مروری آسان بر هوش مصنوعی
مروری آسان بر هوش مصنوعی
در حالی که تعدادی از تعاریف هوش مصنوعی (AI) در چند دهه اخیر ظاهر شده است، جان مک کارتی در این مقاله 2004 (PDF، 106 KB) تعریف زیر را ارائه می دهد (پیوند خارج از IBM قرار دارد)، “این علم مهندسی است. ساخت ماشینهای هوشمند، بهویژه برنامههای رایانهای هوشمند. این موضوع مشابه کار استفاده از رایانه برای درک هوش انسان مربوط میشود، اما هوش مصنوعی مجبور نیست خود را به روشهایی محدود کند که از نظر بیولوژیکی قابل مشاهده هستند.»
با این حال، چندین دهه قبل از این تعریف، تولد مکالمه هوش مصنوعی توسط کار اصلی آلن تورینگ، ” ماشینهای محاسباتی و هوش ” (PDF، 89.8 KB) (پیوند خارج از IBM) که در سال 1950 منتشر شد، نشان داده شد. تورینگ که اغلب به عنوان پدر علم کامپیوتر شناخته می شود، این سوال را مطرح می کند: “آیا ماشین ها می توانند فکر کنند؟” از آنجا، او آزمایشی را ارائه می دهد که اکنون به نام “آزمون تورینگ” معروف است، که در آن یک بازجوی انسانی سعی می کند بین پاسخ متنی کامپیوتری و انسانی تمایز قائل شود. در حالی که این آزمون از زمان انتشار خود مورد بررسی دقیق قرار گرفته است، اما همچنان بخش مهمی از تاریخ هوش مصنوعی و همچنین یک مفهوم مداوم در فلسفه است زیرا از ایدههای پیرامون زبانشناسی استفاده می کند.
استوارت راسل و پیتر نورویگ سپس اقدام به انتشار « هوش مصنوعی: رویکردی مدرن» کردند (پیوند خارج از IBM قرار دارد) و تبدیل به یکی از کتابهای درسی پیشرو در مطالعه هوش مصنوعی شد. در آن، آنها به چهار هدف یا تعریف بالقوه هوش مصنوعی می پردازند که سیستم های کامپیوتری را بر اساس عقلانیت و تفکر در مقابل عمل متمایز می کند:
رویکرد انسانی:
- سیستم هایی که مانند انسان فکر می کنند
- سیستم هایی که مانند انسان عمل می کنند
رویکرد ایده آل:
- سیستم هایی که منطقی فکر می کنند
- سیستم هایی که منطقی عمل می کنند
تعریف آلن تورینگ در دسته «سیستم هایی که مانند انسان عمل می کنند» قرار می گیرد.
در سادهترین شکل، هوش مصنوعی حوزهای است که علم کامپیوتر و مجموعه دادههای قوی را ترکیب میکند تا امکان حل مسئله را فراهم کند. همچنین حوزههای فرعی یادگیری ماشین و یادگیری عمیق را در بر میگیرد که اغلب در ارتباط با هوش مصنوعی ذکر میشوند. این رشته ها متشکل از الگوریتم های هوش مصنوعی هستند که به دنبال ایجاد سیستم های خبره ای هستند که بر اساس داده های ورودی پیش بینی یا طبقه بندی می کنند.
امروزه، تبلیغات زیادی همچنان پیرامون توسعه هوش مصنوعی است، که از هر فناوری نوظهور جدیدی در بازار انتظار می رود. همانطور که در چرخه تبلیغات گارتنر (پیوند در خارج از IBM قرار دارد) اشاره شد، نوآوری های محصول مانند اتومبیل های خودران و دستیاران شخصی، «یک پیشرفت معمولی از نوآوری را دنبال می کنند، از اشتیاق بیش از حد تا دوره ای از سرخوردگی تا درک نهایی از ارتباط و نقش نوآوری. در یک بازار یا دامنه.” همانطور که لکس فریدمن در اینجا (01:08:05) در سخنرانی خود در MIT در سال 2019 اشاره می کند (پیوند در خارج از IBM قرار دارد)، ما در اوج انتظارات متورم هستیم و به آستانه سرخوردگی نزدیک می شویم.
Types of artificial intelligence—weak AI vs. strong AI
هوش مصنوعی ضعیف – که به آن هوش مصنوعی باریک یا هوش مصنوعی باریک (ANI) نیز میگویند – هوش مصنوعی آموزش دیده و متمرکز برای انجام وظایف خاص است. هوش مصنوعی ضعیف بیشتر هوش مصنوعی را که امروز ما را احاطه کرده است هدایت می کند. “Narrow” ممکن است توصیف دقیق تری برای این نوع هوش مصنوعی باشد، زیرا چیزی جز ضعیف است. برخی از برنامه های بسیار قوی مانند سیری اپل، الکسای آمازون، آی بی ام واتسون و وسایل نقلیه خودران را فعال می کند.
هوش مصنوعی قوی از هوش عمومی مصنوعی (AGI) و هوش مصنوعی فوق العاده (ASI) تشکیل شده است. هوش عمومی مصنوعی (AGI)، یا هوش مصنوعی عمومی، شکلی نظری از هوش مصنوعی است که در آن یک ماشین دارای هوشی برابر با انسان است. این یک آگاهی خودآگاه است که توانایی حل مشکلات، یادگیری و برنامه ریزی برای آینده را دارد. ابر هوش مصنوعی (ASI) که به عنوان ابر هوش نیز شناخته می شود، از هوش و توانایی مغز انسان پیشی می گیرد. در حالی که هوش مصنوعی قوی هنوز کاملاً تئوری است و امروزه هیچ نمونه عملی در آن استفاده نمی شود، این بدان معنا نیست که محققان هوش مصنوعی نیز در حال بررسی توسعه آن نیستند. در این میان، بهترین نمونه های ASI ممکن است از داستان های علمی تخیلی باشد، مانند HAL، دستیار کامپیوتر سرکش و مافوق بشر در سال 2001: یک ادیسه فضایی.
Deep learning vs. machine learning
از آنجایی که یادگیری عمیق و یادگیری ماشینی به جای یکدیگر مورد استفاده قرار میگیرند، ارزش توجه به تفاوتهای ظریف بین این دو را دارد. همانطور که در بالا ذکر شد، یادگیری عمیق و یادگیری ماشین هر دو زیر شاخه های هوش مصنوعی هستند و یادگیری عمیق در واقع زیر شاخه یادگیری ماشین است.
یادگیری عمیق در واقع از شبکه های عصبی تشکیل شده است. “عمیق” در یادگیری عمیق به یک شبکه عصبی متشکل از بیش از سه لایه – که شامل ورودی ها و خروجی ها می شود – اشاره دارد که می تواند یک الگوریتم یادگیری عمیق در نظر گرفته شود. این به طور کلی با استفاده از نمودار زیر نشان داده شده است:
تفاوت یادگیری عمیق و یادگیری ماشین در نحوه یادگیری هر الگوریتم است. یادگیری عمیق بسیاری از بخش استخراج ویژگی فرآیند را خودکار می کند و برخی از مداخلات دستی انسان را حذف می کند و امکان استفاده از مجموعه داده های بزرگتر را فراهم می کند. همانطور که لکس فریدمن در همان سخنرانی MIT از بالا اشاره کرد، می توانید یادگیری عمیق را به عنوان “یادگیری ماشین مقیاس پذیر” در نظر بگیرید. یادگیری ماشین کلاسیک یا “غیر عمیق” بیشتر به مداخله انسان برای یادگیری وابسته است. متخصصان انسانی سلسله مراتب ویژگیها را برای درک تفاوتهای بین ورودیهای داده تعیین میکنند، که معمولاً به دادههای ساختاریافتهتری برای یادگیری نیاز دارند.
یادگیری ماشینی «عمیق» میتواند از مجموعه دادههای برچسبگذاریشده، که به عنوان یادگیری نظارتشده نیز شناخته میشود، برای اطلاعرسانی الگوریتم خود استفاده کند، اما لزوماً به یک مجموعه داده برچسبدار نیاز ندارد. این می تواند داده های بدون ساختار را به شکل خام خود (مثلاً متن، تصاویر) وارد کند و می تواند به طور خودکار سلسله مراتب ویژگی هایی را تعیین کند که دسته های مختلف داده ها را از یکدیگر متمایز می کند. برخلاف یادگیری ماشینی، برای پردازش داده ها نیازی به مداخله انسانی نیست و به ما امکان می دهد یادگیری ماشین را به روش های جالب تری مقیاس بندی کنیم.
Artificial intelligence applications
امروزه کاربردهای واقعی و متعددی از سیستم های هوش مصنوعی وجود دارد. در زیر برخی از رایج ترین نمونه ها آورده شده است:
- تشخیص گفتار: همچنین با نامهای تشخیص خودکار گفتار (ASR)، تشخیص گفتار رایانهای یا گفتار به متن نیز شناخته میشود و قابلیتی است که از پردازش زبان طبیعی (NLP) برای پردازش گفتار انسان در قالب نوشتاری استفاده میکند. بسیاری از دستگاههای تلفن همراه برای انجام جستجوی صوتی – به عنوان مثال سیری – تشخیص گفتار را در سیستمهای خود ادغام میکنند یا دسترسی بیشتری در مورد ارسال پیامک فراهم میکنند.
- خدمات مشتری: نمایندگان مجازی آنلاین در طول سفر مشتری جایگزین عوامل انسانی می شوند. آنها به سؤالات متداول (سؤالات متداول) در مورد موضوعاتی مانند حمل و نقل پاسخ می دهند، یا مشاوره شخصی، فروش متقابل محصولات یا پیشنهاد اندازه به کاربران ارائه می دهند، و طرز فکر ما را در مورد تعامل با مشتری در وب سایت ها و پلتفرم های رسانه های اجتماعی تغییر می دهند. به عنوان مثال میتوان به رباتهای پیامرسان در سایتهای تجارت الکترونیک با عوامل مجازی ، برنامههای پیامرسانی مانند Slack و Facebook Messenger و کارهایی که معمولاً توسط دستیاران مجازی و دستیارهای صوتی انجام میشود ، اشاره کرد.
- بینایی رایانه: این فناوری هوش مصنوعی رایانهها و سیستمها را قادر میسازد تا اطلاعات معناداری را از تصاویر دیجیتال، ویدیوها و سایر ورودیهای بصری به دست آورند و بر اساس آن ورودیها، میتواند اقدام کند. این توانایی در ارائه توصیه ها آن را از وظایف تشخیص تصویر متمایز می کند. بینایی کامپیوتر با استفاده از شبکه های عصبی کانولوشنال دارای کاربردهایی در برچسب گذاری عکس در رسانه های اجتماعی، تصویربرداری رادیولوژی در مراقبت های بهداشتی و خودروهای خودران در صنعت خودروسازی است.
- موتورهای توصیه: با استفاده از دادههای رفتار مصرف گذشته، الگوریتمهای هوش مصنوعی میتوانند به کشف روندهای دادهای که میتوانند برای توسعه استراتژیهای فروش متقابل مؤثرتر مورد استفاده قرار گیرند، کمک کنند. این برای ارائه توصیههای افزودنی مرتبط به مشتریان در طول فرآیند پرداخت برای خردهفروشان آنلاین استفاده میشود.
- معاملات خودکار سهام: پلتفرمهای معاملاتی با فرکانس بالا مبتنی بر هوش مصنوعی که برای بهینهسازی پرتفوی سهام طراحی شدهاند، هزاران یا حتی میلیونها معامله را در روز بدون دخالت انسان انجام میدهند.
History of artificial intelligence: Key dates and names
ایده ماشینی که فکر می کند به یونان باستان برمی گردد. اما از زمان ظهور محاسبات الکترونیکی (و نسبت به برخی از موضوعات مورد بحث در این مقاله) رویدادها و نقاط عطف مهم در تکامل هوش مصنوعی شامل موارد زیر است:
- 1950: آلن تورینگ کتاب ماشین های محاسباتی و هوش را منتشر کرد. در این مقاله، تورینگ – که به دلیل شکستن کد ENIGMA نازی ها در طول جنگ جهانی دوم مشهور است – پیشنهاد می کند به این سوال پاسخ دهد که آیا ماشین ها می توانند فکر کنند؟ و تست تورینگ را برای تعیین اینکه آیا یک کامپیوتر می تواند همان هوش (یا نتایج همان هوش) را به عنوان یک انسان نشان دهد، معرفی می کند. ارزش آزمون تورینگ از آن زمان مورد بحث بوده است.
- 1956: جان مک کارتی در اولین کنفرانس هوش مصنوعی در کالج دارتموث، اصطلاح “هوش مصنوعی” را ابداع کرد. (مک کارتی به اختراع زبان Lisp ادامه داد.) در اواخر همان سال، آلن نیول، جی سی شاو و هربرت سایمون، نظریه منطقی را ایجاد کردند، اولین برنامه نرم افزاری هوش مصنوعی که تا به حال اجرا می شود.
- 1967: فرانک روزنبلات Mark 1 Perceptron را ساخت، اولین کامپیوتر مبتنی بر یک شبکه عصبی که از طریق آزمون و خطا “یاد گرفت”. فقط یک سال بعد، ماروین مینسکی و سیمور پیپرت کتابی با عنوان پرسپترونها منتشر کردند که هم به کار برجسته در مورد شبکههای عصبی تبدیل شد و هم حداقل برای مدتی استدلالی علیه پروژههای تحقیقاتی شبکههای عصبی آینده.
- دهه 1980: شبکههای عصبی که از یک الگوریتم پس انتشار برای آموزش خود استفاده میکنند، به طور گسترده در کاربردهای هوش مصنوعی مورد استفاده قرار گرفتند.
- 1997: دیپ بلو از IBM در یک مسابقه شطرنج (و مسابقه مجدد) قهرمان شطرنج جهان، گری کاسپاروف را شکست داد.
- 2011: IBM Watson قهرمانان Ken Jennings و Brad Rutter را در Jeopardy شکست داد!
- 2015: ابرکامپیوتر Minwa Baidu از نوع خاصی از شبکه عصبی عمیق به نام شبکه عصبی کانولوشن برای شناسایی و دستهبندی تصاویر با دقت بالاتری نسبت به انسان معمولی استفاده میکند.
- 2016: برنامه AlphaGo DeepMind که توسط یک شبکه عصبی عمیق پشتیبانی می شود، لی سودول، بازیکن قهرمان جهان Go را در یک مسابقه پنج بازی شکست داد. این پیروزی با توجه به تعداد زیادی حرکات ممکن در طول بازی (بیش از 14.5 تریلیون تنها پس از چهار حرکت!) قابل توجه است. بعداً، گوگل DeepMind را به مبلغ 400 میلیون دلار خریداری کر
2 دیدگاه
به گفتگوی ما بپیوندید و دیدگاه خود را با ما در میان بگذارید.