اصطلاحات متداول هوش مصنوعی – راهنمای کاربردی

در این مطلب، تعاریف کوتاهی پیرامون برخی از مهم‌ترین اصطلاحات متداول هوش مصنوعی ارائه شده است. «هوش مصنوعی» (Artificial Intelligence | AI) همه روزه جنبه‌های بیشتری از مصنوعات ساخت بشر را در بر می‌گیرد. کلیه عوامل درگیر در ساخت یک محصول مبتنی بر هوش مصنوعی، از توسعه‌دهندگان تا «طراحان تجربه کاربری» (User Experience Designers)، باید با مزایای این فناوری مهم دوران آشنا باشند. هوش مصنوعی فقط یک زمینه تخصصی برای کارشناسان این حوزه نیست؛ بلکه، چیزی است که آینده بشریت را رقم خواهد زد.

اصطلاحات متداول هوش مصنوعی

با وجود آنکه بسیاری از افراد یک دید کلی پیرامون چیستی هوش مصنوعی دارند، اما اگر از آن‌ها درخواست شود که یک تعریف کوتاه از هوش مصنوعی ارائه کنند، معمولا نمی‌توانند این کار را - به درستی - انجام دهند. این در حالی است که برای مثال، واژه‌ای مانند «الگوریتم» (Algorithm) نیز توسط افراد زیادی تاکنون شنیده شده است، اما معمولا در تعریف این واژه نیز عده زیادی دچار مشکل هستند.

از دیگر مفاهیم و اصطلاحات مهم حوزه هوش مصنوعی که افراد شناختی از آن‌ها ندارند، می‌توان به «هوش مصنوعی محدود» (Narrow AI)، «هوش مصنوعی عمومی» (General AI‎) و تفاوت آن‌ها، ارتباط «یادگیری ماشین» (Machine Learning)، «شبکه‌های عصبی» (Neural Networks) و «یادگیری عمیق» (Deep Learning) و مفهوم «تکینگی» (Singularity) اشاره کرد.

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

کلیک کنید

در ادامه، تعاریف بسیار کوتاهی از برخی از اصطلاحات متداول هوش مصنوعی ارائه می‌شود. اما پیش از پرداختن به اصطلاحات متداول هوش مصنوعی، نگاهی کوتاه به مفهوم «هوشمندی» انداخته می‌شود و سپس، مبحث هوش مصنوعی مورد بررسی قرار می‌گیرد.

هوشمندی، توانایی کسب و اِعمال دانش و مهارت، برای رسیدن به یک هدف است.

تعریف هوشمندی یکی از مواردی محسوب می‌شود که از دیرباز مورد بحث دانشمندان گوناگون بوده است و هنوز هم، دانشمندان گوناگون اختلاف نظرهایی پیرامون آن با یکدیگر دارند. اگرچه، اغلب عصب‌پژوه‌ها با یکدیگر اتفاق نظر دارند که هوشمندی، یک اصطلاح چترگونه است که شامل انواع توانایی‌های ذهنی مانند «حل مسئله»، «سرعت ذهنی»، «دانش عمومی»، «خلاقیت»، «تفکر انتزاعی» و «حافظه» می‌شود.

هوش مصنوعی، هوشمندی یک موجودیت غیر زیستی است.

درست همانطور که ارائه تعریف برای هوش انسانی کار دشوار و مناقشه برانگیزی است، ارائه تعریفی پیرامون هوشمندی ماشین‌ها نیز دشوار است. یکی از تعاریف خوب هوش مصنوعی، توسط شرکت تحقیقاتی EMERJ ارائه شده است. این تعریف در ادامه آمده است.

هوش مصنوعی یک موجودیت (یا مجموعه‌ای از موجودیت‌های در همکاری) است که قادر به دریافت ورودی‌ها از محیط، تفسیر ورودی‌ها و یادگیری از آن‌ها و نمایش رفتارها و اقدامات مرتبط و انعطاف‌پذیر است که، به یک موجودیت کمک می‌کند تا در طول زمان به هدف خاصی برسد.

اکنون که مفهوم هوشمندی و هوش مصنوعی مورد بررسی قرار گرفت، برخی از لغات و اصطلاحات پرکاربرد حوزه هوش مصنوعی در ادامه ارائه می‌شود.

هوش مصنوعی محدود

این مفهوم، در واقع دلالت بر هوش مصنوعی دارد که بر یک وظیفه از پیش تعریف شده، متمرکز شده است. «هوش مصنوعی محدود» (Narrow AI‎) که با عناوین «هوش محدود مصنوعی» (Artificial Narrow Intelligence) و «هوش مصنوعی ضعیف» (Weak AI‎) نیز شناخته شده است،

در واقع اعمال هوش مصنوعی به وظایف خاصی (برای مثال، بازی شطرنج، فیلتر کردن هرزنامه‌ها، رانندگی در ترافیک، پیش‌بینی فیلمی برای تماشای کاربر و دیگر موارد) است.

اما هوش مصنوعی که برای انجام بازی شطرنج توسعه پیدا کرده است، نمی‌تواند ماشین را براند، مگر آنکه به طور خاصی برای انجام این کار برنامه‌ریزی شده باشد. بنابراین، هوش مصنوعی محدود یا ضعیف، هوش مصنوعی محسوب می‌شود که اغلب افراد به صورت روزمره با آن مواجه می‌شوند و آن را تجربه می‌کنند.

هوش مصنوعی عمومی

این مفهوم که از دیگر اصطلاحات متداول هوش مصنوعی محسوب می‌شود، دلالت بر هوش مصنوعی دارد که رقیب هوش انسانی محسوب می‌شود. «هوش مصنوعی عمومی» (General AI‎) که با عناوین «هوش عمومی مصنوعی» (Artificial General Intelligence | AGI) و «هوش مصنوعی قوی» (Strong AI‎) نیز شناخته شده است، سطحی از هوش مصنوعی محسوب می‌شود که هنوز به دست نیامده است.

به طور نظری، یک هوش مصنوعی عمومی (AGI)، علاوه بر مزایای کنونی هوش مصنوعی نسبت به هوش انسانی مانند حافظه، سرعت، دسترسی به شبکه، صحت محاسباتی و دیگر موارد، دارای انعطاف‌پذیری‌هایی است مانند آنچه در توانایی‌های ادراکی انسانی وجود دارد.

الگوریتم

از دیگر اصطلاحات متداول هوش مصنوعی باید به الگوریتم اشاره کرد. الگوریتم، یک مجموعه از دستورالعمل‌ها است که می‌گوید یک چیز یا فرد، چه اقداماتی را باید انجام دهد. یک الگوریتم باید آغاز، بدنه و پایان داشته باشد. شایان توجه است که، الزاما یک الگوریتم نیازی به آن که یک برنامه کامپیوتری باشد ندارد.

فیلم آموزش الگوریتم های بهینه سازی در یادگیری ماشین + پیاده سازی در متلب در فرادرس

کلیک کنید

هر چند که امروزه، این دو مفهوم با یکدیگر گره خورده‌اند. یک دستورالعمل، مسیر رسیدن به مقصد برای یک شخص خاص (جهت‌ها) و یا مکانیزمی که تصمیم می‌گیرد تا یک تبلیغ خاص را ضمن وب‌گردی به کاربر نشان دهد، همه و همه مثال‌هایی از الگوریتم‌ها هستند.

یادگیری ماشین

توانایی یک ماشین برای یادگیری و فعالیت کردن بدون آنکه به طور صریح برای انجام آن برنامه‌ریزی شده باشد را «یادگیری ماشین» (Machine Learning) گویند. یادگیری ماشین یک انشعاب از هوش مصنوعی است. هدف یادگیری ماشین، توسعه سیستم‌هایی است که از داده‌ها می‌آموزند، الگوها را شناسایی می‌کند و با حداقل دخالت انسانی، تصمیم‌گیری می‌کنند.

فیلم مجموعه آموزش داده کاوی و یادگیری ماشین – مقدماتی تا پیشرفته در فرادرس

کلیک کنید

با خوراک دادن حجم انبوهی از داده‌ها به الگوریتم، الگوریتم‌ها می‌توانند خود را تطبیق دهند و به طور مداوم بهبود پیدا کنند (و بنابراین، یاد بگیرند).

شبکه‌های عصبی

«شبکه عصبی» (Neural Network) یک سیستم کامپیوتری است که به طور ضعیفی از عملکرد مغز انسان الگوبرداری می‌کند. در رابطه با شبکه‌های عصبی، بهتر است که از اصطلاح «شبکه‌های عصبی مصنوعی» (Artificial Neural Networks) استفاده شود؛ زیرا شبکه‌های عصبی غیر مصنوعی در واقع همان شکبه‌های عصبی هستند که در مغز هر انسانی وجود دارد.

فیلم آموزش شبکه های عصبی مصنوعی در متلب در فرادرس

کلیک کنید

در این مدل یادگیری ماشین، لایه‌های متصل از شبکه‌های عصبی، اطلاعات را به صورتی پردازش می‌کنند که بسیار مشابه با شیوه پردازش اطلاعات و یادگیری مغز انسان است.

یادگیری عمیق

«یادگیری عمیق» (Deep Learning) که از اصطلاحات متداول هوش مصنوعی محسوب می‌شود، یک زیرمجموعه از یادگیری ماشین است که روی آموزش دادن شبکه‌های عصبی عمیق متمرکز شده است. کلمه «عمیق» در یادگیری عمیق، به تعداد لایه‌های موجود در شبکه عصبی اشاره دارد. هر لایه‌ای داده‌های ورودی را تجزیه می‌کند و سپس، در یک شکل انتزاعی‌تر، آن را به لایه بعدی پاس می‌دهد.

در واقع، لایه بعدی، از داده‌هایی که از لایه پیشین تحویل گرفته است، به عنوان ورودی خود استفاده می‌کند.

تکینگی

«تکینگی» (Singularity) نقطه شروع بالقوه برای رشد فناورانه‌ای است که دیگر تحت کنترل انسان نیست. در صورت تحقق چنین توسعه بنیادی، بشر شاهد وقوع تغییرات پیش‌بینی نشده‌ای در جوامع انسانی و جهان هستی خواهد بود. تکینگی که به آن «تکینگی فناورانه» (Technological Singularity) نیز گفته می‌شود، گام فرضی بعدی، پس از هوش مصنوعی عمومی است. با توجه به اینکه، یک ماشین فوق هوشمند می‌تواند به سرعت یاد بگیرد و خودش را ارتقا دهد، عمق عواقب آن را نمی‌توان از پیش سنجید.

«ورنر وینج» (Vernor Vinge) نویسنده داستان‌های علمی تخیلی و استاد بازنشسته علوم کامپیوتر و ریاضیات «دانشگاه ایالتی سن‌دیگو» (San Diego State University)، مفهوم تکینگی را برای اولین بار در سال ۱۹۹۳ میلادی در مقاله خود با عنوان «تکینگی فناورانه در حال بروز» (Coming Technological Singularity) مطرح کرد. او در این باره، چنین نوشته است: «از نقطه نظر انسان‌ها، این تغییر، همه قواعد گذشته را به دور می‌اندازد؛ شاید در یک چشم به هم زدن، کنترل به طور کامل از دست بشر خارج شود... من بر این باورم که منصفانه است که این رویداد را تکینگی بنامیم.»

تکینگی نقطه‌ای است که مدل‌ها از رده خارج می‌شوند و واقعیت جدیدی حکمرانی می‌کند. هرچه بشر به این نقطه نزدیک و نزدیک‌تر بشود، تکینگی فناوری بیشتر در زندگی بشری تنیده می‌شود تا به نقطه‌ای برسد که به مفهومی عادی برای نوع بشر مبدل شود. تا به سرانجام رسیدن این موضوع، تکینگی فناوری همچنان یک سورپرایز بزرگ و ناشناخته‌ای عظیم خواهد بود.

فیلم مجموعه آموزش هوش مصنوعی – از دروس دانشگاهی تا کاربردی در فرادرس

کلیک کنید

اگر نوشته بالا برای شما مفید بوده است، آموزش‌های زیر نیز به شما پیشنهاد می‌شوند:

• مجموعه آموزش‌های داده‌کاوی و یادگیری ماشین
• آموزش داده‌کاوی در متلب
• مجموعه آموزش‌‌های هوش مصنوعی
• فراگیری مفاهیم هوش مصنوعی — مجموعه مقالات جامع وبلاگ فرادرس
• آموزش یادگیری ماشین با مثال‌ های کاربردی — مجموعه مقالات جامع وبلاگ فرادرس
• داده‌کاوی (Data Mining) — از صفر تا صد

^^