های هوش مصنوعی

هوش مصنوعی گرایش‌هایی دارد که برای تشریح کردن سیستم‌هایی به کار می‌رود که هدف هر کدام از آن‌ها در راستای استفاده از ماشین‌ها برای تقلید و شبیه‌سازی هوش انسانی و رفتارهای مرتبط با آن است. این هدف بعضی اوقات ممکن است با استفاده از الگوریتم‌های ساده و الگوهای از پیش تعیین شده محقق شود و گاهی نیاز به الگوریتم‌های پیچیده دارد.

گستردگی این الگوریتم‌ها باعث شده است که علم هوش مصنوعی به شاخه‌های مختلفی تقسیم‌بندی شود که هر کدام در رشد تکنولوژی سهم به سزایی دارند، برخی از این گرایش‌ها برای اتوماسیون و استدلالی که ما در کامپیوترها و ماشین‌های امروزی می‌بینیم، بصورت تکی استفاده می‌شود و برخی از آن‌ها بطور همزمان از چندین شاخه باهم کاربرد دارند.

در این مقاله فعلا بصورت خلاصه به گرایش های هوش مصنوعی اشاره کردیم اما در مقاله‌های تکمیلی هرکدام را بصورت جداگانه شرح خواهیم داد. این شاخه های هوش مصنوعی عبارتند از:

• یادگیری ماشین (Machine Learning)
• شبکه عصبی (Neural Networks)
• بینایی ماشین (Machine Vision)
• سامانه های خبره (Expert System)
• پردازش زبان طبیعی (Natural Language Processing)
• الگوریتم ژنتیک (Genetic Algorithm)
• روباتیک (Robotic)

در ادامه به معرفی هرکدام از این شاخه‌ها بصورت خلاصه می‌پردازیم تا آشنایی اولیه با آن‌ها داشته باشید.

• یادگیری ماشین – Machine Learning

یادگیری ماشین یا به اصطلاح ماشین لرنینگ (ML)، یکی از شاخه های هوش مصنوعی است که به شدت طرفدار دارد. بطور خلاصه یادگیری ماشین یعنی هوشمندسازی ماشین بدون اینکه بصورت مستقیم به آن یاد داد؛ بدین صورت ماشین با استفاده از داده‌های ورودی و دستوراتی که به آن داده شده است، فرایند یادگیری را شروع کرده و به مرور زمان ضریب خطا را کم‌تر می‌کند. این یادگیری با استفاده از الگوریتم هایی که شبیه به فرایند ذهن انسان است انجام می‌شود و به مرور زمان دقت آن افزایش پیدا می‌کند که این موضوع بستگی دارد به نوع یادگیری که ماشین انجام می‌دهد، بطور کلی یادگیری ماشین ۳ زیر بخش دارد:

1. یادگیری با نظارت (Supervised Learning)
2. یادگیری بی نظارت (Unsupervised Learning)
3. یادگیری تقویتی (Reinforcement Learning)

در بخش یادگیری با نظارت (Supervised Learning)، متخصصین با استفاده از اطلاعاتی که بصورت منظم و برچسب‌گذاری شده در اختیار سیستم قرار می‌دهند تا سیستم این اطلاعات را بررسی کند و فرایند خروجی را انجام دهد، بطور مثال لیست پیامک‌های یک سیمکارت را با برچسب ارسال‌کننده در اختیار یک سیستم قرار می‌دهند تا سیستم پیامک‌های تبلیغاتی، خدماتی و شخصی را از یکدیگر جدا کند.

در بخش یادگیری بی نظارت (Unsupervised Learning)، تمامی اطلاعات بدون نظارت و برچسب‌گذاری نشده در اختیار سیستم قرار می‌گیرد تا این اطلاعات توسط سیستم انجام شد، بطور مثال لیستی از ایمیل‌ها، تماس‌ها و پیامک‌ها را بدون برچسب‌گذاری در اختیار سیستم قرار می‌دهند تا در مرحله اول از یکدیگر جدا شوند و در مرحله دوم موارد اسپم از آن‌ها حذف شود. هرچه این فرایند بیشتر انجام شود، دقت سیستم بالاتر می‌رود.

در بخش یادگیری تقویتی (Reinforcement Learning) که یکی از بهترین شاخه های یادگیری ماشین است، تمامی فرایند یادگیری بر اساس تنبیه و تشویق شکل می‌گیرد. از این مدل یادگیری در صنایعی همچون ربات‌ها، مکاترونیک و بازوهای مکانیکی استفاده می‌شود و این عامل باعث می‌شود تا فرایند یادگیری ماشین به‌روزتر شود و دقت آن افزایش پیدا کند.

یادگیری ماشین کاربردهای گوناگونی در حوزه‌های مختلف دارد، کاربردهایی مثل تشخیص چهره، تشخیص گفتار، سامانه توصیف‌گر و خدمات مالی که باعث افزایش سرعت و دقت در روند کاری می‌شود. شرکت‌های بزرگی مثل نتفیلیکس، ویمو، فیسبوک و گوگل هم از این شاخه محبوب در روند کاری خدماتشان استفاده می‌کنند.

• شبکه عصبی – Neural Networks

شبکه عصبی یکی از درونی‌ترین لایه های هوش مصنوعی است. با استفاده از الگوریتم های شبکه های عصبی میتوان مدل‌های پیچیده و مختلف را طراحی و شناسایی کرد. یکی از مثال‌هایی که میتوان در مورد شبکه عصبی زد این است که به یک کودک یاد بدهیم که چگونه رنگ‌ها را از یکدیگر تشخیص دهد و این مورد باعث می‌شود تا کودک بعد از مدتی توانایی تشخیص رنگ‌ها را بدست آورد و حتی طیف‌های رنگی را از هم بشناسد، این مثال دقیقا همان کاربرد شبکه عصبی در یاد دادن مطالب به ماشین و سیستم است. شبکه عصبی قابلیت طبقه بندی کردن بصورت دقیق را دارد بطوری که ورودی‌ها را به یک یا چندین خروجی تبدیل کرده و گستره و دامنه خروجی‌ها را به کلاس‌های متفاوت جداسازی می‌کند.

شبکه عصبی از بافت‌هایی به نام نورون تشکیل شدند که با بکارگیری نیروی الکترومغناطیسی در راستای حل یک مسئله یا مشکل، با یکدیگر هماهنگ عمل می‌کنند و در نتیجه اطلاعات را انتقال می‌دهند. از اهداف مهم و کاربردهای جالب ایجاد یک شبکه عصبی، پیش بینی کردن است به نوعی که با شبیه‌سازی و مدل‌سازی ویژ‌گی‌های پردازشی مغز انسان و حیوانات، میتوان الگوهای شناخته نشده را شناسایی و بدست آورد. این قابلیت مدل‌های بسیاری دارد که هدف آن مغز انسان است تا بتواند به قدرت تقلید را برسد. نقش شبکه عصبی در جاهایی که نمیدانیم در حال جستجوی چه چیزی هستیم بسیار کمک‌کننده است مثل تطابق چهره، تشخیص دستخط، راندن خودکار اتومبیل و غیره.

• بینایی ماشین – Machine Vision

از گسترده‌ترین حوزه های هوش مصنوعی، بینایی ماشین است. اگر بخواهیم این شاخه از هوش مصنوعی را به زبان ساده تعریف کنیم یعنی از طریق بینایی ماشین با استفاده از پردازش دو بعدی می‌تواند یک دنیای سه بعدی را ایجاد و بازسازی کند، مفهوم آن به این معناست که سیستم‌های رایانه‌ای به کمک دوربین ببینند و درک کنند. در بینایی ماشین به گسترش مفاهیمی از سیستم‌های هوشمند اشاره می‌کند که با استفاده از عکس‌ها، اطلاعات دقیق را استخراج می‌کند. از بینایی ماشین در صنایعی که بصورت شبانه‌روزی نیاز به بررسی دارد که سرعت پردازش به شدت بالایی داشته باشد، استفاده می‌شود.

طی سال‌های اخیر از هوشمندی بینایی ماشین در صنایع پیشرفته‌ای همچون خطوط تولید کارخانه‌ها جهت کنترل کیفی محصولات استفاده می‌شود. دلایلی که باعث می‌شود تا از تکنولوژی بینایی ماشین استفاده کرد، مواردی همچون سرعت فوق‌العاده بالا، هزینه نگهداری خیلی کم، خطای به شدت پایین، عدم نیاز به حضور اپراتور بصورت شبانه‌روزی و بسیاری از موارد دیگر که باعث شده است تا صنعت‌های مختلف و کارخانه‌های هوشمند به این فناوری جدید و قدرتمند روی بیاورند. یکی از مثال‌هایی که میتوان از تکنولوژی بینایی ماشین زد این است که دستگاهی طراحی و اختراع شده است که با استفاده از پردازش تصویر موجود در بینایی ماشین، توانایی تشخیص نان‌های پخته شده را از پخته نشده دارد و آن‌ها را از یکدیگر جداسازی می‌کند.

• سامانه های خبره – Expert System

تا به اینجا تمامی شاخه‌های هوش مصنوعی که مورد بررسی قرار دادیم، بر روی اطلاعات و داده‌ها کار می‌کردند اما سامانه های خبره، نرم‌افزارهایی هستند که آگاهی، فهم و دانش انسانی را در پایگاه داده‌های خود نگهداری و ذخیره می‌کنند. در واقع سامانه های خبره از سیستم‌های کامپیوتری مبتنی بر هوش مصنوعی تشکیل شدند که قابلیت توانایی یادگیری و تصمیم‌گیری دارند و همین امر باعث شده است تا سامانه های خبره بصورت یک دستیار به کاربران توصیه‌های کارشناسانه کند.

سامانه های خبره جهت تصمیم‌گیری می‌بایست آگاهی و دانش بدست آورده را در یک قالب مرتبط و مناسب به نمایش دربیاورد و مدیریت کند چون این اطلاعات باید از لحاظ اصالت، اعتبارسنجی بشوند تا داده‌های غلط به سیستم وارد نشود و از نتایج اشتباه جلوگیری شود. یکی از ویژگی‌های منحصر به فرد سامانه های خبره این است که می‌توانند دلایلی که منجر به نتیجه می‌شود را شرح بدهند چون از شیو‌ه‌های ابتکاری به جای روش‌های الگوریتمی استفاده می‌کند.

سامانه های خبره از منطق if-then برای حل مسائل و مشکلات پیچیده پیروی می‌کنند و همین موضوع باعث شده است تا از شیوه‌های رایج و مطرح برنامه نویسی استفاده نکنند. تکنولوژی سامانه های خبره در کارهایی همچون بررسی وام‌های بانکی، پردازش سیستم‌های پزشکی، مدیریت و کنترل اطلاعات، کشف و شناسایی ویروس‌ها و غیره کاربرد دارند.

• پردازش زبان طبیعی – Natural Language Processing

پردازش زبان طبیعی به توانایی درک گفتار انسان می‌پردازد. از کلیدی‌ترین کاربردهای هوش مصنوعی، پردازش زبان طبیعی است که بر پایه یادگیری ماشین می‌باشد. این تکنولوژی به کسب‌وکارهایی کمک می‌کند که بصورت مداوم با انبوهی از متن‌های بدون ساختار همچون پیام‌ها، ایمیل‌ها، رزومه‌ها و غیره سروکار دارند و باعث می‌شود تا این فرایندها سریع‌تر و دقیق‌تر انجام شوند.

پردازش زبان طبیعی به برقراری ارتباط زبان انسانی با کامپیوترها اشاره دارد که به توانایی درک زبان انسان توسط کامپیوتر می‌پردازد. از اهداف مهم پژوهشگران و متخصصان حوزه هوش مصنوعی این است که با استفاده از قابلیت پردازش زبان طبیعی، نرم‌افزارهایی را طراحی کنند که قدرت درک و فهمیدن زبان انسانی را در موضوعات گوناگون داشته باشد. در این بین باید به این نکته اشاره کرد که هدف نهایی هوش بشری برای استفاده از توانایی پردازش زبان طبیعی، فقط درک زبان طبیعی نیست اما عدم درک آن برای سیستم‌های رایانه‌ای، از ویژگی‌ها و قابلیت‌های کامپیوترها می‌کاهد.

در همین راستا، متخصصین این حوزه با تلاش‌های بسیار، توانستند سیستم‌هایی را طراحی کنند که زبان طبیعی انسان را درک کند اما این سیستم‌ها هنوز به سطحی نرسیدند که قدرت و توانایی درک به شدت بالایی از زبان طبیعی انسان‌ها داشته باشند و بتوانند با بشر به راحتی صحبت و گفتگو کنند. در پردازش زبان طبیعی فقط تجزیه و تحلیل واژه‌ها و جملات کافی نیست بلکه سیستم‌های رایانه‌ای باید متوجه نوع موضوع و محتوایی که به آن داده می‌شود بشوند که این قابلیت در مواردی محدود امکان اجرایی شدن دارد.

از مثال‌هایی که میتوان در مورد کاربرد و نقش پردازش زبان طبیعی زد، این است که کامنت‌های یک فیلم را بررسی کند و بر اساس تجزیه و تحلیلی که از متن کامنت بدست می‌آورد، تشخیص بدهد که مثبت یا منفی بوده است. مثا‌ل دیگر از این تکنولوژی بررسی محتوای مطالب کاربران در فضای مجازی است که بتواند بر اساس قوانین آن شبکه اجتماعی، محتواهای منتشر شده را از یکدیگر شناسایی کند.

• الگوریتم ژنتیک – Genetic Algorithm

الگوریتم ژنتیک از شاخه های هوش مصنوعی است که به کمک آن میتوان برنامه‌های کامپیوتری که با موضوعاتی زیستی ارتباط دارند، طراحی کرد. برنامه نویسی الگوریتم ژنتیک توسط گروه جان کوزا (John Koza) توسعه داده شده است، از برنامه نویسی الگوریتم ژنتیک برای طراحی و حل مسئله برنامه‌های جمعیتی، الگوشناسی، روباتیک، کنترل جمعیت، بهینه‌سازی، تئوری بازی‌ها و غیره میتوان استفاده کرد.

از اهداف الگوریتم ژنتیک، حل راحت و آسان مسائل مربوطه است که با استفاده از الگوریتم های ژنتیک در راستای فرایند تکامل طبیعی موجودات زنده به کار گرفته می‌شود. در حقیقت سیستم‌هایی که از الگوریتم های ژنتیک پیروی می‌کنند با استفاده از اصل انتخاب طبیعی داروین برای پیدا کردن فرمول بهینه جهت پیش‌بینی یا تطبیق دادن الگوهای موجود استفاده می‌کنند و به مرور زمان به تکامل می‌رسند.

• روباتیک – Robotic

علم روباتیک، شاخه‌ای از هوش مصنوعی است که به یک رشته میان شاخه‌ای در دنیای علوم شناخته می‌شود که برای طراحی، ساخت و استفاده از ربات‌ها؛ از ادغام سه رشته مهندسی مکانیک، مهندسی برق و علوم کامپیوتر به همراه دیگر رشته‌ها علمی استفاده می‌شود. امروزه فناوری روباتیک به یکی از موضوعات جذاب تبدیل شده است چون به نوعی قابل برنامه‌ریزی هستند که بتوانند بسیاری از کارها را بصورت اتوماتیک و بعضاً نیمه اتوماتیک انجام دهند.

ربات‌ها با قابلیت یادگیری ماشین توانایی این را دارند که از طریق حسگرهای مختلف و سنسورهای هوشمند با محیط فیزیکی اطراف خود ارتباط برقرار کنند و با اطلاعاتی که دریافت می‌کنند، آن‌ها را پردازش کنند و نتایج را بصورت تصمیم‌گیری ارائه دهند. این نکته را هم باید در نظر گرفت که ربات‌ها با گوناگونی بسیاری که دارند، میتوان در جاهایی که حضور انسان خطرناک است بکار کرد چون با پیاده‌سازی و شبیه‌سازی رفتارهای انسانی بر روی آن‌ها، میتوان حدااکثر استفاده مفید را کرد.

ربات‌ها با اجزای مکانیکی و الکتریکی به همراه فرم و ساختاری که دارند، ماشین‌ها و بازوهای کنترلی را تشکیل می‌دهند که در تمامی سطوح از برنامه‌های کامپیوتری پیروی می‌کنند تا در زمان مناسب، بهترین عملکرد را داشته باشند. بخشی از وظایف ربات‌ها در خطوط تولید کارخانه‌ها، صنعت خودروسازی، تجهیزات پزشکی، لجستیک و غیره می‌باشد تا کارهایی که برای انسان‌ها سخت است، انجام دهند.

کاربردهای هوش مصنوعی

در دنیای امروزه وظایفی که به عهده هوش مصنوعی است، فراتر از چیزی است که ما فکرش را می‌کنیم. با وجود الگوریتم های پیچیده، توانمندی هوش مصنوعی روز به روز بالاتر می‌رود و به نوعی وارد زندگی ما شده است که در خیلی از جاها در حین استفاده از این تکنولوژی، متوجه حضورش نیستیم. کاربردهای هوش مصنوعی در زندگی روزمره‌مان به نحوی است که از گوشی‌های هوشمند همراهمان تا لوازم خانگی در منزلمان وجود دارد و از مجموعه الگوریتم های هوش مصنوعی پیروی می‌کند.

وجود هوش مصنوعی در دنیای امروزی به یک مسئله ضروری و حیاتی تبدیل شده است چون که با حضورش بسیاری از مسائل پیچیده انسان را بهترین و سریع‌ترین روش‌ها حل می‌کند. امروزه سرعت و دقت دو عامل بسیار مهم برای شرکت‌ها هستند و سعی می‌کنند تا تمامی فرایندهای خود را به گونه‌ای برنامه‌ریزی کنند که بالاترین سرعت و دقت را دارا باشند. از این رو مهم‌ترین ویژگی های هوش مصنوعی، سرعت و دقت است. پس از سرعت و دقت میتوان به عنوان دلایل رشد استفاده از هوش مصنوعی در کسب‌و‌کارها یاد کرد.

یکی دیگر از دلایل مهم ترغیب شدن شرکت‌ها وسازمان‌ها برای استفاده از هوش مصنوعی، هزینه است. برای یکسری از فیلدهایی که وظیفه مشخصی دارند، میتوان از هوش مصنوعی استفاده کرد. کاربرد هوش مصنوعی در حوزه‌هایی همچون درمان و بهداشت، اقتصاد و مالی، حقوق، تبلیغات و غیره در طی سال‌های اخیر با گسترش این علم، رشد بسیاری داشته است.

از جمله مثالی که میتوان از کاربرد هوش مصنوعی در سلامت به آن اشاره کرد، موضوع کنترل شیوع بیماری ویروس کرونا (COVID-19) است، هوش مصنوعی با توجه به شیوع بیماری کرونا نسبت به حوزه‌های دیگر پیشرو بوده است. مهم‌ترین نکته در این حوزه بهبود آمار سلامت بیماران و در عین حال کم کردن هزینه ها است که هوش مصنوعی این دو را به بهترین شکل ممکن پیاده کرده است. هوش مصنوعی در حوزه سلامت با استفاده از یادگیری ماشین، روند شناخت بیماری و درمان را تسریع می‌کند.

یکی از بهترین و شناخته شده‌ترین فناوری‌های این بخش IBM Watson نام دارد. این سیستم با بهره‌مندی از زبان طبیعی قادر به پاسخگویی به سوالات بیماران است. این سیستم می‌تواند اطلاعات مهمی از این پرسش و پاسخ‌ها جمع آوری کند که به روند درمان بسیار کمک می‌کند.  در این مقاله به بخش کوچکی از کاربردهای هوش مصنوعی اشاره کردیم اما در مقاله‌ای جداگانه به بسیاری از کاربردهای هوش مصنوعی می‌پردازیم.

اما حرف آخر…

در این مقاله سعی شد تا علم هوش مصنوعی را بصورت مختصر و مفید معرفی کنم و تمام جوانب آن را مورد بررسی قرار دهم اما این تمام ماجرا نیست، چرا که بررسی دقیق هوش مصنوعی نیاز به یک طرح مطالعاتی دارد که بتوان تمامی حوزه‌های هوش مصنوعی را تحت پوشش خود قرار دهد. این مقاله بخش کوچکی از علم هوش مصنوعی است و تلاش کردیم مسائلی را در اختیار شما قرار دهیم تا بتوانید با دید بهتری با تکنولوژی هوش مصنوعی آشنا شوید. سعی داریم در آینده، بخش‌هایی از این مقاله را که نیاز به توضیحات بیشتر دارد بصورت جداگانه برای شما شرح دهیم تا آشناییتان با علم هوش مصنوعی بهتر و بیشتر شود.