مفهوم هوش مصنوعی (AI)

مفهوم هوش مصنوعی (AI): هوش مصنوعی از رایانه‌ها و ماشین‌ها برای تقلید از توانایی‌های حل مسئله و تصمیم گیری ذهن انسان استفاده می‌کند.

هوش مصنوعی (AI): این اصطلاح غالباً به پروژه توسعه سیستم‌هایی اطلاق می‌شود که دارای فرآیندهای فکری مشخصه انسان‌ها هستند. مانند توانایی استدلال، کشف معنا، تعمیم یا یادگیری از تجربیات گذشته.

از زمان توسعه رایانه دیجیتال در دهه 1940، نشان داده شده است که رایانه ها را می توان برای انجام کارهای بسیار پیچیده – مثلاً کشف براهین قضایای ریاضی یا بازی شطرنج – با مهارت زیادی برنامه ریزی کرد. با این حال، با وجود پیشرفت‌های مداوم در سرعت پردازش رایانه و ظرفیت حافظه، هنوز هیچ برنامه‌ای وجود ندارد که بتواند انعطاف‌پذیری انسان را در حوزه‌های وسیع‌تر یا در کارهایی که نیاز به دانش روزانه زیادی دارد، مطابقت دهد.

از سوی دیگر، برخی از برنامه‌ها در انجام برخی وظایف خاص به سطوح کارایی متخصصان انسانی دست یافته‌اند. به طوری که هوش مصنوعی در این معنای محدود در کاربردهای متنوعی مانند تشخیص پزشکی، موتورهای جستجوی رایانه‌ای، و تشخیص صدا یا دست خط یافت می‌شود.

هوش مصنوعی چیست؟

در چند دهه اخیر تعاریف بسیار زیادی در رابطه با هوش مصنوعی (AI) ارائه شده است. جان مک کارتی در رابطه با هوش مصنوعی می‌گوید: “هوش مصنوعی ترکیبی از علم و مهندسی است. ساخت ماشین‌های هوشمند، به‌ویژه برنامه‌های رایانه‌ای هوشمند. هوش مصنوعی مجبور نیست خود را به روش‌هایی محدود کند که از نظر بیولوژیکی قابل مشاهده هستند.»

چندین دهه قبل از تعریف جان مک کارتی، هوش مصنوعی با کار اصلی آلن تورینگ، “ماشین‌های محاسباتی و هوش” که در سال 1950 منتشر شده بود، معرفی شد. تورینگ که اغلب به عنوان پدر علم کامپیوتر از آن یاد می شود، سوال زیر را مطرح می کند: “آیا ماشین‌ها می‌توانند فکر کنند؟”. او آزمایشی را ارائه می‌دهد که اکنون به نام “تست تورینگ” معروف است. که در آن یک بازجوی انسانی سعی می‌کند 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 می‌کند.

پس از آن استوارت راسل و پیتر نورویگ اقدام به انتشار «هوش مصنوعی: رویکردی مدرن» کردند. و تبدیل به یکی از کتاب‌های درسی پیشرو در مطالعه هوش مصنوعی شدند. در این کتاب، آن‌ها به چهار هدف یا تعریف بالقوه هوش مصنوعی می‌پردازند، که سیستم‌های کامپیوتری را بر اساس عقلانیت و تفکر در مقابل عمل متمایز می‌کند:

رویکرد انسانی:

• سیستم‌هایی که مانند انسان فکر می‌کنند
• سیستم‌هایی که مانند انسان عمل می‌کنند

رویکرد ایده آل:

• سیستم‌هایی که منطقی فکر می‌کنند
• سیستم‌هایی که منطقی عمل می‌کنند

تعریف آلن تورینگ در دسته «سیستم‌هایی که مانند انسان عمل می‌کنند» قرار می‌گیرد.

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 شامل زیرشاخه‌های یادگیری ماشینی و یادگیری عمیق است که اغلب در ارتباط با هوش مصنوعی ذکر می‌شوند. این رشته‌ها متشکل از الگوریتم‌های هوش مصنوعی هستند که به دنبال ایجاد سیستم‌های خبره‌ای بوده که بر اساس داده‌های ورودی، پیش‌بینی یا طبقه بندی می‌کنند.

امروزه، تبلیغات و پیشرفت‌هایی زیادی پیرامون توسعه هوش مصنوعی انجام شده است. مانند اتومبیل‌های خودران و دستیاران شخصی. لکس فریدمن در سخنرانی سال 2019 خود در MIT می‌گوید:” انتظارات از هوش مصنوعی به اوج رسیده و روز به روز نیز بیشتر می‌شود.”

انواع هوش مصنوعی

هوش مصنوعی ضعیف یا (ANI): هوش مصنوعی برای انجام وظایف خاص آموزش دیده و متمرکز شده است. اینوع از هوش مصنوعی بیشتر هوش مصنوعی را که امروز ما را احاطه کرده است، هدایت می کند. «Narrow» ممکن است توصیف دقیق‌تری برای این نوع هوش مصنوعی باشد که برخی از برنامه‌های کاربردی بسیار قوی مانند سیری اپل، الکسای آمازون، آی بی ام واتسون و وسایل نقلیه خودران را فعال می‌کند.

هوش مصنوعی قوی از هوش عمومی مصنوعی (AGI) و هوش مصنوعی فوق العاده (ASI) تشکیل شده است. هوش عمومی مصنوعی (AGI)، شکلی نظری از هوش مصنوعی است که در آن یک ماشین، دارای هوشی برابر با انسان است. ابر هوش مصنوعی (ASI) که به عنوان ابر هوش نیز شناخته می‌شود، از هوش و توانایی مغز انسان پیشی می‌گیرد. در حالی که هوش مصنوعی قوی هنوز به صورت تئوری بوده و هیچ نمونه عملی در حال استفاده نیست. البته این بدان معنا نیست که محققان هوش مصنوعی نیز در حال بررسی توسعه آن نیستند.

یادگیری عمیق در مقابل یادگیری ماشینی

یادگیری عمیق و یادگیری ماشین با یکدیگر اشتباه گرفته می‌شود. همانطور که در بالا ذکر شد، یادگیری عمیق و یادگیری ماشین هر دو زیر شاخه‌های هوش مصنوعی هستند و یادگیری عمیق در واقع زیر شاخه یادگیری ماشین است.

در واقع یادگیری عمیق از شبکه‌های عصبی تشکیل شده است. اصطلاح “عمیق” به یک شبکه عصبی متشکل از بیش از سه لایه که شامل ورودی‌ها و خروجی‌ها می‌شود اشاره دارد. که می‌تواند یک الگوریتم یادگیری عمیق در نظر گرفته شود. یادگیری عمیق به طور کلی با استفاده از نمودار زیر نشان داده شده است:

تفاوت یادگیری عمیق و یادگیری ماشین

تفاوت یادگیری عمیق و یادگیری ماشین، در نحوه یادگیری هر الگوریتم است. یادگیری عمیق بسیاری از بخش استخراج ویژگی فرآیند را خودکار می‌کند. و برخی از مداخلات دستی انسان را حذف می‌کند و امکان استفاده از مجموعه داده‌های بزرگتر را فراهم می‌کند. همانطور که لکس فریدمن در همان سخنرانی MIT از بالا اشاره کرد، می‌توانید 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 برای یادگیری به داده‌های ساختاریافته بیشتری نیاز دارند.

یادگیری ماشینی «عمیق» می‌تواند از مجموعه داده‌های برچسب‌گذاری‌شده، که به عنوان یادگیری نظارت‌شده نیز شناخته می‌شود، برای اطلاع از الگوریتم خود استفاده کند. اما لزوماً به یک مجموعه داده برچسب‌دار نیاز ندارد. می‌تواند داده‌های بدون ساختار را به شکل خام (مثلاً متن، تصاویر) وارد کند. و می‌تواند به‌طور خودکار سلسله مراتب ویژگی‌هایی را تعیین کند که دسته‌های مختلف داده‌ها را از یکدیگر متمایز می‌کند. برخلاف یادگیری ماشینی، برای پردازش داده‌ها نیازی به مداخله انسانی نیست و به ما امکان می‌دهد یادگیری ماشین را به روش‌های جالب تری مقیاس بندی کنیم.

کاربردهای هوش مصنوعی

• تشخیص گفتار: همچنین با نام های تشخیص خودکار گفتار (ASR)، تشخیص گفتار کامپیوتری 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 از تشخیص گفتار در سیستم‌های خود استفاده می‌کنند.
• خدمات مشتری: نمایندگان مجازی آنلاین، در طول سفر مشتری جایگزین عوامل انسانی می‌شوند. آن‌ها به سؤالات متداول (پرسش‌های متداول) در مورد موضوعاتی مانند حمل و نقل پاسخ می‌دهند. یا مشاوره شخصی، فروش متقابل محصولات یا اندازه‌های پیشنهادی را برای کاربران ارائه می‌دهند، و طرز فکر ما را در مورد تعامل با مشتری در وب‌سایت‌ها و پلتفرم‌های رسانه‌های اجتماعی تغییر می‌دهند. 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.

امروزه کاربردهای بی شماری در دنیای واقعی از سیستم‌های هوش مصنوعی وجود دارد. در زیر برخی از رایج ترین نمونه‌ها آورده شده است:

• بینایی کامپیوتری: این فناوری هوش مصنوعی رایانه‌ها و سیستم‌ها را قادر می‌سازد تا اطلاعات معناداری را از تصاویر دیجیتال، فیلم‌ها و سایر ورودی‌های بصری به دست آورند و بر اساس آن ورودی‌ها می‌تواند اقدام کند. این توانایی در ارائه توصیه‌ها آن را از وظایف تشخیص تصویر متمایز می‌کند. بینایی کامپیوتر با استفاده از شبکه‌های عصبی کانولوشنال دارای کاربردهایی در برچسب‌گذاری عکس در رسانه‌های اجتماعی، تصویربرداری رادیولوژی در مراقبت‌های 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 بهینه سازی سبد سهام طراحی شده‌اند، هزاران یا حتی میلیون‌ها معامله را در روز بدون دخالت انسان انجام می‌دهند.

موارد استفاده تجاری برای هوش مصنوعی امروزه

تسریع آماده سازی داده‌ها و بهبود مدیریت داده‌ها با هوش مصنوعی

نقطه ضعف:

تجزیه و تحلیل‌ها فقط به اندازه داده‌هایی هستند که در آن‌ها وجود دارد، و در نتیجه، بسیاری از دانشمندان و تحلیلگران داده زمان زیادی را جهت مرتب کردن و سازماندهی داده‌ها برای ارائه ارزش تجاری به سازمان‌های خود صرف می‌کنند. به عنوان مثال، داده‌های خام ممکن است با طبقه بندی کسب و کار شما مطابقت نداشته باشد، و در نتیجه، ممکن است نیاز به طبقه بندی داده‌ها به روشی خاص برای ارائه زمینه به سهامداران باشد. از طرف دیگر، ممکن است هنوز طبقه بندی تعریف شده برای یک مجموعه داده جدید نداشته باشید. هوش مصنوعی همچنین می‌تواند به تعریف خوشه‌هایی از داده‌ها، تقسیم‌بندی گروه‌ها بر اساس ویژگی‌های مشترک کمک کند. در هر صورت، اگر به یک فرد واگذار شود، می‌تواند یک فرآیند طولانی و دستی برای مجموعه داده‌های بزرگ باشد.

با این حال، الگوریتم‌های هوش مصنوعی می‌توانند در وظایف طبقه بندی داده‌ها، کاهش هزینه و زمان برای ارائه بینش‌های تجاری کمک کنند. مجموعه داده‌های برچسب‌گذاری‌شده می‌توانند به دسته‌بندی داده‌های جدید از طریق الگوریتم‌های یادگیری نظارت‌شده کمک کنند. در حالی که یادگیری بدون نظارت می‌تواند به کسب‌وکارها در کشف خوشه‌های جدید داده کمک کند.

کارایی عملیاتی را با هوش مصنوعی ساده کنید

نقطه ضعف:

با گسترش اندازه یک تجارت، پیچیدگی سازمانی نیز می‌تواند با کارمندان و فرآیندهای جدید رشد کند تا به مقیاس آن کمک کند. با گذشت زمان، می‌تواند منجر به ناکارآمدی عملیاتی شود و کسب و کارها را از دستیابی به اهداف تجاری خود باز دارد.

راه‌حل:

سازمان‌ها می‌توانند از داده‌های ورود به سیستم از سیستم‌های اطلاعاتی خود برای درک عملکرد فرآیندهای خود، آشکارسازی تنگناها و سایر زمینه‌های بهبود استفاده کنند. الگوریتم‌های تخصصی بینشی در مورد علل ریشه‌ای انحراف از هنجار فرآیند ارائه می‌دهند، که به نوبه خود، مدیران را با اطلاعاتی که برای بهینه‌سازی آنها نیاز دارند، تجهیز می‌کند. وقتی عمیق‌تر کاوش کردیم، متوجه شدیم که 42 درصد از شرکت‌کنندگان در نظرسنجی، عملیات فناوری اطلاعات را به‌عنوان یک مورد کلیدی استفاده از هوش مصنوعی شناسایی کردند.

پیش بینی فروش با هوش مصنوعی

نقطه ضعف: هر ساله از مدیران کسب و کار انتظار می‌رود که اهداف واقع بینانه برای سازمان خود تعیین کنند و استراتژی سال آینده را تعیین کنند. شرکت‌های سهامی عام نیز مسئولیت بیشتری برای به اشتراک گذاشتن این اهداف آتی در طی تماس‌های کسب درآمد دارند تا اطمینان بازار را حفظ کنند. با این حال، در یک چشم‌انداز کسب‌وکار در حال تغییر، انجام تعهدات در مورد اهداف فروش با قطعیت می‌تواند دشوار باشد. به‌ویژه در سازمان‌های بزرگ و پیچیده، جایی که عوامل مختلفی وجود دارد که می‌تواند بر تعداد فروش نهایی تأثیر بگذارد.

راه‌حل: در حالی که پیش‌بینی فروش برای دنیای تجارت چیز جدیدی نیست، عواملی که بر فروش کسب‌وکار تأثیر می‌گذارند در دهه گذشته تغییر کرده‌اند و آن‌ها به این تغییر ادامه خواهند داد. در واقع، بسیاری از کسب‌وکارها به دلیل همه‌گیری کووید-19، تلاش‌های سریع‌تری برای تحول دیجیتالی را تجربه می‌کنند. به این معنی که سیستم‌های داده جدید (و داده‌های بیشتر) می‌توانند به عنوان عوامل بالقوه برای رشد فروش مورد استفاده قرار گیرند. راه‌حل‌های هوش مصنوعی به تیم‌های داده اجازه می‌دهد تا با شرایط متغیر سازگار شوند و آن‌ها را قادر می‌سازد تا پیش‌بینی فروش را با اطمینان انجام دهند.

تاریخچه هوش مصنوعی

ایده ماشینی که فکر می‎کند به یونان باستان برمی‌گردد. اما از زمان ظهور محاسبات الکترونیکی، رویدادها و نقاط عطف مهم در تکامل هوش مصنوعی شامل موارد زیر است:

• 1950: آلن تورینگ 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 می‌کند به این سوال پاسخ دهد که آیا ماشین‌ها می‌توانند فکر کنند؟ و تست تورینگ را معرفی می‌کند تا مشخص کند آیا یک کامپیوتر می‌تواند همان هوش (یا نتایج همان هوش) را مانند یک انسان نشان دهد. 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 به کار برد. (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.
• 1967: فرانک روزنبلات Mark 1 Perceptron را ساخت، اولین رایانه مبتنی بر یک شبکه عصبی که با 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 برنامه‌های کاربردی هوش مصنوعی مورد استفاده قرار گرفتند.

• 1997: دیپ بلو از IBM، قهرمان شطرنج جهان، گری کاسپاروف را در یک مسابقه شطرنج (و مسابقه مجدد) شکست داد.
• 2011: IBM Watson قهرمانان Ken Jennings و Brad Rutter را در Jeopardy شکست داد!
• 2015: ابرکامپیوتر Minwa بایدو از نوع خاصی از شبکه عصبی عمیق به نام شبکه عصبی کانولوشن برای شناسایی و دسته بندی تصاویر با دقت بالاتری نسبت به انسان معمولی استفاده می‌کند.
• 2016: برنامه AlphaGo DeepMind که توسط یک شبکه عصبی عمیق پشتیبانی می‌شود، 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 کرد.

هوش مصنوعی و IBM Cloud

آی‌بی‌ام پیشرو در پیشبرد فناوری‌های مبتنی بر هوش مصنوعی برای شرکت‌ها بوده و در آینده سیستم‌های یادگیری ماشین برای صنایع مختلف پیشرو بوده است. بر اساس دهه‌ها تحقیق هوش مصنوعی، سال‌ها تجربه کار با سازمان‌ها در هر اندازه و بر اساس آموخته‌های بیش از 30000 تعامل واتسون IBM، IBM نردبان هوش مصنوعی را برای استقرار موفق هوش مصنوعی توسعه داده است:

• جمع آوری: ساده سازی جمع آوری داده‌ها و دسترسی.
• سازماندهی: ایجاد یک بنیاد تحلیلی آماده برای کسب و کار.
• تجزیه و تحلیل: ساخت سیستم‌های مقیاس پذیر و قابل اعتماد مبتنی بر هوش مصنوعی.
• Infuse: یکپارچه سازی و بهینه سازی سیستم‌ها در کل چارچوب کسب و کار.
• مدرن سازی: برنامه‌ها و سیستم‌های هوش مصنوعی خود را به فضای ابری بیاورید.

برای کسب اطلاعات بیشتر با کارشناسان ما در گروه مهرگان آی تی در تماس باشید.