هوش مصنوعی چیست؟

هوش مصنوعی فناوری نوینی است که از روی توانایی‌های انسان الگوبرداری شده است. این فناوری قادر است، مسائل مختلف را حل کرده و در موقعیت‌های مهم تصمیم‌گیری کند. گفتنی است، این توانایی تفکر، از بسیاری جهات با تفکر انسانی متفاوت است اما دانشمندان سعی داشته‌اند تقلید موفقی از هوش انسانی داشته باشند. تعریفی که جان مک کارتی در سال دو هزار و چهار در این باره ارائه داده است، آن را نوعی علم مهندسی می‌داند که سعی در ساخت ابزارهای هوشمند دارد. او که به خاطر ابداع زبان LISP شناخته می‌شود، اقدامات ارزنده‌ای در پدید آوردن هوش ماشینی داشته است.
با این ‌همه چند سال قبل از آن که هوش مصنوعی توسط جان مک کارتی تعریف شود، فردی به نام آلن تورینگ در سال هزار و نهصد و پنجاه میلادی بحث مکالمه هوش مصنوعی را مطرح نمود. او درباره ماشین‌های محاسباتی و هوش مباحثی عنوان کرد که سرمنشأ پیدایش هوش ماشینی بود. در مقاله‌ای که تورینگ ترتیب داده بود، یک پرسش مهم دیده می‌شود؛ آیا ابزاری که ساخته دست انسان است، می‌تواند به قابلیت تفکر برسد؟ سپس تورینگ که به پدر علم رایانه معروف است، آزمونی را طراحی کرد که به آزمون تورینگ معروف است. در این آزمون یک ممتحن انسانی می‌کوشد تا بین جواب متنی رایانه و پاسخی که توسط انسان ارائه می‌شود، تفاوت‌هایی قائل شود.\

سابقه و تاریخچه هوش مصنوعی

ایده هوش مصنوعی و ساخت ابزاری که بتواند قدرت فکر کردن داشته باشد، به یونان باستان باز می‌گردد. اما سیر تدریجی به وجود آمدن هوش ماشینی از دیروز تا به امروز را می‌توان این‌گونه بیان کرد:
• در سال ۱۹۵۰ فردی به نام آلن تورینگ، مقاله‌ای درباره ماشین‌های ارزیابی و هوش نوشت. او در این مقاله (این مقاله به خاطر باز کردن کد ENIGMA آلمان‌های نازی طی جنگ جهانی دوم معروف است) می‌کوشد تا به این پرسش پاسخ بدهد که آیا ماشین قادر به فکر کردن است؟ او در ادامه، آزمون تورینگ را مطرح می‌کند تا نشان دهد که آیا رایانه می‌تواند به‌اندازه هوش انسانی کارایی داشته باشد؟
• در سال ۱۹۵۶ جان مک کارتی نیز در نخستین اجلاس هوش ماشینی در دانشگاه دارتموث، اولین تعریف در این زمینه را ارائه کرد. او که مخترع زبان Lispاست، در آخر همان سال به همراه الن نیول، جی سی شاو و هربرت سایمون یکی از مبانی مهم در این زمینه را ( تئوری منطقی ) پایه‌ریزی کرد.
• در سال ۱۹۶۷ فرانک روزنبلات توانست اولین کامپیوتر موسوم به Mark 1 Perceptron را بسازد. این کامپیوتر بر اساس یک شبکه نورونی و با آزمون‌ و خطا راه‌اندازی شد. تنها یک سال بعد، فردی به نام ماروین مینسکی و سیمور پیپرت، کتابی تألیف کردند که پرسپترون ها نام داشت. آن‌ها با انتشار این کتاب توانستند قدم مهمی در زمینه شبکه‌های عصبی بردارند. آن‌ها با مطرح کردن موضوعاتی که در این کتاب آمده است، توانستند در برابر پروژه‌های مطالعاتی شبکه‌های عصبی پاسخ مبسوطی ارائه دهند.

در دهه هشتاد میلادی نیز شبکه‌های نورونی در سطح وسیعی در برنامه‌های هوش ماشینی مورد استفاده قرار گرفتند.

در سال نود و هفت میلادی نیز دیپ بلو از آی بی ام، توانست استادبزرگ شطرنج جهان آن روز – گری کاسپارف – را در یک مسابقه شطرنج شکست دهد.

با کمک هوش مصنوعی شرکت IBM Watsonتوانست قهرمانانی چون کن جنینگز و بِرَد روتر را در بازی‌های ژئوپاردی Jeopardy شکست دهد.

در سال ۲۰۱۵ نیز ابر رایانه‌ای موسوم به مینوا بایدو ساخته شد که از نوعی شبکه عصبی عمیق به نام شبکه نورونی کانولوشن برخوردار است. این ابرکامپیوتر جهت شناسایی و طبقه‌بندی عکس‌ها به کار می‌رود و دقت آن در تشخیص، به‌ مراتب از یک فرد معمولی بیشتر است.

در سال ۲۰۱۶ نیز برنامه آلفاگو دیپ مایند که به ‌وسیله یک شبکه عصبی عمیق حمایت می‌شود، توانست لی سودول را در یک مسابقه شکست دهد. لی سودول قهرمان جهانی لیگ گو می‌باشد. این برد از این ‌جهت حائز اهمیت است که تنها با چهار حرکت توانست، بیش از چهارده و نیم تریلیون حرکت را طراحی کرده و پیشنهاد بدهد. گفتنی است؛ گوگل برنامه دیپ مایند را به قیمت چهارصد میلیون دلار خریداری نمود.

آثار تألیفی مهم در زمینه هوش مصنوعی

در ادامه قصد داریم درباره یکی از آثار تألیفی در زمینه هوش مصنوعی با شما گفتگو کنیم. « هوش مصنوعی؛ رویکردی مدرن» نام کتابی است که نویسندگان آن استوارت راسل و پیتر نورویگ هستند. در این اثر، آن‌ها چهار تعریف از هوش ماشینی ارائه می‌دهند که می‌تواند دستگاه‌های رایانه‌ای را از هم متمایز کند. این چهار تعریف یا چهار هدف عبارت‌اند از:
• رویکرد انسان‌محور: یک) دستگاهی است که نظیر انسان می‌اندیشد، ۲) دستگاهی که مانند انسان رفتار می‌کند،
• رویکرد ایده آل: ۳) روشی که منطقی می‌اندیشد، ۴) شیوه‌ای که منطقی رفتار می‌کند،
تعریف آلن تورینگ از هوش مصنوعی در گروهی قرار می‌گیرد که مانند انسان رفتار می‌کند. در ابتدایی‌ترین شکل ممکن، هوش ماشینی محیطی است که دانش کامپیوتر و مجموعه اطلاعات قدرتمند را باهم در می‌آمیزد تا به پاسخ متقنی برسد. گفتنی است، دستگاه‌هایی که در زمینه هوش ماشینی برای اولین بار به وجود آمد، با نیت تقلید کردن از هوش انسانی بود. در روزهای نخست، استخراج و مکتوب کردن علم کاری زمان ‌بر تلقی می‌شد. هوش ماشینی در حال حاضر، در بردارنده زیرشاخه‌هایی است که می‌تواند به فراگیری ماشینی و فراگیری عمیق اشاره داشته باشد. این دو زیرشاخه معمولاً با هوش ماشینی مرتبط می‌شوند. همچنین می‌توان این دو سیستم یادگیری را متشکل از الگوریتم‌های هوش ماشینی دانست که اغلب بر مبنای اطلاعات ورودی پیش‌بینی یا دسته‌بندی می‌شوند. یادگیری ماشینی از نظر کیفی، بعضی از شیوه‌های حرفه‌ای در این زمینه را بهبود می‌دهد و باعث می‌شود تا به شکل آسان‌تری ایجاد شوند.

کاربرد هوش مصنوعی در زندگی انسان

در حال حاضر هوش مصنوعی پیوند عمیق و ناگسستنی با زندگی بشر دارد. هر چند که حضور این پدیده در زندگی ما اغلب نامرئی توصیف می‌شود، اما نقش آن را نمی‌توان انکار کرد. موتورهای جستجو، محصولاتی که در رابطه با تشخیص گفتار و تشخیص چهره وجود دارند، نوعی هوش ماشینی به شمار می‌روند. حتی در برخی از وسایل نقلیه مانند پهپادها و نقلیه‌های خودران نیز از هوش ماشینی استفاده می‌شود. تبلیغات بی‌شماری در زمینه گسترش هوش ماشینی موجود است که از هر فناوری نوظهوری انتظار می‌رود.
طبق چرخه تبلیغات گارتنر ابداعاتی مانند اتومبیل‌های خودران و دستیاران شخصی، در زمره هوش مصنوعی قرار می‌گیرند. در توضیح چرخه تبلیغات گارتنر باید یادآوری کرد؛ این چرخه یک نوع نمودار گرافیکی است. این جدول می‌تواند یک الگوی رایج باشد که با هر تکنولوژی یا خلاقیتی به وجود می‌آید. گارتنر بالغ بر نود چرخه در زمینه‌های مختلف فراهم می‌آورد تا مسیری برای ردیابی بلوغ و تکامل تکنولوژی برای مشتریان باشد. بنابراین می‌توان نتیجه‌گیری کرد که نوآوری‌هایی که در محصولات متنوعی ارائه شده است، به نحوی با هوش ماشینی در ارتباط هستند. همان‌گونه که لکس فریدمن طی سخنرانی خویش در ام آی تی در سال دو هزار و
نوزده گفته است؛ ما در اوج انتظارات خود در این زمینه هستیم و هر روزه سطح انتظارات ما نیز از این مسئله بیشتر می‌شود.

اقسام مختلف هوش مصنوعی

هوش مصنوعی را می‌توان به دو قسم هوش ماشینی ضعیف و قوی تقسیم‌بندی کرد. درباره هوش ماشینی ضعیف یا (ANI) باید گفت؛ این نوع هوش جهت مسئولیت‌های خاص متمرکز شده است. این نوع از هوش ماشینی بیشترین تسلط را بر زندگی ما دارد. بعضی از برنامه‌های پرمصرف و مفیدی نظیر سیری اپل، الکسای آمازون،IBM واتسون و اتومبیل خودران از این ‌دست هستند. هوش ماشینی قوی نیز متشکل از هوش عمومی مصنوعی یا ای جی آی و هوش ابر ماشینی یا ای اس آی است. هوش عمومی مصنوعی، یک نوع شکل تئوری از هوش است که سعی دارد خود را به هوش بشری نزدیک کند. ابر هوش ماشینی می‌تواند در برخی جهات از هوش و امکانات ذهنی انسان نیز جلو بیفتد. اما هوش مصنوعی قوی نمی‌تواند از محدوده تئوری خویش پا فراتر گذاشته و نمونه عملی ارائه دهد. هرچند که محققین این علوم سعی دارند تا هوش ماشینی را توسعه داده و ایرادات و نواقص آن را برطرف کنند.

یادگیری عمیق در برابر یادگیری ماشین

گاهی اوقات ممکن است یادگیری عمیق و یادگیری ماشین با هم اشتباه گرفته شوند. همان‌طور که در متن فوق نیز گذشت، فراگیری عمیق و فراگیری ماشین هر دو از زیر مجموعه‌های هوش مصنوعی می‌باشند. البته باید خاطرنشان کرد، یادگیری عمیق در زیرگروه یادگیری ماشین قرار می‌گیرد. این نوع یادگیری از شبکه‌های متعددی ایجاد شده است. منظور از اصطلاح عمیق، شبکه‌ای است که از سه لایه تشکیل شده باشد. این لایه‌ها می‌تواند متضمن ورودی‌ها و خروجی‌های متعددی باشد. هر یک از این ورودی‌ها و خروجی‌ها می‌تواند یک الگوریتم عمیق باشند. یادگیری عمیق را می‌توان با کمک نمودار زیر به نمایش گذاشت:

وجه تمایز فراگیری عمیق و فراگیری ماشین

وجه تمایز یادگیری عمیق و فراگیری ماشین، در چگونگی فراگیری هر الگوریتم است. فراگیری عمیق می‌تواند استخراج داده‌ها را به‌صورت خودکار درآورد. همچنین باعث می‌شود تا مداخلات دستی انسان را به صفر رسانده و توانایی بهره‌گیری از مجموعه اطلاعات بزرگ‌تر را فراهم نماید. لکس فریدمن در سخنرانی ام آی تی خود گفته است، فراگیری عمیق را می‌توان تحت عنوان فراگیری ماشین مقیاس‌پذیر در نظر گرفت. فراگیری ماشین کلاسیک یا غیر عمیق عمدتاً به دخالت انسان جهت یادگیری مرتبط می‌شود. کارشناسان از تمامی ویژگی‌های هوش استفاده می‌کنند تا بتوانند بین ورودی‌های اطلاعات تمایز قائل شوند. درک و تعیین این وجه از تمایز نیازمند فراگیری اطلاعات ساختاریافته و سازمانی است.

یادگیری ماشین عمیق قادر است از مجموعه اطلاعات مشخص‌شده برای آگاهی از الگوریتم خود کمک بگیرد. ( مجموعه داده‌ها تحت عنوان یادگیری نظارت‌شده شناخته می‌شوند) ولی الزاماً به یک مجموعه اطلاعات معین‌شده نیازی ندارد. همچنین قادر است اطلاعاتی را که دارای ساختار نیست، به‌صورت خام مثل نوشتار و تصویر وارد نماید. یادگیری عمیق در کنار این امکانات، قادر است به‌صورت خودکار تمامی ویژگی‌ها را تعیین کرده و هرکدام از این دسته‌بندی‌ها را از یکدیگر بازشناسد. برعکس یادگیری ماشینی، جهت پردازش اطلاعات به تداخل انسانی نیازی نیست. این موضوع به ما این فرصت را می‌دهد تا فراگیری ماشینی را به‌صورت جالب‌تری ارزیابی کنیم.

کاربردهای هوش مصنوعی در چه زمینه‌هایی است؟

از هوش مصنوعی می‌توان در حوزه‌های مختلفی استفاده کرد:
• امکان تشخیص گفتار: این قابلیت تحت عنوان تشخیص خودکار گفتار (ASR) یا تشخیص گفتار رایانه‌ای یا گفتار به نوشتار نیز شناخته می‌شود. این قابلیت، امکان پردازش زبان طبیعی (NLP) برای دریافت و فهم گفتار انسان در فرمت نوشتاری را داراست. بسیاری از گوشی‌های همراه در دستگاه‌های خود، برای جستجوی صوتی از تشخیص گفتار کمک می‌گیرند،
• ارائه سرویس به مشتری : نمایندگانی که به‌صورت مجازی و آنلاین خدمت می‌کنند، می‌توانند جایگزین نیروی کار انسانی شوند. این نمایندگان یا دستیاران مجازی قادرند به پرسش‌های رایج در زمینه‌های گوناگون نظیر حمل‌ونقل، امنیت سایبری، خرید در فضای مجازی و …. پاسخ دهند. مشاوران فروش آنلاین نیز به همین سبک می‌توانند به کاربران خود سرویس بدهند. نیروی کار مجازی قادرند به‌ خوبی با مشتری در ارتباط بوده و نگرش ما را درباره سامانه‌ها و دیگر شبکه‌های اجتماعی تغییر دهند. به‌عنوان‌مثال از جمله ربات‌های پیام‌رسان که در سامانه‌های تجارت الکترونیک فعالیت می‌کنند، فیس بوک مسنجر و Slack هستند.

در حال حاضر در دنیای حقیقی شاهد کاربردهای وسیعی از سیستم هوش مصنوعی هستیم. در ادامه به برخی از متداول‌ترین نمونه‌ها اشاره می‌شود:
• بینایی رایانه‌ای: تکنولوژی هوش مصنوعی، به کامپیوترها این امکان را می‌دهد تا داده‌های معناداری را از عکس‌های دیجیتال، فیلم‌ها و دیگر ورودی‌های بصری کسب کند. سپس می‌توان بر مبنای آن ورودی‌ها، اقدامات لازم را به عمل آورد. این ویژگی می‌تواند اطلاعات را از تصویر جدا کرده و آن را شناسایی کند. بینایی رایانه‌ای با کمک شبکه‌های کانولوشنال، کاربردهای فراوانی در شناسایی عکس در شبکه‌های اجتماعی دارد. همچنین این فناوری در رادیولوژی و اتومبیل‌های خودران کاربرد دارد.
• ارائه توصیه و پیشنهاد به مشتری: با کمک اطلاعات رفتار مصرف گذشته، الگوریتم‌های هوش ماشینی قادر است به فهم فرایندهای اطلاعاتی کمک کرده و بر گسترش تکنیک‌های فروش متقابل اثر بگذارد. ارائه این توصیه‌ها به مشتری، در طول عملیات پرداخت، می‌تواند برای خرده‌فروشان مجازی کمک‌کننده باشد.
• دادوستدهای خودکار سهام: در بازارهای مالی نیز شبکه‌ها و محیط‌هایی وجود دارند که بر اساس هوش ماشینی طراحی و تولیدشده‌اند. این پلتفرم‌ها قادرند به شکل مؤثری سبد سهام را مدیریت کرده و هزاران دادوستد را بدون مداخله انسانی سر و سامان بدهند.

مواردی که می‌تواند استفاده تجاری برای هوش مصنوعی را توجیه کند

هوش مصنوعی این امکان را می‌دهد تا آماده‌سازی اطلاعات سرعت گرفته و مدیریت داده به شکل مطلوبی بهبود یابد. اما کارشناسان برای این امر نقطه ضعفی نیز متصور شده‌اند.
نقطه‌ ضعف:
ارزیابی و تجزیه داده‌ها توسط هوش مصنوعی تنها به میزان اطلاعاتی هستند که در دست است. از همین رو، بیشتر دانشمندان و کارشناسان داده وقت زیادی را برای مرتب کردن و مدیریت اطلاعات صرف می‌کنند. این آماده‌سازی برای به نمایش گذاشتن ارزش تجاری یک سازمان می‌باشد. به‌عنوان‌مثال، اطلاعات خام ممکن است با دسته‌بندی کسب ‌و کاری که شما دارید، هماهنگ نباشد. لذا ممکن است، شما به شیوه‌ای خاص، اطلاعات دسته‌بندی کرده و سپس آن را به سهامدار ارائه نمایید. از طرف دیگر نیز ممکن است، هنوز از دسته‌بندی تعریف‌شده‌ای برای یک گروه اطلاعات جدید برخوردار نباشید.
از همین رو، هوش مصنوعی کمک می‌کند تا تعریف جدیدی از اطلاعات، دسته‌بندی گروه‌ها مبنی بر مشخصات مشترک آن‌ها به شما ارائه نماید. بنابراین چنانچه این موضوع به یک شخص واگذار شود، می‌تواند فرایند را طولانی کرده و دیگر مداخله دستی انسان برای مجموعه اطلاعات بزرگ به ‌صرفه نباشد. با این ‌همه، الگوریتم‌های هوش ماشینی می‌تواند در گروه‌بندی اطلاعات، کاهش هزینه‌ها و صرفه‌جویی در زمان در زمینه تجاری کمک‌کننده باشند. همچنین، مجموعه اطلاعات مشخص‌شده می‌توانند به دسته‌بندی اطلاعات جدید به‌ وسیله الگوریتم‌های یادگیری کنترل‌شده کمک نمایند. این در حالی است که یادگیری بدون کنترل قادر است به کسب‌ و کارها در پیدا کردن دسته‌بندی‌های جدید اطلاعات، اثر خوبی بگذارند.

بهره‌وری عملیاتی را با هوش ماشینی ساده کنید!

با توسعه کسب ‌و کار، برخی امور سازمانی می‌تواند دچار پیچیدگی شوند. حتی هوش مصنوعی باعث افزایش تعداد کارکنان و رشد فرایندهای جدید می‌شود. پیچیده شدن فرایند داده‌های سازمانی می‌تواند به ناکارآمدی عملیاتی منتهی شود. این امر باعث می‌شود دستیابی به اهداف تجاری، دورنمای روشن خود را از دست بدهد. راه‌حلی که برای این معضل می‌توان ارائه داد، استفاده سازمان‌ها از آن دسته از اطلاعاتی است که برای فهم عملکرد شغلی، شفاف‌سازی مشکلات و دیگر زمینه‌ها به کار می‌رود. قابل‌ذکر است؛ الگوریتم‌های تخصصی، نگرشی ارائه می‌دهند که درباره چرایی ریشه انحراف از هنجارهای سازمانی است. این مسئله کمک می‌کند تا مدیران به آن دسته از اطلاعات که برای رشد و توسعه کسب ‌و کار مفید است، مجهز شوند. همچنین، طی نظرسنجی‌های به ‌عمل ‌آمده، مشخص شد؛ چهل ‌و دو درصد از شرکت‌کنندگان، عملیات فناوری داده‌ها را به‌عنوان یک موضوع مهم در زمینه هوش ماشینی می‌شناسند.

پیشگویی فروش با هوش ماشینی

نقطه ‌ضعف این استراتژی این است که از مدیران انتظار می‌رود که نیات واقع بینانه خود را برای بهبود عملکرد سازمان مشخص نمایند. آن‌ها می‌بایست بتوانند نقشه راهبردی سال بعد را ترسیم کنند. شرکت‌های سهام عام نیز می‌بایست برای به اشتراک‌گذاری این اهداف تلاش بیشتری کرده و طی حضور فعال در حیطه کسب‌ و کارها بازار را متعادل و ایمن نگه‌ دارند. با این‌ همه، افق و آینده کسب ‌و کاری که در حال تغییر است، می‌تواند با برخی دشواری‌ها همراه باشد؛ چرا که انجام تعهدات در زمینه اهداف فروش کار آسانی نیست. این موضوع در مورد سازمان‌های بزرگ که پیچیدگی اطلاعات و داده‌های آن محرز است، بیشتر صدق می‌کند؛ چرا که دلایل گوناگونی وجود دارد که می‌تواند بر میزان نهایی فروش اثربخشی داشته باشد. اما راه برون‌رفت از این معضل چیست؟
پیش‌بینی فروش با کمک هوش مصنوعی، امری جدید تلقی نمی‌شود. این موضوع سال‌ها است که بر میزان فروش و رونق کسب ‌و کارها اثر داشته است. ردپای این تأثیر را می‌توان در دهه های گذشته دید و آن را تا سال‌های بعد نیز دنبال کرد. در حقیقت بیشتر کسب ‌و کارها به خاطر بیماری کووید نوزده سعی دارند، شکل فعالیت خود را به‌صورت دیجیتالی و آنلاین در آورند. به بیان روشن‌تر این‌ که سیستم‌های اطلاع‌رسانی مبتنی بر وب، قادر هستند به‌عنوان عاملی مؤثر جهت رشد و توسعه فروش مورد استفاده قرار گیرند. گفتنی است، راه‌حل‌های هوش ماشینی به تیم‌های اطلاعات این امکان را نیز می‌دهد تا با شرایط جدید هماهنگ شوند. با کمک هوش ماشینی می‌توان پیش‌بینی‌های درست و قابل ‌اعتمادتری در زمینه فروش داشته باشیم.

هوش مصنوعی و رایانش ابری آی بی ام

آی بی ام در پیشبرد تکنولوژی‌های بر پایه هوش مصنوعی شرکت‌ها فعالیت دارد. همچنین این فناوری در آینده نیز در سیستم‌های یادگیری ماشینی در حوزه‌های مختلف نقش خواهد داشت. این فناوری می‌تواند در زمینه‌های ذیل جهت توسعه هوش ماشینی شرکت داشته باشد:

• ساده‌سازی گردآوری اطلاعات و نحوه دسترسی به آن‌ها
• فراهم کردن یک زمینه ارزیابی آماده برای کسب‌وکار
• تولید دستگاهی مقیاس پذیر و مورد اعتماد که بر پایه هوش ماشینی طراحی‌شده باشد
• بهینه‌سازی و یکپارچه کردن سیستم‌ها در تمامی قواعد کاری کسب‌ و کار
• انتقال برنامه‌ها و سامانه‌های هوش ماشینی به فضای ابری