آشنایی با هوش مصنوعی و کاربردهای آن

امروزه سرعت تغییرات در دنیای ارتباطات و تولید اطلاعات و دانش ، مسايل متنوعي همچون‌ ذخيره‌سازي، انتقال، دريافت و اشتراك اطلاعات، محاسبات پيچيده، خودكارسازي كارها، تصميم‏گيري و تجزیه و تحليل محتوا ایجاد کرده است که همگی نیازمند رفتار خودکار و هوشمندانه در يك محيط می باشند. هوش مصنوعی مبحث گسترده ایی است که شامل مطالعه و پژوهش با تمرکز بر توسعه ماشین ها و نرم افزارهای هوشمند به منظور پیاده سازی سامانه های هوشمند برای مدلسازی و حل مسایل کاربردی می شود.

تعاریف مختلفی برای هوش مصنوعی و ماشین های هوشمند ارائه شده است از جمله اینکه در ابتدا ماشین هوشمند بعنوان ماشینی مطرح شد که بتواند مانند انسان فرآیند فکر کردن را انجام دهد. اما فکر کردن فقط محدود به هوش مصنوعی نمی شد بلکه برای فکر کردن مانند انسان به علوم شناختی[1] و علوم عصبی محاسباتی[2]نیز نیاز بود دیدگاه دوم این بود که ماشین هوشمند ماشینی است که مانند انسان عمل کند که این موضوع برای اولین بار توسط آلن تورینگ درسال 1950 مطرح شد.


شکل 1) تعاریف مختلف ماشین هوشمند

مطابق آزمون تورینگ یک کامپیوتر در صورتی می تواند هوشمند باشد که بتواند سطحی از عملکرد انسان را در تمامی وظایف شناختی خود به نمایش بگذارد بطوریکه آزمون گیرنده را فریب دهد. در این آزمون شرایطی فراهم می‌شود که شخصی با ماشینی تعامل برقرار کرده و به گفتگو بنشیند و به منظور تشخیص ماشین از انسان ، پرسش‌های کافی برای بررسی اقدامات هوشمندانه ی ماشین، از آن بپرسد. چنانچه در پایان آزمایش آزمون گیرنده نتواند تشخیص دهد که با انسان و یا با ماشین در تعامل بوده است، آزمون تورینگ با موفقیت انجام شده است. تا کنون هیچ ماشینی از این آزمون با موفقیت بیرون نیامده است بلکه هر ماشین سطحی از میزان هوشمندی را با شبیه سازی رفتار انسان به نمایش گذاشته است البته برای اینکه تمرکز آزمون بر روی هوشمندی ماشین باشد، و نه توانایی آن در تقلید صدای انسان، مکالمه تنها از طریق متن و صفحه کلید و نمایشگر کامپیوتر صورت می‌گیرد.

اما عمل کردن مانند انسان شامل موارد پیش پا افتاده و همینطور خطاهای انسانی هم می شد که هیچگونه استفاده و کاربردی در صنعت و بهبود زندگی روزانه ندارند. بنابراین عقلایی و منطقی فکر کردن بعنوان ویژگی ماشین هوشمند بعنوان دیدگاه سوم مطرح شد اما عملکرد عقلایی و منطقی نیز جنبه تجویزی و فلسفی پیدا می کرد تا در نهایت عقلایی عمل کردن بعنوان یک دیدگاه اصلی برای ماشین هوشمند مطرح شد به این معنا که ماشین بتواند اهداف تعریف شده را با حداکثر موفقیت تحقق بخشد.

بنابراین ورودی یک سیستم هوش مصنوعی یک هدف می باشد و عقلایی بودن به این معناست سیستم بتواند به هدف خود به بهترین روش دست پیدا کند. بعبارت دیگر اهداف براساس میزان سودمندی بیان می شوند و عقلایی بودن به این معناست که ما کوشش می کنیم به حداکثر میزان سودمندی در وظیفه ایی که به ماشین هوشمند محول شده است دست پیدا کنیم و بطور خلاصه می توان گفت که هوش مصنوعی به دنبال حداکثر نمودن سودمندی مورد انتظار میباشد.

در یک تعریف دیگر هوش مصنوعی عبارت است از مطالعه و طراحی عامل های هوشمند که در آن عامل هوشمند سیستمی است که با محیط خود تعامل برقرار می کند و پس از دریافت داده ها از خود واکنش نشان داده و کاری را انجام میدهد. مطابق شکل 2) عامل هوشمند ( برای چیدن سیب از درخت ) وضعیت محیط را توسط حس گرهای خود درک و یا دریافت می کند و سپس توسط بکار اندازندها ی[3] داخلی واکنش نشان داده و برروی وضعیت محیط تاثیر می گذارد. تابعی که حس گر را بر روی بکار اندازنده ی داخلی نگاشت می کند مورد توجه و مطالعه هوش مصنوعی قرار میگیرد. این تابع قواعد کنترل عامل هوشمند نامگذاری شده است و شامل تمامی تصمیماتی می شود که عامل هوشمند با توجه به ورودی دریافتی از حس گرها برای به حداکثر رساندن شانس موفقیت توسط بکار اندازنده انجام می دهد. این تصمیمات در یک حلقه بسته از محیط به عامل هوشمند توسط حس گر و از عامل هوشمند به محیط توسط بکار اندازه داخلی بارها و بارها تکرار می شود تا میزان سودمندی را به حداکثر برساند.


شکل 2) نحوه تعامل عامل هوشمند

امروزه کاربردهای مختلفی از هوش مصنوعی را می‏توان در زمینه های پزشکی، علوم هوافضا، تسلیحات نظامی ، پیش بینی وضع هوا، نقشه‌برداری و شناسایی عوارض، تشخیص صدا، تشخیص گفتار ، دست خط ، بـــــازی‌ها و نرم افزارهای رایانه‌ای مشاهده کرد. از این رو برخی متخصصان هوش مصنوعی، با توجه به کاربردهای گوناگون این علم، آن را در دو سرفصل اصلی داده کاوی و یادگیری ماشین دسته بندی نموده اند.

داده کاوی به مفهوم استخراج و کشف اطلاعات نهان و یا الگوها و روابط معتبری که در حجم زیادی از داده ها در یک یا چند بانک اطلاعاتی ناشناخته بوده اطلاق می شود. داده کاوی منحصر به گردآوری و مدیریت داده‌ها نبوده و تجزیه و تحلیل اطلاعات و پیش بینی را نیز شامل می‌شود

یادگیری ماشین به معنای تنظیم و اکتشاف شیوه‌ها و الگوریتم‌هایی است که بر اساس آنها یک کامپیوتر توانایی یادگیری پیدا می‌کند تا بتواند به تدریج و با افزایش داده‌ها بازدهی بالاتری در وظیفه ی مورد نظر پیدا کند. البته گاهی اوقات از مفاهیم یادگیری ماشین و داده کاوی به جای یکدیگر استفاده می شود و این استفاده موجب ایجاد سردرگمی درکاربردهای آنها می شود زیرا هردو مبحث روشهای مشابهی را بکار میگیرند و در بسیاری موارد با یکدیگر تداخل دارند. اما میتوان که این دو مفهوم را با تعاریف زیر از یکدیگر متمایز نمود.

· یادگیری ماشین بر فرآیند پیش بینی و پیشگویی براساس ویژگیهای استخراج شده از داده های آموزشی تمرکز دارد

· داده کاوی بر کشف ویژگیهای ناشناخته موجود در داده ها تمرکز دارد.

بعبارت دیگر داده کاوی بسیاری از روشهای یادگیری ماشین را بکار می گیرد و هدف دیگری که همان کشف دانش نهفته است را دنبال می کند درحالیکه یادگیری ماشین کوشش می کند که دانش کشف شده قبلی را مجددا تولید کند. بنابراین شاید بتوان گفت یادگیری بدون نظارت که در آغاز شاید نتوان آن را در جهت یک هدف مشخص هدایت کرد به مبحث داده کاوی در مقایسه با یادگیری ماشین نزدیک تر است. در اینصورت در یادگیری ماشین یک هدف مشخص که معمولا پیش بینی میباشد توسط ما پیگیری می شود اما در داده کاوی به دنبال چیزی هستیم که قبلا نمی دانستیم. یادگیری ماشین معمولا بصورت خودکار صورت می گیرد در حالیکه داده کاوی توسط یک کاربر در یک شرایط خاص و بر روی یک مجموعه داده مشخص صورت میگیرد و کاربر کوشش می کند که از قدرت الگوهای و روشهای مختلفی که در یادگیری ماشین توسعه یافته است استفاده نماید.

[1] Cognitive Science

[2] Computational Neuroscience

[3] Actuator