هوش مصنوعی در کسب و کار: معرفی هوش مصنوعی

مقدمه

گارتنر در سال 2017 مطالعه ای را با عنوان “ Can You Become a Digital Evangelist “ با مشارکت مدیران ارشد چندین شرکت انجام داد. زمانی که از مدیران ارشد در ارتباط با دیجیتالی شدن سوال پرسیده می شود، 67 درصد این مقوله را فناوری های دیجیتال شامل اینترنت اشیاء، داده کاوی، سنسورهای هوشمند، ابر و... عنوان می کنند و صرفا حدود 33 درصد از مدیران ارشد، دیجیتالی شدن را مرتبط با تغییرات سازمانی نظیر: مدل های ذهنی، مهارت ها و شایستگی های کسب و کار، مدل های عملیاتی و استراتژی داده و... می دانند.

مطابق با نتایج این مطالعه، بسیاری از مدیران ارشد سوال های کلیدی در مورد چگونگی دیجیتالی شدن شرکت را از دست می دهند. چنانچه تحول دیجیتال را به کوه یخ تشبیه کنیم، بخش زیر سطح آب در کوه یخ که شامل حوزه های نرم سازمان است، 15 برابر از بخش روی سطح آب (فناوری)، در ایجاد ارزش تاثیر گذار است و این نشان دهنده آن است که تحول دیجیتال مستلزم تغییر سازمانی است نه فقط تغییر فناوری، و مدیران ارشد می بایست با ایفای نقش رهبری دیجیتال، آمادگی دیجیتال سازمان را ارتقا دهند و زمینه را برای رشد دیجیتالی شدن کسب و کارها فراهم آورند. تحول دیجیتال و هوش مصنوعی دو مفهوم بسیار مرتبط با یکدیگر در دنیای امروزی کسب و کار هستند. به طور خلاصه:

• تحول دیجیتال به معنای استفاده از تکنولوژی‌های دیجیتال مانند ابررایانش، هوش مصنوعی، اینترنت اشیاء، و غیره برای تغییر و بهبود فرآیندهای کسب و کار است.
• هوش مصنوعی یکی از مهمترین تکنولوژی‌های دیجیتال در تحول دیجیتال محسوب می‌شود. استفاده از تکنیک‌های یادگیری ماشین، شبکه‌های عصبی و غیره باعث ارتقاء خودکارسازی، بهینه‌سازی فرآیندها و تصمیم‌گیری بهتر در کسب و کار می‌شود.
• هوش مصنوعی و سایر تکنولوژی‌های دیجیتال کلید تحقق تحول دیجیتال در کسب و کارها هستند و این دو بسیار به هم وابسته‌اند.

در نتیجه، می‌توان گفت ارتباط تحول دیجیتال و هوش مصنوعی در کسب‌وکار یک ارتباط دوطرفه و تنگاتنگ است که منجر به بهبود عملکرد و رقابت‌پذیری شرکت‌ها می‌شود.

هوش مصنوعی (AI) شبیه‌سازی هوش انسان در ماشین‌ است. هوش مصنوعی باعث می‌شود که ربات‌ها و ماشین‌ها مانند انسان فکر کنند و کارهای او را تقلید کنند. مثال ساده‌ هوش مصنوعی ربات‌ها هستند که هرروز باهوش‌تر می‌شوند و هوش آن‌ها کم کم به انسان‌ها شبیه می‌شود. هوش مصنوعی در هر ماشین و تجهیزات الکترونیکی که از ویژگی‌های مرتبط با ذهن انسان مانند یادگیری و حل مسئله برخوردار باشد، استفاده می‌شود. ماشین لرنینگ یکی از کاربردهای هوش مصنوعی است و به عنوان پیچیده ترین تکنولوژی جهان یا حداقل یکی از پیچیده‌ترین فناوری‌های جهان امروز شناخته می‌شود. این تکنولوژی به ماشین‌ها اجازه می‌دهد به طور خودکار یاد بگیرند و مانند یک انسان هر روز به دانش و علم خود اضافه کنند، قسمت شگفت‌انگیز ماشین لرنینگ افزایش یادگیری بدون دخالت و برنامه‌ریزی انسان است. یادگیری ماشینی روی توسعه برنامه‌های رایانه‌ای تمرکز می‌کند؛ برنامه‌هایی که می‌توانند به داده‌ها دسترسی پیدا کنند. داده‌ها و اطلاعاتی که می‌تواند تصمیم‌ بگیرد، نوآوری داشته باشد و کسب و کارها و به طور کلی جهان را دگرگون کند. قابلیت‌های ماشین لرنینگ روز به‌ روز بیشتر می‌شود. در حقیقت هوش مصنوعی و ماشین لرنینگ مانند یک کودک نوپا هرروز بیش‌تر از قبل یاد می‌گیرند. افزایش یادگیری و توانایی این تکنولوژی جدید، جهان را دگرگون می‌کند. علاوه بر این ماشین لرنینگ و هوش مصنوعی مثل یک موتور محرک برای پیشرفت سایر تکنولوژی‌ها هستند. هوش مصنوعی و ماشین لرنینگ، منبع اکثر نوآوری‌هایی است که در دهه آینده خواهیم دید در نتیجه پیش بینی می شود ترندهای علمی و شغلی در آینده به شرح زیر باشد.

ماهیت هوش مصنوعی

• هوش مصنوعی یک حوزه پژوهشی در علوم کامپیوتر است که هدف آن طراحی ماشین‌ها یا برنامه‌های نرم‌افزاری است که قادر به انجام کارهایی باشند که اگر انسان انجام دهد، نیازمند هوش و تفکر است. این حوزه شاخه‌ای از دانش رایانه است که به مطالعه و طراحی سامانه‌های هوشمند می‌پردازد. این سامانه‌ها قادرند کارهایی را که نیازمند هوش انسانی است، مانند یادگیری، استدلال، حل مسئله، درک زبان طبیعی، شناخت بصری و... انجام دهند. هدف اصلی هوش مصنوعی ایجاد ماشین‌هایی است که بتوانند مستقلاً تفکر کنند و یاد بگیرند. برای رسیدن به این هدف، محققان هوش مصنوعی از الگوریتم‌ها و تکنیک‌های یادگیری ماشین استفاده می‌کنند تا بتوانند توانایی تفکر انتزاعی و یادگیری را در ماشین‌ها پیاده‌سازی نمایند. یکی از مهمترین زیرشاخه های هوش مصنوعی، یادگیری ماشین است. یادگیری ماشین به معنای قابلیت یک سیستم برای یادگیری از داده ها و بهبود عملکردش با تجربه است، این یادگیری ماشین به کمک شبکه های عصبی مصنوعی که از شبکه های عصبی زیستی الگو برداری شده است انجام می شود. هوش مصنوعی کاربردهای بسیار گسترده‌ای در زندگی مدرن پیدا کرده است. از جمله می‌توان به موارد زیر اشاره کرد:
  - رباتیک: ربات‌های صنعتی، ربات‌های همراه، ربات‌های خانگی و...
  - خودروهای خودران
  - دستیارهای هوشمند مانند سیری، الکسا، کورتانا و...
  - تشخیص چهره و صدا
  - ترجمه ماشینی
  - توصیه‌گرها و سیستم‌های توصیه
  - بازی‌های رایانه‌ای و شطرنج
  - تشخیص الگو در تصاویر پزشکی
  - کشف دارو و طراحی داروی جدید
  - پزشکی شخصی و تشخیص بیماری
  - امنیت سایبری و تشخیص تقلب
  - بهینه‌سازی زنجیره تأمین و لجستیک
  - پیش‌بینی و تحلیل بازار سهام
  - فیلترینگ محتوا و تشخیص اسپم ماشین‌ها پیاده‌سازی نمایند.

اهداف هوش مصنوعی

هدف کلی تحقق هوش مصنوعی، ایجاد یک فناوری است که به کامپیوترها و ماشین‌ها امکان عملکرد هوشمندانه را می‌دهد. AI به وجود آمد تا در مواردی که مشاهده می کنید کمک کننده باشد.

استدلال و حل مسئله

الگوریتم‌هایی را تدوین کردند که استدلال گام به گام را تقلید می‌کرد و بشر هنگام حل معما یا استنتاج منطقی از آن‌ها استفاده می‌کرد، تحقیقات هوش مصنوعی روش‌هایی برای مقابله با اطلاعات نامشخص یا ناقص ایجاد کرد، مانند به‌کارگیری مفاهیم احتمال و اقتصاد. برای مشکلات دشوار، الگوریتم‌ها به منابع محاسباتی زیادی احتیاج دارند. بیشتر آن‌ها «انفجار ترکیبی» را تجربه می‌کنند به معنای این که مقدار حافظه کامپیوتر یا زمان مورد نیاز برای حل مشکلات، نجومی می‌شود. جستجوی الگوریتم‌های کارآمد برای حل مسئله از اولویت بالایی برخوردار است.

بازنمایی دانش

بسیاری از مشکلاتی که ماشین‌ها برطرف می‌کنند نیاز به دانش گسترده‌ای در مورد جهان دارند. از جمله مواردی که هوش مصنوعی باید آن‌ها را نشان دهد عبارت‌اند از: اشیاء، خصوصیات، مقوله‌ها و روابط بین اشیاء، شرایط، رویدادها، حالت‌ها و زمان؛ همچنین علل و نتایج دانش درباره دانش(آنچه ما می‌دانیم درباره آنچه دیگران می‌دانند) و بسیاری دیگر از دامنه‌های کمتر تحقیق شده. نمایش «آنچه وجود دارد» در حوزه هستی شناسی به معنای مجموعه‌ای از اشیاء، روابط، مفاهیم و موارد دیگر که ماشین از آن‌ها آگاه است. این نوع هستی شناسی اصطلاحاً هستی شناسی بنیادین می‌نامند كه سعی در ارائه اصول بنيادین برای ساير دانش‌ها دارد.

برنامه ریزی

عامل‌های هوشمند(Intelligent agents) باید قادر به تعیین اهداف و دستیابی به آن‌ها باشند. آن‌ها به روشی برای تجسم آینده احتیاج دارند؛ یعنی نمایشی از وضعیت جهان و این که بتوانند پیش بینی کنند که اقداماتشان چگونه آن را تغییر می‌دهند و در ادامه بتوانند گزینه‌هایی را انتخاب کنند که سودمندی یا «ارزش» گزینه‌های موجود را به حداکثر برساند. در مشکلات برنامه ریزی کلاسیک، عامل هوشمند می‌تواند فرض کند که این تنها سیستمی است که در جهان عمل می‌کند، این فرض به عامل هوشمند اجازه می‌دهد تا از عواقب اقدامات خود مطمئن باشد. به عبارتی عامل هوشمند نه ‌تنها می‌تواند محیط خود را ارزیابی و پیش بینی کند، بلکه پیش ‌بینی‌های خود را نیز ارزیابی کند و بر اساس ارزیابی‌هایش سازگار شود.

یادگیری

یادگیری ماشین، یک مفهوم اساسی تحقیقات هوش مصنوعی از ابتدای شکل گیری، مطالعه الگوریتم‌های رایانه است که به طور خودکار از طریق تجربه بهبود می‌یابند. یادگیری بدون نظارت توانایی یافتن الگوها در جریان ورودی است. یادگیری تحت نظارت، هم شامل دسته بندی و هم رگرسیون عددی است. بعد از دیدن تعدادی مثال از چندین دسته، برای تعیین اینکه هر کدام متعلق به چه گروهی است از دسته بندی استفاده می‌شود. رگرسیون تلاشی برای تولید تابعی است که رابطه بین ورودی و خروجی را توصیف می‌کند و پیش بینی می‌کند با تغییر ورودی‌ها، خروجی‌ها چگونه باید تغییر کنند.

هوش اجتماعی

محاسبات عاطفی، مطالعه و توسعه سیستمی است که می‌تواند تأثیرات انسانی را تشخیص، تفسیر، پردازش و شبیه سازی کند. هوش اجتماعی یک مبحث میان رشته‌ای است که شامل علوم رایانه، روانشناسی و علوم شناختی است.

خلاقیت

زیرمجموعه‌ای از هوش مصنوعی، خلاقیت را هم از لحاظ تئوری(دیدگاه روانشناسی فلسفی) و هم از نظر عملی(پیاده سازی خاص سیستم‌هایی که خروجی‌های بدیع و مفیدی ایجاد می‌کنند) مورد توجه قرار می‌دهد. برخی از زمینه‌های مرتبط تحقیقات محاسباتی، شامل درک مصنوعی و تفکر مصنوعی است.

هوش عمومی

بسیاری از محققان فکر می‌کنند که کار آن‌ها سرانجام در یک ماشین با هوش عمومی مصنوعی، با ترکیب همه مهارت‌های ذکر شده در بالا و حتی بیش از توانایی انسان در بیشتر یا همه این مناطق، ادغام می‌شود. تعداد کمی معتقدند که ویژگی‌های انسانی مانند آگاهی مصنوعی یا مغز مصنوعی ممکن است برای چنین پروژه‌ای مورد نیاز باشد.

حوزه های اصلی پژوهش در هوش مصنوعی

هوش مصنوعی پیچیده ترین و حیرت انگیزترین خلقت بشریت تاکنون است. باید به این واقعیت توجه داشته باشیم که در علم هوش مصنوعی هنوز در ابتدای مسیر قرار داریم، این بدان معناست: علمی که ما امروز از هوش مصنوعی میبینیم فقط به مانند نوک یک کوه یخ است. همین علم کمی که ما از هوش مصنوعی داریم از شاخه های مختلفی برخوردار است! در این مقاله به اصلی ترین شاخه های هوش مصنوعی خواهیم پرداخت.

حوزه‌های اصلی پژوهش در هوش مصنوعی عبارتند از:

• یادگیری ماشین: ایجاد الگوریتم‌هایی که بتوانند از داده‌ها و تجربیات یاد بگیرند. مانند یادگیری عمیق.
• بینایی ماشین: پردازش تصویر و بینایی کامپیوتری برای تشخیص الگو و شیء
• پردازش زبان طبیعی: درک و تولید زبان انسانی توسط ماشین
• هوش جمعی: همکاری گروهی ماشین‌ها برای حل مسأله
• منطق فازی: استفاده از منطق فازی به جای منطق دودویی در ماشین‌ها
• رباتیک: طراحی ربات‌های هوشمند
• سیستم‌های خبره: سیستم‌هایی مبتنی بر دانش که قادر به تصمیم‌گیری هوشمند هستند

از سوی دیگر می توان هوش های مصنوعی را از نظر نوع به شرح ذیل طبقه بندی کرد.
1. هوش مصنوعی ضعیف: این نوع هوش مصنوعی تنها قادر به انجام وظایف خاصی است که برای آن برنامه‌ریزی شده‌است. مانند سیستم‌های پشتیبانی مشتری.
2. هوش مصنوعی: قوی این نوع هوش مصنوعی قادر است مانند انسان عمل کند و برای مسائل مختلفی برنامه‌ریزی نشده‌است. هنوز به طور کامل پیاده‌سازی نشده است.
3. هوش مصنوعی عمومی: این نوع هوش مصنوعی فراتر از هوش انسانی عمل می‌کند. فعلا وجود خارجی ندارد.
4. یادگیری ماشین: از الگوریتم‌هایی مانند شبکه‌های عصبی برای یادگیری از داده‌ها استفاده می‌کند.
5. رباتیک: طراحی و ساخت ربات‌هایی که بتوانند محیط اطراف خود را درک کنند و تعامل داشته باشند.
6. بینایی ماشین: تجزیه و تحلیل تصاویر و ویدئو برای استخراج اطلاعات مفید.

صحبت از یادگیری ماشین که می شود می باید در مورد یادگیری عمیق نیز صحبت کنیم، یادگیری عمیق یکی از شاخه‌های یادگیری ماشین است که با استفاده از الگوریتم‌هایی مانند شبکه‌های عصبی مصنوعی، می‌تواند الگوهای پیچیده‌ای را در داده‌ها تشخیص دهد.
ویژگی‌ها و مشخصات یادگیری عمیق:

• از شبکه‌های عصبی با لایه‌های متعدد استفاده می‌کند
• قادر است الگوهای غیرخطی و پیچیده را مدل‌سازی کند.
• برای آموزش نیازمند مجموعه داده‌های بسیار بزرگ است.
• به طور خودکار ویژگی‌ها را از داده‌ها استخراج می‌کند.
• در زمینه‌هایی مانند تشخیص تصویر، پردازش زبان طبیعی، توصیه‌گرها و... بسیار موفق عمل کرده است.
• معمولا نیازمند قدرت محاسباتی بالایی از گرافیک پردازنده‌ها است.
• الگوریتم‌های محبوب آن شامل شبکه‌های عصبی عمیق، یادگیری تقویتی و ماشین بولتزمن است.

به طور کلی یادگیری عمیق یک پیشرفت مهم در هوش مصنوعی و داده کاوی محسوب می‌شودو این موضوع در هر زمینه‌ای که نیاز به الگوشناسی از داده‌های بزرگ باشد، کاربرد فراوان دارد.
چند نمونه از هوش مصنوعی‌هایی که از یادگیری عمیق استفاده می‌کنند و در دسترس هستند عبارتند از:
- شناسایی تصاویر گوگل (Google Image Recognition)
این سرویس گوگل از شبکه‌های عصبی عمیق برای شناسایی و برچسب‌زنی تصاویر استفاده می‌کند.
https://cloud.google.com/vision
- دستیار صوتی الکسا (Alexa)
این محصول آمازون از الگوریتم‌های یادگیری عمیق برای شناسایی گفتار و پاسخگویی بهره می‌برد.
https://developer.amazon.com/en-US/alexa
- ترجمه گوگل (Google Translate)
این سرویس ترجمه گوگل از شبکه‌های عصبی مصنوعی مانند RNN برای ترجمه ماشینی استفاده می‌کند.
https://translate.google.com
- تشخیص چهره آیفون (iPhone Face Recognition)
آیفون از شبکه عصبی عمیقی به نام NeuralMatch برای تشخیص چهره استفاده می‌کند.
https://support.apple.com/en-us
- توصیه‌گر نتفلیکس (Netflix Recommender)
نتفلیکس از الگوریتم‌های یادگیری عمیق برای توصیه فیلم و سریال به کاربران استفاده می‌کند.
https://www.netflix.com

معرفی چند هوش مصنوعی معروف

اینروزها ابزارهای زیادی با کمک هوش مصنوعی و یادگیری عصبی و یادگیری عمیق ایجاد شده اند که در فعالیت های زیادی می توانند به شما کمک بکنند. تمامی این‌ ابزارها از تکنیک‌های پیشرفته پردازش زبان طبیعی و یادگیری ماشین بهره می‌برند تا بتوانند با انسان‌ها ارتباط برقرار کنند. در حوزه کسب و کار ابزارهای زیادی وجود دارد که بعضی از این ابزارها به صورت رایگان در دسترس است و برخی دیگر نیاز به پرداخت هزینه ماهانه دارد، ابزارهایی که در زیر معرفی شده است، جزو معروفترین ابزارهای این حوزه است.

طبق آخرین برآورد ها بیش از 4000 ابزار هوش مصنوعی جهت استفاده و کمک به انجام فعالیت ها ایجاد شده است.

در ادامه موضوع با یک موضوع با اهمیت در عصر حاضر و کاربردی در استفاده از هوش مصنوعی آشنا خواهید شد.