همه چیز درباره هوش مصنوعی

هوش مصنوعی (AI) چیست؟

به دهه ۵۰ بازمی گردیم، پدران این شاخه، مینسکی و مک کارتی، هوش مصنوعی را به عنوان هر گونه عملی که توسط برنامه یا ماشینی(دستگاهی) انجام بشود تعریف کرده اند. بی تردید چنین تعریفی بسیار کلیست و بنابراین گاهی شاهد بحث هایی در رابطه هوش مصنوعی هستیم.سیستم های هوش مصنوعی معمولا برخی از رفتارها و اعمال مشابه با هوش بشری، یادگیری، استدلال، حل مسئله، ارائه دانش، ادراک، حرکت و در گستره ای کمتر، هوش اجتماعی و خلاقیت را نشان می دهند.

کاربردهای هوش مصنوعی

امروزه هوش مصنوعی در هر جایی وجود دارد و از آن برای راهنمایی در خریدهای آنلاین شما، درک و شناخت از آنچه که باید به  همیارهای مجازی از قبیل الکسای گوگل و سیری اپل، تشخیص عکس ها، شناسایی اسپم و تشخیص کلاهبرداری و سوء استفاده از کارت اعتباری استفاده می شود.

انواع مختلف هوش مصنوعی

در سطحی بسیار بالا، هوش مصنوعی را می توان به دو نوع دسته بندی کرد» هوش مصنوعی محدود و هوش مصنوعی عمومی. هوش مصنوعی محدود همان نوعی است که در رایانه های امروزی می بینیم. سیستم هایی هوشمند که انجام اموری خاص را بدون برنامه ریزی واضح برای چگونگی ِاجرای آن آموخته یا یاد گرفته اند.

این نوع هوش مصنوعی در تشخیص زبان و گفتار همیار مجازی سیری (Siri) در اپل، در سیستم های تشخیص بصری خودروهای اتوماتیک، در موتورهایی که محصولات را بر اساس پیشینه خرید شما ارائه می دهند مشهود است. برخلاف بشر، این سیستم ها تنها نحوه انجام برخی امور را یاد می گیرند و بنابراین با نام هوش مصنوعی محدود شناخته می شوند.

کارکردهای هوش مصنوعی محدود

هوش مصنوعی محدود کاربردهای زیادی دارد: تفسیر بازخوردهای ویدئویی ِهواپیماهای بدون خلبان که کار بازرسی زیرساخت هایی از قبیل لوله های نفت را انجام می دهند، سازماندهی تقویم های کاری یا شخصی، پاسخ به پرسش های ساده ی حوزه خدمات مشتری، کمک به رادیولوژیست ها جهت شناسایی تومورها در عکس ها، تشخیص خرابی ها در آسانسورها با استفاده از داده هایی که دستگاه های IoT گرداوری کرده اند و بسیاری دیگر.

کارکردهای هوش مصنوعی عمومی

هوش مصنوعی عمومی بسیار متفاوت است و نوعی هوش سازگار است که در انسان ها یافت می شود. شکلی منعطف از هوش که قادر به  یادگیری نحوه انجام امور فراوانی می باشد ( از کوتاه کردن مو تا ساخت صفحات گسترده). هوش مصنوعی عمومی بیشتر در فیلم ها دیده می شود ( مانند HAL در سال ۲۰۰۱ و Skynet در ترمیناتور)، اما در حال حاضر چنین هوشی وجود خارجی ندارد و متخصصین هوش مصنوعی در تلاش برای تحقق آن هستند.

مطالعه ای که توسط چهار گروه از متخصصین در سال ۲۰۱۲/۱۳ انجام پذیرفت، نتیجه گیری شد که شانسی ۵۰ درصدی برای واقعیت بخشیدن به هوش مصنوعی عمومی میان ۲۰۴۰ و ۲۰۵۰ وجود دارد، آن ها افزودند که تا سال ۲۰۷۵ این احتمال به ۹۰ درصد هم خواهد رسید. گروه پا را فراتر گذاشته و پیش بینی کردند که «هوش مصنوعی برتر» (هوشی با قدرتی فراتر از عملکرد ادراکی بشر) سی سال پس از تحقق رویای هوش مصنوعی عمومی ابداع خواهد شد.

یادگیری ماشینی

پژوهش های گسترده ای  در رابطه با هوش مصنوعی انجام پذیرفته که همگی مکمل هایی برای یکدیگر به حساب آورده می شود.  یادگیری ماشینی عاملیست که در آن، داده های زیادی به یک سیستم رایانه ای ارائه می شود که با استفاده از آن ها نحوه انجام عملی ویژه( مانند درک گفتار یا عکسبرداری از یک صحنه) را یاد می گیرد.

شبکه های عصبی

کلید فرایند یادگیری ماشینی، شبکه های عصبی است. آن ها شبکه هایی الهام گرفته از مغز و دارای لایه هایی بهم پیوسته از الگوریتم ها هستند که نورون خوانده می شوند. آن ها داده ها را به یکدیگر انتقال می دهند و می توانند اعمالی ویژه را انجام بدهند. زیرمجموعه ای از یادگیری ماشینی، یادگیری عمیق نام دارد که طی آن، شبکه های عصبی بسط داده شده و لایه های زیادی را شکل می دهند تا امکان انتقال حجم بالایی از داده ها فراهم آورده شود. این شبکه های عصبی هستند که رایانه ها را قادر به انجام اعمالی از قبیل درک گفتار می کنند.

انواع مختلفی از شبکه های عصبی ، با نقاط قوت و ضعف مختلف وجود دارد. شبکه های عصبی بازگشت کننده نوعی از شبکه عصبی هستند که به خصوص برای پردازش زبان و تشخیص گفتار مناسب می باشند ، در حالی که شبکه های عصبی حلقوی معمولاً در تشخیص تصویر استفاده می شوند. طراحی شبکه های عصبی نیز در حال تحول است ، به طوری که محققان به تازگی شکل کارآمدتری از شبکه عصبی عمیق به نام حافظه کوتاه مدت یا LSTM را اصلاح کرده که با سرعت بی نظیر خود می تواند در سیستم های تقاضا مانند Google Translate استفاده شود.

حوزه دیگر تحقیقات هوش مصنوعی ، محاسبه تکاملی است که از تئوری معروف داروین در انتخاب طبیعی وام گرفته است و می بیند که الگوریتم های ژنتیکی در تلاش برای دستیابی به راه حلی بهینه برای یک مسئله معین ، دچار جهش و ترکیب های تصادفی میان نسل ها می شوند.این روش حتی برای کمک به طراحی مدلهای هوش مصنوعی ، استفاده موثر از هوش مصنوعی برای ساختن AI  هم استفاده شده است. این نوع استفاده از الگوریتم های تکاملی برای بهینه سازی شبکه های عصبی به نام neuroevolution (تکامل عصبی) شناخته می شود و می تواند نقش مهمی در کمک به طراحی کارآمد هوش مصنوعی داشته باشد زیرا استفاده از سیستم های هوشمند رواج بیشتری پیدا می کند ، به خصوص که نیازمندی دانشمندان به داده ها بسیار زیاد است.

این تکنیک اخیراً توسط Uber AI Labs به نمایش گذاشته شد ، که مقالاتی در رابطه با استفاده از الگوریتم های ژنتیک به منظور آموزش شبکه های عصبی عمیق  جهت حل مشکلات یادگیری تقویت منتشر کرد.سرانجام سیستمهای خبره ای وجود دارد که در آن ها، رایانه ها با قوانینی برنامه ریزی می شوند که به آنها امکان می دهد مجموعه ای از تصمیمات را بر اساس تعداد زیادی از ورودی ها اتخاذ کنند ،  که این عمل به  دستگاه امکان می دهد تا رفتار یک متخصص انسانی را در یک حوزه خاص تقلید کند. برای مثال نمونه ای از این سیستم های دانش بنیان  می تواند سیستم خلبان اتوماتیک در هواپیمای در حال پرواز باشد.

عامل محرک هوش مصنوعی

بزرگترین پیشرفت در زمینه تحقیقات هوش مصنوعی در سالهای اخیر در زمینه یادگیری ماشینی بویژه در زمینه یادگیری عمیق بوده است.این امر تا حدودی با دسترسی آسان داده ها انجام شده است ، اما حتی بیشتر از آن با انفجار در قدرت محاسبات موازی در سال های اخیر ، که در طی این مدت استفاده از خوشه های GPU برای آموزش سیستم های یادگیری ماشینی رواج بیشتری یافته است.این خوشه ها نه تنها سیستم های بسیار قدرتمندتری را برای آموزش مدل های یادگیری ماشین ارائه می دهند ، بلکه اکنون به عنوان خدمات 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 تراشه های تخصصی متناسب با مدلهای یادگیری ماشین و همچنین اخیراً آموزش استفاده کرده اند.

نمونه ای از یکی از این تراشه ها، Tensor Processing Unit (TPU)گوگل است که آخرین نسخه آن از سرعت بیشتری برخوردار است و  در آن از مدل های مفید یادگیری ماشین که با استفاده از کتابخانه نرم افزاری TensorFlow گوگل ساخته شده استفاده گردیده است و آن ها می توانند اطلاعات را از داده ها استنباط نموده  و همچنین امکان تفسیر میزان آموزش را نیز دارا هستند.این تراشه ها صرفا جهت آموزش مدل هایی برای DeepMind و Google Brain استفاده نمی شوند ، بلکه از مدل هایی که پایه و اساس Google Translate و تشخیص تصویر در Google Photo است  استفاده می شوند ، و همچنین خدماتی به عموم مردم ارائه می دهد که با استفاده از Google TensorFlow Research Google می توانند مدلهای یادگیری ماشینی بسازند. . دومین نسل از این تراشه ها در کنفرانس I/O گوگل در ماه می سال گذشته رونمایی شد ، TPU قادر به آموزش یک مدل یادگیری ماشین گوگل برای ترجمه سریعتر می باشد.

عناصر یادگیری ماشینی

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.

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 یا دارای عنوان است. این سیستم های یادگیری ماشینی از داده های عظیمی تغذیه می کنند که برای انجام اعمال خاص بکار گرفته می شوند. آن ها می توانند عکسهایی باشند که تصویری را نشان می دهند یا جملاتی نوشتاری در پاورقی برای نشان دادن اینکه آیا کلمه “باس” مربوط به موسیقی است یا خیر. پس از آموزش ، سیستم می تواند این عناوین یا برچسب ها را روی داده های جدید، به عنوان مثال سگ در عکسی که تازه آپلود شده است اعمال کند.آموزش این سیستم ها به طور معمول به داده های گسترده ای نیاز دارد ، به طوری که برخی از سیستم ها نیاز دارند میلیون ها نمونه را برای یادگیری نحوه انجام یک کار مورد بررسی و تجزیه و تحلیل قرار دهند  – اگرچه این امر در عصر داده های بزرگ و استخراج گسترده داده ها بسیار امکان پذیر است. مجموعه داده های آموزشی بسیار بزرگی وجود دارد- Open Image Dataset Google دارای حدود نه میلیون تصویر است ، در حالی که منبع ویدیوی YouTube-8M دارای هفت میلیون فیلم دارای عنوان می باشد. ImageNet ، یکی از پایگاه های داده اولیه است که بیش از ۱۴ میلیون تصویر طبقه بندی شده دارد. در دراز مدت ، دستیابی به مجموعه داده های بزرگ دارای عنوان نیز ممکن است اهمیت کمتری در مقایسه با دسترسی به قدرت محاسباتی بالا داشته باشند.

در سال های اخیر ، GANها نشان داده اند که چگونه سیستم های یادگیری ماشینی که به مقدار کمی از داده های برچسب خورده تغذیه می شوند ، می توانند مقادیر عظیمی از داده های تازه را برای آموزش خود تولید کنند.این رویکرد می تواند به ظهور یادگیری تقریبا نظارتی منجر شود ، جایی که سیستم ها می توانند بیاموزند که چگونه می توانند وظایف خود را با استفاده از داده های برچسب خورده کمتری نسبت به آنچه که امروزه برای سیستم های آموزشی با استفاده از یادگیری نظارت شده ضروری است ، انجام دهند.

یادگیری بدون نظارت

در مقابل ، یادگیری بدون نظارت از یک رویکرد متفاوت استفاده می کند ، جایی 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 شوند. به عنوان مثال می توان میوه هایی باغ وزن یکسان یا اتومبیل هایی با اندازه موتور یکسان را گرداوری کرد.این الگوریتم از قبل برای انتخاب انواع خاصی از داده ها تنظیم نشده است ، بلکه به جستجوی داده هایی می پردازد که می توانند براساس شباهت های آن دسته بندی شوند ، به عنوان مثال Google News هر روز داستانهایی را با موضوعات مشابه جمع می کند.

یادگیری تقویتی

در یادگیری تقویتی ، سیستم تلاش می کند تا بر اساس داده های ورودی خود پاداش را به حداکثر برساند ، اساساً روند آزمایش و خطا را طی می کند تا اینکه به بهترین نتیجه ممکن برسد.نمونه ای از یادگیری تقویت کننده ، شبکه Deep Q درGoogle DeepMind است که برای بهترین عملکرد انسان در انواع بازی های ویدیویی کلاسیک استفاده شده است. سیستم از هر پیکسل تغذیه می کند و اطلاعات مختلفی از جمله فاصله بین اشیاء روی صفحه را تعیین می کند.سیستم همچنین با مشاهده نمره به دست آمده در هر بازی ، الگویی را ایجاد می کند که عملکرد در شرایط مختلف را به حداکثر می رساند ، به عنوان مثال ، در مورد بازی ویدیویی Breakout.

شرکت های پیشرو در حوزه هوش مصنوعی

با ایفای نقش اساسی هوش مصنوعی در نرم افزارها و خدمات مدرن ، هر یک از شرکتهای بزرگ فناوری در تلاش هستند تا فناوری قوی یادگیری ماشینی  را به منظور استفاده در خانه  ارائه داده و فروش آن ها از طریق خدمات ابری به عموم مردم را گسترده تر سازند.هر یک از آن سعی در رفتن به فراسوی مرزهای این حوزه دارند، اگرچه احتمالاً Google باDeepMind AI AlphaGo بیشترین تأثیر را در آگاهی عمومی از هوش مصنوعی داشته است.

خدمات هوش مصنوعی ِ در دسترس

همه سیستم عامل های بزرگ ابری – خدمات وب آمازون ، Microsoft Azure و Google Cloud Platform – دسترسی به آرایه های GPU را برای آموزش و اجرای مدل های یادگیری ماشین فراهم می کنند ، همچنین گوگل نیز در حال استفاده از این آرایه است تا کاربران بتوانند از واحدهای پردازش Tensor استفاده کنند.تمام زیرساخت ها و خدمات لازم از سه پایگاه بزرگ قابل دستیابی هستند ، فروشگاه های مبتنی بر ابر ، قادر به نگه داشتن مقدار زیادی از داده های مورد نیاز برای آموزش مدل های یادگیری ماشین می باشند ، خدمات تبدیل داده ها به منظور تجزیه و تحلیل آن ها ، ابزارهای تجسم برای نمایش نتایج شفاف  و نرم افزاری که ساخت مدل ها را ساده می کند.

این سیستم عامل های ابری حتی ایجاد مدل های یادگیری ماشینی سفارشی را نیزساده تر می کند ، به تازگی گوگل خدماتی را ارائه داد که ایجاد مدل های هوش مصنوعی با نام Cloud AutoML به شکلی خودکار را ممکن می کند. این  خدمات، مدلهای تشخیصی تصویر سفارشی را ایجاد می کند و به کاربر نیازی به هیچ تخصص یادگیری ماشینی ندارد.خدمات مبتنی بر ابر و یادگیری ماشین به طور مداوم در حال تحول هستند و در آغاز سال ۲۰۱۸ ، آمازون AWS جدیدی را نشان داد که برای ساده سازی فرایند آموزش مدل های یادگیری ماشین ساخته شده است.این خدمات برای آن دسته از بنگاه هایی که نمی خواهند مدل های یادگیری ماشین خود را بسازند بلکه در عوض می خواهند از خدمات درخواستی مبتنی بر هوش مصنوعی – مانند صدا ، بینایی و تشخیص زبان – استفاده کنند مناسب است.

کشورهای سردمدار در حوزه هوش مصنوعی

کشورهایی که راه را در آن می گذرانند؟

این اشتباه بزرگی است که فکر کنیم غول های فناوری ایالات متحده زمینه AI را خلق نموده اند. شرکت های چینی Alibaba ، Baidu و Lenovo فعال در زمینه های مختلفی سرمایه گذاری های زیادی را  بر روی  AI انجام می دهند. چین در حال دنبال کردن یک برنامه سه مرحله ای برای تبدیل AI به یک صنعت اصلی برای این کشور است ، برنامه ای که تا سال ۲۰۲۰ به ارزش ۱۵۰ میلیارد یوان (۲۲ میلیارد دلار) خواهدرسید.بایدو بر روی ساخت اتومبیل های خودران ، با استفاده از الگوریتم یادگیری عمیق خود ، Baidu AutoBrain سرمایه گذاری کرده است و پس از چندین سال آزمایش ، قصد دارد خودروهای کاملاً اتوماتیک خود را در سال ۲۰۱۸  عرضه و آن ها را تا سال ۲۰۲۱ به تولید انبوه برساند. ترکیبی از قوانین ضعف حریم خصوصی ، سرمایه گذاری کلان ، جمع آوری داده های هماهنگ و تجزیه و تحلیل داده های بزرگ توسط شرکت های بزرگی مانند بایدو ، علی بابا و Tencent به این معنی است که برخی از تحلیلگران معتقدند که چین در هنگام تحقیقات آینده در زمینه هوش مصنوعی برتری بیشتری نسبت به آمریکا خواهد داشت.

نحوه شروع کار با هوش مصنوعی

اگرچه  می توانید  در خانه برای ساخت آرایه GPU تلاش کرده و آموزش یک مدل یادگیری ماشین را شروع کنید ، احتمالاً ساده ترین راه برای آزمایش خدمات هوش مصنوعی از طریق ابر است.

همه شرکت های بزرگ فناوری خدمات مختلف هوش مصنوعی  را ارائه می دهند: از زیرساخت ها برای ساخت و آموزش مدل های یادگیری ماشینیِ خود از طریق سرویس های وب که به شما امکان می دهد به ابزارهای مبتنی بر هوش مصنوعی مانند گفتار ، زبان ، دید و تشخیص احساسات در صورت نیاز دسترسی پیدا کنید.

هوش مصنوعی و تغییر جهان

چگونه AI جهان را تغییر خواهد داد؟

روبات ها و ماشین های بدون سرنشین

تمایل به  این امر که روبات ها بتوانند به طور مستقل عمل  کرده و دنیای اطراف خود را درک و نمایند به معنای وجود همپوشانی طبیعی بین حوزه رباتیک و هوش مصنوعی است. در حالی که هوش مصنوعی تنها یکی از فناوری های مورد استفاده در روباتیک است ، استفاده از آن  در این حوزه، به ربات ها کمک می کند تا به حوزه های  جدیدی مانند اتومبیل های بدون سرنشین  و همچنین کمک به روبات ها برای یادگیری مهارت های جدید راه یابند. جنرال موتورز اخیراً اعلام کرده است که تا سال ۲۰۱۹ یک ماشین بدون راننده یا فرمان یا ترمز ساخته خواهد شد ، و  فورد نیز نوید به انجام این کار تا سال ۲۰۲۱ داده است.

اخبار جعلی

ما در آستانه دستیابی به شبکه هایی عصبی هستیم که می توانند تصاویر واقع گرایانه را   نموده  یا صدای شخصی  را به شکلی کاملا دقیق و شبیه در بیاورند. با این وجود  احتمال ایجاد تحولات اجتماعی بسیار مخرب ، مانند ساخت فیلم ها و تصاویر غیرقابل اعتماد  هم وجود دارد. همچنین در مورد چگونگی استفاده از چنین فناوری هایی  به منظور سوءاستفاده از تصویر افراد نگرانی هایی وجود دارد.

گفتار و تشخیص زبان

سیستمهای یادگیری ماشینی به رایانه ها کمک کرده اند تا آنچه را که مردم می گویند با دقت تقریبا ۹۵ درصد تشخیص دهند. به تازگی گروه تحقیقات مایکروسافت گزارش داده است سیستمی را ابداع کرده است که می تواند به زبان انسانی صحبت کنند. با توجه به این که محققان هدف دقت ۹۹ درصد را دنبال می کنند، انتظار دارند در کنار اشکال معمول برقراری ارتباط، تعامل انسان و ماشین به یک معیار  یا امری عادیتبدیل شود.

تشخیص چهره و نظارت

در سال های اخیر ، دقت سیستم های تشخیص چهره پیشرفت زیادی کرده است ، تا جایی که غول فناوری چینی بایدو می گوید می تواند با دقتی ۹۹ درصدی چهره ها را مطابقت دهد( به شرط آنکه چهره به اندازه کافی واضح باشد). در چین، مقامات در حال اجرای برنامه ای در سطح کشور برای اتصال دوربین مدار بسته در سراسر این کشور به منظور تشخیص چهره و استفاده از سیستم های هوش مصنوعی برای ردیابی مظنونین و رفتارهای مشکوک هستند. پلیس همچنین در حال استفاده از عینک تشخیص چهره  هم می باشد. اگرچه مقررات حریم خصوصی در سراسر جهان متفاوت است ، اما به احتمال زیاد استفاده بیشتر از فناوری هوش مصنوعی – از جمله هوش مصنوعی با قابلیت تشخیص احساس- به تدریج در نقاط دیگر جهان نیز گسترش می یابد.

مراقبت های بهداشتی

هوش مصنوعی سرانجام می تواند تأثیر چشمگیری در مراقبت های بهداشتی داشته باشد ، و به رادیولوژیست ها کمک می کند تا تومورها را تشخیص بدهند و به محققان در یافتن توالی های ژنتیکی مربوط به بیماری ها و شناسایی مولکول هایی که می توانند به یافتن داروهای مؤثرتری کمک کنند ، یاری می رساند.آزمایشاتی در مورد فناوری مرتبط با هوش مصنوعی در بیمارستانها در سراسر جهان انجام شده است. این موارد شامل ابزار پشتیبانی از تصمیم گیری بالینی IBM ، واتسون می شوند که توسط آنکولوژیست ها در مرکز سرطان Memorial Sloan Kettering استفاده می شود و  علاوه بر این استفاده از سیستم های Google DeepMind توسط سرویس ملی بهداشت انگلستان نیز آموزش داده می شود ، جایی که به شما در تشخیص ناهنجاری های چشم و ساده تر کردن روند غربالگری بیماران سرطانی کمک می کند.

منبع: تکنا