هوش مصنوعی اکنون در هر گوشه و کناری دیده می‌شود و مسئول تقریباً هر چیزی از دستیارهای مجازی موجود در گوشی هوشمند شما گرفته تا خودروهای خودران است.
در حقیقت اگر شما طی دهه گذشته جایی زیر یک تکه سنگ زندگی نکرده باشید، حتماً حداقل برای یک بار نام هوش مصنوعی را شنیده و از آن استفاده کرده‌اید. هوش مصنوعی اکنون گوهر درخشان سیلیکون ولی است و بسیاری از فناوری‌های پیچیده و پیشرفته قطب تکنولوژی جهان، حول آن شکل گرفته و می‌گیرند.
- هوش مصنوعی چیست؟ نگاهی بر آن سوی ماشین
- ۱۰ ابزار هوش مصنوعی جالب که باید امتحان کنید
- آیا ذهن انسان بهترین مدل برای استفاده در هوش مصنوعی است؟
اما اصلاً هوش مصنوعی (Artificial Intelligence) چیست و عبارت‌هایی مانند یادگیری ماشین (Machine Learning)، شبکه عصبی مصنوعی (Artificial Neural Networks) و … چه معنایی دارند؟
ما پیش‌تر در یک مقاله به تعریف هوش مصنوعی پرداخته‌ایم که از بالا می‌توانید آن را مطالعه کنید اما در این مقاله نیز تمام این مفاهیم را به صورت خلاصه تشریح خواهیم کرد. توجه کنید که محتوای این دو مقاله متفاوت است و اهداف مختلفی دارند.
هوش مصنوعی
قرار نیست در این مقاله به تاریخچه هوش مصنوعی بپردازیم اما باید بدانید که هوش مصنوعی مانند درختی است که سایر مفاهیمی که در ادامه، درباره‌شان بحث خواهیم کرد، از آن منشعب می‌شوند.
برای مثال یادگیری تقویتی (Reinforcement Learning) گونه‌ای از یادگیری ماشین و در عین حال، زیرمجموعه هوش مصنوعی است، هر چند هوش مصنوعی لزوماً یادگیری تقویتی نیست. اگر این رابطه والد-فرزندی را درک کنید، بسیاری از مفاهیم پیش‌رو برای شما قابل درک خواهند بود.
البته هیچ اجماع نظری برای تعریف معنای خود هوش مصنوعی وجود ندارد اما بسیاری موافق هستند هوش مصنوعی وادار کردن کامپیوترها به انجام کاری است که انجام آن در شرایط عادی توسط یک انسان، هوشمندانه در نظر گرفته می‌شود.
این استدلال برای اولین بار در سال ۱۹۵۶ میلادی در کالج دارتموث در نیوهمپشایر ارائه شد. در حال حاضر بحث اصلی نه روی خود هوش مصنوعی بلکه روی تمایز میان هوش مصنوعی محدود (ضعیف) و هوش مصنوعی عمومی (قوی) است. اگرچه مورد دوم تاکنون هرگز ساخته نشده است اما بیشتر متخصصان این حوزه به آینده چشم دوخته‌اند تا سرانجام روزی آن را ببینند.
هوش مصنوعی نمادین
امروزه چندان درباره هوش مصنوعی نمادین (Symbolic A.I) نمی‌شنوید. این هوش مصنوعی حول مراحل منطقی با رویکرد سطح بالا ساخته شده است. برای پیاده‌سازی این هوش مصنوعی باید قوانین و قواعد بسیار زیادی به یک کامپیوتر یا ربات برای نحوه مواجهه با یک سناریوی خاص ارائه شود.
این هوش مصنوعی پیشرفت‌های بزرگی را در ابتدای راه پدید آورد اما خیلی زود مشخص شد که هوش مصنوعی نمادین تنها در آزمایشگاه یعنی جایی که تمام متغیرهایی به خوبی کنترل شده‌اند، خوب عمل می‌کنند. ضعف اصلی زمانی نمایان می‌شد که کامپیوترهای مبتنی بر این هوش‌های مصنوعی در آشفتگی زندگی روزمره به کار گرفته می‌شدند.
در همان دوره درخشش و افول زود هنگامشان، یک نقل قول جالب درباره آن‌ها دهان به دهان می‌چرخید. هوش‌های مصنوعی نمادین شباهت زیادی با خدایان عهد عتیق دارند؛ همان‌قدر قانونمند و همان‌قدر بی‌رحم.
یادگیری ماشین
اگر در جهان امروز درباره موفقیت‌های عظیم یک سیستم هوش مصنوعی بشنوید، احتمالاً پشت آن یادگیری ماشین خفته است. همان‌طور که از نام آن انتظار می‌رود، منظور از یادگیری ماشین وادار کردن ماشین‌ها به یادگیری است.
مانند مفهوم اصلی هوش مصنوعی، یادگیری ماشین نیز چندین زیرمجموعه دارد اما همه آن‌ها در توانایی آمارمحوری برای برداشتن داده و اعمال الگوریتم روی آن جهت کسب دانش (آگاهی) مشترک هستند.
شبکه‌های عصبی مصنوعی
شبکه‌های عصبی سیستم‌هایی با الهام از مغز هستند که برای تکرار روش عملکرد مغز در یادگیری طراحی شده‌اند. شبکه‌های عصبی کد خودشان را برای پیدا کردن ارتباط بین ورودی و خروجی یا همان علت و معلول در شرایطی که روابط پیچیده یا مبهم هستند، تغییر می‌دهند و اصلاح می‌کنند.
مفهوم شبکه‌های عصبی مصنوعی به دهه ۴۰ میلادی باز می‌گردد اما آن‌ها طی چند دهه گذشته به جهان پا گذاشته‌اند و به واقعیت جهان ما وارد شده‌اند. شبکه‌های عصبی مصنوعی به کمک الگوریتم‌هایی مثل الگوریتم پس‌انتشار (Backpropagation) که اجازه می‌دهد شبکه عصبی، لایه‌های پنهان نورون‌هایش را تحت شرایطی تنظیم کند که نتیجه با انتظار سازنده آن، منطبق باشد، مطرح شدند. برای مثال می‌توانیم به شبکه‌ای اشاره کنیم که طراحی شده تا سگ‌ها را تشخیص دهد اما گربه‌ها را با آن‌ها اشتباه می‌گیرد.
شبکه‌های عصبی مصنوعی در این دهه از یادگیری عمیق (Deep Learning) سود زیادی بردند که در آن لایه‌های مختلف شبکه، ویژگی‌های متفاوتی را تا زمانی که چیزی که دنبالش هستند را تشخیص دهند، استخراج می‌کنند. داخل خود شبکه‌های عصبی نیز مدل‌های مختلف از شبکه‌های بالقوه جود دارند که از جمله آن‌ها می‌توان به شبکه عصبی پیشخور (Feedforward) و شبکه عصبی پیچشی (Convolutional) اشاره کرد.
یادگیری تقویتی
یادگیری تقویتی (Reinforcement Learning) نمودی دیگر از یادگیری ماشین است. این حوزه به شدت تحت الهام روانشناسی رفتارگرا قرار دارد و مبتنی بر این ایده است که عامل نرم‌افزار می‌تواند یاد بگیرد در یک محیط چطور عمل کند تا حداکثر پاداش را دریافت کند.
یک مثال از یادگیری تقویتی، به سال ۲۰۱۵، زمانی باز می‌گردد که گوگل با انتشار یک مقاله نحوه تعلیم هوش مصنوعی خود DeepMind برای تجربه بازی‌های ویدیویی کلاسیک را با کاربران به اشتراک گذاشت. گوگل در تعلیم این هوش مصنوعی از هیچ دستورالعملی به جز امتیاز روی صفحه و همچنین ۳۰ هزار پیکسل که در هر فریم ساخته می‌شدند، استفاده نکرد.
وظیفه این هوش مصنوعی استفاده از یادگیری تقویتی بود تا به حداکثر امتیاز برسد، پس باید بازی را از طریق تکرار و خطا پیش می‌برد تا به این هدف دست یابد.
برخلاف یک سیستم خبره، یادگیری تقویتی نیازی به یک مختصص انسانی ندارد تا به او بگوید که چطور حداکثر امتیاز را دریافت کند. در عوض چنین هوشی، نحوه دست‌یابی به هدف مذکور را در مرور زمان متوجه می‌شود. در برخی سناریوها، شاید قوانینی که یادگیری تقویتی، آموزش می‌بیند، ثابت باشند.
الگوریتم فرگشتی
این الگوریتم شهرت بالایی دارد و اکثر مردم حتی خارج از حوزه کامپیوتر آن را می‌شناسند. الگوریتم مذکور شیوه‌ای برای مطالعه جمعیت عمومی و مفهوم انتخاب طبیعی است.
در عین حال ما این‌جا به نوع دیگری از یادگیری ماشین تحت نام یکسان الگوریتم‌های فرگشتی (Evolutionary Algorithms) اشاره داریم. این الگوریتم برای تقلید مفهوم انتخاب طبیعی داخل کامپیوتر طراحی شده است.
فرایند کار با ارائه ورودی از سمت برنامه‌نویس به الگوریتم برای دست‌یابی به هدفی که در نظر دارد به آن برسد، شروع می‌شود. برای مثال ناسا از این الگوریتم برای طراحی اجزای ماهواره استفاده کرده است. در این نمونه، کارکرد مورد نظر شاید ارائه روشی برای جا دادن قطعات در یک محیط ۱۰ × ۱۰ سانتی‌متری و … باشد.
نظرات