مقدمه‌ای بر مبانی هوش مصنوعی، هر آنچه برای شروع باید بدانید

هوش مصنوعی (AI) چیست؟

هوش مصنوعی (AI) شامل توانایی یک ماشین برای انجام عملکردهای شناختی مانند انسان است. این توانایی‌ها شامل درک، یادگیری، استدلال و حل مسائل هستند.

مقدمه‌ای بر سطوح هوش مصنوعی

امروزه هوش مصنوعی تقریباً در تمامی صنایع کاربرد دارد. شرکت‌هایی که در حال توسعه آن هستند، در واقع از نوعی برتری تکنولوژیک برخوردارند.

اگر یک کسب و کار از هوش مصنوعی برای فعالیت‌های تیم بازاریابی خود استفاده کند، می‌تواند با خودکارسازی انجام وظایف روزمره و تکراری، بهره‌وری تیمی را افزایش دهد. مثلا تیم فروش می‌تواند از صرف زمان و انرژی برای انجام وظایف زمان‌بر اجتناب کند. به جای آن چنین کارهایی را به هوش مصنوعی بسپارد و بر روی ایجاد روابط با مشتریان، تبدیل مشتریان بالقوه به بالفعل و غیره تمرکز کنند.

به عنوان مثال فرض کنید یک شرکت از AI در سرویس مکالمات خود استفاده کند. در این صورت تماس‌های تلفنی تیم فروش توسط هوش مصنوعی ضبط، رونویسی و تجزیه و تحلیل می‌شود. بنابراین مدیر فروش می‌تواند از تجزیه و تحلیل و توصیه‎‌های ارائه شده برای تدوین یک استراتژی فروش موفق استفاده کند.

به طور خلاصه، هوش مصنوعی نوعی فناوری پیشرفته‌ را برای مدیریت داده‌های پیچیده‌ای فراهم می‌کند که انسان قادر به کنترل آن نیست. AI مشاغل اضافی را خودکارسازی می‌کند و به کارمندان امکان می‌دهد تا تمرکز خود را بر انجام کارهای سطح بالا و دارای ارزش افزوده صرف کنند. به علاوه هنگامی که به مرحله‌ی صرفه به مقیاس برسد، با کاهش هزینه و افزایش درآمد نیز مواجه می‌شویم.

تاریخچه هوش مصنوعی

هوش مصنوعی واژه‌ی جدیدی محسوب نمی‌شود و در گذشته هم کاربرد داشته است. در سال ۱۹۵۶، برخی دانشمندان پیشتاز در عرصه‌های مختلف علمی شروع به کار بر روی یک پروژه تحقیقاتی در مورد AI کردند. چهار دانشمند برجسته به نام‌های جان مک کارتی (کالج دارتموث)، ماروین مینسکی (دانشگاه هاروارد)، ناتانیل روچستر (IBM) و کلود شانون (آزمایشگاه‌های تلفن بل) رهبری پروژه را بر عهده داشتند.

تاریخچه مختصری از هوش مصنوعی

سال    نوآوری/ نقطه عطف

اهداف هوش مصنوعی

اهداف اصلی هوش مصنوعی شامل موارد زیر است.

• کاهش زمان مورد نیاز برای انجام برخی کارها
• تسهیل و تقویت تعامل انسان با ماشین‌ها
• تسهیل تعامل انسان و رایانه به روشی طبیعی‌تر و کارآمدتر
• بهبود دقت و سرعت تشخیص‌های پزشکی
• کمک به افراد در یادگیری سریع‌تر اطلاعات جدید

زیر شاخه‌های هوش مصنوعی

برخی از زیرشاخه‌های مهم هوش مصنوعی را بررسی می‌کنیم.

• یادگیری ماشین: یادگیری ماشین هنر مطالعه الگوریتم‌هایی است که با استفاده از مثال‌ها و تجربیات یاد می‌گیرند. ماشین لرنینگ مبتنی بر این ایده است که برخی از الگوهای موجود در داده‌ها، قابلیت شناسایی و استفاده برای پیش‌بینی‌های آینده را دارند.
• یادگیری عمیق: یادگیری عمیق در واقع زیر شاخه‌ای از یادگیری ماشین است. البته منظور از یادگیری عمیق آموختن دانش به صورت عمیق‌تر نیست.بلکه به معنای این است که از لایه‌های مختلف برای یادگیری از داده‌ها استفاده می‌کند. عمق مدل با تعداد لایه‌های مدل مشخص می‌شود. به عنوان مثال، مدل Google LeNet برای تشخیص تصویر از 22 لایه استفاده می‌کند.
• پردازش زبان طبیعی: شبکه عصبی شامل نورون‌های مصنوعی است. در واقع گروهی از واحدهای ورودی/خروجی متصل به هم شبکه عصبی را تشکیل می‌دهند. به علاوه هر اتصال دارای وزنی مرتبط با برنامه‌های کامپیوتری آن است. بنابراین می‌توانید مدل‌های قابل پیش‌بینی را از پایگاه‌های کلان داده بسازید. این مدل مطابق با سیستم عصبی انسان ایجاد شده است. شما می‌توانید از این مدل برای اجرای درک تصویر، یادگیری انسان، گفتار کامپیوتری و غیره استفاده کنید.
• سیستم‌های خبره: یک سیستم خبره نوعی سیستم تصمیم‌گیری مبتنی بر کامپیوتر است که به صورت تعاملی و قابل اعتماد کار می‌کند. این سیستم از حقایق و اکتشافات برای حل مسائل پیچیده‌ی تصمیم‌گیری استفاده می‌کند. در واقع هدف اصلی یک سیستم خبره حل پیچیده‌ترین مسائل در یک حوزه خاص است.
• منطق فازی: منطق فازی به عنوان فرمی از منطق با ارزش‌های متعدد تعریف می‌شود که ممکن است مقادیر حقیقی متغیرها را در هر عدد واقعی بین ۰ و ۱ در نظر بگیرد. در زندگی واقعی نیز، ممکن است با موقعیتی مواجه شویم که نتوانیم آن را مانند صفر و یک کاملا درست یا کاملا نادرست بدانیم و میزان واقعی چیزی بین این دو باشد.

انواع هوش مصنوعی

سه نوع اصلی هوش مصنوعی وجود دارد که مبتنی بر قواعد، درخت تصمیم و شبکه‌های عصبی هستند. سایر انواع هوش مصنوعی شامل محدود، عمومی و غیره را نیز در ادامه به صورت مختصر توضیح می‌دهیم.

• هوش مصنوعی محدود به شما کمک می‌کند تا یک فعالیت خاص را با هوشمندی انجام دهید.
• نوع عمومی می‌تواند فعالیت‌های فکری را به صورت موثر مانند انسان انجام دهد.
• نوع مبتنی بر قواعد بر مبنای مجموعه‌ای از قواعد از پیش تعیین شده است که در مجموعه داده‌های ورودی اعمال می‌شود. سپس سیستم خروجی مرتبط را تولید می‌کند.
• هوش مصنوعی درخت تصمیم شبیه به نوع مبتنی بر قواعد است. به دلیل این‌که از مجموعه‌ای از قواعد از پیش تعیین‌شده برای تصمیم‌گیری استفاده می‌کند. به علاوه درخت تصمیم برای در نظر گرفتن گزینه‌های مختلف امکان ایجاد انشعاب و حلقه را هم فراهم می‌کند.
• سوپر هوش مصنوعی توانایی درک زبان انسان و پاسخ دادن به زبان طبیعی یا همان زبان انسان را برای رایانه‌ها فراهم می‌کند.
• هوش مصنوعی ربات به ربات‌ها امکان می‌دهد توانایی‌های شناختی پیچیده‌ای از جمله استدلال، برنامه‌ریزی و یادگیری را داشته باشند.

تفاوت هوش مصنوعی و یادگیری ماشین

بیشتر وسایل ما شامل گوشی‌های هوشمند، گجت‌های روزانه یا حتی اینترنت از AI استفاده می‌کنند. در بسیاری موارد، هوش مصنوعی و یادگیری ماشین توسط شرکت‌های بزرگی که می‌خواهند آخرین نوآوری خود را اعلام کنند، به جای هم استفاده می‌شوند. با این حال، این دو مفهوم از برخی جهات متفاوت هستند.

هوش مصنوعی علم آموزش ماشین‌ها برای انجام وظایف انسانی است. این اصطلاح در دهه ۱۹۵۰ ابداع شد، زمانی که دانشمندان شروع به بررسی در مورد امکان حل مشکلات به تنهایی توسط کامپیوترها کردند.

AI کامپیوتری است که به آن ویژگی‌هایی شبیه انسان داده شده است. در واقع هوش مصنوعی با الهام از مغز انسان به برآورد و محاسبه دنیای اطراف ما می‌پردازد. بنابراین می‌توان از آن به عنوان دانش پیشرفته‌ای نام برد که استعدادهای انسان را تقلید می‌کند.

یادگیری ماشین زیرمجموعه‌ای متمایز از AI است که ماشین را برای یادگیری آموزش می‌دهد. مدل‌های یادگیری ماشین به دنبال الگوهایی در داده‌ها می‌گردند و سعی می‌کنند مطابق با آن الگوها به نتیجه لازم برسند. به طور خلاصه، دستگاه نیازی به برنامه‌ریزی صریح توسط انسان ندارد. برنامه‌نویسان چند مثال به کامپیوتر ارائه می‌دهند و سپس کامپیوتر با کمک این نمونه‌ها یاد می‌گیرد که چه کاری انجام دهد.

مثال‌هایی از کاربرد هوش مصنوعی

هوش مصنوعی کاربردهای گسترده‌ای دارد.

مهم‌ترین کاربرد آن کاهش یا عدم نیاز به انجام کارهای تکراری توسط انسان است. به عنوان مثال، AI می‌تواند یک کار را به طور مداوم و بدون خستگی تکرار کند. نیاز به استراحت ندارد و نسبت به انجام وظیفه بی‌تفاوت عمل می‌کند. تا جایی که برخی افراد نگران حذف مشاغل توسط هوش مصنوعی هستند.

هوش مصنوعی می‌تواند یک محصول موجود را بهبود بخشد. پیش از عصر یادگیری ماشین، محصولات اصلی بر اساس قواعد ‌کدنویسی سخت ساخته می‌شدند. پس از آن شرکت‌ها AI را بیش‌تر به منظور بهبود عملکرد محصول به کار می‌بردند تا اینکه از ابتدا برای طراحی محصولات جدید از آن استفاده کنند. اگر به خاطر داشته باشید، چند سال پیش مجبور بودید دوستان خود را به صورت دستی در فیس‌بوک تگ کنید. ولی امروزه با کمک هوش مصنوعی، فیس بوک به شما برای ارتباط با دوستانتان پیشنهاداتی ارائه می‌دهد.

این مفهوم در همه صنایع، از بازاریابی گرفته تا زنجیره تامین، امور مالی، بخش فرآوری موادغذایی و غیره کاربرد دارد. مطابق با نظرسنجی مک کنزی، خدمات مالی و ارتباطات دارای فناوری پیشرفته، در زمینه استفاده از آن پیشرو هستند.

چرا هوش مصنوعی در سال‌های اخیر رونق گرفته است؟

سه عامل مهم شامل سخت‌افزار، داده و الگوریتم در محبوبیت هوش مصنوعی نقش دارند.

سخت‌افزار

در بیست سال گذشته، قدرت CPU به میزانی افزایش یافته که به کاربر امکان می‌دهد تا آموزش دادن به یک مدل کوچک یادگیری عمیق را روی لپ تاپ انجام دهد. با این حال، برای پردازش یک مدل یادگیری عمیق برای بینایی کامپیوتری یا مدل‎های مشابه، به ماشین قدرتمندتری نیاز دارید. به لطف سرمایه‌گذاری NVIDIA و AMD، نسل جدیدی از GPU  یا واحد پردازش گرافیکی (graphical processing unit) در دسترس است. این تراشه‌ها امکان انجام محاسبات موازی را فراهم می‌کنند. در واقع دستگاه می‌تواند برای افزایش سرعت محاسبات آن را بر روی چندین GPU اجرا کند.

به عنوان مثال، با NVIDIA TITAN X، دو روز طول می‌کشد تا مدلی به نام ImageNet را آموزش دهید. این میزان را با چند هفته زمان لازم برای آموزش آن با CPU قدیمی مقایسه کنید.

داده

یادگیری ماشین یک زمینه تجربی است، به این معنی که برای آزمایش ایده‌ها یا رویکردهای جدید به داده‌ نیاز دارد. یادگیری عمیق ساختار مدل است و داده‌ها جریانی برای زنده کردن آن هستند. در واقع داده‌ها هوش مصنوعی را تقویت می‌کنند. بدون آن‌ها هیچ کاری قابل انجام نیست. فناوری‌های جدید مرزهای ذخیره‌سازی داده‌ را جابجا کرده‌اند و ذخیره‌سازی حجم بالایی از آن در یک مرکز داده آسان‌تر از همیشه است.

با رونق اینترنت، دسترسی به داده‌ها آسان‌تر شد. انقلاب اینترنت جمع‌آوری و توزیع داده‌ها را برای تغذیه الگوریتم‌های یادگیری ماشین در دسترس قرار می‌دهد. اگر با فلیکر، اینستاگرام یا سایر اپلیکیشن‌های مرتبط با تصاویر آشنا هستید، می‌توانید پتانسیل AI موجود در آن‌ها را حدس بزنید. میلیون‌ها عکس با تگ‌هایشان در این وب‌سایت‌ها موجود هستند. این تصاویر می‌توانند یک مدل شبکه عصبی را آموزش دهند تا بتواند یک شی مورد نظر در تصویر را بدون نیاز به جمع‌آوری و برچسب‌گذاری دستی تشخیص دهد.

ترکیب هوش مصنوعی و داده‌ مانند کشف یک معدن طلای جدید است. داده یک مزیت رقابتی منحصر به فرد است که هیچ شرکتی نباید از آن چشم‌پوشی کند. به علاوه AI بهترین پاسخ‌ها را از آن دریافت می‌کند. وقتی همه شرکت‌ها دارای سطح فناوری‌ مشابه باشند، شرکتی که داده‌ها را در اختیار دارد، مزیت رقابتی خواهد داشت. برای ارائه یک ایده، روزانه حدود ۲.۲ اگزابایت یا ۲.۲ میلیارد گیگابایت داده در جهان تولید می‌شود. یک شرکت برای یافتن الگوها و یادگیری در حجم قابل توجه، به منابع داده بسیار متنوعی نیاز دارد.

الگوریتم

سخت افزارها قدرتمندتر از همیشه هستند و داده‌ها به راحتی در دسترس ما قرار دارند. اما چیزی که شبکه عصبی را قابل اعتمادتر می‌کند، توسعه الگوریتم‌های دقیق‌تر است. شبکه‌های عصبی اولیه یک ماتریس ضرب ساده بدون ویژگی‌های آماری عمیق بودند. از سال ۲۰۱۰، اکتشافات قابل توجهی برای بهبود شبکه عصبی انجام شده است.

هوش مصنوعی از یک الگوریتم یادگیری پیشرونده استفاده می‌کند تا امکان برنامه‌نویسی توسط داده‌ها را فراهم کند. این بدان معنی است که کامپیوتر می‌تواند به خود بیاموزد که چگونه کارهای مختلف از پیدا کردن ناهنجاری‌ها و موارد خلاف قاعده تا تبدیل شدن به یک ربات چت را انجام دهد.

جمع‌بندی

هوش مصنوعی علم آموزش ماشین‌ها برای تقلید یا بازتولید وظایف انسانی است. یک دانشمند می‌تواند از روش‌های مختلفی برای آموزش یک ماشین استفاده کند. در آغاز عصر AI، برنامه‌نویسان برنامه‌های کدنویسی سخت می‌نوشتند و هر احتمال منطقی که دستگاه ممکن بود با آن روبرو شود و نحوه پاسخگویی را تایپ می‌کردند.

اما با پیچیده شدن یک سیستم، دشوارتر می‌توانیم قواعد آن را مدیریت کنیم. برای غلبه بر این مشکل، دستگاه می‌تواند از داده‌ها یاد بگیرد تا موقعیت‌های مربوط به محیط مورد نظر را مدیریت کند.

مهمترین ویژگی داشتن یک هوش مصنوعی قدرتمند این است که از داده‌های کافی با ناهمگونی قابل توجه برخوردار است. به عنوان مثال، یک ماشین تا زمانی که کلمات کافی برای یادگیری داشته باشد، می‌تواند زبان‌های مختلف را یاد بگیرد.

ما با یک فناوری جدید و پیشرفته مواجه هستیم. سرمایه‌گذاران خظرپذیر میلیاردها دلار در استارت‌آپ‌ها یا پروژه‌های آن سرمایه‌گذاری می‌کنند و طبق برآورد مک‌کینزی هوش مصنوعی می‌تواند هر صنعت را حداقل با نرخ رشد دو رقمی تقویت کند.