شاخه های هوش مصنوعی چه هستند؟ – معرفی کامل ۹ گرایش

در سال‌های اخیر، «هوش مصنوعی» (Artificial Intelligence | AI) طیف گسترده‌ای از موضوعات پژوهشی را شامل می‌شود و می‌توان گفت تقریباً در تمامی حوزه‌های مطالعاتی، کاربردِ روش‌ها و مدل‌های هوش مصنوعی قابل مشاهده است. می‌توان حیطه‌های پژوهشی هوش مصنوعی را در چندین بخش دسته‌بندی و هر یک از موضوعات مطالعاتی این حوزه را در به عنوان گرایش های هوش مصنوعی طبقه‌بندی کرد. در مطلب حاضر به معرفی شاخه های هوش مصنوعی می‌پردازیم و کاربرد هر یک از آن‌ها را شرح می‌دهیم.

هوش مصنوعی

هوش مصنوعی یا همان AI به عنوان شاخه‌ای از علوم کامپیوتر محسوب می‌شود که هدف آن ساخت ماشین‌های هوشمندی است که بتوانند همانند انسان فکر کنند و درباره موضوعات مختلف به استدلال و تصمیم‌گیری بپردازند.

عبارت «هوش مصنوعی» برای نخستین بار توسط «جان مک‌کارتی» (John McCarthy) در سال ۱۹۵۶ مطرح شد. بر اساس تعریف مک‌کارتی، هوش مصنوعی به علم و روش‌های مهندسی هوشمند کردن ماشین‌ها گفته می‌شود.

برای هوش مصنوعی می‌توان چندین سطح قائل شد که در ادامه به آن‌ها اشاره شده است:

• «هوش مصنوعی محدود» (Artificial Narrow Intelligence | ANI): نام دیگر این سطح از هوش مصنوعی، «هوش مصنوعی ضعیف یا محدود» (Weak AI) است. در این سطح، سیستم‌های هوشمند می‌توانند تنها یک وظیفه خاص را با دقت قابل قبول انجام دهند. به عبارتی، سیستم‌هایی که به هوش مصنوعی محدود مجهز هستند، از قدرت تحلیل و تفکر برخوردار نیستند و صرفاً می‌توانند عملکردهای از قبل تعیین شده توسط انسان را انجام دهند. تمامی سیستم‌های هوشمندی نظیر Siri ،Alexa ،Alpha-Go ، ربات «سوفیا» (Sophia)، ماشین‌های خودران و سایر سیستم‌های هوشمند که در حال حاضر ارائه شده‌اند، در این سطح از هوش مصنوعی گنجانده می‌شوند.
• «هوش مصنوعی عمومی» (Artificial General Intelligence | AGI): نام دیگر این سطح از هوش مصنوعی، «هوش مصنوعی قوی» (Strong AI) است. سیستم‌های هوشمند در این سطح می‌توانند همانند انسان فکر کنند و به تصمیم‌گیری بپردازند. در حال حاضر، بشر به این سطح از هوش مصنوعی دست نیافته است اما اعتقادات بر این است که به زودی انسان به چنین پیشرفتی از هوش مصنوعی دست پیدا خواهد کرد. هوش مصنوعی ChatGPT گامی به سوی این نوع از AI به حساب می‌آید.
• «ابَر هوش مصنوعی» (Artificial Super Intelligence | ASI): کامپیوترها با مجهز شدن به ابر هوش مصنوعی از بشر پیشی می‌گیرند. در حال حاضر، این سطح از هوش مصنوعی به عنوان فرضیه تلقی می‌شود که نمونه‌های آن را در فیلم‌ها و کتاب‌های علمی تخیلی دیده‌ایم. با ظهور ابَر هوش مصنوعی، دنیا تحت تسلط سیستم‌ها و ربات‌های هوشمند قرار خواهد گرفت و بسیاری از افراد بر این عقیده هستند که آینده هوش مصنوعی، خطری جدی برای بشر محسوب می‌شود.

حوزه مطالعاتی هوش مصنوعی گسترده است و موضوعات مختلفی را شامل می‌شود. طیف وسیع پژوهش‌ها و کاربردهای هوش مصنوعی را می‌توان در چندین شاخه تقسیم‌بندی کرد. در ادامه مطلب، به معرفی شاخه ها و گرایش های هوش مصنوعی پرداخته شده است.

شاخه های هوش مصنوعی کدامند؟

هوش مصنوعی شامل طیف گسترده‌ای از پژوهش‌ها است و مسائل مختلفی را می‌توان با استفاده از مدل‌ها و روش‌های هوش مصنوعی حل کرد. با این حال، حوزه‌های پژوهشی هوش مصنوعی در چندین بخش، شاخه یا گرایش قابل تقسیم‌بندی هستند. در ادامه، هر یک از زیر شاخه های هوش مصنوعی فهرست شده‌اند:

1. «یادگیری ماشین» (Machine Learning)
2. «یادگیری عمیق» (Deep Learning)
3. «پردازش زبان طبیعی» (Natural Language Processing | NLP)
4. «داده کاوی» (Data Mining)
5. «سیستم خبره» (Expert System)
6. «منطق فازی» (Fuzzy Logic)
7. «رباتیک» (Robotics)
8. «بینایی ماشین» (Computer Vision)
9. «علم داده» (Data Science)

در ادامه مطلب، به توضیح هر یک از گرایش های هوش مصنوعی و کاربرد آن‌ها پرداخته‌ایم.

حوزه پژوهشی یادگیری ماشین

حوزه یادگیری ماشین به عنوان یکی از مهم‌ترین و اصلی‌ترین گرایش های هوش مصنوعی به حساب می‌آید و بسیاری از پژوهشگران و فعالان حیطه AI از الگوریتم های یادگیری ماشین به منظور توسعه نرم‌افزار‌ها و سیستم‌های هوشمند استفاده می‌کنند.

با استفاده از روش‌های ماشین لرنینگ می‌توان به ساخت سیستم‌هایی هوشمند پرداخت که به‌طور خودکار یاد می‌گیرند چطور مسائل مختلف را حل کنند. یادگیری سیستم‌های مبتنی بر ماشین لرنینگ بر اساس داده‌های موجود و شناسایی آماری الگوهای آن‌ها شکل می‌گیرد و با تحلیل داده‌های بیشتر، دقت عملکردشان افزایش پیدا می‌کند.

امروزه، از روش‌های یادگیری ماشین در جنبه‌های مختلفی از زندگی انسان استفاده می‌شود. ترجمه ماشینی، پیش‌بینی وضعیت آب و هوا، تشخیص هرزنامه‌ها، تشخیص کلاه‌برداری‌های مالی، شبکه‌های اجتماعی، تشخیص بیماری از جمله موضوعاتی هستند که پژوهشگران برای بررسی آن‌ها از روش‌های یادگیری ماشین استفاده می‌کنند.

رویکردهای الگوریتم‌‌های یادگیری ماشین را می‌توان بر اساس داده‌های آن‌ها به چهار دسته کلی زیر تقسیم کرد:

• رویکرد یادگیری نظارت شده (Supervised Learning): الگوریتم‌های ماشین لرنینگی که از رویکرد یادگیری نظارت شده تبعیت می‌کنند، به داده‌های آموزشی برچسب‌دار احتیاج دارند. این برچسب‌ها توسط انسان باید مشخص شوند و هدف از طراحی مدل‌های یادگیری ماشین این است که این برچسب‌ها را به عنوان خروجی پیش‌بینی کنند.
• رویکرد یادگیری نظارت نشده (Unsupervised Learning): الگوریتم‌های یادگیری ماشینی که داده‌های آموزشی بدون برچسب را به عنوان ورودی دریافت می‌کنند، رویکرد یادگیری نظارت نشده دارند. هدف این الگوریتم‌ها این است که با بازشناسی آماری الگو، داده‌های مشابه را در خوشه‌های یکسان قرار دهند و در نهایت، خوشه‌هایی از داده‌های مشابه را در خروجی ارائه دهند.
• رویکرد یادگیری تقویتی (Reinforcement Learning): در این رویکرد از یادگیری، داده‌های آموزشی وجود ندارد و عامل هوشمند با قرار گرفتن در یک محیط، با انجام یک سری اقدامات مشخص و دریافت بازخورد مثبت و منفی از محیط، تجربه کسب می‌کند و سعی دارد تا با کسب تجربه، عملکرد خود را بهبود بخشد.

این رویکردهای یادگیری، در طراحی الگوریتم های یادگیری عمیق نیز در نظر گرفته می‌شوند. به عبارت دیگر، مدل‌های یادگیری عمیق را نیز می‌توان به لحاظ رویکرد یادگیری، در یکی از دسته‌های ذکر شده در بالا قرار داد. حال در ادامه، به ارائه توضیحاتی پیرامون شاخه یادگیری عمیق در هوش مصنوعی پرداخته شده است.

شاخه یادگیری عمیق

یادگیری عمیق زیرشاخه یادگیری ماشین است که با استفاده از روش‌های آن می‌توان به توسعه سیستم‌های هوشمندی پرداخت که می‌توانند وظایفی را بدون نیاز به کمک انسان انجام دهند.

با ظهور حوزه یادگیری عمیق، مفهومی به نام «شبکه عصبی» (Neural Network) نیز پدید آمد که با استفاده از معماری‌ شبکه عصبی می‌توان انواع مختلف روش‌های یادگیری عمیق را پیاده‌سازی کرد. شبکه عصبی از چندین لایه تشکیل می‌شود که لایه‌های اول و آخر آن به ترتیب مسئول دریافت ورودی و ارائه خروجی هستند. لایه‌های میانی شبکه نیز به شناسایی الگوهای داده‌های ورودی می‌پردازند تا بر اساس آن‌ها، خروجی مدل مشخص شود.

کلمه «عمیق» (Deep) به تعداد لایه‌های شبکه اطلاق می‌شود. هر چه تعداد لایه‌های مدل بیشتر باشد،‌ آن مدل عمیق‌تر است و می‌تواند الگوهای پیچیده‌تر داده‌ها را تشخیص دهد.

چالش اصلی الگوریتم های یادگیری عمیق این است که برای یادگیری مسائل، به حجم عظیمی از داده احتیاج دارند. گردآوری و آماده‌سازی داده‌های مورد نیاز مدل‌ها به لحاظ مالی و زمانی هزینه‌بر هستند.

حوزه مطالعاتی پردازش زبان طبیعی

از دیگر شاخه های هوش مصنوعی می‌توان به حوزه مطالعاتی پردازش زبان طبیعی اشاره کرد. با استفاده از این حوزه می‌توان به طراحی سیستم‌ها و ابزارهای هوشمندی پرداخت که می‌توانند با انسان به مکالمه بپردازند و زبان انسان را درک کنند.

روش‌های پردازش زبان طبیعی برای جستجو، تحلیل، درک و استنتاج داده‌های زبانی صوتی و متنی استفاده می‌شوند و برنامه‌نویسان برای پیاده‌سازی و توسعه سیستم‌های هوشمند با استفاده از این روش‌ها، کتابخانه‌های مختص این حوزه در زبان‌های برنامه نویسی هوش مصنوعی را به کار می‌برند. ابزارهای خلاصه‌سازی متن، تحلیل احساسات، تشخیص هرزنامه‌ها، تبدیل صوت به متن، تبدیل متن به گفتار، ترجمه ماشین و تشخیص خطای دستوری و املائی متون حاصل پژوهش‌های شاخه پردازش زبان طبیعی است.

حوزه مطالعاتی پردازش زبان طبیعی را می‌توان به دو بخش کلی زیر تقسیم‌بندی کرد:

• «درک زبان طبیعی» (Natural Language Understanding | NLU): با استفاده از این شاخه از مطالعات پردازش زبان طبیعی می‌توان به طراحی ابزارها و سیستم‌های هوشمندی پرداخت که قادر هستند زبان انسان را در قالب متن و گفتار درک کنند. این سیستم‌ها بدون نیاز به دانستن دستور زبان، می‌توانند هر یک از زبان‌های انگلیسی، عربی، اسپانیایی، فرانسوی و سایر زبان‌ها را یاد بگیرند و با زبان‌وران این زبان‌ها مکالمه کنند.
• «تولید زبان طبیعی» (Natural Language Generation | NLG): کامپیوتر با استفاده از روش‌های تولید زبان طبیعی می‌تواند به‌طور خودکار متون به زبان انسان را تولید کند. در توسعه چنین سیستم‌هایی تمرکز بر این است که متون تولید شده توسط آن‌ها، تا حد بالایی مشابه با متون نوشته شده توسط انسان باشند، به گونه‌ای که دیگر نتوان این دو نوع نوشته را به لحاظ ساختار زبانی مانند دستور زبان و معنا از یکدیگر تمیز داد.

داده کاوی به عنوان یکی از زیر شاخه های هوش مصنوعی چیست ؟

داده‌ کاوی را می‌توان به عنوان یکی از شاخه های مهم هوش مصنوعی به حساب آورد. این حوزه پژوهشی شامل مراحلی برای استخراج اطلاعات از حجم عظیمی از داده‌ها است. به عبارتی، روش‌های داده‌کاوی به دنبال پیدا کردن الگوهای داده‌ها و تشخیص روابط بین داده‌ها هستند تا افراد فعال در حوزه کسب و کار با داشتن چنین اطلاعاتی بتوانند تصمیمات مهمی را در راستای سوددهی تجارت خود بگیرند.

داده‌کاوی با نام دیگر «کشف دانش از داده» (Knowledge Discover of Data | KDD) نیز شناخته می‌شود. یکی از مهم‌ترین فرایندی که در این شاخه از هوش مصنوعی انجام می‌شود، این است که افراد فعال در این حوزه سعی دارند از داده‌های خام و پردازش نشده، اطلاعات کاربردی استخراج کنند.

داده‌هایی که در مسائل داده‌کاوی مورد بررسی قرار می‌گیرند، در انواع مختلفی از پایگاه داده ذخیره می‌شوند که در ادامه به آن‌ها اشاره شده است:

• «پایگاه داده رابطه‌ای» (Relational Database)
• «انبار داده» (Data Warehouse)
• «مخزن داده» (Data Repository)
• «پایگاه داده شی - رابطه» (Object-Relational Database)
• «پایگاه داده تراکنشی» (Transactional Database)

گرایش سیستم خبره در هوش مصنوعی

پژوهش‌های مربوط به سیستم خبره به عنوان نخستین پژوهش‌های شاخه هوش مصنوعی محسوب می‌شوند. اولین سیستم خبره در دهه ۱۹۷۰ طراحی شد و در دهه ۱۹۸۰ مطالعات این حیطه به اوج خود رسید.

سیستم‌های خبره به سیستم‌های کامپیوتری هوشمندی اطلاق می‌شوند که قادر هستند همانند یک انسان خبره درباره موضوعی خاص به تصمیم‌گیری بپردازند. چنین سیستم‌هایی درخواست کاربر را دریافت می‌کنند و بر پایه دانشی که در «پایگاه دانش» (Knowledge Base) خود دارند، به استدلال می‌پردازند و نتایجی را به کاربر ارائه می‌دهند. بدین ترتیب، می‌توان گفت عملکرد موفق چنین سیستم‌هایی به‌طور کامل به دانش موجود در پایگاه دانش وابسته است.

اجزای اصلی سیستم خبره را می‌توان در سه جزء برشمرد:

• «رابط کاربری» (User Interface): رابط کاربری درخواست یا همان «کوئری» (Query) کاربر را دریافت و آن را به موتور استنتاج ارسال می‌کند.
• «موتور استنتاج» (Inference Engine): به عنوان مغز سیستم خبره عمل می‌کند. این جزء، اطلاعات جدیدی را بر اساس یک سری قوانین از پایگاه دانش استنتاج می‌کند.
• پایگاه دانش: مشابه پایگاه داده یا همان بانک اطلاعاتی است که داده‌ها و دستورالعمل‌های یک حوزه یا موضوع خاص را نگهداری می‌کند.

یکی از کاربردهای رایج سیستم خبره در موتور جستجوگر گوگل است. زمانی که کاربر، متنی را در بخش جستجو وارد می‌کند، چنانچه متن وارد شده، دارای غلط املائی باشد، سیستم خبره موتور جستجوی گوگل، عبارت صحیح را به عنوان پیشنهاد، به کاربر نشان می‌دهد.

حیطه پژوهشی منطق فازی

در دنیای واقعی، گهگاه با مسائلی رو به رو می‌شویم که نمی‌توانیم با قطعیت پاسخ دقیقی را برای آن‌ها ارائه کنیم. منطق فازی به عنوان یکی دیگر از شاخه های هوش مصنوعی به چنین مسائلی می‌پردازد و پاسخی غیر قطعی و غیر دقیق برای آن‌ها ارائه می‌دهد.

به بیان ساده‌تر، منطق فازی شامل روش‌هایی است که با به کارگیری آن‌ها می‌توان میزان احتمال صحیح بودن یک فرضیه را حدس زد. سیستم‌هایی که برای پیش‌بینی احتمال وقوع رویداد خاصی طراحی شده‌‌اند، از منطق فازی استفاده می‌کنند. به عنوان مثال، فرض کنید با دیدن چندین ابر خاکستری در آسمان می‌خواهید حس بزنید آیا بارندگی رخ می‌دهد؟

سیستم‌های منطق فازی در چنین شرایطی می‌توانند برای رسیدن به پاسخ به شما کمک کنند. با این حال، این نوع سیستم‌ها برای چنین مسائلی، پاسخ قاطعانه‌ای به شما ارائه نمی‌دهند، بلکه میزان احتمال رخداد آن رویداد را محاسبه می‌کنند. بنابراین، در پاسخ به پرسش مثالی که از هوای آفتابی ارائه کردیم، این سیستم‌ها می‌توانند میزان احتمال بارندگی را پیش‌بینی کنند.

حوزه پژوهشی رباتیک

رباتیک یکی از شاخه های هوش مصنوعی است که تمرکز آن بر روی طراحی و ساخت ربات‌های هوشمند است. این حوزه مطالعاتی، علوم مختلفی نظیر مهندسی مکانیک، مهندسی الکترونیک، رشته علوم کامپیوتر، زبان‌شناسی و سایر علوم مرتبط را شامل می‌شود.

هدف اصلی از برنامه نویسی رباتیک و طراحی و ساخت ربات این است که از آن‌ها در راستای کمک به انسان در انجام یک سری وظایف و کارهای دشوار استفاده شود. ربات‌ها به گونه‌ای برنامه‌ریزی می‌شوند که بتوانند اقداماتی را به‌طور خودکار انجام دهند. به عنوان مثال، «ناسا» (NASA) از این فناوری به منظور جا به جا کردن اجسام سنگین در فضا استفاده می‌کند.

در سال‌های اخیر، پژوهش‌هایی درباره ساخت ربات‌های انسان‌نما انجام شده است که می‌توان به ربات «سوفیا» (Sophia) اشاره کرد. این ربات در سال ۲۰۱۶ به نمایش عموم درآمد. این ربات قادر است چهره‌های انسان را تشخیص دهد و احساسات انسان را درک و با افراد مختلف ارتباط برقرار کند.

بینایی ماشین به عنوان یکی از زیر شاخه های هوش مصنوعی چیست ؟

بینایی ماشین از دیگر شاخه های هوش مصنوعی است که ماشین را قادر می‌سازد اشیای اطراف خود را تشخیص دهد. با استفاده از روش‌های بینایی ماشین و پردازش تصویر، می‌توان اطلاعات بصری را از طریق دوربین، سنسورها، مبدل‌های آنالوگ به دیجیتال از ورودی دریافت کرد و پردازش‌های محاسباتی را بر روی آن‌ها انجام داد تا سیستم بتواند محیط اطراف خود را تشخیص دهد.

اگر بخواهیم هوش مصنوعی را به عنوان مغز سیستم‌های کامپیوتری و ماشین‌ها تلقی کنیم، بینایی ماشین را می‌توان به عنوان چشم این سیستم‌ها به حساب آورد. یکی از کاربردهای رایج سیستم‌های مبتنی بر بینایی ماشین در خط تولید کارخانه‌ها است و از آن‌ها به منظور کنترل سطح کیفیت محصولات استفاده می‌شود.

سیستم‌های کامپیوتری مجهز به بینایی ماشین همانند انسان، محیط اطراف خود را نمی‌بینند. با این حال، این سیستم‌ها محدودیت بصری انسان را ندارند. به عنوان مثال، انسان قادر نیست با چشم خود، تصاویر و اشیای پشت دیوار را ببیند، اما با روش‌های یادگیری عمیق، سیستم‌های هوشمند قادر هستند محیط و اشیای پشت دیوار را تشخیص دهند. به عبارتی، چنین سیستم‌هایی می‌توانند اطلاعات را سنسورها یا دوربین‌های خود دریافت کنند و با استخراج اطلاعات و تحلیل آن‌ها، به شناسایی محیط خود بپردازند.

ماشین‌های خودران یکی از شناخته‌شده‌ترین مثال‌های حوزه بینایی ماشین هستند. دوربین‌ها و رادارهای این ماشین‌ها تصاویر محیط اطراف خود را ثبت می‌کنند و مدل‌های هوش مصنوعی پیاده‌سازی شده در این ماشین‌ها می‌توانند با تحلیل تصاویر دریافتی، مسیر امن را شناسایی کنند تا ماشین در آن مسیر حرکت کند.

در حوزه پزشکی نیز ابزارهای مجهز به بینایی ماشین به وفور استفاده می‌شوند. متخصصان حیطه پزشکی از سیستم‌های هوشمند برای تحلیل تصاویر پزشکی مانند X-ray،‌ سی تی اسکن و تصاویر ام آر آی به منظور تشخیص بیماری‌های مختلف استفاده می‌کنند.

حوزه مطالعاتی علم داده به عنوان یکی از زیر شاخه های هوش مصنوعی

علم داده به عنوان یکی از جدیدترین زیر شاخه های هوش مصنوعی محسوب می‌شود که از روش‌های ارائه شده در این حیطه می‌توان برای استخراج اطلاعات مهم از داده‌های مختلف استفاده کرد.

دیتا ساینس حوزه‌ای میان‌رشته‌ای است که مباحثی مربوط به مدل‌سازی آماری،‌ یادگیری ماشین، داده‌کاوی، مهندسی داده و مصورسازی داده را شامل می‌شود. افرادی که به عنوان «دانشمند داده» (Data Scientist) در حوزه فناوری اطلاعات مشغول به کار هستند، باید به مراحل آماده‌سازی داده اعم از اصلاح داده، پردازش داده، «پاکسازی داده» (Data Cleaning)، و تحلیل داده آشنا باشند و بتوانند با استفاده از ابزارها و روش‌های مصورسازی داده، تفسیر دقیقی را از داده ارائه دهند تا با کمک این اطلاعات، مدیران در راستای پیشبرد اهداف خود تصمیماتی را اتخاذ کنند.

از دیگر وظایف دانشمند داده، پیاده‌سازی مدل‌های هوش مصنوعی و تحلیل نتایج و خروجی‌های مدل است. این مدل‌ها در گرفتن تصمیمات مهم مدیران نیز نقش بسزایی دارند. به عنوان مثال، می‌توان با استفاده از داده‌های مربوط به فروش محصولات، سیستمی را طراحی کرد که میزان فروش سال آینده محصولات را پیش‌بینی کند تا مدیران با کمک این اطلاعات، نسبت به اقدامات آتی سازمان آگاهی نسبی داشته باشند.

جمع‌بندی

هوش مصنوعی به عنوان یکی از حوزه‌های نسبتاً جدید مطالعاتی به حساب می‌آید که امروزه می‌توان گفت تقریباً با تمامی علوم درآمیخته شده است و پژوهشگران تمامی رشته‌ها از مدل‌ها و روش‌های هوش مصنوعی برای پیشبرد مطالعات خود بهره می‌برند. با وجود اینکه دامنه تحقیقاتی رشته هوش مصنوعی گسترده است، با این حال، می‌توان تمامی پژوهش‌های مرتبط آن را در یک دسته‌بندی کلی قرار داد.

در این مطلب سعی داشتیم به شاخه های هوش مصنوعی بپردازیم و کاربرد هر یک از آن‌ها را به‌طور کلی توضیح دهیم. با این حال، از آنجایی که پژوهش‌های حوزه AI در حال گسترش است، انتظار می‌رود شاخه‌های جدید مطالعاتی به حیطه هوش مصنوعی اضافه یا تغییرات و بهبود‌های جدیدی در شاخه های هوش مصنوعی فعلی اعمال شود.