هوش مصنوعی چگونه کار می کند؟ – توضیح به زبان ساده

«هوش مصنوعی» (Artificial Intelligence | AI) به عنوان یکی از شاخه‌های علوم کامپیوتر محسوب می‌شود که هدف آن طراحی و ساخت سیستم‌هایی است که بتوانند به انجام امور و وظایفی بپردازند که توسط انسان انجام می‌شوند. در سال‌های اخیر شاهد طیف وسیعی از کاربردهای هوش مصنوعی در زندگی خود بوده‌ایم و در زندگی روزانه ممکن است بدون آن که متوجه باشیم، از هوش مصنوعی استفاده می‌کنیم. رشته هوش مصنوعی یک حیطه تخصصی محسوب می‌شود و برای درک روش‌ها و ابزارهای آن باید دانش تخصصی داشته باشیم. با این حال، در این مطلب از مجله فرادرس قصد داریم به زبان بسیار ساده به این پرسش پاسخ دهیم هوش مصنوعی چگونه کار می کند و شامل چه رویکردهایی است.

در ابتدای این مطلب، به توضیح مفهوم هوش مصنوعی و تاریخچه شکل‌گیری آن می‌پردازیم تا برای خواننده مبتدی یک دید کلی از این رشته شکل بگیرد. سپس، به توضیح انواع هوش مصنوعی از لحاظ قابلیت و کارکرد می‌پردازیم و اجزای اصلی یادگیری سیستم‌های هوش مصنوعی را شرح می‌دهیم تا این مطالب به خواننده کمک کند نحوه یادگیری سیستم‌های هوشمند را یاد بگیرد.

هوش مصنوعی چیست؟

پیش از آن که به پرسش هوش مصنوعی چگونه کار می کند پاسخ دهیم، نگاهی به مفهوم این شاخه از علوم کامپیوتر می‌پردازیم تا در ابتدا با هدف آن آشنا شویم.

هدف هوش مصنوعی طراحی و ساخت ماشین‌ها و برنامه‌هایی است که بتوانند مسائلی را هوشمندانه حل کنند یا وظایفی را همانند انسان انجام دهند. به عبارتی، هوش مصنوعی به دنبال ساخت ابزارهای مصنوعی است که بتوانند همانند انسان فکر و عمل کنند.

هوش مصنوعی را نباید با اصطلاح «خودکارسازی یا اتوماتیک کردن» (Automation) یکسان دانست. با این که این مفاهیم به طراحی ابزارهایی می‌پردازند که یک سری کارها و وظایف را انجام دهند، اما هدف آن‌ها با یکدیگر متفاوت است.

به عنوان مثال، در خودکارسازی یا اتوماتیک کردن، به دنبال ساخت ابزاری هستیم که با دریافت داده از ورودی، وظیفه‌ای را انجام دهد و خروجی مشخصی را تولید کند. این روال کار، به صورت تکراری انجام می‌شود بدون آن که ابزار تفاوتی بین داده‌های ورودی قائل شود و حتی به خطاهای موجود در آن‌ها توجه کند. به بیان دیگر، در روند خودکارسازی، ابزاری که طراحی می‌کنیم، بر اساس یک سری دستورالعمل‌ها، یک سری عملیات ثابت بر روی انواع مختلفی از داده‌ها انجام می‌دهد بدون آن که به نوع داده و ویژگی‌های آن توجه داشته باشد.

از سوی دیگر، در هوش مصنوعی، به دنبال طراحی سیستم‌ها و ابزارهایی هستیم که به داده‌ها و ویژگی‌های آن‌ها توجه می‌کنند. به عبارتی، هدف هوش مصنوعی این است که سیستم هوشمند، همانند انسان، درباره داده دریافتی فکر کند و با تجزیه و تحلیل آن‌ها (تفکر درباره داده‌ها)، خروجی‌های متفاوتی را ارائه دهد.

بدین ترتیب، می‌توان هدف اصلی هوش مصنوعی را به این صورت خلاصه کرد:

• شبیه‌سازی توانمندی‌های انسان برای انجام امور مختلف برای ماشین‌
• یادگیری مسائل و امور مختلف توسط ماشین همانند انسان
• تقویت مهارت حل مسئله ماشین و ابزارهای مصنوعی
• شبیه‌سازی تفکر و استدلال و استنتاج از داده‌ها برای ماشین

در بخش بعدی به تاریخ پیدایش هوش مصنوعی و سیر تکاملی آن تا به الان می‌پردازیم و به نقاط عطف این حوزه اشاره می‌کنیم.

تاریخ پیدایش هوش مصنوعی

بررسی تاریخچه هوش مصنوعی و روند توسعه آن نیز از موضوعاتی است که بهتر است پیش از پاسخ به پرسش هوش مصنوعی چگونه کار می کند به آن پرداخته شود تا درک روشنی از این حوزه به مخاطب بدهد.

مفهوم امروزی هوش مصنوعی از نحوه عملکرد مغز انسان الهام گرفته شده است. توسعه این شاخه از علوم کامپیوتر از اواسط قرن بیستم آغاز شد که در آن زمان پژوهشگران بر روی طراحی و ساخت کامپیوترها کار می‌کردند. «آلن تورینگ» (Alan Turing) و «جان ون نومن» (John von Neumann) در آن دوران ایده شبیه‌سازی ماشین همانند انسان را پیشنهاد دادند و آلن تورینگ تستی با عنوان «تست تورینگ» (Turing test) ارائه کرد که طی این آزمون میزان هوشمندی کامپیوتر مشخص می‌شد. در این تست، کاربر با کامپیوتر به مکالمه متنی می‌پرداخت و اگر نمی‌توانست تشخیص بدهند که با انسان در حال مکالمه است یا کامپیوتر پاسخ او را می‌دهد، هوشمندی کامپیوتر ثابت می‌شد.

از دیگر نقاط عطف هوش مصنوعی می‌توان به برگزاری کنفرانس «دارتموث» (Dartmouth) در سال ۱۹۵۶ اشاره کرد. در این کنفرانس که جمعی از پژوهشگران مطرح علوم کامپیوتر در آن حضور داشتند، برای نخستین بار اصطلاح هوش مصنوعی مطرح و هدف آن برای طراحی و ساخت ماشین‌های مصنوعی هوشمند تعریف شد.

فیلم آموزش یادگیری ماشین – جامع و با مفاهیم کلیدی در فرادرس

کلیک کنید

در طی سال‌های ۱۹۵۰ تا ۱۹۶۰ پژوهش‌های اولیه‌ای پیرامون طراحی برنامه‌های هوشمندی انجام شده بود که بر اساس استدلال منطقی، مسائل را حل می‌کردند. با شروع دهه ۱۹۷۰، پژوهش‌های هوش مصنوعی به سمت و سوی طراحی سیستم‌های مبتنی بر دانش سوق پیدا کرد که می‌توانستند بر اساس قوانین و استنتاج‌‌های مختلف، به حل مسائل بپردازند.

در سال‌های ۱۹۸۰ تا ۱۹۹۰ روش‌های جدیدتری در «یادگیری ماشین» (Machine Learning) و «شبکه عصبی» (Neural Network) مطرح و الگوریتم‌های جدیدی برای شناسایی الگوهای آماری داده‌ها و پیش‌بینی مقادیر بر اساس داده‌های قدیمی ارائه شدند. این دوران را می‌توان نقطه شروع پژوهش‌های حوزه «سیستم‌ خبره» (Expert System) و «پردازش زبان طبیعی» (Natural Language Processing | NLP) تلقی کرد.

پیشرفت پژوهش‌های هوش مصنوعی تا دهه ۲۰۲۰ به نحوی پیش رفت که مفاهیم جدیدی نظیر «کلان داده یا مه داده» (Big Data) ظهور پیدا کردند و الگوریتم‌های «یادگیری عمیق» (Deep Learning) پیچیده‌تری ارائه شدند که از آن‌ها در مسائلی نظیر «بینایی ماشین» (Computer Vision)، سیستم‌های بازشناسی گفتار و سیستم‌های پردازش زبان طبیعی پیچیده‌تر استفاده می‌شد.

با گسترش پژوهش‌های هوش مصنوعی در سال‌های اخیر و ارائه حوزه‌های «یادگیری تقویتی» (Reinforcement Learning) و مدل‌های «هوش مصنوعی مولد» (Generative Artificial Intelligence)، دستاوردهای مهمی در حیطه طراحی ماشین‌های خودران، ساخت «دستیار مجازی» (Virtual Assistant)، سیستم‌های تشخیص بیماری و ابزارهای هوشمند تشخیص کلاه‌برداری‌های مالی به ثمر نشستند و این روند پیشرفت همچنان ادامه دارد. می‌توان سیستم‌های هوش مصنوعی را به لحاظ قابلیت و کارکرد به انواع مختلفی تقسیم کرد که در بخش‌های بعدی مطلب حاضر به توضیحات آن‌ها خواهیم پرداخت.

انواع قابلیت های هوش مصنوعی

قبل از آن که به این پرسش پاسخ دهیم که هوش مصنوعی چگونه کار می کند ، بهتر است به سطوح مختلف قابلیت‌های هوش مصنوعی و اهداف آن نیز آشنا شویم. می‌توان برای هوش مصنوعی، سه نوع کلی در نظر گرفت:

• «هوش مصنوعی محدود» (Narrow AI)
• «هوش مصنوعی عمومی» (General AI)
• «اَبَر هوش مصنوعی» (Super AI)

در ادامه، به ارائه توضیحات پیرامون هر یک از انواع هوش مصنوعی خواهیم پرداخت.

هدف هوش مصنوعی محدود چیست؟

هوش مصنوعی محدود به عنوان یکی از انواع هوش مصنوعی محسوب می‌شود که هدف آن طراحی و ساخت ابزارها و برنامه‌های هوشمند است تا بتوانند وظیفه‌ای خاص را انجام دهند یا یک مسئله خاص را حل کنند. این سیستم‌ها قادر نیستند چندین وظیفه را انجام دهند. نام دیگر این نوع هوش مصنوعی، «هوش مصنوعی ضعیف» (Weak AI) است. برنامه‌هایی نظیر تشخیص تصویر، «چت جی پی تی» (ChatGPT) و دستیار مجازی از هوش مصنوعی محدود برخوردار هستند.

هدف هوش مصنوعی عمومی

هوش مصنوعی عمومی یا «هوش مصنوعی قدرتمند» (Strong AI) یکی دیگر از انواع هوش مصنوعی محسوب می‌شود که هدف آن ساخت ماشین‌هایی است که بتوانند همانند انسان از عهده هر کاری به شکل هوشمندانه برآیند. با دستیابی به چنین نوعی از هوش مصنوعی، سیستم‌های مصنوعی می‌توانند درباره مسائل فکر کنند و بر اساس تجربیات پیشین و دانش درونی خود به حل مسائل بپردازند. این سیستم‌ها به نوعی قوه ادراک دارند و همانند انسان پیرامون موضوعات مختلف تفکر می‌کنند. در حال حاضر، سیستم‌هایی ساخته نشده‌اند که مجهز به چنین هوش مصنوعی باشند.

هدف ابر هوش مصنوعی

هدف غایی پژوهشگران حوزه فناوری اطلاعات دستیابی به ابر هوش مصنوعی است که بتواند از هوشمندی انسان پیشی بگیرد و مسائلی را حل کند که انسان برای آن‌ها راه‌حلی ارائه نکرده است. این نوع هوش مصنوعی را در فیلم‌های علمی تخیلی دیده‌ایم و می‌توان دستیابی به این سطح از هوش مصنوعی را نیز بسیار خطرناک تلقی کرد، زیرا ممکن است به عنوان دشمنی مهارناپذیر برای بشریت تلقی شود.

انواع کارکردهای هوش مصنوعی

کارکردهای هوش مصنوعی را می‌توان بر اساس میزان پیچیدگی مسائل و ویژگی‌های سیستم هوش مصنوعی به ۴ دسته کلی تقسیم کرد که در ادامه به آن‌ها اشاره شده است:

• هوش مصنوعی از نوع «ماشین‌های واکنشی» (Reactive Machines)
• هوش مصنوعی از نوع «حافظه پنهان»  (Limited Memory)
• هوش مصنوعی از نوع «نظریه ذهن» (Theory Of Mind)
• هوش مصنوعی از نوع «خود آگاهی» (Self Awareness)

در ادامه مطلب، به توضیح هر یک از انواع کارکردهای ذکر شده در بالا می‌پردازیم تا در درک این پرسش که هوش مصنوعی چگونه کار می کند ، به خواننده کمک کند.

ماشین واکنشی هوش مصنوعی چگونه کار می کند ؟

سیستم‌های هوش مصنوعی از نوع ماشین‌های واکنشی با دریافت ورودی، بلافاصله خروجی را تولید می‌کنند و حافظه‌ای برای ذخیره‌سازی اطلاعات ندارند. بنابراین، چنین سیستم‌هایی نمی‌توانند بر پایه تجارب و اطلاعات گذشته، درباره مسائل تصمیم بگیرند و تنها بر اساس داده‌های فعلی که در دست دارند، تصمیم‌گیری می‌کنند. این بدین معنا است که چنین سیستم‌هایی صرفاً برای انجام یک سری وظایف خاص و محدود طراحی می‌شوند.

فیلم آموزش هوش مصنوعی – مقدماتی در فرادرس

کلیک کنید

سیستم Deep Blue را می‌توان به عنوان یک سیستم هوش مصنوعی از نوع ماشین واکنشی مثال زد که توانست استاد بزرگ شطرنج، «گری کاسپاروف» (Garry Kasparov)، را شکست دهد. ماشین هوشمند Deep Blue نمی‌توانست از سوابق و تجربیات قبلی خود برای تصمیم‌گیری درباره حرکت مهره‌ها استفاده کند و با یادگیری از عملیات قبلی، عملکرد خود را بهبود دهد. این ماشین صرفا موقعیت‌های فعلی مهره‌های شطرنج را شناسایی و بر این اساس پیش‌بینی می‌کرد حرکت‌های بعدی او و رقیبش چه خواهند بود.

سیستم حافظه پنهان هوش مصنوعی چگونه کار می کند؟

سیستم‌هایی که مجهز به هوش مصنوعی از نوع حافظه پنهان هستند، می‌توانند داده‌های قبلی را در حافظه خود ذخیره کنند و بر اساس آن‌ها درباره مسئله تصمیم بگیرند. البته میزان نگهداری داده‌ها در حافظه سیستم محدود است و بعد از یک بازه زمانی مشخص، داده‌ها از حافظه پاک می‌شوند. ماشین‌های خودران را می‌توان به عنوان سیستمی در نظر گرفت که از هوش مصنوعی حافظه پنهان استفاده می‌کند. این ماشین‌ها در هر موقعیت، اشیای محیط پیرامون را شناسایی می‌کنند و با در نظر گرفتن داده‌هایی نظیر چراغ راهنمایی و رانندگی و اطلاعات تابلوهای خیابان‌ها، درباره حرکت بعدی خود تصمیم می‌گیرند.

سیستم نظریه ذهن هوش مصنوعی چگونه کار می کند؟

هوش مصنوعی از نوع نظریه ذهن در حال حاضر صرفاً به شکل یک نظریه باقی مانده است و دستاوردهای عملی چشمگیری در این حوزه صورت نگرفته است. هدف این نوع از هوش مصنوعی این است که احساسات انسان و حیوان را درک کند و بر اساس آن‌ها به تصمیم‌گیری بپردازد.

در حال حاضر، پژوهش‌های کمی در حوزه درک احساسات توسط ماشین انجام شده است و پیشرفت زیادی نداشته‌اند. یکی از پروژه‌های مرتبط با هوش مصنوعی از نوع نظریه ذهن، طراحی رباتی انسان‌ما به نام سوفیا بود که می‌توانست با تغییر حالت در چهره، احساسات را نشان دهد.

سیستم خود آگاهی هوش مصنوعی چگونه کار می کند؟

هوش مصنوعی از نوع خود آگاهی را می‌توان به عنوان آینده هوش مصنوعی در نظر گرفت که ایده آن در حال حاضر فقط به صورت یک فرضیه باقی مانده است. سیستم‌هایی که از چنین نوع هوش مصنوعی برخوردار هستند، همانند انسان، خودآگاهی دارند و می‌توانند احساسات انسان و حیوان را درک کنند و احساسات خود را بروز دهند.

اجزای اصلی هوش مصنوعی چیست ؟

حال که با مفهوم هوش مصنوعی و انواع آن آشنا شدیم، در این بخش به اجزای اصلی سیستم‌های هوش مصنوعی می‌پردازیم تا مقدمه‌ای برای پاسخ به این پرسش باشد که هوش مصنوعی چگونه کار می کند ؟

هوش مصنوعی بر اساس مجموعه‌ای از داده‌ها و الگوریتم‌های هوش مصنوعی به یادگیری مسائل می‌پردازند. به عبارتی، الگوریتم‌ها می‌توانند با در اختیار داشتن داده‌ها، الگوهای نهفته در آن‌ها را شناسایی و بر اساس آن‌ها، مسائل را حل کنند. در ادامه، به توضیح بیشتر پیدارمون اجزای اصلی هوش مصنوعی می‌پردازیم.

اهمیت داده ها در هوش مصنوعی چیست؟

داده‌ها به عنوان «سوخت» (Fuel) اصلی سیستم‌های هوشمند هستند. روش‌های هوش مصنوعی بدون در اختیار داشتن داده‌های آموزشی، نمی‌توانند هیچ کاری را یاد بگیرند. داده‌های آموزشی برای سیستم‌های هوش مصنوعی باید دارای یک سری ویژگی باشند که در ادامه به آن‌ها اشاره شده است:

فیلم آموزش مقدمه ای بر هوش مصنوعی و عامل های هوشمند (رایگان) در فرادرس

کلیک کنید

• داده‌های آموزشی نباید شامل «داده‌های مفقودی» (Missing Data) باشند.
• داده‌های آموزشی باید متناسب با نیاز مسئله جمع‌آوری شوند.
• داده‌های آموزشی باید صحیح باشند و اطلاعات نادرست را شامل نشوند.
• داده‌های آموزشی باید به‌روز باشند و از داده‌های قدیمی‌ برای گردآوری داده‌ها استفاده نشود.

می‌توان داده‌های مورد نیاز برای آموزش سیستم‌های هوش مصنوعی را به لحاظ ساختاری به سه دسته کلی تقسیم کرد:

• «داده‌های ساختاریافته» (Structured Data): این نوع داده‌ها، ساختاری از پیش تعریف شده دارند و قالب آن‌ها مشخص است. تاریخ، آدرس، شماره کد ملی و شماره تلفن داده‌های ساختاریافته محسوب می‌شوند.
• «داده‌های غیرساختاریافته» (Unstructured Data): برای این نوع داده‌ها، ساختار خاصی تعریف نشده است و هوش مصوعی به دنبال پیدا کردن الگوهای موجود در آن‌ها هستند. تصاویر، ویدیوها و متون از نوع داده‌های غیرساختاریافته محسوب می‌شوند.
• «داده‌های نیمه ساختاریافته» (Semi-structured Data): داده‌هایی از نوع JSON ،XML و CSV از نوع داده‌های نیمه ساختاریافته هستند.

الگوریتم هوش مصنوعی چگونه کار می کند؟

برای پاسخ به پرسش هوش مصنوعی چگونه کار می کند ، باید در ابتدا به مفهوم و نقش الگوریتم‌های هوش مصنوعی بپردازیم. می‌توان گفت الگوریتم‌ها اساس کار هوش مصنوعی هستند. الگوریتم‌ها شامل مجموعه‌ای از محاسبات ریاضیاتی هستند که سیستم‌های هوشمند با کمک آن‌ها می‌توانند مسائل را درک و آن‌ها را حل کنند. الگوریتم‌های هوش مصنوعی داده‌های خام ورودی خود را پردازش می‌کنند و با اطلاعاتی که از آن‌ها به دست می‌آوردند، به حل مسئله می‌پردازند.

هوش مصنوعی را می‌توان به دو شاخه یادگیری ماشین و یادگیری عمیق تقسیم کرد. با این که بسیاری از افراد تفاوت یادگیری ماشین و یادگیری عمیق را نمی‌دانند و این دو حیطه را یکسان در نظر می‌گیرند با این که هر یک از این شاخه‌ها، الگوریتم‌های مختلفی را شامل می‌شوند.

الگوریتم‌های یادگیری ماشین بر اساس مفاهیم‌ آماری طراحی شده‌اند و با دریافت داده‌های ورودی و پردازش آن‌ها می‌توانند مسئله را یاد بگیرند. الگوریتم‌هایی نظیر «ماشین بردار پشتیبان» (Support Vector Machine | SVM)، «دسته بند بیز ساده» (Naive Bayes)، «درخت تصمیم» (Decision Tree)، «K نزدیک‌ترین همسایه» (K Nearest Neighbors | KNN)، «رگرسیون لجستیک» (Logistic Regression) و «رگرسیون خطی» (Linear Regression) از الگوریتم‌های پرکاربرد یادگیری ماشین محسوب می‌شوند.

یادگیری عمیق به عنوان زیر شاخه‌ای از یادگیری تلقی می‌شود که برای طراحی مدل‌های آن، از ساختار مغز انسان الهام گرفته شده است. مدل‌های یادگیری عمیق، از لایه‌های مختلف تشکیل می‌شوند که لایه اول و آخر این مدل‌ها، «لایه ورودی» (Input Layer) و «لایه خروجی» (Output Layer) هستند که به ترتیب، وظیفه دریافت داده‌های ورودی و تولید خروجی نهایی مدل را بر عهده دارند.

وجود لایه‌های ورودی و خروجی در تمامی مدل‌های یادگیری عمیق ضروری است. در میان لایه‌های ورودی و خروجی، می‌تواند چندین لایه وجود داشته باشند که به آن‌ها، «لایه‌های پنهان» (Hidden Layer) مدل گفته می‌شود. وظیفه اصلی این لایه‌ها، اعمال محاسبات ریاضی بر روی داده‌ها و انتقال نتایج محاسبات به لایه بعدی است. به عبارتی،‌ می‌توان گفت این لایه‌ها مشابه رشته‌های عصبی مغز عمل می‌کنند که داده‌ها را پس از پردازش به رشته‌های دیگر می‌فرستند.

حال که با اجزای اصلی یادگیری سیستم‌های هوش مصوعی آشنا شدید، در بخش بعدی به این پرسش می‌پردازیم که هوش مصنوعی چگونه کار می کند و چه مراحلی را باید برای یادگیری مدل و استفاده از آن انجام دهیم.

هوش مصنوعی چگونه کار می کند؟

مراحل آماده‌سازی و یادگیری سیستم‌های هوش مصنوعی را می‌توان در چندین مرحله زیر خلاصه کرد:

• جمع‌آوری داده
• پیش پردازش داده ها
• انتخاب مدل هوش مصنوعی
• آموزش مدل هوش مصنوعی
• تست و ارزیابی مدل هوش مصنوعی
• استقرار مدل هوش مصنوعی
• به‌روزرسانی مدل هوش مصنوعی

در ادامه، به توضیح هر یک از مراحل ذکر شده در بالا می پردازیم.

۱. مرحله جمع آوری داده در هوش مصنوعی چگونه کار می کند؟

یکی از مهم‌ترین مراحل توسعه یک سیستم هوش مصنوعی، مرحله جمع‌آوری داده است. می‌توان از منابع مختلفی برای گردآوری داده‌های مورد نیاز سیستم هوشمند استفاده کرد. داده‌ها در قالب‌های مختلفی نظیر متن، عدد، تصویر، ویدئو یا صوت هستند و می‌توانند از نوع ساختاریافته یا غیرساختاریافته باشند.

۲. هدف مرحله پیش پردازش داده برای سیستم های هوش مصنوعی چیست؟

پس از این که داده‌های مورد نیاز مسئله را از منابع مختلف جمع‌آوری کردید، نمی‌توانید مستقیماً از آن‌ها برای آموزش مدل هوش مصنوعی استفاده کنید. باید در ابتدا داده‌ها را پیش پردازش کنید تا آن‌ها را به شکلی درآورید که مورد استفاده الگوریتم‌ها باشند. حذف داده‌های نادرست، کامل کردن داده‌های ناقص، نرمال‌سازی داده‌ها و حذف داده‌های تکراری از مراحل پیش پردازش داده محسوب می‌شوند.

فیلم آموزش روش های پیش پردازش داده ها – رایگان در فرادرس

کلیک کنید

۳. مرحله انتخاب مدل در هوش مصنوعی چگونه کار می کند ؟

انتخاب مدل و الگوریتم مناسب مسئله مرحله مهمی از حل مسئله محسوب می‌شود. هر یک از الگوریتم های یادگیری ماشین و الگوریتم های یادگیری عمیق دارای ویژگی‌های منحصربفردی هستند و کارایی آن‌ها با یکدیگر متفاوت است. به علاوه، رویکردهای مختلفی برای آموزش مدل‌ها در هوش مصنوعی وجود دارند که عبارت‌اند از:

• «یادگیری نظارت شده» (Supervised Learning)
• «یادگیری نظارت نشده» (Unsupervised Learning)
• «یادگیری تقویتی» (Reinforcement Learning)

در ادامه، به توضیح هر یک از رویکردهای یادگیری هوش مصنوعی می‌پردازیم تا به خواننده کمک کند درک بهتری از پاسخ به این سوال به دست آورد که هوش مصنوعی چگونه کار می کند .

الگوریتم یادگیری نظارت شده هوش مصنوعی چگونه کار می کند؟

الگوریتم‌هایی که دارای این رویکرد هستند، نیاز به داده‌هایی دارند که دارای برچسب باشند. برچسب، مقدار «هدف» (Target) را مشخص می‌کند. به عنوان مثال، مسئله‌ای نظیر تشخیص ایمیل‌های اسپم و غیر اسپم، جزو مسائل یادگیری نظارت شده هستند که داده‌های آموزشی این مسئله، شامل محتوای ایمیل، ارسال کننده ایمیل، کلمات کلیدی ایمیل، طول محتوای ایمیل و مقدار هدف است که نوع ایمیل را مشخص می‌کند. مقدار هدف برای این مثال می‌تواند ۰ و ۱ یا True و False باشد که به عنوان مثال عدد ۰ یا عبارت False نشان دهنده این است که ایمیل، از نوع اسپم نیست.

الگوریتم‌هایی با رویکرد نظارت شده از مقدار هدف برای یادگیری مسئله و پیدا کردن تابع نگاشت داده‌ها و مقدار هدف استفاده می‌کنند. در حل مسائلی نظیر «دسته‌بندی» (Classification) و «رگرسیون» (Regression)، الگوریتم‌های یادگیری نظارت شده کاربرد دارند. در مسائل دسته‌بندی به دنبال این هستیم تا داده‌ها را در دسته‌های جداگانه قرار دهیم. مسائلی مانند تشخیص ایمیل اسپم و غیر اسپم، تشخیص تصاویر حیوانات، تشخیص نویسنده و مواردی از این قبیل با الگوریتم‌های دسته‌بندی قابل حل هستند.

در مسائل رگرسیون به دنبال پیش‌بینی مقادیری خاص بر اساس داده‌های ورودی الگوریتم هستیم. پیش‌بینی قیمت مسکن جزو مسائل رگرسیون هستند که الگوریتم با داشتن داده‌های ورودی مانند تعداد اتاق‌های خانه، متراژ خانه، موقعیت جغرافیایی خانه و اطلاعاتی از این قبیل، قیمت خانه را پیش‌بینی می‌کند.

الگوریتم یادگیری نظارت نشده هوش مصنوعی چگونه کار می کند؟

برخلاف مدل‌های یادگیری نظارت شده، الگوریتم‌های یادگیری نظارت نشده با داده‌های آموزشی بدون برچسب سر و کار دارند. مسائلی که با رویکرد یادگیری نظارت نشده قابل حل هستند، مسائل «خوشه‌بندی» (Clustering) نامیده می‌شوند. در این مسائل، مقدار هدف در داده‌های آموزشی مشخص نیست و این الگوریتم‌ها، الگوهای نهفته داده‌ها را شناسایی می‌کنند و داده‌های مشابه را در خوشه‌های یکسان قرار می‌دهند.

ورودی الگوریتم‌های خوشه‌بندی داده‌های مختلفی نظیر متن و صوت یا تصویر می‌توانند باشند و خروجی این مدل‌ها چندین خوشه مختلف است که در هر خوشه، داده‌های مشابه قرار می‌گیرند. این نوع الگوریتم‌ها برای حل مسائلی نظیر تشخیص کلاه‌برداری یا تشخیص حملات سایبری به کار می‌روند.

الگوریتم یادگیری تقویتی هوش مصنوعی چگونه کار می کند؟

رویکرد یادگیری تقویتی متفاوت از رویکرد یادگیری الگوریتم‌های نظارت شده و نظارت نشده است. در یادگیری تقویتی، یک عامل هوشمند داریم که قرار است همانند انسان وظایف را با کنش و واکنش یاد بگیرد. به عبارتی، در این رویکرد از یادگیری، برای سیستم هوشمند، داده آموزشی تهیه نمی‌شود بلکه عامل هوشمند با انجام کارهای مختلف و گرفتن بازخورد و نتیجه از محیط پیرامون خود، کم‌کم یاد می‌گیرد عملکرد خود را بهبود دهد.

۴. مرحله آموزش مدل در هوش مصنوعی چگونه کار می کند؟

این مرحله به این پرسش، پاسخ دقیق‌تری می‌دهد که هوش مصنوعی چگونه کار می کند ؟ پس از آماده‌سازی داده‌های مورد نیاز مسئله و انتخاب مناسب‌ترین الگوریتم هوش مصنوعی، نوبت به این می‌رسد که داده‌ها را برای آموزش، به الگوریتم هوش مصنوعی بدهیم.

پیش از آموزش مدل هوش مصنوعی با داده‌ها، در ابتدا باید داده‌های فراهم شده را به سه بخش تقسیم کنیم:

• «داده‌های آموزشی» (ُTraining Data): این داده‌ها برای آموزش مدل استفاده می‌شوند و باید از تنوع خوبی برخوردار باشند.
• «داده‌های ارزیابی» (Validation Data): از این داده‌ها برای سنجش عملکرد مدل استفاده می‌شود تا در هر گام آموزش مدل، بررسی شود یادگیری مدل از مسئله به چه نحوی پیش می‌رود.
• «داده‌های تست» (Test Data): از مدل نهایی پس از آموزش برای داده‌های جدید استفاده می‌شود که داده‌های تست هستند.

الگوریتم‌های هوش مصنوعی بر پایه یک سری عملیات ریاضی طراحی شده‌اند و هر یک از آن‌ها، پردازش‌های محاسباتی خاصی را بر روی داده‌های ورودی خود اعمال می‌کنند. الگوریتم‌ها و مدل‌های هوش مصنوعی در مقایسه با روش‌های یادگیری ماشین بار محاسباتی سنگین‌تری دارند و زمان آموزش مدل بیشتر طول می‌کشد.

۵. مرحله ارزیابی مدل هوش مصنوعی

پس از آموزش مدل، نیاز است که عملکرد مدل مورد ارزیابی قرار بگیرد زیرا ممکن است مدل هوش مصنوعی داده‌های آموزشی مسئله را خوب یاد بگیرد اما زمانی که می‌خواهیم از مدل برای داده‌های جدید استفاده کنیم، عملکرد خوبی نداشته باشد. اینجا است که دلیل استفاده از مجموعه داده‌های ارزیابی یا همان Validation data set را متوجه می‌شویم. می‌توانیم میزان یادگیری مدل را در حین آموزش با استفاده از مجموعه داده‌های ارزیابی بسنجیم.

از معیارهای ارزیابی مختلفی نیز می‌توانیم برای سنجش عملکرد الگوریتم هوش مصنوعی استفاده کنیم که مهم‌ترین آن‌ها در ادامه فهرست شده‌اند:

• «دقت» (Accuracy)
• «صحت» (Precision)
• «بازیابی» (Recall)
• امتیاز F1

با بررسی عملکرد مدل، سه حالت ممکن است رخ بدهد:

• «کم برازش» (Underfitting): این حالت زمانی اتفاق می‌افتد که مدل هوش مصنوعی مسئله را به‌خوبی یاد نمی‌گیرد و معیارهای ذکر شده در بالا به مقادیر خوبی نمی‌رسند. در این حالت، باید از روش‌های مختلفی استفاده کنیم که عملکرد مدل بهتر شود. به عنوان مثال، اگر تعداد داده‌های آموزشی کم است، باید داده‌های بیشتری را برای مدل فراهم کنیم. همچنین، برخی مسائل نیاز به مدل‌های پیچیده‌تری دارند و با مدل‌های ساده نمی‌توان به حل آن‌ها پرداخت. در این حالت، اگر از مدل‌های یادگیری عمیق و شبکه‌های عصبی استفاده می‌کنید، باید تعداد لایه‌های شبکه را بیشتر کنید تا مدل پیچیده‌تر شود.
• «بیش برازش» (Overfitting): زمانی که مدل، داده‌های آموزشی را به‌خوبی یاد می‌گیرد اما عملکرد خوبی بر روی داده‌های تست ندارد، وضعیت بیش برازش رخ می‌دهد. در این حالت می‌توان از روش‌های مختلفی استفاده کرد تا عملکرد مدل بر روی داده‌های جدید بهتر شود. به عنوان مثال، یکی از راه‌حل‌ها برای رفع وضعیت بیش برازش، استفاده از داده‌های نویزی در حین آموزش مدل است.
• برازش مناسب: در این حالت، مدل داده‌های آموزشی را به‌خوبی یاد گرفته است و عملکرد خوبی نیز بر روی داده‌های تست دارد.

۶. مرحله استقرار مدل هوش مصنوعی

پس از رسیدن به بهترین عملکرد مدل، باید بستری را مهیا کنید تا کاربران بتوانند از آن استفاده کند. به عنوان مثال، می‌توان برنامه‌ای طراحی کنید که به عنوان واسط کاربری باشد و کاربر بتواند از طریق آن از مدل استفاده کند.

فرض کنید یک مدل هوش مصنوعی را برای پیش‌بینی مقدار قیمت خانه بر اساس ویژگی‌هایی نظیر متراژ خانه، تعداد اتاق‌ها و موقعیت جغرافیایی خانه آموزش دادید. برای این مدل، می‌توانید یک برنامه نرم‌افزاری ساده طراحی کنید که از کاربر ویژگی‌های خانه را دریافت و آن‌ها را به مدل نهایی آموزش داده شده ارسال کند تا مدل بر اساس آن اطلاعات، قیمت خانه را پیش‌بینی کند.

۷. به روزرسانی مدل در هوش مصنوعی مصنوعی چگونه کار می کند؟

تا به اینجا به این پرسش پاسخ دادیم که هوش مصنوعی چگونه کار می کند و چه مراحلی را باید برای آموزش مدل انجام دهیم.

نکته مهمی که باید به آن اشاره کرد این است که مدل‌های هوش مصنوعی با رویکردهای یادگیری نظارت شده و نظارت نشده بر اساس داده‌هایی که ما در اختیارشان قرار می‌دهیم، مسائل را یاد می‌گیرند. بنابراین، دانش کسب شده آن‌ها مربوط به داده‌هایی است که برای آن‌ها جمع‌آوری کردیم و اطلاعات آن‌ها به‌روزرسانی نمی‌شود.

از آنجایی که داده‌های جدید و متنوعی روزانه تولید می‌شوند و اطلاعاتی که این داده‌ها دربردارند، بسیار ارزشمند هستند، باید مدل را با داده‌های جدید به‌روز نگه داریم تا عملکرد مدل با داده‌های تست جدید افت پیدا نکند.

به منظور تحقق چنین هدفی می‌توان از دو روش استفاده کرد. در اولین روش، می‌توان برای مدل به‌صورت دستی داده‌های جدیدی را آماده کنیم و مدل را با داده‌های جدید به‌روز کنیم.

در روش دوم، می‌توانیم از رویکرد یادگیری تقویتی استفاده کنیم. در این رویکرد، اگر کارایی مدل هوش مصنوعی برای داده‌های جدید افت پیدا کند، مدل به‌طور خودکار با توجه به عملکرد ضعیفش، خطایش را یاد می‌گیرد و یادگیری خود را درباره داده‌های جدید بهتر می‌کند.

مثال های هوش مصنوعی

امروزه، می‌توانیم شاهد کاربردهای هوش مصنوعی در تمامی جنبه‌های زندگی انسان باشیم. می‌توان گفت بسیاری از شاخه‌های علوم از ابزارها و روش‌های هوش مصنوعی استفاده می‌کنند و در حال حاضر، پروژه‌ها و مطالعات میان رشته‌ای مرتبط با هوش مصنوعی بسیار گسترده شده‌اند. در این بخش، به چند نمونه از دستاوردهای اخیر و مهم هوش مصنوعی اشاره خواهیم کرد.

• چت جی پی تی: یک چت بات هوش مصنوعی است که می‌تواند بر اساس درخواست کاربر، به تولید پاسخ در قالب متن بپردازد. این چت بات در سال ۲۰۲۲ توسط شرکت OpenAI ارائه شد که بر پایه یک مدل زبانی بزرگ کار می‌کند. با استفاده از این چت بات می‌توانید کدهای برنامه نویسی خود را رفع خطا کنید یا از آن در راستای تولید محتوا بهره ببرید. همچنین، این چت بات بر اساس کوئری کاربر، پاسخ کاملی را از منابع مختلف آنلاین پیدا می‌کند و به او ارائه می‌دهد.
  
  فیلم آموزش کار با چت جی پی تی ChatGPT در فرادرس

  کلیک کنید
• نقشه گوگل: این ابزار هوشمند از دیگر دستاوردهای مهم هوش مصنوعی است که تمامی اطلاعات موقعیت مکانی را شامل می‌شود و برای رسیدن به مقصد می‌تواند با در نظر داشتن میزان ترافیک لحظه‌ای و مسیرهایی که تصادف در آن رخ داده است، بهترین مسیر را به کاربر پیشنها دهد.
• دستیارهای مجازی: Siri و Alexa از دیگر ابزارهای هوش مصنوعی هستند که بر پایه روش‌های پردازش زبان طبیعی می‌توانند درخواست‌های کاربر را درک کنند و آن‌ها را انجام دهند. به علاوه، این نوع سیستم‌ها می‌توانند پس از مدتی، سلایق کاربران را بر اساس داده‌های قبلی خود درک کنند و عملکرد خود را بر اساس سلایق آن‌ها بهبود دهند.
• «اسنپ‌چت» (Snapchat): از دیگر ابزارهای جدید هوش مصنوعی است که فیلترهای مختلفی را بر روی چهره افراد قرار می‌دهد. این ابزار می‌تواند چهره افراد را تشخیص دهد و حرکات چهره آن‌ها را دنبال کند و فیلتر را با در نظر گرفتن این اطلاعات، بر روی چهره افراد اعمال کند.
• ماشین‌های خودران: این نوع خودروها از دستاوردهای پژوهش یادگیری عمیق هستند که می‌توانند با دریافت اطلاعات از محیط پیرامون، تصمیم بگیرند در هر لحظه چه کاری را انجام دهند و چه مسیری را برای رساندن مسافر به مقصد انتخاب کنند که بهینه باشد.
• سنسورهای پوششی: در بیمارستان‌ها و مراکز پزشکی از سنسورها و دستگاه‌هایی برای بیماران استفاده می‌کنند که می‌توانند شرایط جسمی بیمار نظیر فشار خون، تنفس، ضربان قلب و مواردی از این قبیل را چک و بر اساس این اطلاعات وضعیت بهبود بیمار را پیش‌بینی کنند.

جمع‌بندی

هوش مصنوعی یکی از شاخه‌های علوم کامپیوتر است که کاربردهای زیادی در زندگی بشر دارد. هدف اصلی شکل‌گیری این حوزه مطالعاتی این بود که با استفاده از روش‌ها و ابزارهای این حیطه، سیستم‌هایی هوشمندی طراحی شوند تا در انجام امور مختلف به انسان کمک کنند. البته با پیشرفت پژوهش‌ها در این حوزه، انواع مختلفی از هوش مصنوعی شکل گرفت که هر کدام هدف خاصی را دنبال می‌کنند و نقطه اشتراک آن‌ها در این است که کلیه سیستم‌های هوش مصنوعی بر پایه داده‌ها و الگوریتم‌ها مسائل را یاد می‌گیرند. در این مطلب از مجله فرادرس سعی داشتیم با توضیحاتی ساده به این پرسش پاسخ دهیم که هوش مصنوعی چگونه کار می کند و مراحل یادگیری کلیه سیستم‌های هوشمند چه هستند تا افرادی که دانش تخصصی در این حیطه ندارند اما علاقه دارند دانش اولیه‌ای از آن به دست آوردند، بتوانند به‌راحتی با ساز و کار این سیستم‌ها آشنا شوند.