همه چیز درباره هوش مصنوعی
هوش مصنوعی (Artificial intelligence) که گاهی به آن هوش دستگاهی نیز گفته می‌شود تقریبا مشابه هوش طبیعی است که توسط حیوانات و انسان‌ها نمایش داده می‌شود. به عبارت دیگر هوش مصنوعی به سیستم‌هایی گفته می‌شود که می‌توانند واکنش‌هایی مشابه رفتارهای هوشمند انسانی از جمله درک شرایط پیچیده، شبیه سازی فرآیندهای فکری و شیوه‌های استدلالی انسانی و پاسخ موفق به آن‌ها، یادگیری و توانایی کسب دانش و استدلال برای حل مسایل را داشته باشند. تعریف گفته شده،تعریف دقیقی نیست و صرفا یک تعریف غیر رسمی است، زیرا تاکنون هیچ تعریف دقیق و مشخصی از هوش مصنوعی بیان نشده و هر کس با توجه به دانش و زمینه فعالیت خود به این علم نگاه می‌کند، چهار نگرش کلی در این مورد وجود دارد که به صورت خلاصه آن‌ها را بیان می‌کنیم.
نگرش اول درباره Artificial intelligence
اولین افرادی که از واژه هوش مصنوعی استفاده کردند جان مک کارتی و ماروین مینسکی بودند. هدف آن ها از تحقیقات شبیه سازی دقیق مغز انسان و ساختن مدل مصنوعی آن بود تا از این طریق بتوانند مغز انسان را بهتر بشناسند امروزه افراد با این نگرش را متخصصین علوم شناختی(Cognitive Scientist) می‌نامند. به طور خلاصه این دسته از افراد به دنبال ساخت سیستم‌هایی هستند که دقیقا شبیه انسان فکر می‌کنند.
نگرش دوم درباره Artificial intelligence
دانشمندانی که از علم روانشناسی وارد هوش مصنوعی شدند به دنبال درک دقیق و ساختن مغز انسان نیستند بلکه هدف آن‌ها ساخت سیستم‌هایی است که فارغ از ساختار داخلی عملکردی شبیه مغز انسان داشته باشند.آلن تورینگ(Alan Turing) از بزرگترین دانشمندان در این زمینه است. او در سال 1950 آزمونی برای سنجش هوشمندی این سیستم‌ها پیشنهاد داد که به آزمون تورینگ مشهور است. در این آزمون سیستم هوش مصنوعی باید به گونه‌ای با داور انسانی چت کند که آن فرد نتواند تشخیص دهد که در حال مکاتبه با یک کامپیوتر است. این آزمون در سال 2014 توسط یک چت بات به نام Eugene Goostman با موفقیت انجام شد.
نگرش سوم درباره Artificial intelligence
دسته دیگر را معمولا مهندسان قدیمی کامپیوتر و ریاضیدانان تشکیل می‌دهند که اعتقاد دارند اگر سیستم ساخته شده دقیقا شبیه مغز انسان باشد و یا رفتار یک انسان را در ماشین شبیه سازی کنند، آنگاه ماشین نیز دچار خطاهای انسانی می‌شود. منظور آن‌ها از این حرف این است که باید سیستم‌هایی ساخته شود که نقص‌های موجود در انسان‌ها را رفع کنند و بتوانند به صورت عقلانی و منطقی فکر کنند. هدف این دسته از دانشمندان این است که اشیا و رفتار بین آن ها را در دنیای واقعی بدون ابهام و به صورت ریاضی و منطقی مدل سازی کنند و تا حدودی موفق به انجام این کار شده‌اند و سیستم‌های خبره(Expert Systems) حاصل تلاش این محققان بوده است.(در قسمت‌های بعدی به بررسی کامل‌تر این سیستم‌ها می‌پردازیم)
نگرش چهارم درباره Artificial intelligence
بسیاری از محققان با نگرش سوم مخالفند و معتقدند بسیاری از روابط دنیای واقعی را نمی‌توان با استفاده از ریاضیات و منطق مدل سازی کرد حتی می‌گویند خود انسان نیز نسبت به خیلی از این پدیده‌ها بینش کافی ندارند و قطعا نمی‌توانند مدل سازی دقیقی از پدیده‌ها داشته باشند. بنابراین بسیاری از دانشمندان در حال حاضر مشغول تحقیق بر روی سیستم‌هایی هستند که بدون توجه به ساختار داخلی بتوانند عملکردی صحیح و عاقلانه برای حل مسایل داشته باشند.
هر چه ماشین‌ها توانایی بیشتری پیدا می‌کنند وظایف در نظر گرفته شده که به هوش نیاز دارند از تعریف هوش مصنوعی حذف می‌شوند، که این موضوع پدیده‌ای است که با نام “اثر هوش مصنوعی” شناخته می‌شود.
قابلیت ماشین‌های مدرن که به عنوان سیستم‌های هوش مصنوعی شناخته می‌شوند مواردی مثل درک گفتار انسان، رقابت در بالاترین سطح بازی‌های استراتژیک مانند شطرنج، ماشین‌های اتوماتیک، مسیریابی‌های هوشمند در سیستم‌های تحویل محتوا و شبیه سازی‌ها در کارهای نظامی و… را تشکیل می‌دهند.
AI به عنوان یک رشته دانشگاهی در سال 1995 تاسیس شد و در سال‌های گذشته موج‌های زیادی از خوش بینی‌ها را شاهد بوده است، ناگفته نماند که در رویدادی به نام “زمستان هوش مصنوعی” ناامیدی و از دست دادن بودجه را دیدیم اما پس از آن رویکردهای جدیدی رخ داد و دوباره به جایگاه قبلی خود برگشت.
تحقیقات هوش مصنوعی به زیر شاخه‌هایی تقسیم شده که به خوبی قادر به برقراری ارتباط با یکدیگر نیستند، این زیر شاخه‌ها بر اساس ملاحظات فنی و اهداف خاص(به عنوان مثال رباتیک یا یادگیری ماشین) ساخته شده‌اند.
اهداف تحقیقات هوش مصنوعی ایجاد ویژگی‌هایی مثل استدلال، بیان دانش، برنامه ریزی، یادگیری، پردازش زبان طبیعی، ادراک و توانایی حرکت و دستکاری اشیا در ماشین‌ها است.
ابزارهای زیادی در هوش مصنوعی استفاده می‌شوند به عنوان مثال بهینه سازی ریاضی، شبکه‌های عصبی مصنوعی و روش‌های مبتنی بر آمار، احتمال و اقتصاد و… .
رشته هوش مصنوعی به علوم رایانه، مهندسی اطلاعات، ریاضیات، روانشناسی، زبان شناسی، فلسفه و بسیاری زمینه‌های دیگر می‌پردازد.
در قرن بیست و یکم تکنیک‌های هوش مصنوعی به دنبال پیشرفت همزمان در قدرت رایانه، مقادیر زیادی از داده‌ها و درک نظری را تجربه کردهاند.
تکنیک‌های هوش مصنوعی به یک بخش اساسی در صنعت فناوری تبدیل شده‌اند و به حل بسیاری از مشکلات چالش برانگیز در علوم کامپیوتر، مهندسی نرم افزار و تحقیقات کمک می‌کنند.
تاریخچه Artificial intelligence
موجودات مصنوعی با توانایی اندیشه و استدلال در داستان‌های تخیلی دوران باستان مورد استفاده قرار می‌گرفتند و در داستان‌ها معمول بودند مانند فرانکنشتاین از مری شل و R.U.R. از کارل شپک (Rossum’s Universal Robot’s) این شخصیت‌ها و سرنوشت آن‌ها بسیاری از موضوعاتی که اکنون در مورد هوش مصنوعی مورد بررسی قرار می‌گیرد را مطرح کرده بودند.
مطالعه استدلال مکانیکی یا استدلال فکری توسط ریاضیدانان و فلاسفه دوران باستان آغاز شد. مطالعه منطق ریاضی مستقیما به نظریه محاسبه آلن تورینگ منجر شد.
زمینه تحقیقات AI در کارگاهی در کالج دارتموث در سال 1956 متولد شد، که در آن اصطلاح “هوش مصنوعی” توسط جان مک کارتی ابداع شد تا این زمینه تحقیقاتی را از سایبرنتیک مجزا کند.
آلن نیول، هربرت سیمون، جان مک کارتی، ماروین مینسکی و آرتور سامول به عنوان بنیانگذاران و رهبران تحقیقات هوش مصنوعی شناخته می‌شوند. آن‌ها و دانشجویانشان برنامه‌هایی تولید کردند که مطبوعات و مردم از آن برنامه‌ها شگفت زده شدند. برنامه‌ای را درست کردند که کامپیوتر‌ها می‌توانستند بازی چکرز را یاد بگیرند و طبق گزارشات در سال 1959 کامپیوتر‌ها این بازی را بهتر از میانگین انسان‌ها انجام می‌دادند.
آن‌ها از سیستم AI خود در زمینه‌های مختلفی مثل حل کردن مشکلات در جبر، اثبات قضایای منطقی(که آزمایش اول آن در سال 1956 بود) و انگلیسی صحبت کردن و … استفاده می‌کردند.
در اواسط دهه 1960 بودجه تحقیقات توسط نیروی وزارت دفاع آمریکا تامین می‌شد و آزمایشگاه‌هایی در سراسر جهان برای انجام تحقیقات هوش مصنوعی تاسیس کردند.
بنیانگذاران هوش مصنوعی در مورد آینده آن بسیار خوشبین بودند. هربرت سیمون پیش بینی کرد که ماشین‌ها در طی بیست سال آینده قادر به انجام هر کاری که توسط انسان‌ها انجام می‌شود خواهند بود، ماروین مینسکی این حرف را تایید کرد و افزود در طی یک نسل آینده مشکلات هوش مصنوعی به طور اساسی حل خواهد شد.
آن‌ها در حل کردن برخی از مشکلات ناتوان بودند و این باعث شد روند پیشرفت کند شود تا اینکه در سال 1974 در پاسخ به انتقاد آقای جیمز لایتیل و فشارهای مداوم کنگره ایالت متحده برای تامین بودجه پروژه‌های اکتشافی، دولت‌های آمریکا و بریتانیا تحقیقات هوش مصنوعی را متوقف کردند که به مدت چند سال بودجه گرفتن برای انجام تحقیقات بسیار مشکل بود برای همین از آن دوره به عنوان “زمستان هوش مصنوعی” یاد می‌شود.
در اوایل دهه 1980 متخصصین هوش مصنوعی با موفقیت توانستند سیستم‌های خبره را تولید کنند، شکلی از برنامه هوش مصنوعی بود که دانش و مهارت تحلیلی انسان‌های متخصص را شبیه سازی می‌کرد و تا سال 1985 بودجه بازار هوش مصنوعی به بیش از یک میلیارد دلار رسیده بود، در همین زمان پروژه رایانه‌های نسل پنجم ژاپن برای دولت‌های ایالت متحده و بریتانیا الهام بخش بود تا دوباره به تحقیقات بازگردند.
باز هم در سال 1987 با فروپاشی بازار ماشین آلات Lisp دنیای هوش مصنوعی بار دیگر به بی اعتنایی افتاد و زمستانی دیگر را تجربه کرد.
در اواخر دهه 1990 و اوایل قرن 21،متخصصین در تحقیقات هوش مصنوعی شروع به استفاده از منطق، داده کاوی، راهکارهای پزشکی و دیگر رشته‌ها کردند. موفقیت ناگهانی در این زمینه را می‌توان به دلیل افزایش قدرت محاسباتی، تاکید بیشتر بر مشکلات خاص، ایجاد رابطه بین هوش مصنوعی و دیگر رشته‌های علمی و استفاده محققان از روش‌های ریاضی و معیارهای علمی دانست.
Deep Blue اولین سیستم هوش مصنوعی بازی شطرنج بود که در 11 مه 1997 موفق به شکست قهرمان شطرنج جهان (گری کاسپاروف) شد.
طبق گفته جک کلارک بلومبرگ، سال 2015 سال هوش مصنوعی بود چون تعداد پروژه‌های نرم افزاری هوش مصنوعی در گوگل به 2700 پروژه رسیده بود در صورتی که در سال 2012 فقط استفاده پراکنده‌ای از آن‌ها می‌شد.
کلارک اطلاعاتی را از پیشرفت AI نشان می‌دهد که از سال 2012 نرخ خطای سیستم‌ها در پردازش تصویر بسیار کم شد، وی این پیشرفت را به دلیل افزایش شبکه‌ها عصبی، افزایش زیر ساخت‌های محاسبات ابری و افزایش ابزارهای تحقیق مجموعه داده‌ها می‌داند.
برای مثال‌های بیشتر می‌توان به توسعه نرم افزار اسکایپ مایکروسافت اشاره کرد که می‌تواند به صورت خودکار یک زبان را به زبان دیگر ترجمه کند، همچنین فیس بوک که قادر است تصاویر را برای افراد نابینا توصیف کند.
بهتر است از بررسی تاریخ را تمام کنیم و کم کم به بررسی تخصصی‌تر AI در حال حاضر بپردازیم. اکنون AI به عنوان یکی از گرایش‌های رشته مهندسی کامپیوتر در مقطع کارشناسی ارشد و دکتری می‌باشد و همچنین در برخی دانشگاه‌ها از آن به عنوان یک درس در مقطع کارشناسی رشته مهندسی کامپیوتر و فناوری اطلاعات نیز استفاده می‌کنند.
زبان برنامه نویسی هوش مصنوعی
زبان‌های برنامه نویسی لیسپ و پرولوگ علاوه بر اینکه از مهم‌ترین زبان‌های برنامه نویسی AI هستند دارای خصوصیاتی می‌باشند که باعث شده شیوه و راه حل‌های قوی برای حل مسایل داشته باشند.
تاثیر قابل توجه این زبان‌ها بر روی توسعه هوش مصنوعی به دلیل توانایی‌های آن‌ها به عنوان ابزارهای فکر کردن است.
در حقیقت زبان‌های برنامه نویسی لیسپ و پرولوگ با رشد هوش مصنوعی بیشتر و بیشتر شناخته شدند و به وضوح داشتن اطلاعات در مورد این زبان‌های برنامه نویسی به عنوان بخشی از مهارت هر برنامه نویس AI است. اکنون بررسی‌ای کوتاه بر هر یک از این زبان‌های برنامه نویسی داشته باشیم:
لیسپ: یک زبان کامل است که دارای عملکردها و لیست‌های لازمه برای توصیف عملکردهای جدید، تشخیص تناسب و ارزیابی معانی است. این زبان برنامه نویسی به برنامه نویس قدرت کامل برای اتصال به ساختارهای اطلاعاتی و درخت‌ها را می‌دهد. این زبان یکی از قدیمی‌ترین زبان‌های محاسباتی است که هنوز فعال است و دقت کافی در برنامه نویسی و توسعه آن باعث شده که این یک زبان برنامه نویسی فعال باقی بماند.
پرولوگ: این زبان یک زبان برنامه نویسی منطقی است. یک زبان منطقی دارای ویژگی‌های قانون و منطق است. در واقع نام این زبان از کلمات PRO و LOGIC گرفته شده. این زبان یک مفسر برنامه را بر اساس منطق می‌نویسد. یکی از محوریت‌های زبان پرولوگ استفاده توصیفی مناسب برای بیان خصوصیات مسایل است.
هوش مصنوعی دارای شاخه‌های متفاوتی می‌باشد که برخی از آن‌ها عبارت‌اند از:
- الگوریتم ژنتیک(Genetic Algorithm)
- بینایی ماشین(Machine Vision)
- سیستم‌های خبره(Expert System)
- پردازش زبان طبیعی(NLP)
- یادگیری ماشین(Machine Learning)
- رباتیک(Robotic)
- شبکه عصبی مصنوعی(Neural Networks)
اولین مقاله از سری مقالات هوش مصنوعی را همین جا به پایان می‌رسانیم و به زودی در قسمت‌های بعد به بیان تعاریف اولیه هوش مصنوعی به صورت تخصصی‌تر می‌پردازیم.
امیدوارم برای شما خواننده عزیز مفید واقع شده باشد.
در لیست زیر 7 کتاب برتر هوش مصنوعی را می توانید دانلود کنید.
- Applied Artificial Intelligence A Handbook For Business Leaders by Mariya Yao Adelyn Zhou Marlene Jia
- Artificial Intelligence A Modern Approach, 3rd Edition by Stuart J. Russell, Peter Norvig
- Artificial Intelligence By Example Develop machine intelligence from scratch using real artificial intelligence
- Life 3.0 Being Human in the Age of Artificial Intelligence by Max Tegmark
- Machine Learning For Dummies by John Paul Mueller, Luca Massaron
- Make Your Own Neural Network by Tariq Rashid
- Superintelligence Paths, Dangers, Strategies by Nick Bostrom
دانلود 7 کتاب برتر هوش مصنوعی برای شروع
مقدمه ای بر هوش مصنوعی
متخصصین علوم کامپیوتر تحقیقات هوش مصنوعی را مطالعه عوامل هوشمند تعریف می‌کنند، منظور از عامل هوشمند “هر وسیله‌ای که قادر باشد محیط خود را درک کند و برای رسیدن به اهداف خود کارهایی انجام دهد که شانس موفقیت را به حداکثر برساند.” می‌باشد.
در قسمت قبل گفتیم که تا به حال تعریف دقیقی از هوش مصنوعی وجود نداشته و هر کس با توجه حوزه فعالیت و تخصص خود برای آن تعریفی ارایه می‌دهد. اما تعریفی وجود دارد که در بین فعالان این حوزه از محبوبیت بیشتری بر خوردار است و آن تعریف هوش مصنوعی را به صورت “توانایی سیستم در تفسیر صحیح داده‌های خارجی، آموختن از این داده‌ها و استفاده از این یادگیری‌ها برای دستیابی به اهداف و وظایف خاص” توصیف می‌کند.
یک سیستم هوش مصنوعی معمولی محیط خود را تجزیه و تحلیل می‌کند و اقداماتی انجام می‌دهد که شانس موفقیتش را در دستیابی به اهداف بیشتر می‌کند.
دستورات یا عملکرد(یا هدف) مورد نظر گرفته شده در هوش مصنوعی می‌تواند ساده یا پیچیده باشد. اهداف سیستم را می‌توان صریحا تعریف یا القا کرد.
اگر سیستم هوش مصنوعی برای یادگیری تقویتی برنامه ریزی شده باشد می‌توان با تشویق یا تنبیه آن اهداف را به صورت ضمنی تحریک کرد.
یادگیری سیستم‌های هوش مصنوعی شبیه به تکامل حیوانات برای رسیدن به اهداف خاص مثلا یافتن غذا یا مراقبت از خود می‌باشد.
هوش مصنوعی اغلب در حوزه الگوریتم‌های کامپیوتری کاربرد دارد. الگوریتم یک سری دستورات واضح و بدون ابهام است که یک کامپیوتر قادر به اجرای آن‌ها می‌باشد.
یک مثال ساده الگوریتم بازی tic-tac-toe می‌باشد، این بازی معمولا یک مربع سه در سه(شامل 9 خانه) است که دو بازیکن با دو مهره متفاوت در حال بازی هستند و بازیکن برنده در صورتی اعلام می‌شود که فرد بتواند در سه جایگاه مهره‌های خود را پشت سر هم قرار دهد(یعنی یک ستون یا ردیف یا یک قطر مربع را با مهره های خود تسخیر کند) این بازی نکات ساده‌ای دارد که به بیان چند تا از آن‌ها می‌پردازیم:
اگر بازیکن حریف در یک ردیف دو مهره قرار داده به وضوح شما باید در حرکت بعدی خود خانه باقیمانده در آن ردیف را بگیرید.
اگر حریف شروع به پر کردن خانه‌ها از یک گوشه کرده الویت شما با گرفتن گوشه مخالف است، اگر گوشه مخالف نیز پر بود گوشه خالی دیگری پیدا کنید و در نهایت اگر هیچ گوشه‌ای خالی نبود باید طوری مهره خود را قرار دهید که جلوی حرکت حریف را بگیرید.(سعی می‌کنیم در یک مقاله به صورت جداگانه الگوریتم این بازی را به صورت کامل برای شما شرح دهیم)
بسیاری از الگوریتم‌های هوش مصنوعی قادر به یادگیری داده‌های دریافتی از محیط هستند، آن‌ها می‌توانند با یادگیری اکتشافات جدید(استراتژی‌ها، قوانین شکست، یا راهکارهایی که در گذشته کاربردی بوده‌اند) خود را تقویت کنند یا حتی خود می‌توانند الگوریتم‌های دیگری بنویسند.
برخی از الگوریتم‌های یادگیری از جمله شبکه‌های بیزی، درختان تصمیم گیری می‌توانند (با توجه به داده‌های نامتناهی، زمان و حافظه) یاد بگیرند به صورت تقریبی هر عملکردی را توصیف کنند یا حتی تشخیص دهند کدام یک از توابع ریاضی به بهترین صورت پدیده‌ها را توصیف می‌کند، بنابراین این الگوریتم‌های یادگیری یا به اصطلاح “فراگیران یا زبان آموزان” می‌توانند با در نظر گرفتن هر فرضیه احتمالی و مطابقت آن‌ها با داده‌ها تمام دانش ممکن را بدست آورند.
بخش عمده‌ای از تحقیقات هوش مصنوعی به بهینه کردن الگوریتم‌ها سپری می‌شود، به زبان ساده می‌توان گفت الگوریتم یکسری دستورات را برای رسیدن به هدف اجرا می‌کند و در این میان برخی از دستورات ممکن است که برای رسیدن به این هدف بیهوده باشند و برای بهینه کردن و افزایش سرعت الگوریتم باید از اجرای دستورات بیهوده جلوگیری کرد و آن‌ها را حذف کرد.
هوش مصنوعی دارای چهار رویکرد اصلی است که عبارتند از:
- نخستین رویکرد(ساده‌ترین درک) هوش مصنوعی، نمادگرایی(شبیه به منطق رسمی)بود: “اگر فرد بزرگسال سالمی تب داشته باشد ممکن است به آنفولانزا مبتلا باشد.”
- رویکرد دوم عمومی‌تر است و به آن استنباط بیزی گفته می‌شود: “اگر بیمار فعلی تب داشته باشد، احتمال ابتلا به آنفولانزا را تشخیص دهید.”
- سومین رویکرد اصلی، در برنامه‌های هوش مصنوعی رایج بسیار محبوب است، آنالیزری مانند SVM است: “پس از بررسی سوابق بیماران شناخته شده گذشته مانند درجه حرارت، علایم بیماری، سن و سایر علایم که اکثرا مطابق با بیمار فعلی است مشخص شد که X% از آن بیماران آنفولانزا دارند.”
- رویکرد چهارم دشوارتر است اما از نحوه کارکرد ماشین آلات مغز الهام می‌گیرد. رویکرد شبکه عصبی مصنوعی از نورون‌های مصنوعی استفاده می‌کند که می‌تواند با مقایسه خود با خروجی مطلوب و تغییر نقاط قوت اتصالات بین نورون‌های داخلی آن، یاد بگیرد.
این چهار رویکرد اصلی می‌توانند با یکدیگر و با سیستم‌های تکاملی هم‌پوشانی داشته باشند. به عنوان مثال شبکه‌های عصبی می‌توانند یاد بگیرند که استنتاج کنند، تصمیم بگیرند و مقایسه کنند. برخی از سیستم‌ها به طور ضمنی یا صریح از چندین روش استفاده می‌کنند. در بسیاری از الگوریتم‌های هوش مصنوعی و غیر از آن بهترین روش عمکرد با توجه به مشکلی که وجود دارد متفاوت است.
الگوریتم‌های یادگیری بر این اساس کار می‌کنند که استراتژی‌ها، روش‌ها و استنتاج‌هایی که در گذشته به خوبی کار کردهاند احتمالا در آینده هم به خوبی کار می‌کنند.
این استنتاج‌ها می‌توانند ساده و آشکار باشند مثلا: “از آنجا که خورشید هر روز صبح برای 10000 روز گذشته طلوع کرده، احتمالا فردا نیز طلوع می‌کند.”
الگوریتم‌های یادگیری بر اساس “تیغ اوکام” کار می‌کنند. ساده‌ترین نظریه‌ای است که داده‌ها را توضیح می‌دهد. بنابراین طبق اصل تیغ اوکام یک یادگیرنده یا الگوریتم یادگیری باید به گونه‌ای طراحی شود که نظریه‌های ساده را بر نظریه‌های پیچیده ترجیح دهد، مگر در مواردی که استفاده از نظریه پیچیده به صورت اساسی بهتر است.
چالش‌های هوش مصنوعی
قابلیت‌های شناخته شده معماری‌های کامپیوترهای امروزی بسیار محدود است و فقط توانایی دارند یک نسخه ساده از آنچه هوش واقعا می‌تواند باشد را ارایه دهند.
هدف کلی از تحقیقات هوش مصنوعی ایجاد فناوری‌ای است که به ماشین‌ها و رایانه‌ها اجازه دهد هوشمند عمل کنند.
مشکلات کلی شبیه‌سازی یا ایجاد سیستم‌های هوش مصنوعی به مشکلات کوچک‌تر تبدیل شده و این مواردی به بررسی آن‌ها می‌پردازیم صفاتی هستند که محققان انتظار دارند یک سیستم هوشمند این صفات را در خود جای داده باشد و باید گفت تعداد این صفات بسیار زیاد است اما ما به بررسی آن‌هایی می‌پردازیم که بیشترین توجه را به خود جلب کردهاند.
1. استدلال، حل مشکل
محققان اولیه الگوریتم‌هایی طراحی کردند که از استدلال گام به گام استفاده می‌کنند همان مدل استدلالی که انسان‌ها هنگام حل معماها یا نتیجه‌گیری‌های منطقی استفاده می‌کنند.
در اواخر دهه 1980 و 1990 محققین در تحقیقات هوش مصنوعی روش‌هایی را برای مقابله با اطلاعات ناقص یا نامشخص را ابداع کردند و برای این کار از مفاهیمی در حوزه‌های احتمال و اقتصاد استفاده کردند.
این الگوریتم‌ها ثابت کردند که برای حل مشکلات بزرگ استدلال کافی نیست زیرا آن‌ها یک انفجار ترکیبی را تجربه کردند یعنی با بزرگتر شدن مشکلات از نظر نمایی عملکردشان کندتر شد.
در حقیقت حتی انسان نیز به ندرت از استنتاج مرحله به مرحله که سیستم‌های اولیه هوش مصنوعی استفاده می‌کردند استفاده می‌کند. آن‌ها اکثر مشکلات خود را با داوری سریع و شهودی حل می‌کنند.
2. مهندسی دانش
بازنمایی دانش و مهندسی دانش برای تحقیقات کلاسیک هوش مصنوعی از اهمیت ویژه‌ای برخوردار است.
برخی از “سیستم‌های خبره” سعی دارند دانش و اطلاعات صاحب نظران را در برخی از حوزه‌های خاص جمع‌آوری کنند. علاوه بر این بعضی از پروژه‌ها تلاش می‌کنند تا دانش عوام را که برای یک فرد متوسط قابل درک است در یک دیتابیس که حاوی دانشی گسترده از همه جای جهان است جمع کنند.
از جمله چیزهایی که یک پایگاه داده جامع باید داشته باشد مواردی مثل موارد زیر است:
اشیا، خصوصیات، دسته‌ها، روابط بین اشیا، موقعیت‌ها، رویدادها، حالات و زمان، علل و پیامدها و بسیاری از حوزه های دیگر که تحقیقات کمتری در آن‌ها انجام شده است.
نمایش آنچه که وجود دارد یک هستی شناسی است: مجموعه اشیا، روابط، مفاهیم و ویژگی‌هایی که به طور رسمی شرح داده شده‌اند تا عوامل نرم افزاری بتوانند آن‌ها را تفسیر کنند.
3. یادگیری
یادگیری بدون نظارت را می‌توان به صورت “توانایی یافتن الگوها در جریان‌های اطلاعات ورودی، بدون آنکه در ابتدا نیاز به یک انسان برای علامت گذاری ورودی‌ها باشد.” تعریف کرد.
اما یادگیری نظارت شده شامل طبقه بندی داده‌ها و رگرسیون عددی است که به کمک انسان نیاز دارد تا در ابتدا داده‌های ورودی را طبقه بندی و علامت گذاری کند.
طبقه بندی برای این استفاده می‌شود که مشخص کند هر کدام دسته از اشیا مربوط به چه چیزهایی است و پس از آن برنامه تعدادی نمونه مختلف از دسته‌های متفاوت برای بررسی انتخاب می‌کند.
داده‌ها به این دلیل رگرسیون می‌شوند که بتوانند رابطه بین ورودی‌ها و خروجی‌ها را توصیف کنند. یعنی با تغییر ورودی‌ها بتوان تشخیص داد که خروجی‌ها چگونه تغییر خواهند کرد.
طبقه بندی داده‌ها و رگرسیون آن‌ها را می‌توان برای تقریب عملکرد یک عمل ناشناخته جدید و یادگیری آن مفید باشد. نظریه یادگیری محاسباتی می‌تواند الگوریتم‌های یادگیری را با پیچیدگی محاسباتی یا پیچیدگی نمونه یا با مفاهیم دیگر بهینه سازی ارزیابی کند.
در یادگیری تقویتی عامل به خاطر پاسخ‌های خوب پاداش دریافت می‌کند و برای خطاهای خود در پاسخ‌ها مجازات می‌شود. عامل از الگوی دریافت پاداش و مجازات استفاده می‌کند تا یک استراتژی را برای حل کردن مشکل خود پیدا کند.
4. پردازش زبان طبیعی
پردازش زبان طبیعی به دستگاه‌ها توانایی خواندن و درک زبان انسانی را می‌دهد.
یک سیستم پردازش زبان طبیعی می‌تواند با استفاده از منابع مکتوب انسانی به طور مستقیم به دانش دسترسی پیدا کند. برخی از کاربردهای ساده در پردازش زبان طبیعی شامل بازیابی اطلاعات، استخراح متن، پاسخ دادن به سوال و ترجمه ماشین است.
استراتژی‌های پیدا کردن کلمات برای جست و جو در منابع و بانک‌های اطلاعاتی محبوب و مقیاس پذیر هستند اما روشی گنگ دارند. برای مثال جست و جوی کلمه سگ فقط ممکن است اسناد با کلمه تحت الفظی سگ را پیدا کند و احتمالا کاری به انواع سگ نخواهد داشت.
رویکردهای آماری NLP مدرن می‌توانند تمام این استراتژی ها و سایر موارد را با هم ترکیب کنند و توانایی این را دارند که در سطح پاراگراف یا صفحه به دقت قابل قبولی برسند. اما همچنان فاقد درک معنایی لازم برای طبقه بندی خوب جملات جداشده هستند.
علاوه بر مشکلات موجود در رمزنگاری دانش، NLP معنایی موجود نیز گاهی اوقات ضعیف است.
5. ادراک
درک دستگاه را می‌توان توانایی استفاده آن از سنسورهای بیرونی مانند دوربین، میکروفون، سیگنال‌های بی سیم، رادارها و… را برای استنباط جنبه‌های اطراف دانست. برنامه‌های کاربردی عبارت‌اند از: تشخیص چهره، تشخیص گفتار، تشخیص اشیا.
دید رایانه‌ای توانایی تجزیه و تحلیل ورودی بصری است معمولا چنین ورودی‌هایی مبهم هستند یعنی ممکن است یک عابر پیاده در 50 متری همان مقدار پیکسل را که یک عابر در نزدیک سیستم اشغال می‌کند، اشغال کند. که در این جور موارد نیاز است هوش مصنوعی سیستم در مورد احتمال نسبی و معقول بودن تفاسیر مختلف تصمیمات خوب و مناسبی بگیرد.
6. حرکت
هوش مصنوعی به شدت در رباتیک مورد استفاده قرار می‌گیرد. اسلحه‌های پیشرفته رباتی و سایر ربات‌های صنعتی که به طور گسترده در کارخانجات مورد استفاده قرار می‌گیرند، این ربات‌ها با وجود داشتن اصطکاک و لغزندگی دنده‌ها می‌توانند با استفاده از هوش خود نحوه کارکرد بهینه را بیاموزند.
یک ربات متحرک مدرن، هنگامی که به یک محیط کوچک ایستا یا ثابت و قابل رویت وارد می‌شود می‌تواند به راحتی مکان آن را تعیین کرده و از آنجا نقشه برداری کند. با این حال محیط‌های پویا و متحرک، مانند فضای داخلی بدن بیمار در آندوسکوپی چالش‌های بیشتری را به همراه دارد.
7. هوش عمومی
از لحاظ تاریخی پروژه‌هایی مانند پایگاه داده Cyc و ابتکارات بسیار در سیستم‌های رایانه‌ای نسل پنجم ژاپن تلاش کردند تا وسعت شناخت بشر را پوشش دهند.
محققان بسیاری از مهارت‌های محدود ذکر شده در این مقاله را با هم ترکیب می‌کنند که باعث می‌شود سیستم‌ها در بعضی از کارها حتی از انسان نیز فراتر بروند. بسیاری از پیشرفت‌ها دارای اهمیت کلی و متقابل هستند.
یکی از نمونه‌های بارز این است که DeepMind در دهه 2010 یک سیستم هوش مصنوعی عمومی ایجاد کرد که می‌تواند بسیاری از بازی‌های متنوع آتاری را بیاموزد و بعدا موفق به ساختن سیستمی شد که در یادگیری‌های متوالی موفق می‌شود.
سرانجام چند رویکرد نوظهور به دنبال شبیه سازی هوش انسانی هستند و معتقدند که ویژگی‌های انسانی مانند مغز مصنوعی یا رشد کودک شبیه سازی شده ممکن است روزی به جای مهمی برسند که در آن شاهد ظهور هوش مصنوعی عمومی باشیم.
در صورتی که ممکن است برای حل بسیاری از مشکلات خود و مشکلات مردم به هوش عمومی نیاز داشته باشند به عنوان مثال حتی کارهای مشخص مانند ترجمه ماشینی مستلزم آن است که یک دستگاه به هر دو زبان بخواند و بنویسد(NLP) و بتواند استدلال نویسنده را دنبال کند(دلیل) و تشخیص دهد که در چه موردی صحبت کرده(دانش) و این‌ها را می‌توان به عنوان مشکل در این سیستم در نظر گرفت زیرا برای رسیدن به سطح عملکرد انسانی سیستم باید بتواند به صورت همزمان این موارد گفته شده را حل کند.
بیشتر بخوانید:
