مبانی هوش مصنوعی که باید برای شروع بدانید

دستاوردهای «هوش مصنوعی» (Artificial Intelligence | AI) و استفاده از آن‌ها در زندگی روزمره باعث شده است که عموم مردم کم و بیش با این شاخه از فناوری اطلاعات آشنا شوند و از ابزارها و سیستم‌های آن در انجام امور مختلف بهره ببرند. با این حال کاربران هوش مصنوعی با مفاهیم اصلی و روش‌ها و اهداف این حوزه آشنا نیستند و دید بسیار کمی از این رشته دارند. در این مطلب از مجله فرادرس قصد داریم به توضیح مبانی هوش مصنوعی به گونه‌ای بپردازیم که افراد غیرفنی نیز بتوانند به دید جامعی از هدف هوش مصنوعی برسند.

در ابتدای این مطلب، به مفهوم هوش مصنوعی و انواع آن می‌پردازیم و اشاره مختصری به تاریخچه آن می‌کنیم. سپس، با زبان ساده شرح می‌دهیم سیستم‌های هوشمند چگونه کار می‌کنند. همچنین، به اهداف و کاربردها و زیرشاخه‌های هوش مصنوعی اشاره خواهیم کرد و به مزیت‌ها و معایب آن اشاره می‌کنیم.

مفهوم AI در مبانی هوش مصنوعی

افرادی که به دنبال یادگیری مبانی هوش مصنوعی هستند، باید مفهوم این رشته و هدف آن را درک کنند. رشته هوش مصنوعی به عنوان شاخه‌ای از علوم کامپیوتر محسوب می‌شود که هدف آن طراحی و ساخت ماشین‌های هوشمندی است که بر اساس تجربیات پیشین خود، یاد بگیرد چطور وظیفه‌ای خاص را همانند انسان انجام دهد. 

فیلم آموزش هوش مصنوعی – مقدماتی در فرادرس

کلیک کنید

از واژه «هوش» برای نام‌گذاری این حوزه از فناوری اطلاعات استفاده شده است که بهتر است توضیح مختصری پیرامون مفهوم این واژه و دلیل استفاده از آن در نام نهادن این شاخه از علوم کامپیوتر ارائه کنیم.

هوش به معنای قابلیت یادگیری و قابلیت تحلیل و حل مسئله است. در تعریف هوش مصنوعی گفتیم که هدف از آن، ساخت ماشین‌های هوشمندی است که بتوانند برای انجام کارها، به میزان هوشمندی انسان عمل کنند. اما سوال اینجاست که میزان هوشمندی ماشین باید چقدر باشد که بتوان آن را هوشمند دانست؟

اگر هوشمندی انسان را بخواهیم ملاک ارزیابی هوشمندی ماشین قرار دهیم، می‌توان گفت ماشینی هوشمند است که بتواند مسائل را بر اساس تجربیات و دانش خود حل کند و از نتیجه‌ای که دریافت می‌کند، بتواند عملکرد خود را بهبود ببخشد. دانشی که سیستم هوشمند در اختیار دارد، همان تجربیات حاصل شده از بازخورد دریافتی از محیط است.

انواع هوش مصنوعی

به منظور توضیح بیشتر پیرامون مبانی هوش مصنوعی، لازم است به انواع هوش مصنوعی بپردازیم و اهداف هر یک از آن‌ها را شرح دهیم. انواع هوش مصنوعی را می‌توان به شکل زیر تقسیم‌بندی کرد:

• «هوش مصنوعی محدود» (Narrow or Weak Artificial Intelligence)
• «هوش مصنوعی عمومی | قدرتمند» (General or Strong Artificial Intelligence)
• «اَبَر هوش مصنوعی» (Super Artificial Intelligence)

در ادامه، به توضیح مختصری پیرامون انواع هوش مصنوعی می‌پردازیم.

هوش مصنوعی محدود چیست؟

سیستم‌ها و ابزارهایی که به هوش مصنوعی محدود مجهز هستند، توانمندی کامل شناختی ندارند و صرفاً می‌توانند از پس یک وظیفه خاص بر بیایند. سیستم‌های تشخیص چهره، بازشناسی گفتار، چت بات‌ها، دستیار صوتی نظیر Siri و Alexa و موتورهای جستجوگر اینترنت مانند گوگل از هوش مصنوعی محدود برخوردار هستند و فقط می‌توانند یک وظیفه خاص را هوشمندانه انجام دهند.

هوش مصنوعی عمومی

هدف از هوش مصنوعی عمومی ساخت سیستم‌هایی هستند که هوشمندی آن‌ها همانند انسان باشد و بتوانند هر کاری را با تفکر و تجزیه و تحلیل انجام دهند. چنین سیستم‌هایی از آگاهی درونی برخوردارند و دارای احساسات هستند و می‌توانند برای آینده برنامه‌ریزی کنند. چنین سیستم‌هایی را در برخی از فیلم‌های سینمایی نظیر A Space Odyssey محصول سال ۲۰۰۱ دیده‌ایم.

ابر هوش مصنوعی

توانمندی سیستم‌های مجهز به ابر هوش مصنوعی از توانمندی انسان پیشی می‌گیرد. چنین سیستم‌هایی می‌توانند آینده را پیش‌بینی کنند یا به دستاوردهای علمی برسند و برای بسیاری از مشکلات حل نشده فعلی مانند درمان سرطان راه‌حل پیدا کنند. البته ظهور این نوع هوش مصنوعی یک شمشیر دو لبه است. با این که انسان می‌تواند از آن در راستای اهداف خود استفاده کند اما تهدیدی جدی برای نسل بشر محسوب می‌شود.

تاریخچه AI چیست ؟

بر اساس تاریخچه هوش مصنوعی، ایده ساخت و طراحی موجودات مصنوعی هوشمند جدید نیست و به دوران عهد عتیق برمی‌گردد. با این حال، در سال ۱۹۵۶ با تشکیل شدن «کنفرانس دارتموث» (The Dartmouth Conference) پژوهش‌های این شاخه از علوم کامپیوتر به طور رسمی آغاز شد.

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

کلیک کنید

در پی تشکیل این کنفرانس، تحقیقاتی پیرامون درک زبان انسان توسط ماشین و ساخت ربات در سال‌ها ۱۹۶۴ و ۱۹۶۹ انجام و اولین ماشین خودران در سال ۱۹۷۹ طراحی شد. از اوایل دهه ۱۹۹۰ پژوهش‌های جدی پیرامون «یادگیری ماشین» (Machine Learning) شکل گرفت و در سال ۲۰۰۰ رباتی هوشمند طراحی شد که قادر بود احساسات خود را بیان کند.

تحقیقات و پژوهش‌های محققان از سال ۲۰۰۰ تاکنون با سرعت زیادی پیش رفته و به ساخت ابزارهای هوشمندی نظیر «چت جی پی تی» (ChatGPT) منجر شده است که به عنوان دستاوردی شگفت‌انگیز به شمار می‌رود.

هوش مصنوعی چگونه عمل می کند ؟

در مبانی هوش مصنوعی به این موضوع پرداخته می‌شود که سیستم‌های هوشمند مصنوعی چگونه مسائل را یاد می‌گیرند و وظایف را چطور انجام می‌دهند؟

برای یادگیری هوش مصنوعی به حجم زیادی از داده نیاز داریم تا روش‌ها و الگوریتم‌های هوش مصنوعی با استفاده از آن‌ها آموزش ببینند. الگوریتم‌ها به دنبال پیدا کردن الگوهای پنهان موجود در داده‌ها هستند تا با شناسایی آن‌ها، درباره داده‌های جدید تصمیم بگیرند.

برخلاف انسان، سیستم‌های هوشمند نیازی به تقسیم وظایف ندارند و در زمان بسیار کوتاه می‌توانند درباره میلیون‌ها داده جدید تصمیم بگیرند. می‌توان روال کار پروژه هوش مصنوعی را در مراحل زیر برشمرد:

• جمع‌آوری داده‌های مورد نیاز مسئله
• پیش پردازش داده‌ها
• انتخاب مناسب‌ترین مدل هوش مصنوعی
• آموزش مدل هوش مصنوعی
• ارزیابی عملکرد مدل هوش مصنوعی

در ادامه، به توضیح میزان اهمیت داده در آموزش مدل‌های هوش مصنوعی می‌پردازیم که این مطلب، یکی از موضوعات مهم در مبانی هوش مصنوعی به حساب می‌آید.

نقش داده در هوش مصنوعی چیست ؟

داده‌ها نقش مهمی در هوش مصنوعی دارند. الگوریتم‌های هوش مصنوعی با استفاده از داده‌ها، دانش خود را به دست می‌آوردند و به حل مسائل می‌پردازند. کیفیت و کمیت داده‌های آموزشی تاثیر مستقیم بر روی عملکرد مدل هوش مصنوعی و دقت آن دارد. داده‌های مورد نیاز الگوریتم‌های هوش مصنوعی می‌توانند برچسب‌دار یا بدون برچسب باشند. داده‌های آموزشی برچسب‌دار شامل مقادیر «هدف» (Target) هستند که مدل باید در حین یادگیری بتواند این مقادیر هدف را پیش‌بینی کند. داده‌های بدون برچسب، شامل مقادیر هدف نیستند و الگوریتم‌ها صرفاً باید با تشخیص الگوی پنهان داده‌ها و روابط بین آن‌ها مسائل را یاد بگیرند.

نکته مهمی که درباره داده‌ها در مبانی هوش مصنوعی به آن اشاره می‌شود این است که داده‌های آموزشی مدل‌های هوش مصنوعی پیش از این که توسط الگوریتم‌ها مورد استفاده قرار بگیرند، باید پیش پردازش شوند. روال پیش پردازش داده‌ها شامل «پاکسازی داده» (Cleaning Data)، اعمال تغییرات بر روی آن‌ها و نرمال‌سازی داده‌ها است تا در نهایت داده‌های خام در قالبی دربیایند که برای پردازش مدل‌ها، مناسب باشند.

الگوریتم هوش مصنوعی

الگوریتم هوش مصنوعی مجموعه‌ای از دستورالعمل‌ها و قواعدی است که سیستم هوشمند با کمک آن‌ها به حل مسائل می‌پردازد. می‌توان الگوریتم‌های هوش مصنوعی را به دو دسته «روش‌های قاعده‌مند» (Rule-based Techniques) و «روش‌های آماری» (Statistical Techniques) تقسیم کرد.

فیلم آموزش یادگیری ماشین در فرادرس

کلیک کنید

در الگوریتم‌های هوش مصنوعی قاعده‌مند، سیستم هوشمند بر اساس یک سری دستورات و استدلال‌های منطقی مسائل را حل می‌کند. روش‌های آماری هوش مصنوعی نیز بر پایه مفاهیم آمار به تحلیل و پردازش داده می‌پردازند و درباره مسئله تصمیم می‌گیرند. رویکردهای یادگیری الگوریتم‌های هوش مصنوعی را می‌توان به چهار دسته کلی تقسیم کرد:

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

در ادامه مطلب مبانی هوش مصنوعی، به توضیح هر یک از انواع یادگیری‌های هوش مصنوعی می‌پردازیم و برای آن‌ها مثال ساده‌ای ارائه خواهیم داد تا در درک آن‌ها به خواننده کمک کند.

یادگیری نظارت شده

در بخش قبلی، به اهمیت داده‌ها در یادگیری هوش مصنوعی اشاره کردیم و گفتیم داده‌ها در دو نوع برچسب‌دار و بدون برچسب برای آموزش الگوریتم‌ها استفاده می‌شوند. روش‌های هوش مصنوعی با رویکرد یادگیری نظارت شده برای یادگیری مسائل، به داده‌های برچسب‌دار نیاز دارند. به عبارتی، مقادیر هدف در این داده‌ها به عنوان یک راهنما برای یادگیری مدل هوش مصنوعی است و مدل سعی دارد تا رابطه بین داده‌ها (ویژگی‌ها) و مقادیر هدف را پیدا کند.

به عنوان مثال، فرض کنید مجموعه‌ای از تصاویر سگ و گربه در اختیار دارید که با برچسب مشخص شده‌اند کدام تصویر سگ و کدام تصویر گربه را نشان می‌دهد. الگوریتم هوش مصنوعی باید تصاویر را بر اساس ویژگی‌های استخراج شده از تصاویر و برچسب آن‌ها یاد بگیرد تا در مرحله تست، بتواند راجع به تصویر جدیدی که به آن می‌دهیم، تصمیم بگیرد آیا متعلق به سگ یا گربه است.

از رویکرد یادگیری نظارت شده در مسائلی نظیر «دسته بندی» (Classification) و «رگرسیون» (Regression) استفاده می‌شود. مدل‌های هوش مصنوعی دسته‌بندی برای گروه‌بندی داده‌ها در دو یا چند کلاس کاربرد دارند. مسائلی نظیر تشخیص اسپم یا غیراسپم بودن ایمیل، عقیده‌کاوی و تحلیل احساسات، دسته‌بندی داروها بر اساس ویژگی‌های مشترک، گروه‌بندی تصاویر مشابه و تشخیص نویسنده متن از نوع مسائل دسته‌بندی هستند.

الگوریتم‌های رگرسیون برخلاف مدل‌های دسته‌بندی، کلاسی برای داده‌ها تعیین نمی‌کنند و برای هر مقدار ورودی می‌توانند یک مقدار خروجی منحصربفرد ارائه دهند. موضوعاتی نظیر پیش‌بینی قیمت مسکن را می‌توان جزء مسائل رگرسیون در نظر گرفت. در این مسئله، داده‌های ورودی مدل، ویژگی‌های خانه مانند متراژ، تعداد اتاق‌ها، تعداد پارکینگ و مواردی از این قبیل است و مدل با توجه به این ویژگی‌ها باید قیمت خانه را تخمین بزند.

یادگیری نظارت نشده

بر خلاف رویکرد یادگیری نظارت شده، الگوریتم‌های یادگیری نظارت نشده نیازی به داده‌های برچسب‌دار ندارند و داده‌ها را بر اساس ویژگی‌هایشان خوشه‌بندی می‌کنند. به عبارتی، در این روش از یادگیری، کلاسی برای داده‌ها از قبل تعریف نمی‌شود و مدل‌های هوش مصنوعی به‌طور خودکار، داده‌های مشابه را در خوشه‌های مجزا قرار می‌دهند. مسائلی نظیر تشخیص کلاه‌برداری‌های مالی، تشخیص گفتار و امنیت سایبری، موضوعاتی هستند که با استفاده از رویکرد یادگیری نظارت شده می‌توان آن‌ها را حل کرد.

یادگیری نیمه نظارت شده

در بسیاری از مسائل دنیای واقعی، نمی‌توانیم داده‌های برچسب‌دار زیادی برای الگوریتم‌های یادگیری نظارت شده فراهم کنیم. از آنجا که این مدل‌ها برای رسیدن به دقت مطلوب، نیاز به داده آموزشی زیادی هستند، با در اختیار داشتن داده کم، به نتیجه مورد انتظار نمی‌رسند.

برای حل این نوع مسائل می‌توانیم از روش‌های یادگیری نیمه نظارت شده استفاده کنیم. الگوریتم‌هایی که با این رویکرد مسائل را یاد می‌گیرند، می‌توانند در مرحله آموزش، از هر دو نوع داده آموزشی برچسب‌دار و بدون برچسب استفاده کنند. به عبارتی، این الگوریتم‌ها در ابتدای کار همانند مدل‌های یادگیری نظارت نشده، ویژگی‌های داده‌ها را یاد می‌گیرند و سپس از داده‌های برچسب‌دار استفاده می‌کنند تا با کمک آن‌ها یادگیری بهتری از مسئله داشته باشند.

یادگیری تقویتی

رویکرد یادگیری تقویتی به روال یادگیری انسان بیشترین شباهت را دارد. انسان در طی روند رشد خود در محیط اطراف با اعمال کارها و رفتارهای مختلف، بازخوردهایی را دریافت می‌کند که تجربیات او به شمار می‌روند و روند یادگیری و شناخت انسان با کسب تجارب مختلف حاصل می‌شود.

فیلم آموزش یادگیری تقویتی با متلب MATLAB در فرادرس

کلیک کنید

ایده رویکرد یادگیری تقویتی نیز بر اساس نحوه یادگیری انسان شکل گرفته است. عامل هوشمند در یک محیط تعریف شده، به انجام یک سری اقدامات در راستای رسیدن به هدف می‌پردازد. چنانچه اقدامات و رفتارهای صحیحی را انجام دهد، پاداشی دریافت می‌کند و اگر کارهایی را انجام دهد که نتایج خوبی به همراه نداشته باشند، تنبیه می‌شود.

در رویکرد یادگیری تقویتی، نیازی به گردآوری داده‌های آموزشی نداریم و عامل صرفاً بر اساس بازخوردهایی که از محیط دریافت می‌کند، نحوه حل مسئله را یاد می‌گیرد. عامل هوشمند در بازی‌های کامپیوتری و کنترلرهای خط تولید کارخانه‌ها نمونه‌هایی از مدل‌های هوش مصنوعی هستند که بر پایه یادگیری تقویتی آموزش داده شده‌اند.

اهداف هوش مصنوعی

هدف اصلی ظهور هوش مصنوعی، طراحی و ساخت ابزارهایی است که بتوانند در انجام امور مختلف به انسان کمک کنند. با این حال، با پیشرفت پژوهش‌ها در این حیطه، اهداف دیگری نیز برای این شاخه از علوم کامپیوتر تعریف شد که در ادامه به آن‌ها اشاره می‌کنیم:

• ساخت ماشین‌های هوشمندی که بتوانند همانند انسان وظایف را هوشمندانه انجام دهند.
• طراحی و ساخت ابزارهای هوشمند برای حل مسائل دنیای واقعی
• کاهش زمان انجام امور مختلف با هوش مصنوعی
• افزایش میزان دقت انجام امور با کمک هوش مصنوعی
• یادگیری مهارت‌های مختلف با کمک هوش مصنوعی
• گرفتن تصمیمات بهتر برای پیشبرد کارها با استفاده از مدل‌های هوش مصنوعی
• شخصی‌سازی سیستم‌های هوشمند نظیر ابزارهای توصیه کننده
• دستیابی به دستاوردهای علمی جدید با استفاده از هوش مصنوعی (مخصوصاً در حوزه‌هایی که عملکرد انسان محدود است نظیر نجوم و علم ژنتیک)

زیرشاخه های هوش مصنوعی

حوزه مطالعاتی هوش مصنوعی گسترده است و با استفاده از روش‌ها و ابزارهای این حیطه می‌توان مسائلی را از علوم مختلف حل کرد. با این حال می‌توان یک دسته‌بندی جامعی برای زیرشاخه‌های هوش مصنوعی ارائه دهیم که در ادامه به آن‌ها اشاره می‌شود:

فیلم آموزش مبانی یادگیری عمیق یا Deep Learning

کلیک کنید

• «یادگیری ماشین» (Machine Learning)
• «یادگیری عمیق» (Deep Learning)
• «پردازش زبان طبیعی» (Natural Language Processing | NLP)
• «داده کاوی» (Data Mining)
• «سیستم خبره» (Expert System)
• «منطق فازی» (Fuzzy Logic)
• «رباتیک» (Robotics)
• «بینایی ماشین» (Computer Vision)

در ادامه مطلب حاضر که پیرامون مبانی هوش مصنوعی است، به توضیح مختصری درباره هر یک از زیرشاخه‌های آن می‌پردازیم.

مفهوم یادگیری ماشین

ماشین لرنینگ یکی از شاخه‌های مهم هوش مصنوعی است و بسیاری از افراد تفاوت هوش مصنوعی و یادگیری ماشین را نمی‌دانند و به اشتباه این حوزه را یکسان تلقی می‌کنند. همان‌طور که در ابتدای این مطلب گفتیم، هدف هوش مصنوعی طراحی و ساخت ابزارهای هوشمند است. چنین هدفی با استفاده از الگوریتم‌های ریاضیاتی محقق می‌شود.

یادگیری ماشین شامل روش‌ها و الگوریتم‌های مختلفی است که ماشین می‌تواند بر اساس آن‌ها مسائل را حل کنند. به عبارتی، در یادگیری ماشین به انواع الگوریتم‌ها و اساس کار آن‌ها برای شناسایی آماری الگوهای داده‌ها پرداخته می‌شود.

هدف از یادگیری عمیق

یکی دیگر از موضوعاتی که در مبانی هوش مصنوعی مطرح می‌شود و می‌توان آن را زیر شاخه هوش مصنوعی تلقی کرد، یادگیری عمیق است. البته این شاخه از هوش مصنوعی را می‌توان به عنوان زیر شاخه یادگیری ماشین در نظر گرفت زیرا تمامی رویکردهای یادگیری مدل‌های ارائه شده در یادگیری عمیق، از یادگیری ماشین گرفته شده‌اند. با این حال تفاوت‌ یادگیری ماشین و یادگیری عمیق حائز اهمیت است و نمی‌توان این دو شاخه را یکسان تلقی کرد.

در یادگیری عمیق، به انواع روش‌ها و مدل‌هایی پرداخته می‌شوند که اساس عملکرد آن‌ها از روال پردازش مغز انسان الهام گرفته شده‌اند. شبکه‌های عصبی و مدل‌های عمیق مباحث مهمی هستند که در یادگیری عمیق مطرح می‌شوند. مدل‌های این شاخه از هوش مصنوعی از چندین لایه تشکیل شده‌اند که داده‌ها با گذر از هر لایه با استفاده از محاسبات ریاضیاتی دستخوش تغییراتی می‌شوند تا در نهایت خروجی مدل، مشخص شود.

پردازش زبان طبیعی

پردازش زبان طبیعی از دیگر شاخه‌های اصلی هوش مصنوعی است که مطالعات آن پیرامون درک زبان انسان و خواسته‌های آن‌ها توسط ماشین شکل گرفت و به سمت مسیری پیش رفت که سیستم‌های هوشمند بتوانند به تولید زبان و برقراری مکالمه واقعی بپردازند.

فیلم آموزش یادگیری ماشین با پایتون – ماشین لرنینگ با Python در فرادرس

کلیک کنید

پردازش زبان طبیعی را می‌توان تلفیقی از هوش مصنوعی و زبان‌شناسی دانست. به عبارتی، مدل هوشمند باید ساختار زبانی انسان را به لحاظ گفتاری و نوشتاری یاد بگیرد و همانند انسان جملاتی با ساختاری صحیح تولید کند. متخصصان این حوزه، از الگوریتم های یادگیری ماشین و الگوریتم های یادگیری عمیق برای طراحی ابزارهای هوشمند پردازش زبان استفاده می‌کنند و از دانش زبان‌شناسی به منظور تحلیل خطاهای مدل و بهبود عملکرد آن بهره می‌برند.

داده کاوی

داده‌ها دارایی‌های ارزشمند سازمان‌ها و افراد فعال در حوزه کسب و کار هستند و می‌توان با استخراج اطلاعات ارزشمند از آن‌ها در تصمیمات مهم استفاده کرد و در راستای کسب سوددهی بیشتر در حوزه کاری خود قدم برداشت.

داده‌کاوی دقیقاً حیطه‌ای است که به این منظور شکل گرفت است. با استفاده از روش‌های ارائه شده در این شاخه از هوش مصنوعی می‌توان اطلاعات مهمی را از تحلیل داده‌های ذخیره شده در بانک اطلاعاتی، پایگاه داده و «انبار داده» (Data Warehouse) به دست آوریم و بر اساس آن‌ها تصمیم‌گیری موثری انجام دهیم.

سیستم خبره

سیستم خبره یکی از شاخه‌های قدیمی هوش مصنوعی است که در این حوزه به دنبال طراحی سیستم‌های کامپیوتری هوشمندی هستیم که بتوانند همانند یک انسان خبره درباره موضوعی خاص به تصمیم‌گیری بپردازند.

این سیستم‌ها در ورودی خود، درخواست کاربر را دریافت می‌کنند و بر پایه دانشی که در «پایگاه دانش» (Knowledge Base) خود دارند، به استدلال و تجزیه و تحلیل درخواست کاربر می‌پردازند و در نهایت نتایجی را به کاربر ارائه می‌دهند. پایگاه دانش مشابه پایگاه داده است که داده‌ها و دستورالعمل‌های یک حوزه یا موضوع خاص را نگهداری می‌کند.

منطق فازی

یکی از مباحثی که در مبانی هوش مصنوعی به آن پرداخته می‌شود و جزء زیرشاخه‌های هوش مصنوعی به حساب می‌آید، منطق فازی است. در دنیای واقعی، مسائلی وجود دارند که نمی‌توان برای آن‌ها پاسخی دقیق ارائه داد. منطق فازی روش‌هایی را شامل می‌شود که بتوان به حل این گونه مسائل پرداخت.

روش‌های منطق فازی به دنبال پیدا کردن میزان احتمال صحت یک فرضیه در یک مسئله خاص هستند. به عنوان مثال، سیستم‌هایی که برای پیش‌بینی وقوع بارندگی طراحی شده‌اند، بر اساس اطلاعات مختلفی نظیر میزان دما، میزان رطوبت، وجود ابر در آسمان و مواردی از این قبیل حدس می‌زدند چقدر احتمال وقوع بارندگی در ساعات تعیین شده وجود دارد.

رباتیک

رباتیک از دیگر شاخه‌های هوش مصنوعی است که به عنوان یک حیطه میان رشته‌ای محسوب می‌شود و تلفیقی از مطالب تخصصی مهندسی مکانیک، مهندسی الکترونیک و رشته علوم کامپیوتر است. هدف از پژوهش‌های این حیطه مطالعاتی، ساخت ربات‌های سخت‌افزاری هوشمندی است که بتوانند یک سری وظایف خاص را انجام دهند. از یادگیری ماشین و یادگیری عمیق برای آموزش ربات‌ها و دستگاه‌های سخت‌افزاری استفاده می‌شوند تا این ابزارها بتوانند مسائل را یاد بگیرند.

بینایی ماشین

بینایی ماشین به عنوان یکی دیگر از زیرشاخه‌های هوش مصنوعی است که با استفاده از روش‌ها و الگوریتم‌های این حوزه می‌توان به طراحی و ساخت ابزارها و ماشین‌هایی پرداخت که می‌توانند محیط پیرامون و اشیای اطراف خود را تشخیص دهند.

فیلم آموزش یادگیری ماشین و پیاده سازی در پایتون Python – بخش یکم در فرادرس

کلیک کنید

دوربین‌ها، سنسورها و مبدل‌های آنالوگ به دیجیتال از ورودی داده‌هایی را دریافت می‌کنند و الگوریتم‌های بینایی ماشین به پردازش آن‌ها می‌پردازند تا ماشین محیط اطراف خود را درک کند. پردازش بینایی ماشین همانند پردازش بینایی انسان نیست و پژوهش‌های این حوزه به حدی پیش رفته‌اند که سیستم‌های بینایی ماشین می‌توانند اشیای پشت دیوار و اشیای نهفته را تشخیص دهند.

مزایای هوش مصنوعی

هوش مصنوعی به دلیل مزیت‌هایی که دارد، در اکثر فعالیت‌های کسب و کار و پژوهش‌های علمی از آن بهره گرفته می‌شود. در ادامه، به مهم‌ترین مزایای این حیطه از علوم کامپیوتر می‌پردازیم:

• کاهش میزان خطای انسانی: انسان ممکن است به دلایل مختلفی در انجام امور دچار خطا شود اما کامپیوترها می‌توانند بر اساس دانشی که یاد گرفته‌اند، با دقت بالا به انجام کارها بپردازند.
• تسریع انجام امور: سیستم‌های هوش مصنوعی می‌توانند در زمان بسیار کم، حجم عظیمی از داده‌ها را پردازش کنند و در کوتاه‌ترین زمان ممکن خروجی‌هایی را با دقت بالا ارائه دهند.
• انجام امور بدون وقفه: انسان برای انجام امور با دقت بالا به زمان استراحت نیاز دارد. سیستم‌های کامپیوتری به صورت شبانه‌روزی و خستگی‌ناگذیر می‌توانند مسئولیت‌ها را به‌خوبی انجام دهند.
• انجام امور خطرناک توسط هوش مصنوعی: از ابزارهای هوشمند می‌توان برای انجام کارهایی استفاده کرد که برای انسان خطرآفرین هستند.
• انجام امور تکراری: انجام کارهای تکراری را می‌توان به ابزارهای هوشمند سپرد. بسته‌بندی محصولات یا نظارت بر خط تولید کارخانه‌ها اموری هستند که تکراری محسوب می شوند و ماشین با دقت بالا می‌تواند این نوع کارها را انجام دهد.

معایب هوش مصنوعی

با این که هوش مصنوعی دارای مزیت‌های مهمی است و نمی‌توان تاثیرات مثبت آن را در زندگی نادیده گرفت، این حیطه از فناوری اطلاعات معایب مختلفی نیز دارد که در ادامه به برخی از مهم‌ترین آن‌‌ها اشاره می‌کنیم:

• جایگزین شدن ابزارهای هوش مصنوعی به جای نیروی انسانی: بسیاری از کارها و مشاغل در سازمان‌ها توسط هوش مصنوعی انجام می‌شود و همین امر باعث شده است فرصت‌های شغلی برای افراد از بین برود.
• نداشتن خلاقیت: الگوریتم‌های هوش مصنوعی بر اساس داده‌های موجود آموزش می‌بینند و برای انجام کارها فقط از دانش حاصل شده از داده‌ها بدون هیچ گونه خلاقیتی استفاده می‌کنند.
• نداشتن احساسات: ابزارهای هوش مصنوعی فاقد احساسات هستند و نمی‌توانند به هنگام تصمیم‌گیری و انجام کارها، از فاکتور مهم احساسات استفاده کنند. تاثیر منفی این امر را می‌توان در بازاریابی و متقاعد کردن مشتریان به خرید محصولات از جنبه احساسی ملاحظه کرد.
• داده‌های آموزشی نامناسب هوش مصنوعی: مدل‌های هوش مصنوعی می‌توانند با داده‌هایی آموزش داده شوند که محتوای مغرضانه و تعصبی دارد. این نوع داده‌ها، عملکرد مدل‌های هوش مصنوعی را تحت تاثیر قرار می‌دهد.
• خطرات امنیتی: ابزارهای هوش مصنوعی در معرض حملات هکرها هستند و داده‌های آن‌ها می‌توانند در جهت انجام کارها و فعالیت‌های غیرقانونی استفاده شوند.

کاربرد هوش مصنوعی در زندگی

با پیشرفت در پژوهش‌های هوش مصنوعی و ورود این حوزه در سایر علوم، شاهد دستاوردها و کاربردهای مختلفی از آن در جنبه‌های مختلف زندگی هستیم و می‌توان گفت تصور انجام فعالیت‌ها و وظایف و امور مختلف بدون استفاده از هوش مصنوعی به امری محال تبدیل شده است. در این بخش از مطلب حاضر مجله فرادرس، به برخی از کاربردهای هوش مصنوعی اشاره می‌کنیم تا خوانندگان به میزان اهمیت این شاخه از علوم کامپیوتر در زندگی پی ببرند.

فیلم آموزش یادگیری ماشین Machine Learning با پایتون Python در فرادرس

کلیک کنید

• استفاده از هوش مصنوعی در طراحی ماشین‌های خودران: ماشین‌های هوشمند شرکت تسلا از دستاوردهای هوش مصنوعی محسوب می‌شوند. این ماشین‌ها مجهز به سنسورهایی هستند که می‌توانند محیط اطراف را درک کنند و با کمک ابزارهای هوشمند بهترین مسیر را برای رساندن مسافر به مقصد انتخاب می‌کنند.
• مترجم گوگل: از دیگر کاربردهای هوش مصنوعی می‌توان به مترجم زبان گوگل و سایر ابزارهای مترجم هوشمند اشاره کرد. این ابزارها بر پایه روش‌های پردازش زبان طبیعی می‌توانند جملات زبان مبدا را به جملات زبان مقصد ترجمه کنند.
• دستیارهای صوتی هوشمند: الکسا یکی از سیستم‌های هوشمند است که می‌تواند دستورات صوتی انسان را پردازش کند و پاسخی مناسب ارائه دهد.
• تصاویر نقشه: امروزه بدون استفاده از نقشه گوگل نمی‌توان در طول شهر تردد کرد. با استفاده از نقشه گوگل می‌توان مبدا و مقصد را مشخص کرد تا هوش مصنوعی این ابزار بهترین مسیر را به ما پیشنهاد دهد.
  سیستم‌های توصیه کننده هوشمند: آمازون و سایت‌های مشابه آن، مجهز به هوش مصنوعی هستند و می‌توانند با توجه به خرید قبلی مشتریان و موارد جستجوی آن‌ها محصولاتی را به مشتریان پیشنهاد دهند که به نیازها و سلایق آن‌ها مرتبط باشند.
• کاربرد هوش مصنوعی در تشخیص کلاه‌برداری: امروزه در حوزه مالی و بانکداری از روش‌های یادگیری ماشین و یادگیری عمیق به منظور تشخیص فعالیت‌ها و تراکنش‌های مشکوک استفاده می‌شود تا از وقوع جرم‌های مالی جلوگیری شود.
• استفاده از هوش مصنوعی در حیطه پزشکی: مهم‌ترین کاربردهای هوش مصنوعی را می‌توان در حیطه پزشکی ملاحظه کرد. پزشکان می‌توانند از ابزارهای هوشمند در جراحی‌ها و روند درمان بیماران استفاده کنند که همین امر باعث کاهش زمان درمان و هزینه‌های مالی بیماران می‌شود.

جمع‌بندی

هوش مصنوعی و زیر شاخه‌های مهم آن نظیر یادگیری ماشین و یادگیری عمیق به عنوان داغ‌ترین حوزه مطالعاتی امروزی تلقی می‌شوند و می‌توان گفت اکثر افراد در حوزه کسب و کار در راستای پیشبرد اهداف خود به استفاده از ابزارهای هوشمند روی آوردند. با این که کاربرد هوش مصنوعی در زندگی انسان بیش از پیش است، اما بسیاری از افراد با مفهوم و اهداف دقیق این حوزه آشنا نیستند. در این مطلب از مجله فرادرس قصد داشتیم به مبانی هوش مصنوعی بپردازیم و این شاخه از علوم کامپیوتر را به زبانی ساده برای خوانندگان شرح دهیم تا به درک خوبی از آن برسند.