هوش مصنوعی (Artificial Intelligence) چیست؟ 

در طول تاریخ همواره گمانه‌زنی‌هایی در مورد امکان ساخت سیستم‌هایی مصنوعی که قادر باشند مثل انسان فکر و عمل کنند، وجود داشت. همه‌چیز فقط به زمان بستگی داشت تا ایده‌ی جذاب هوش مصنوعی (Artificial Intelligence) در دوران رشد تصاعدیِ علوم کامپیوتر و دنیای دیجیتال محقق شود. در ادامه توضیح خواهیم داد که هوش مصنوعی چیست و چه کاربردی دارد.

هوش مصنوعی چیست؟

هوش مصنوعی (Artificial Intelligence یا AI) شبیه‌سازی هوش انسانی به‌وسیله ماشین‌ها است. به عبارت دیگر، هوش مصنوعی حوزه‌ای است که تلاش می‌کند سیستم‌هایی بسازد که مانند انسان‌ها بتوانند یاد بگیرند، استدلال کنند، از تجربیات خود بیاموزند، برای مشکلات راه‌حل پیدا کنند، اطلاعات را بررسی کنند و وظایف منطقی را مشابه یک انسان انجام دهند. لازم به ذکر است که اگر سیستمی بتوانند فعالیت‌های یادگیری و تفکر را مثل یک انسان انجام دهد، به دلیل سرعت و ظرفیت بالای محاسباتی‌اش توانایی و مزایای قابل‌توجهی خواهد داشت.

در ادامه‌ی بررسی و پاسخ به سؤال هوش مصنوعی چیست، بیایید کمی در مورد تاریخچه آن نیز صحبت کنیم:

تاریخچه هوش مصنوعی

هوش مصنوعی (Artificial Intelligence) به هیچ عنوان مفهوم جدیدی نیست. برای مثال دکارت در قرن هفدهم میلادی در مورد امکان وجود ماشین‌های خودکار نظریه‌پردازی کرد، اما تا اواسط قرن بیستم و پیدایش موضوعات مرتبط اهمیتی به آن داده نشد.

یکی از اولین چالش‌های رسمی در این زمینه آزمون تورینگ بود که توسط Alan Turing در سال 1950 میلادی مطرح شد. در این آزمون یک سیستم زمانی به‌اندازه‌ی کافی هوشمند محسوب می‌شود که بتواند مانند انسان از پس سؤالات یک داور برآید. جالب اینجا است که این آزمون هنوز هم چالشی بزرگ محسوب می‌شود.

در سال 1956 میلادی، John McCarthy، دانشمند مشهور کامپیوتر، برای اولین بار اصطلاح هوش مصنوعی (Artificial Intelligence) را در کنفرانس معروف Dartmouth عنوان کرد. با این حال تا دهه‌های بعد تحقیق در این زمینه تنها به پروژه‌های فردی و گمانه‌زنی‌ها ختم شد؛ چون علاوه بر موانع متعددی که وجود داشت، هیچ‌کس جرئت نمی‌کرد به‌صورت جدی در این حوزه سرمایه‌گذاری مالی انجام دهد.

علی‌رغم این مشکلات پیشرفت‌های مهمی نیز حاصل شد؛ مانند ELIZA در سال 1966 (اولین چت‌باتی که پردازش زبان طبیعی یا NLP را پیاده‌سازی می‌کرد)، BKG 9.8 برنامه‌ کامپیوتری که در سال ۱۹۷۹ قهرمان جهان در بازی‌های تخته نرد را شکست داد، اولین اتومبیل خودرانی که در سال 1994 مسافت قابل‌توجهی را در پاریس طی کرد یا پیروزیِ هوش مصنوعی Deep Blue (ساخته‌شده توسط IBM) در مقابل قهرمان شطرنج، گری کاسپاروف، در سال 1997.

با فرارسیدن قرن جدید و تکامل چشمگیر تکنولوژی، هوش مصنوعی هم به روندی غیرقابل‌توقف تبدیل شد و نقاط عطف در این حوزه در ابعاد مختلف افزایش یافت. از نمونه‌های آن می‌توان به سیستم‌های خبره‌ای که قادر به پیشی گرفتن از انسان در فعالیت‌های فکری هستند، تا دستیارهای مجازی با قابلیت سامان‌دهی امور روزانه اشاره کرد.

تکنولوژی‌های هوش مصنوعی

فناوری‌ها و حوزه‌های مختلفی در حوزه‌ی هوش مصنوعی قرار می‌گیرند. اجازه دهید به مرتبط‌ترین تکنولوژی‌های این حوزه (از سیستم‌های تشخیص تا سیستم‌های یادگیری ماشین) نگاهی بیندازیم:

تشخیص خودکار گفتار

تشخیص خودکار گفتار (Automatic Speech Recognition) حوزه‌ای مرتبط با آکوستیک است که واج‌ها و آواها را در یک سیگنال صوتی تشخیص می‌دهد. سیستم‌های تشخیص صوت، سیگنال‌های جمع‌آوری‌شده توسط میکروفون را برای شناسایی کلماتی که کاربر تلفظ کرده است، پردازش می‌کنند.

پردازش زبان طبیعی (NLP)

بر‌خلاف تشخیص گفتار که فقط بر روی تبدیل صدا به متن تمرکز دارد، پردازش زبان طبیعی (Natural Language Processing) رشته‌ای است که ارتباط نزدیک‌تری با حوزه‌ی زبان‌شناسی دارد و هدفش این است که مفهوم اصلی کاربر را هنگام ایجاد فرمانی مشخص بفهمد و درک کند که از بیان هر یک از این موارد چه خواسته و انتظاری دارد. به‌طور خلاصه، پردازش زبان طبیعی حوزه‌ای است که به ارتباط بین ماشین و انسان کمک می‌کند.

تشخیص بصری

تشخیص بصری (Visual Recognition) رشته‌ای مبتنی بر پردازش سیگنال‌های تصویری و ویدئویی است و هدف آن شناخت الگوها، اشکال و در بهترین حالت شناسایی دقیق المان‌های مختلف در یک تصویر است.

تشخیص متن

تشخیص متن (Text Recognition) را می‌توان زیرمجموعه‌ای از تشخیص بصری در نظر گرفت؛ زیرا هدف اصلی آن شناسایی و تعیین هویت متن در فرمت‌های تصویری است. در این حوزه، استفاده از ابزارهای تشخیص کاراکتر نوری (Optical Character Recognition یا OCR) متداول است.

کلان داده

به‌راحتی می‌توان گفت که کلان داده (Big Data) حجم زیادی از داده‌ها و اطلاعات در نظر گرفته می‌شود. کلان داده به‌تنهایی یک تکنولوژی نیست، با این وجود دسترسی به حجم عظیمی از داده‌ها (ترجیحاً ساختاریافته) برای انجام تحلیل‌های هوش تجاری (Business Intelligence) و به‌کارگیری الگوریتم‌های خاصی از یادگیری ماشین (Machine Learning) ضروری است.

سیستم‌های خبره

سیستم‌های خبره (Expert Systems) تمامی دانش انسان در حوزه‌ای خاص را شامل می‌شوند. یکی از نمونه‌های قدیمی آن سیستم‌های شطرنج‌باز هستند که از تمامی مجموعه حرکات و استراتژی‌های موجود در حافظه‌ خود برای تشخیص بهترین حرکت استفاده می‌کنند.

یادگیری ماشین

یادگیری ماشین (Machine Learning) رشته‌ای در هوش مصنوعی (Artificial Intelligence) است که تلاش می‌کند تا سیستم را قادر سازد که بیاموزد و بین اطلاعات گوناگون ارتباط برقرار کند؛ دقیقاً به همان صورتی که یک انسان این کار را انجام می‌دهد. بنابراین از الگوریتم‌هایی استفاده می‌شود که می‌توانند الگوهای مشخص را در داده‌های پیشین تشخیص داده و بر اساس آن‌ها نتایج را در آینده پیش‌بینی کنند.

ممکن است علاقه‌مند باشید: ماشین لرنینگ چیست؟

یادگیری عمیق

یادگیری عمیق (Deep Learning) یکی از زیرشاخه‌های یادگیری ماشین است. یادگیری عمیق یک سیستم یادگیری، بر پایه ریاضیات پیچیده است که از عملکرد شبکه‌های عصبی مغز انسان برای پردازش اطلاعات الهام گرفته است. اگر چه یادگیری عمیق مبتنی بر تجربه – داده‌های قبلیِ تولید‌شده توسط محیط یا اطلاعاتِ تولید‌شده به‌وسیله‌ی خود سیستم – است، اما در آن از نشانه‌های دقیقی که مشخص می‌کنند چه چیزی درست و چه چیزی اشتباه است تا سیستم بتواند به‌تنهایی نتیجه‌گیری کند، استفاده نمی‌شود.

هوش شناختی

هوش شناختی (Cognitive Intelligence) ترکیبی از تکنولوژی‌های فوق است که هدف آن ایجاد خدمات هوش مصنوعی با قابلیت درک انسانی است. در این شاخه از تکنولوژی‌هایی مانند تشخیص بصری، صدا، درک مطلب، پردازش زبان طبیعی و یادگیری ماشین برای ساخت سیستم‌هایی با قابلیت درک اطلاعات مربوط به تعامل‌های انسانی و توانایی پاسخگویی به آن استفاده می‌شود.

دسته‌بندی‌های هوش مصنوعی

دسته‌بندی سیستم‌های هوش مصنوعی کار آسانی نیست. در حقیقت بهترین روش، طبقه‌بندی بر اساس الگوریتم‌های مورد استفاده در یک سیستم مشخص است. با این حال در یک دسته‌بندی رایج، هوش مصنوعی (Artificial Intelligence) به دو دسته‌ی بزرگ زیر تقسیم می‌شود:

هوش مصنوعی ضعیف (محدود)

ممکن است نام هوش مصنوعی ضعیف (Weak AI) یا (Artificial Narrow Intelligence یا ANI) کمی تحقیرآمیز به نظر برسد، با این حال تمامی حوزه‌های هوش مصنوعی در دنیای امروزی را پوشش می‌دهد. این گروه از هوش مصنوعی به حل یک یا مجموعه‌ای از مسائل به روشی بهینه اختصاص دارد. اما بدون برنامه‌نویسی نمی‌توان آن را به حل مشکلات عمومی تعمیم داد. حتی پیشرفته‌ترین دستیارهای مجازی (Virtual Assistant) هم در این دسته جای می‌گیرند.

هوش مصنوعی قوی (عمومی)

هوش مصنوعی قوی (Strong AI) یا هوش مصنوعی عمومی (Artificial General Intelligence یا AGI) می‌تواند در ظرفیت استدلال و استنباط مطابق با هوش انسانی عمل کرده یا حتی از آن پیشی بگیرد. در حال حاضر این دسته حالتی آرمانی و فوق ایدئال است که فقط در داستان‌های علمی-تخیلی وجود دارد. زیرا با وجود اینکه ماشین‌ها در موارد بسیاری مانند تشخیص بینایی و شنیداری و… بهتر از انسان‌ها عمل می‌کنند، با این حال فاقد احساسات واقعی، خودآگاهی و توانایی انطباق با موقعیت‌های متنوع هستند.

انواع الگوریتم‌های هوش مصنوعی و یادگیری ماشین

عبارت «الگوریتم‌های یادگیری ماشین» برای الگوریتم‌هایی که در ادامه می‌آیند، اصطلاح درست‌تری به شمار می‌رود؛ زیرا همان‌طور که قبلاً اشاره کردیم، هوش مصنوعی (Artificial Intelligence) مجموعه بزرگتری از تکنولوژی است که یادگیری ماشین (Machine Learning) را هم در برمی‌گیرد. بنابراین ذکر تمامی الگوریتم‌های موجود در چنین حوزه‌ای غیرممکن است. با در نظر گرفتن این مورد اجازه دهید به سه گروه اصلی از الگوریتم‌های آن نگاهی بیندازیم.

یادگیری تقویتی

یادگیری تقویتی (Reinforcement Learning) شامل تکرارِ مداوم بر اساس آزمون و خطا است که ماشین‌ها می‌توانند در زمان کوتاه و تحت شرایط خاص (مانند قواعد یک بازی) و با هدفی مشخص (مانند برنده شدن در بازی شطرنج) انجام دهند. به این ترتیب نتایج، الگوها، مسیرها، روابط و نتیجه‌گیری‌ها بر اساس تجربه‌ی قبلیِ ماشین به دست می‌آیند. بازی شطرنج AlphaZero نمونه‌ای از این مدل یادگیری است.

یادگیری نظارت‌شده

یادگیری نظارت‌شده (Supervised Learning) بر پایه‌ی مدل‌های پیش‌گویانه‌ای که از داده‌های آموزشی بهره می‌برند، عمل می‌کند. با توجه به مجموعه شناخته‌شده‌ای از داده‌ها، سیستم باید بتواند به یک خروجی خاص دسترسی پیدا کند. درنتیجه، مدل تا زمان دستیابی به نتایج با دقت کافی، تنظیم‌ شده یا آموزش داده می‌شود.

ممکن است علاقه‌مند باشید: مقدمه‌ای بر دسته‌بندی بیز ساده (Naive Bayes Classification)

یادگیری بدون نظارت

الگوریتم‌های یادگیری بدون نظارت (Unsupervised Learning) مشابه الگوریتم‌های یادگیری نظارت‌شده هستند، با این تفاوت که مدلشان را صرفاً بر اساس داده‌های ورودی تنظیم می‌کنند. به عبارت ساده‌تر، الگوریتم عملیات خودآموزی را بدون مداخله خارجی انجام می‌دهد.

اکنون که می‌دانیم هوش مصنوعی چیست، بیایید کمی در مورد کاربردهای هوش مصنوعی (Artificial Intelligence) در زندگی روزمره صحبت کنیم:

کاربردهای هوش مصنوعی چیست؟

هوش مصنوعی در هر گوشه از دنیای مدرن حضور دارد. همیشه هم قرار نیست آن‌ها را در قالب دستیارهای مجازی پیشرفته‌ای ببینیم که قادر به تشخیص صدای ما هستند. در ادامه برخی از ساده‌ترین تا پیچیده‌ترین کاربردهای هوش مصنوعی را معرفی می‌کنیم:

دستیارهای مجازی

این نزدیک‌ترین کاربردی است که از هوش مصنوعی در فیلم‌ها می‌بینیم. این دستیاران با کاربر تعامل دارند، صدای ما را تشخیص می‌دهند، خودشان را با نحوه‌ی درخواست ما سازگار می‌کنند. همچنین می‌توانند سرگرمی‌هایی را بر اساس سلیقه‌ی ما توصیه کنند. یکی از نقاط قوت این تکنولوژی، داشتن کاربران بی‌شماری است که به‌طور پیوسته با اطلاعات و داده‌های خود آن‌ها را تغذیه کرده و به تقویت الگوریتم‌های یادگیری‌شان کمک می‌کنند.

دستگاه‌های خانگی

از ترموستات‌ها گرفته تا جاروبرقی‌هایی که در هر گوشه از خانه می‌چرخند و آن را تمیز می‌کنند. اتوماسیون خانگی یکی از ساده‌ترین کاربردهای هوش مصنوعی است که کاربران سال‌ها است از آن استفاده می‌کنند.

فیلتر اسپم

شرکت‌هایی مانند گوگل از الگوریتم‌های در حال تکاملِ زیادی برای شناسایی ایمیل‌های جعلی و هرزنامه‌ها استفاده می‌کنند.

اعلان‌های سفارشی

به‌طور کلی، سیستم‌های هوش مصنوعی که توسط موتورهای جستجو و شبکه‌های اجتماعی هدایت می‌شوند، آن‌هایی هستند که تمامی اطلاعاتِ در دسترس را تحلیل می‌کنند تا تبلیغاتی را به شما نشان دهند که به‌احتمال زیاد به آن‌ها علاقه خواهید داشت.

عوامل خبره

عوامل خبره (Expert Agent) معمولاً سیستم‌هایی هستند که بر اساس دانش متخصصان در یک زمینه خاص، آموزشِ زیادی در آن حوزه دیده‌اند. یک نمونه‌ی قدیمی آن سیستم‌هایی هستند که شطرنج بازی می‌کنند.

چت‌بات‌ها

چت‌بات‌ها سیستم‌هایی هستند که از پردازش زبان طبیعی (NLP) استفاده‌ می‌کنند. آن‌ها ارتباط کلامی یا نوشتاری دوسویه و منسجم با انسان را امکان‌پذیر می‌کنند.

بازی‌های ویدئویی

این مورد شاید یکی از بدیهی‌ترین کاربردهای هوش مصنوعی باشد. با این حال تلاش برای عملکرد واقع‌گرایانه بازی‌ها، همواره یکی از منابع اصلیِ بهبود در هوش مصنوعی بوده است.

اتومبیل‌های خودران

بسیاری از شرکت‌ها به حوزه‌ی وسایل نقلیه هوشمند وارد شده‌اند. آن‌ها سیستم‌هایی را توسعه می‌دهند که حجم عظیمی از اطلاعات را در‌لحظه پردازش کرده و مسیر و عملکرد صحیح اتومبیل را تعیین می‌کنند.

جمع‌بندی

هوش مصنوعی چیست؟ هوش مصنوعی (Artificial Intelligence) ماشین‌ها را قادر می‌سازد تا محیط اطراف خود را درک و تجزیه‌و‌تحلیل کرده و سپس توصیه‌ها و تصمیماتی را ارائه کنند. یک ماشین هوشمند هرگز به دستورالعمل‌های دقیق در مورد اینکه چه کاری باید انجام دهد نیاز ندارد، در عوض برای درک موقعیت‌های مختلف و سپس حل آن‌ها برنامه‌ریزی شده است. عملکرد ماشین‌های هوش مصنوعی به داده‌ها وابسته است. داده‌ها به سیستم‌های هوش مصنوعی اجازه می‌دهند تا الگوهایی بسازند و سپس از آن‌ها برای تولید پیش‌بینی‌ها و شبیه‌سازی‌ها یا استنباط اطلاعات استفاده کنند.