در علوم کامپیوتر و داده، هوش مصنوعی (artificial intelligence) به نوع خاصی از هوشمندی و آگاهی گفته می‌شود که از ماشینی که انسان نیست به‌دست بیاید. در کتاب های تخصصی علوم کامپیوتر و هوش مصنوعی به عنوان هر دستگاهی که توانایی درک محیط و فعالیت با حداکثر شانس موفقیت را داشته باشد معرفی می شود. مجموع اصطلاح هوش مصنوعی برای توصیف ماشین‌ها یا کامپیوترهایی به کار می‌رود که فعالیت‌های شناختی وابسته به ذهن انسان را به‌خوبی خود انسان و یا با اختلاف کمی انجام می دهند.
از میان فعالیت‌های مهم شناختی هوش مصنوعی، می توان به حل مسئله و یادگیری مفاهیم اشاره کرد. درست است که هوش مصنوعی هم اکنون هم در تمام جنبه‌های زندگی انسان‌ها وجود دارد و به کار گرفته می‌شود اما همچنان بهترین سیستم‌های هوش مصنوعی امروزی نیز نمی‌توانند از برخی جهت‌ها با مغز انسان رقابت کنند.
برای مثال، در سال 2016 برنامه کامپیوتری آلفاگو، بازیکن حرفه‌ای و اسطوره‌ای بازی Go را شکست داد. اما اگر از همان کامپیوتر بخواهیم اتومبیلی را براند یا راه برود یا حتی مونوپولی بازی کند، قطعاً نخواهد توانست به تنهایی چنین کارهایی را انجام دهد و حتماً باید توسط انسان برای آن هدف خاص ساخته شود و آموزش ببیند.
همانطور که میدانید کلمه مصنوعی یا Artificial به آنچه گفته می‌شود که به صورت طبیعی بوجود نیامده و در واقع توسط انسان‌ها ساخته شده است و کلمه هوش یا Intelligence نیز به توانایی تفکر و آموختن براساس تجربه گفته می‌شود. براساس چنین تعاریفی، وابستگی نسبی هوش مصنوعی به انسان کاملا منطقی است. بنابراین به زبان ساده، هوش مصنوعی به توانایی تفکر یا یادگیری کامپیوتر یا ماشین گفته می‌شود اما برای اینکه فردی هوشمند و دارای هوش تلقی شود، باید یادگیری اتفاق بیفتد و فرد آموزش ببیند.
در واقع انسان‌ها هم از روز اولی که به دنیا می‌آیند هوشمند نیستند و برای تبدیل شدن به فردی هوشمند و باهوش باید تحت آموزش قرار بگیرند. وقتی که انسان‌ها یاد می‌گیرند، در واقع مواردی را به خاطر می‌سپارند و اطلاعاتی را در مغزشان ذخیره می‌کنند. سپس از این اطلاعات ذخیره شده در مغز برای تصمیم‌گیری هوشمندانه استفاده می‌شود. در خصوص ماشین‌ها و هوش مصنوعی هم شرایط یکسان است و درست مشابه انسان‌ها کامپیوترها هم باید ابتدا یاد بگیرند و نمی‌توانند تا زمانی که آموزش ندیده‌اند هوشمند شوند.
۱. ماشین‌های واکنشی (Reactive Machines) که ساده‌ترین نوع هوش مصنوعی هستند و تنها می‌توانند به موقعیت‌های فعلی بدون استفاده از تجربیات گذشته پاسخ دهند؛ مثل موتورجستجوی گوگل.
۲. ماشین‌های حافظه محدود (Limited Memory) که می‌توانند از برخی داده‌های گذشته برای بهبود تصمیم‌گیری استفاده کنند؛ مثل سیستم احراز هویت در وب‌سایت‌ها.
۳. نظریه ذهن (Theory of Mind) که درحال‌حاضر نوع فرضی هوش مصنوعی است که می‌تواند به شکل بهتری احساسات، عواطف و اعتقادات انسان‌ها را درک و سپس از این اطلاعات برای تصمیم‌گیری خود استفاده کند.
۴. هوش مصنوعی خودآگاه (Self-aware) که آن هم یکی دیگر از انواع فرضی هوش مصنوعی است که به خودآگاهی رسیده و می‌تواند از خودش احساسات و افکار شبیه انسان‌ها داشته باشد.
اما کاربردی‌ترین دسته‌بندی هوش مصنوعی که کاری به فرضیه‌ها و نظریات ندارد و صرفا آنچه تاکنون به دست آمده را تشریح می‌کند، یادگیری ماشین (Machine learning) و یادگیری عمیق (Deep learning) است که نوعی از آن‌ها تقریبا در تمام سیستم‌های هوش مصنوعی امروزی به کار رفته است.
دو المان مهم مفهومی و تکنولوژیکی هوش مصنوعی یادگیری ماشین (Machine learning) و یادگیری عمیق (Deep Learning) هستند. درحالی‌که بسیاری آن‌ها را به‌جای یکدیگر به‌کار می‌برند؛ اما ماهیت و کارکرد آن‌ها متفاوت است. در این بخش، این دو المان را معرفی می‌کنیم.
منظور از یادگیری ماشین در هوش مصنوعی
منظور از یادگیری ماشین در هوش مصنوعی چیست؟ یادگیری ماشین فرایندی است که طی آن، داده‌های یک الگوریتم توسط کامپیوتر و تکنیک‌های آماری تغذیه می‌شوند. هدف از این کار، کمک به یادگیری و بهبود تدریجی عملکرد الگوریتم است. این الگوریتم لزوما برای انجام یک کار خاص برنامه‌ریزی نشده است؛ اما به‌واسطه‌ی این سازوکار می‌تواند به تدریج، روند انجام آن را فرا بگیرد.
به یک الگوریتم Machine Learning به‌اختصار ML گفته می‌شود. این الگوریتم از داده‌های قبلی و ساختاریافته به‌منظور پیش‌بینی مقادیر خروجی خود استفاده می‌کند. بر این اساس، یادگیری ماشین خود به دو نوع زیر تقسیم می‌شود:
منظور از یادگیری عمیق در هوش مصنوعی
اما منظور از یادگیری عمیق (Deep Learning) در هوش مصنوعی چیست؟ این الگوریتم، نوعی الگوریتم یادگیری ماشین است که داده‌های ورودی خود را با الهام از مدل‌های شبکه‌ی عصبی موجودات زنده اجرا می‌کند. این مدل‌ها از علم بیولوژی کپی می‌شوند. در یک شبکه‌ی عصبی، لایه‌های متعدد (حداقل سه لایه) وجود دارند. هریک از این لایه‌ها می‌توانند ورودی یا خروجی باشند. وظیفه‌ی نهایی آن‌ها نیز این است که داده‌ها را در سطوح متفاوتی پردازش کنند. این مکانیسم به الگوریتم، امکان یادگیری عمیق‌تر الگوی موردنظر را می‌دهند.
یک شرکت هوش مصنوعی عمیق تلاش می‌کند با کاربرد یادگیری عمیق در الگوریتم‌های خود، مداخلات انسانی و نیاز به نظارت او را کاهش دهد. این الگوریتم، ویژگی‌های خودکار بیشتری نسبت یادگیری ماشینی داشته و امکان پردازش داده‌های بزرگتر را فراهم می‌کند. به‌این‌ترتیب می‌توان این یادگیری عمیق را نوعی یادگیری ماشینی مقیاس‌پذیر دانست.
یادگیری عمیق همچنین قدرت بالایی در پردازش داده‌های غیرساختاری خام مانند تصاویر و متون دارد. چنین سیستمی می‌تواند با استفاده از ویژگی‌های سلسله‌مراتبی که برایش تعریف شده، این نوع داده‌ها را به‌راحتی و با دقت و سرعت بیشتری طبقه‌بندی کند.
از این علم می توان در کسب و کارهای مختلف استفاده کرد و در هر کسب و کاری منفعت های بسیاری را به همراه خواهد داشت. در ادامه به چند نمونه از این کاربردها در هر حوزه می پردازیم:
هوش مصنوعی در حوزه سلامت
مهم ترین نکته در این حوزه بهبود نتایج بیماران و در عین حال کاهش هزینه است. شرکت های فعال در حوزه سلامت می خواهند با استفاده از یادگیری ماشین، روند تشخیص و درمان را بهتر و سریعتر انجام دهند. یکی از شناخته شده ترین فناوری ها در این زمینه سیستم IBM Watson است. این سیستم زبان طبیعی را درک می کند و قادر به پاسخگویی به سوالاتی که از آن پرسیده می شود است. این سیستم تمام اطلاعات مربوط به بیمار از منابع موجود را استخراج می کند تا یک فرضیه ایجاد کند و پس از اطمینان آن را ارائه می دهد. سایر برنامه هایی که هوش مصنوعی دارند مانند چت بات ها، می توانند به بیماران برای برنامه ریزی قرار ملاقات، پاسخ به پرسش ها، صدور صورت حساب کمک کنند و یا به صورت یک دستیار سلامت مجازی به فرد بازخوردهای پزشکی ارائه دهد.
هوش مصنوعی در حوزه کسب و کار
برای کارها و فرآیندهای بسیار تکراری که در هر کسب و کار توسط انسان ها انجام می شود، می توان از فرآیندهای اتوماسیون رباتیک استفاده کرد. الگوریتم های یادگیری ماشین می توانند با analytics و CRM ادغام شوند تا با کشف اطلاعات لازم، بهتر به مشتریان خدمت کنند. از چت بات ها نیز می توان برای ارائه خدمات فوری به مشتریان در وب سایت نیز استفاده کرد.
هوش مصنوعی در حوزه آموزش و پرورش
هوش مصنوعی در این حوزه می تواند به خودکار شدن نمره دهی و درجه بندی دانش آموزان کمک کند و به معلمان زمان بیشتری بدهد. هوش مصنوعی می تواند دانش آموزان را ارزیابی کند و با نیازهای آن ها سازگار باشد و با هر فرد متناسب با سرعت او کار کند. سیستم های مربی هوش مصنوعی می توانند پشتیبانی بیشتری به دانش آموزان ارائه دهند و اطمینان حاصل کنند که روند آموزش آن ها در راه درستی قرار دارد. Artificial intelligence می تواند نحوه یادگیری و مکان یادگیری دانش آموزان را تغییر دهد و حتی برخی از معلمان او را عوض کند.
هوش مصنوعی در حوزه اقتصاد
سیستم های هوش مصنوعی در برنامه های مالی شخصی، مانند Mint یا Turbo Tax، می توانند اطلاعات مالی شخصی هر فرد را جمع آوری کنند و به آن ها مشاوره مالی دهند. از برنامه های دیگر مانند IBM Watson حتی در روند خرید خانه نیز می توان استفاده کرد. امروزه نرم افزارها در وال استریت بخش عظیمی از معاملات را انجام می دهند.
هوش مصنوعی در حوزه قانون و قضا
روند کشف اسناد و مدارک غالبا برای انسان ها بسیار سخت است. اتوماسیون و هوش مصنوعی می تواند به این فرآیند کمک کرده و کارآمدتر از زمان استفاده کند. استارتاپ ها در حال ساخت دستیارهای رایانه ای هستند که پرسش و پاسخ ها را غربال می کند و می توانند با بررسی و طبقه بندی و یک بانک اطلاعاتی، سؤالات برنامه ریزی شده در زمینه هستی شناسی را پاسخ دهد.
هوش مصنوعی در حوزه تولید
این زمینه ای است که ربات ها هرچه تمام تر می توانند کار را به گردش دربیاورند. ربات های صنعتی می توانند تک تک وظایف محول شده را به طور کامل انجام دهند و جدا از کارکنان انسانی فعالیت کنند.
هوش مصنوعی در برقراری امنیت
از هوش مصنوعی و تکنولوژی پردازش تصویر در برقراری امنیت، ردیابی مجرمان، پیدا کردن هویت خلافکاران و… استفاده می‌شود. این سیستم‌ها قادرند با استفاده از هوش مصنوعی چهره افراد مختلف، موجودیت اشیاء و … را تشخیص دهند و هنگام مشاهده انجام تخلفات یا عملی مجرمانه آن را تشخیص داده و به نهاد مربوطه هشدار دهد.
هوش مصنوعی و تفسیر داده‌ها
کلان داده یا بیگ دیتا (Big Data) عبارتی است که برای توصیف مقادیر بزرگی از داده (اعم از داده های ساختار یافته و بدون ساختار) استفاده می‌شود. از کلان داده ها می‌توان برای استخراج اطلاعات مورد نیاز برای تصمیم گیری‌های مهم و حیاتی استفاده کرد و حرکات استراتژیک و حساس را با دقت بیشتری اجرا نمود. یک دانشمند داده به کمک کلان داده‌ها نه تنها قادر به تجزیه و تحلیل نیازهای افراد می‌باشد بلکه از قوانین حاکم بر بازارها و روندهای مختلف نیز اطلاع می‌یابد. تحلیل مقادیر زیادی داده، بدون هیچ گونه سیستم هوشمند و تنها به وسیله انسان امکان پذیر نیست. زیرا هم حجم داده بسیار گسترده است و هم هر روز بر میزان این حجم افزوده می‌شود. بنابراین مشخص است که با استفاده از هوش مصنوعی در تفسیر کلان داده‌ها است که به بسیاری از مفاهیم جدید می‌رسیم که نتیجه‌اش قابلیت متحول کردن بخش عظیمی از جامعه و زندگی انسان‌ها را دارد.
