بسته
(0) کالا
هیچ محصولی در سبد خرید شما وجود ندارد.
دسته بندی محصولات
    فیلترها
    ترجیحات
    جستجو

    هر آنچه لازم است در رابطه با هوش مصنوعی بدانید

    هر آنچه لازم است در رابطه با هوش مصنوعی بدانید

    راهنمایی جامع درباره هوش مصنوعی، اصطلاحات این رشته و قابلیت‌های آن
    گاهی اوقات درباره هوش مصنوعی اغراق می‌شود، با این وجود نباید از اهمیت فوق العاده زیاد این رشته غافل شد.
    قرار نیست الگوریتم‌های فوق العاده هوشمند باعث از بین رفتن مشاغل یا انقراض نسل انسان‌ها شوند. اما این نرم‌افزارها طی سال‌های اخیر بسیار هوشمندتر شده اند. به همین دلیل حالا می‌توانید با iPhone X و Animoj شرکت اپل با چهره یک حیوان دوست داشتنی با دوستانتان چت کنید یا از اسپیکر هوشمند خودتان درخواست کنید که کالای مورد نظر شما را سفارش دهد.
    سرمایه گذاری‌های عظیم در حوزه هوش مصنوعی توسط کمپانی‌های تکنولوژیکی همین حالا هم منجر به تحول زندگی و ابزارهای ما شده و زمینه‌های شکل گیری آینده‌ای با محوریت هوش مصنوعی را فراهم کرده است.
    عامل اصلی رشد و ترقی اخیر هوش مصنوعی، پیشرفت در حوزه‌ای به اسم یادگیری ماشینی است. یادگیری ماشینی روشی برای آموزش انجام کارهای مختلف به کامپیوترها بر اساس مثال است و نه برنامه نویسی توسط انسان. تکنیکی به اسم یادگیری عمیق هم باعث قدرتمندتر شدن این روش شده است. یک نمونه از این برنامه‌ها نرم‌افزار AlphaGo است که در سال 2016 توانست Lee Sedol دارنده 18 عنوان بین المللی در بازی پیچیده‌ی Go را شکست دهد.
    برای بیشتر ما، نتیجه‌ی افزایش قدرت هوش مصنوعی، ابداع ابزارهای جدید و تجربیاتی مثل اسپیکر هوشمند یا باز کردن قفل آیفون با چهره خودمان است. اما هوش مصنوعی می‌تواند سایر جنبه‌های زندگی ما را هم دستخوش تحولات بزرگی کند. یکی از این جنبه‌ها حوزه مراقبت‌های بهداشتی است. بیمارستان‌های هند در حال تست نرم‌افزاری هستند که عکس‌های شبکیه چشم فرد را برای تشخیص علائم "رتینوپاتی دیابتی" بررسی می‌کند؛ معمولاً این بیماری خیلی دیر تشخیص داده می‌شود و باعث از دست رفتن بینایی شخص می‌شود. یادگیری ماشینی در حوزه رانندگی خودکار اهمیت زیادی دارد و باعث می‌شود که یک خودرو بتواند نسبت به محیط اطرافش درک پیدا کند. شواهدی وجود دارد که نشان می‌دهد هوش مصنوعی می‌تواند باعث شادتر و سالم تر شدن زندگی ما شود. اما از طرفی دلایلی برای احتیاط هم وجود دارد. وقایعی که در آنها الگوریتم‌ها منجر به تشدید یا انتخاب تبعیض نژادی یا جنسیتی شده اند، نشان می‌دهند که آینده‌ای مبتنی بر هوش مصنوعی ممکن است بهتر از حال نباشد.

    هوش مصنوعی

    شروع هوش مصنوعی
    اصطلاح هوش مصنوعی به صورتی که ما امروزه می‌شناسیم، در پروژه‌ای شکل گرفت که در تعطیلات تابستانی اجرا شد. John McCarthy استاد دانشگاه دارتموث این اصطلاح را در تابستان 1956 ابداع کرد، او از یک گروه کوچک خواست چند هفته‌ای را برای تفکر درباره این سوال صرف کنند که چطور می‌توان ماشین‌ها را به انجام کارهایی مثل استفاده از زبان انسانی واداشت. وی امید زیادی داشت که ماشینی در سطح انسان ابداع کند. او و همکارانش در مقاله‌ای نوشته بودند "ما فکرمی کنیم که امکان رسیدن به پیشرفتی قابل توجه وجود دارد... اگر گروهی از دانشمندانی که با دقت کامل انتخاب شده اند؛ در تابستان روی این پروژه کار کنند."
    لحظاتی که باعث شکل گیری هوش مصنوعی شدند
    1956
    پروژه تحقیقاتی تابستانی دانشگاه دارتموث در زمینه هوش مصنوعی منجر به ابداع رشته جدیدی شد که در راستای تولید نرم‌افزارهایی شبیه به انسان کار می‌کرد.
    1965
    Joseph Weizenbaum در دانشگاه MIT اولین چت بات را ساخت که کار یک روان درمانگر را شبیه سازی می‌کرد.
    1975
    Meta-Dendral برنامه‌ای که در دانشگاه استنفورد برای تفسیر مواد شیمیایی ساخته شد، باعث ایجاد اولین اکتشافات توسط یک کامپیوتر شد که در یک مقاله معتبر منتشر شدند.
    1986
    در یک پروژه دانشگاهی به سرپرستی مهندسی به اسم Ernst Dickmanns، یک ون مرسدس که مجهز به دو دوربین و چند کامپیوتر بود توانست 20 کیلومتر را در بزرگراهی در کشور آلمان با سرعت 55 مایل بر ساعت طی کند.
    1997
    کامپیوتر Deep Blue شرکت IBM توانست گری کاسپارف قهرمان شطرنج جهان را شکست دهد.
    2004
    پنتاگون مسابقه Darpa Grand را راه اندازی کرد که مسابقه‌ای برای خودروهای رباتی در بیابان موهاوی بود و هدف آن سرعت بخشیدن به پیشرفت صنعت خودروهای مستقل بود.
    2012
    محققانِ رشته‌ای جدید به اسم یادگیری عمیق، با اثبات این موضوع که ایده‌های آنها می‌تواند باعث افزایش دقت تشخیص تصویر و گفتار شوند، توجه شرکت‌ها و سازمان‌های بزرگ را به این عرصه جلب کردند.
    2016
    AlphaGo که توسط بخش DeepMind در شرکت گوگل ساخته شد موفق به شکست دادن قهرمان جهان در بازی تخته‌ای Go شد.
    رویاهایMcCarthy به طور کامل محقق نشد و او بعدها به این نتیجه رسید که بیش از حد خوشبین بوده است. اما تلاش‌های او باعث شد رویای تولید ماشین‌هایی هوشمند تبدیل به یک رشته دانشگاهی جذاب شود.
    تحقیقات اولیه در این حوزه عمدتاً بر حل مسائل انتزاعی در حوزه منطق و ریاضی تمرکز داشتند اما خیلی زود هوش مصنوعی به نتایج امیدبخشی در زمینه انجام کارهایی شبیه انسان دست پیدا کرد. در اواخر دهه 1950 میلادی، Arthur Samuel نرم‌افزارهایی ایجاد کرد که یاد گرفتند بازی چکرز را انجام دهند. در سال 1962 یکی از این نرم‌افزارها توانست یکی از افراد بسیار ماهر در این بازی را شکست دهد. در سال 1967 برنامه‌ای به اسم Dendral ثابت کرد که می‌تواند کار شیمیدان‌ها در زمینه تفسیر داده‌های طیف‌سنجی جرمی، روی ترکیب نمونه‌های شیمیایی مختلف را شبیه سازی کند.
    با توسعه و پیشرفت هوش مصنوعی، استراتژی‌های هوشمندتر کردن ماشین‌ها هم پیشرفت کردند. برخی از محققین سعی کردند دانش انسانی را به صورت کد به کامپیوتر تزریق کنند یا قواعدی برای انجام کارهایی مثل درک زبان ابداع کنند. برخی دیگر به تاثیر یادگیری بر هوش انسانها و حیوانات تمرکز کردند و سیستم‌هایی ساختند که می‌توانستند به مرور زمان در انجام کارها مهارت بیشتری پیدا کنند که این کار از طریق شبیه سازی تکامل یا با یادگیری از روی داده‌های نمونه انجام می‌شد. این رشته گام‌های ترقی را یکی پس از دیگری طی می‌کرد و کامپیوترها کم کم در انجام کارهایی که پیش از این فقط انسانها قادر به انجام آنها بودند، مهارت پیدا می‌کردند.
    یادگیری عمیق که دلیل اصلی ترقی اخیر هوش مصنوعی محسوب می‌شود، در واقع بازسازی یکی از قدیمی ترین ایده‌ها در حوزه هوش مصنوعی است. این تکنیک شامل تبادل داده‌ها در شبکه‌ای است که با فرمول‌های ریاضی شبیه سازی شده و در ساخت آن از عملکرد سلول‌های مغز انسان الهام گرفته شده است؛ این شبکه به نام شبکه عصبی مصنوعی هم شناخته می‌شود. وقتی این شبکه داده‌های آموزشی را پردازش می‌کند، اتصالات بین بخش‌های مختلف شبکه تنظیم می‌شوند و در نتیجه قابلیت تفسیر داده‌هایی که در آینده به سیستم وارد می‌شوند را پیدا می‌کند.
    شبکه‌های عصبی مصنوعی مدت نه چندان طولانی بعد از پروژه دارتموث تبدیل به یکی از ایده‌های شناخته شده در زمینه هوش مصنوعی شدند. به عنوان مثال در سال 1958 الگوریتم Perceptron Mark 1 که برای پر کردن فضای اتاق طراحی شده بود توانست اشکال هندسی مختلف را یاد بگیرد. در آن زمان نیویورک تایمز هم به این موضوع اشاره کرد و نوشت با این اختراع، کامپیوترها قادر به خواندن شده و هوشمندتر شدند. اما بعد از نوشتن کتابی تاثیرگذار در سال 1969 توسط Marvin Minsky و یکسری از همکاران او در دانشگاه MIT که در آن ادعا شده بود شبکه‌های عصبی نمی‌توانند چندان قدرتمند باشند، از میزان توجه به این رشته کاسته شد.
    اما این کتاب نتوانست همه را متقاعد کند و برخی از محققین این تکنیک را تا دهه‌ها زنده نگه داشتند. در سال 2012 وقتی آزمایشاتی ثابت کردند که شبکه‌های عصبی با در اختیار داشتن حجم انبوهی داده و با استفاده از تراشه‌های کامپیوتری قوی می‌توانند قدرت درک تازه‌ای به کامپیوترها ببخشند، دوباره این رشته مورد توجه قرار گرفت.
    در یکی از دستاوردهای قابل توجه، محققین دانشگاه تورنتو توانستند در مسابقه‌ای بین نرم‌افزارها در زمینه تشخیص تصاویر تمام رقبایشان را شکست دهند. در پروژه دیگری محققینی از IBM، مایکروسافت و گوگل با یکدیگر همکاری کرده و نتایج تحقیقاتشان را که ثابت می‌کرد یادگیری عمیق می‌تواند دقت تشخیص گفتار را بشدت افزایش دهد، منتشر کردند. کمپانی‌های تکنولوژیکی مختلف با شتاب زیاد شروع به استخدام کارشناسان یادگیری عمیق کردند.

    هوش مصنوعی

    آینده هوش مصنوعی
    حتی اگر همین فردا، پیشرفت در زمینه هوشمندتر شدن الگوریتم‌های هوش مصنوعی متوقف شود باز هم خبرهایی درباره تحول دنیا توسط این رشته خواهیم شنید.
    کمپانی‌های تکنولوژیکی بزرگ مثل گوگل، مایکروسافت و آمازون بهترین استعدادها در حوزه هوش مصنوعی را استخدام کرده و کامپیوترهای عظیمی را به کار گرفته اند تا با هدفمندتر کردن تبلیغات یا پیش بینی خرید بعدی مشتریان به کمک هوش مصنوعیف کسب و کارشان را رونق دهند.
    همچنین این کمپانی‌ها با دعوت از دیگران برای اجرای پروژه‌های هوش مصنوعی روی شبکه خودشان سعی به کسب درآمد بیشتر دارند. این پروژه‌ها می‌توانند باعث رسیدن به پیشرفت‌های چشمگیری در عرصه‌هایی مثل امنیت ملی یا مراقبت‌های بهداشتی شوند. پیشرفت سخت‌افزارها، رشد دوره‌های آموزشی در زمینه یادگیری ماشینی و پروژه‌های اپن سورس این رشته هم باعث شتاب بخشیدن به نفوذ هوش مصنوعی در سایر صنایع خواهد شد.

    آشنایی با اصطلاحات هوش مصنوعی
    هوش مصنوعی
    تولید کامپیوترهایی که قادر به انجام کارهایی هستند که انجام آنها معمولاً به هوش انسانی نیاز دارد.
    یادگیری ماشینی
    استفاده از داده‌های نمونه (یا تجربه) برای بهبود پیش بینی‌های کامپیوتر یا انجام کارها توسط کامپیوتر.
    یادگیری عمیق
    یکی از تکنیک‌های یادگیری ماشینی که در آن، داده‌ها از طریق شبکه‌های ریاضی قابل تنظیم فیلتر می‌شوند و در ساخت این شبکه‌ها از سلول‌های مغز انسان الهام گرفته شده است.
    یادگیری با ناظر
    نشان دادن داده‌های نمونه (مثل تصاویر) به همراه برچسب هر نمونه به کامپیوتر برای آموزش دادن کامپیوتر.
    یادگیری بدون ناظر
    یادگیری بدون داده‌های برچسب دار و فقط از طریق تجربه کردن داده‌ها یا جهان – این کار برای انسان‌ها یک کار معمولی و ساده تلقی می‌شود اما برای کامپیوترها هنوز کاملاً عملی نشده است.
    یادگیری تقویتی
    نرم‌افزاری که کارهای مختلف را امتحان می‌کند تا تشخیص بدهد که چطور می‌تواند یک پاداش مجازی (مثل امتیاز یک بازی) را به حداکثر برساند.

    هوش عمومی مصنوعی
    نرم‌افزاری که قابلیتی شبیه انسان در زمینه تطبیق با محیط‌ها و کارهای مختلف داشته باشد و بتواند اطلاعات این محیط‌ها و کارها را به هم ارتباط دهد؛ البته چنین نرم‌افزاری هنوز وجود خارجی ندارد.
    در عین حال مشتریان می‌توانند انتظار داشته باشند که ابزارها و سرویس‌های بیشتری با امکانات هوش مصنوعی به آنها عرضه شود. گوگل و آمازون باور دارند که پیشرفت یادگیری ماشینی باعث می‌شود که دستیاران مجازی و اسپیکرهای هوشمند آنها قوی تر شوند. برای مثال آمازون دستگاه‌هایی مجهز به دوربین تولید کرده که می‌توانند به صاحبشان و دنیای اطرافشان نگاه کنند.
    قابلیت‌های تجاری این حوزه باعث شده که همین حالا بهترین زمان برای تبدیل شدن به یک محقق در عرصه هوش مصنوعی باشد. آزمایشگاه‌هایی که در تلاش برای هوشمندتر کردن ماشین‌ها هستند نسبت به گذشته بیشتر شده و سرمایه بیشتری صرف آنها می‌شود. همچنین حوزه‌های کاری در این رشته بسیار زیاد هستند. علیرغم پیشرفت‌های چشمگیر اخیر در حوزه هوش مصنوعی و پیش بینی‌هایی که برای پیشرفت آن در آینده نزدیک وجود دارد، هنوز کامپیوترها قادر به انجام خیلی از کارها نیستند از جمله: درک ریزه کاری‌های زبان، استدلال بر اساس عقل سلیم و یادگیری یک مهارت جدید فقط به کمک یک یا دو مثال. اگر قرار باشد نرم‌افزارهای هوش مصنوعی از نظر چند منظوره بودن، قابلیت تطبیق و داشتن هوشی خلاقانه به انسان‌ها شبیه تر شوند، باید در انجام کارهایی که به آن اشاره کردیم مهارت بیشتری پیدا کنند. یکی از محققین گوگل به اسم Geoff Hinton که از پیشگامان یادگیری عمیق است، می‌گوید پیشرفت در این زمینه‌های مهم نیاز به تجدید نظر در بعضی از پایه‌های این رشته دارد.
    با قدرتمندتر شدن سیستم‌های مجهز به هوش مصنوعی، نیاز به بررسی و نظارت‌های بیشتری بر آنها وجود دارد. استفاده از نرم‌افزارها توسط دولت‌ها در زمینه‌هایی مثل عدالت کیفری در بسیاری از موارد به اشتباه یا پنهان کاری مجر می‌شود و شرکت‌هایی مثل فیسبوک همین حالا هم با جنبه‌های منفی الگوریتم‌های هوشمند مواجه شده اند. الگوریتم‌های قدرتمندتر امکان ایجاد مشکلاتی بزرگتر را هم دارند مثلاً با حفظ تعصبات تاریخی یا کلیشه‌هایی که همیشه علیه زن‌ها یا افراد سیاه پوست وجود داشته است. گروه‌های مدنی و حتی خود حوزه تکنولوژی هم در حال تلاش جهت ایجاد قوانین و دستورالعمل‌هایی برای جنبه‌های امنیتی و اخلاقی هوش مصنوعی هستند. برای اینکه ما انسان‌ها بتوانیم از هوشمندتر شدن ماشین‌ها بهره ببریم، لازم است که هوش خود ما در رابطه با این ماشین‌ها بیشتر شود.

     

     

    منبع : Wired

    نظر خود را وارد نمایید.