هوش مصنوعی چیست؟

هوش مصنوعی شبیه سازی فرآیندهای هوش انسانی توسط ماشین ها به ویژه سیستم های کامپیوتری است. کاربردهای خاص هوش مصنوعی شامل سیستم های خبره ، پردازش زبان طبیعی، تشخیص گفتار و بینایی ماشین است. اگر شما هم جزء کسانی هستید که واژه هوش مصنوعی به گوشتان خورده اما نمی‌دانید که هوش مصنوعی چیست یا آشنایی شما با هوش مصنوعی از طریق فیلم‌های تخیلی است که دیده‌اید و درک درستی از هوش مصنوعی ندارید، ما در این نوشته قصد داریم تا مفهوم واقعی هوش مصنوعی و هر آن چه که باید در موردش بدانید را به شما بگوییم. پس در ادامه با ما همراه باشید. در این مقاله ابتدا به این سوال پاسخ داده شده است که هوش مصنوعی چگونه کار می‌کند و سپس به مهم‌ترین مباحث و مفاهیم مرتبط با هوش مصنوعی طبق عناوین زیرپرداخته می‌شود.

۱. هوش مصنوعی چگونه کار می کند؟

به طور کلی، سیستم‌های هوش مصنوعی با دریافت مقادیر زیادی از داده‌های آموزشی برچسب‌گذاری شده، تجزیه و تحلیل داده‌ها برای همبستگی‌ها و الگوها و استفاده از این الگوها برای پیش‌بینی وضعیت‌های آینده کار می‌کنند. به این ترتیب، یک ربات چت که از نمونه‌هایی از چت‌های متنی تغذیه می‌شود، می‌تواند یاد بگیرد که تبادلات واقعی با افراد ایجاد کند، یا یک ابزار تشخیص تصویر می‌تواند با مرور میلیون‌ها مثال، شناسایی و توصیف اشیاء در تصاویر را بیاموزد.

از آنجایی که تبلیغ در مورد هوش مصنوعی شتاب گرفته است، فروشندگان در تلاش برای معرفی نحوه استفاده محصولات و خدماتشان از هوش مصنوعی هستند. اغلب آنچه آنها به عنوان AI از آن یاد می کنند، به سادگی یکی از اجزای هوش مصنوعی است، مانند یادگیری ماشینی . هوش مصنوعی به پایه ای از سخت افزار و نرم افزار تخصصی برای نوشتن و آموزش الگوریتم های یادگیری ماشین نیاز دارد. هیچ زبان برنامه نویسی مترادف با هوش مصنوعی نیست، اما تعداد کمی از جمله «پایتون»،«آر» و «جاوا» محبوب هستند.

برنامه نویسی هوش مصنوعی بر سه مهارت شناختی تمرکز دارد: یادگیری، استدلال و اصلاح خود.

• فرآیندهای یادگیری: این جنبه از برنامه نویسی هوش مصنوعی بر به دست آوردن داده ها و ایجاد قوانینی برای چگونگی تبدیل داده ها به اطلاعات عملی متمرکز است. قوانین، که الگوریتم نامیده می شوند، دستورالعمل های گام به گام را برای نحوه تکمیل یک کار خاص به دستگاه های محاسباتی ارائه می دهند.
• فرآیندهای استدلال: این جنبه از برنامه نویسی هوش مصنوعی بر انتخاب الگوریتم مناسب برای رسیدن به یک نتیجه دلخواه متمرکز است.
• فرآیندهای خود اصلاحی: این جنبه از برنامه نویسی هوش مصنوعی برای تنظیم مداوم الگوریتم ها و اطمینان از ارائه دقیق ترین نتایج ممکن طراحی شده است.

۲ چرا هوش مصنوعی مهم است؟

هوش مصنوعی مهم است زیرا اولاً می‌تواند به شرکت‌ها بینش‌هایی در مورد عملیات خود بدهد که ممکن است قبلاً از آن آگاه نبوده باشند ثانیاً در برخی موارد، هوش مصنوعی می‌تواند وظایف را بهتر از انسان‌ها انجام دهد. به‌ویژه هنگامی که صحبت از کارهای تکراری و جزئیات محور مانند تجزیه و تحلیل تعداد زیادی از اسناد قانونی برای اطمینان از پر شدن صحیح فیلدهای مربوطه می شود، ابزارهای هوش مصنوعی اغلب کارها را به سرعت و با خطاهای نسبتاً کمی تکمیل می کنند.

این امر به رشد انفجاری کارایی کمک کرده و دری را برای فرصت‌های تجاری کاملاً جدید برای برخی از شرکت‌های بزرگتر باز کرده است. قبل از موج فعلی هوش مصنوعی، تصور استفاده از نرم افزارهای کامپیوتری برای اتصال مسافران به تاکسی سخت بود، اما امروزه «اوبر» با انجام این کار به یکی از بزرگترین شرکت های جهان تبدیل شده است. این برنامه از الگوریتم‌های یادگیری ماشینی پیچیده برای پیش‌بینی اینکه چه زمانی افراد احتمالاً در مناطق خاصی نیاز به سواری دارند، استفاده می‌کند، که کمک می‌کند تا رانندگان پیش از نیاز، به طور فعال در جاده‌ها حرکت کنند. به عنوان مثالی دیگر، گوگل با استفاده از یادگیری ماشینی برای درک نحوه استفاده مردم از خدمات و سپس بهبود آنها، به یکی از بزرگترین بازیگران برای طیف وسیعی از خدمات آنلاین تبدیل شده است. در سال ۲۰۱۷، ساندار پیچای، مدیرعامل این شرکت، اعلام کرد که گوگل به عنوان یک شرکت "اول AI" فعالیت خواهد کرد. بزرگ‌ترین و موفق‌ترین شرکت‌های امروزی از هوش مصنوعی برای بهبود عملکرد خود و کسب مزیت نسبت به رقبای خود استفاده کرده‌اند.

۳ مزایا و معایب هوش مصنوعی

مزایا و معایب هوش مصنوعی در ادامه لیست شده‌اند با این حال لازم است توجه شود که شبکه‌های عصبی مصنوعی و فناوری‌های هوش مصنوعی یادگیری عمیق، به سرعت در حال تکامل هستند، در درجه اول به این دلیل که هوش مصنوعی مقادیر زیادی از داده‌ها را بسیار سریع‌تر پردازش می‌کند و پیش‌بینی‌ها را دقیق‌تر از آنچه که انسان ممکن است انجام می‌دهد.

در حالی که حجم عظیمی از داده‌هایی که به صورت روزانه ایجاد می‌شوند،مانند آوار یک محقق انسانی را دفن می‌کنند، برنامه‌های کاربردی هوش مصنوعی که از یادگیری ماشینی استفاده می‌کنند می‌توانند آن داده‌ها را دریافت کنند و به سرعت آن‌ها را به اطلاعات عملی تبدیل کنند. در زمان نگارش این مقاله، عیب اصلی استفاده از هوش مصنوعی این است که پردازش مقادیر زیادی از داده‌های مورد نیاز برنامه‌نویسی هوش مصنوعی، گران است.

مزایا

· در مشاغل مرتبط با جزئیات خوب است.

· کاهش زمان برای کارهای سنگین داده؛

· نتایج ثابتی را ارائه می دهد؛

· عوامل مجازی مبتنی بر هوش مصنوعی همیشه در دسترس هستند.

معایب

· گران؛

· به تخصص فنی عمیق نیاز دارد.

· عرضه محدود کارگران واجد شرایط برای ساخت ابزارهای هوش مصنوعی؛

· فقط می داند چه چیزی نشان داده شده است.

· عدم توانایی تعمیم از یک کار به کار دیگر.

۴. هوش مصنوعی قوی در مقابل هوش مصنوعی ضعیف

هوش مصنوعی را می توان به دو دسته ضعیف یا قوی طبقه بندی کرد.

• هوش مصنوعی ضعیف، همچنین به عنوان هوش مصنوعی باریک (Narrow AI) شناخته‌می شود، یک سیستم هوش مصنوعی است که برای انجام یک کار خاص طراحی و آموزش داده شده است. ربات های صنعتی و دستیاران شخصی مجازی مانند سیری اپل از هوش مصنوعی ضعیف استفاده می کنند.
• هوش مصنوعی قوی، همچنین به عنوان هوش عمومی مصنوعی (Artificial General Intelligence-AGI) شناخته می شود، برنامه ریزی را توصیف می کند که می تواند توانایی های شناختی مغز انسان را تکرار کند. هنگامی که با یک کار ناآشنا ارائه می شود، یک سیستم هوش مصنوعی قوی می تواند از منطق فازی برای اعمال دانش از یک دامنه به حوزه دیگر و یافتن راه حل به طور مستقل استفاده کند. در تئوری، یک برنامه هوش مصنوعی قوی باید بتواند هم آزمون تورینگ و هم آزمون اتاق چینی را پشت سر بگذارد.

۵. انواع هوش مصنوعی

آرند هینتزه (Arend Hintze)، استادیار زیست شناسی و علوم کامپیوتری و مهندسی در دانشگاه ایالتی میشیگان، در مقاله ای در سال ۲۰۱۶ توضیح داد که هوش مصنوعی را می توان به چهار نوع طبقه بندی کرد، که از سیستم های هوشمند ویژه کار که امروزه به طور گسترده استفاده می شود شروع می شود و به سیستم های حساس ادامه می‌یابد، که هنوز وجود ندارند. دسته بندی ها به شرح زیر است:

نوع ۱: ماشین های راکتیو (Reactive machine). این سیستم‌های هوش مصنوعی حافظه ندارند و مختص وظایف هستند. به عنوان مثال Deep Blue یا آبی عمیق، برنامه شطرنج IBM که گری کاسپاروف را در دهه ۱۹۹۰ شکست داد. آبی عمیق می تواند مهره های روی صفحه شطرنج را شناسایی کند و پیش بینی کند، اما چون حافظه ندارد، نمی تواند از تجربیات گذشته برای اطلاع رسانی به آینده استفاده کند.

نوع ۲: حافظه محدود(Limited memory). این سیستم های هوش مصنوعی دارای حافظه هستند، بنابراین می توانند از تجربیات گذشته برای اطلاع رسانی تصمیمات آینده استفاده کنند. برخی از عملکردهای تصمیم گیری در خودروهای خودران به این شکل طراحی شده اند.

نوع ۳: نظریه ذهن (Theory of mind). نظریه ذهن یک اصطلاح روانشناسی است. وقتی برای هوش مصنوعی اعمال می شود، به این معنی است که این سیستم از هوش اجتماعی برای درک احساسات برخوردار است. این نوع هوش مصنوعی قادر به استنباط نیات انسان و پیش بینی رفتار خواهد بود، مهارتی ضروری برای سیستم های هوش مصنوعی برای تبدیل شدن به اعضای جدایی ناپذیر تیم های انسانی.

نوع ۴: خودآگاهی (Self-awareness). در این دسته، سیستم‌های هوش مصنوعی حسی از خود دارند که به آنها آگاهی می‌دهد. ماشین های دارای خودآگاهی وضعیت فعلی خود را درک می کنند. این نوع هوش مصنوعی هنوز وجود ندارد.

۶. نمونه هایی از انواع فناوری هوش مصنوعی

هوش مصنوعی در انواع مختلف فناوری گنجانده شده است. در اینجا شش مثال آورده شده است:

• اتوماسیون. وقتی ابزارهای اتوماسیون با فناوری‌های هوش مصنوعی همراه شوند، می‌توانند حجم و انواع وظایف انجام‌شده را افزایش دهند.

به عنوان مثال، اتوماسیون فرآیند روباتیک (RPA-Robotic Process Automation)، نوعی نرم افزار است که وظایف پردازش داده های تکراری و مبتنی بر قوانین را که به طور سنتی توسط انسان انجام می شود، خودکار می کند. هنگامی که با یادگیری ماشین و ابزارهای نوظهور هوش مصنوعی ترکیب می‌شود، RPA می‌تواند بخش‌های بزرگ‌تری از مشاغل سازمانی را خودکار کند و ربات‌های تاکتیکی RPA را قادر می‌سازد تا اطلاعات هوش مصنوعی را به همراه داشته باشند و به تغییرات فرآیند پاسخ دهند.

• فراگیری ماشین. این علم به کار بردن کامپیوتر بدون برنامه نویسی است. یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشینی است که به زبان بسیار ساده می‌توان آن را خودکارسازی تجزیه و تحلیل پیش‌بینی‌کننده در نظر گرفت. سه نوع الگوریتم یادگیری ماشین وجود دارد:

- یادگیری تحت نظارت (Supervised learning): مجموعه داده ها برچسب گذاری می شوند تا الگوها را بتوان شناسایی کرد و برای برچسب گذاری مجموعه داده های جدید استفاده کرد.

- یادگیری بدون نظارت (Unsupervised learning): مجموعه داده ها برچسب گذاری نمی شوند و بر اساس شباهت ها یا تفاوت ها مرتب می شوند.

-یادگیری تقویتی (Reinforcement learning): مجموعه داده ها برچسب گذاری نمی شوند، اما پس از انجام یک عمل یا چندین عمل، به سیستم هوش مصنوعی بازخورد داده می شود.

• بینایی ماشین (Machine vision): این فناوری به ماشین توانایی دیدن می دهد. بینایی ماشین اطلاعات بصری را با استفاده از دوربین، تبدیل آنالوگ به دیجیتال و پردازش سیگنال دیجیتال ضبط و تجزیه و تحلیل می کند. این بینایی اغلب با بینایی انسان مقایسه می شود، اما بینایی ماشینی به بیولوژی محدود نمی شود و می تواند برای مثال برای دیدن از طریق دیوار برنامه ریزی شود. در طیف وسیعی از کاربردها از شناسایی امضا تا تجزیه و تحلیل تصویر پزشکی استفاده می شود. بینایی رایانه‌ای که بر پردازش تصویر مبتنی بر ماشین متمرکز است، اغلب با بینایی ماشین ترکیب می‌شود.
• پردازش زبان طبیعی (Natural Language Processing-NLP): این پردازش زبان انسان توسط یک برنامه کامپیوتری است. یکی از قدیمی‌ترین و شناخته‌شده‌ترین نمونه‌های NLP، تشخیص هرزنامه است که به موضوع و متن ایمیل نگاه می‌کند و تصمیم می‌گیرد که آیا ناخواسته است یا خیر. رویکردهای فعلی NLP مبتنی بر یادگیری ماشینی است. وظایف NLP شامل ترجمه متن، تجزیه و تحلیل احساسات و تشخیص گفتار است.
• رباتیک: این رشته مهندسی بر طراحی و ساخت ربات ها تمرکز دارد. ربات ها اغلب برای انجام کارهایی استفاده می شوند که انجام آنها یا انجام مداوم آنها برای انسان دشوار است. به عنوان مثال، ربات ها در خطوط مونتاژ برای تولید خودرو یا توسط ناسا برای جابجایی اجسام بزرگ در فضا استفاده می شوند. محققان همچنین از یادگیری ماشینی برای ساخت ربات هایی استفاده می کنند که می توانند در محیط های اجتماعی تعامل داشته باشند.
• ماشین های خودران (Self-driving cars): وسایل نقلیه خودران از ترکیبی از بینایی کامپیوتر، تشخیص تصویر و یادگیری عمیق برای ایجاد مهارت خودکار در هدایت وسیله نقلیه در حالی که در یک خط معین می‌مانند و اجتناب از موانع غیرمنتظره مانند عابران پیاده استفاده می‌کنند.

۷. کاربردهای هوش مصنوعی

هوش مصنوعی راه خود را به بازارهای مختلف باز کرده است. در اینجا نه نمونه آورده شده است.

۱. مراقبت های بهداشتی: بزرگترین شرط بندی ها بر روی بهبود نتایج بیمار و کاهش هزینه ها است. شرکت‌ها از یادگیری ماشینی برای تشخیص بهتر و سریع‌تر از انسان استفاده می‌کنند. یکی از شناخته شده ترین فناوری های مراقبت های بهداشتی IBM Watson است. زبان طبیعی را می فهمد و می تواند به سوالاتی که از آن پرسیده می شود پاسخ دهد. این سیستم داده‌های بیمار و سایر منابع داده موجود را استخراج می‌کند تا یک فرضیه را تشکیل دهد، که سپس با یک طرح امتیازدهی اطمینان ارائه می‌کند. سایر برنامه های کاربردی هوش مصنوعی شامل استفاده از دستیاران سلامت مجازی آنلاین و چت بات ها برای کمک به بیماران و مشتریان مراقبت های بهداشتی در یافتن اطلاعات پزشکی، برنامه ریزی قرار ملاقات، درک فرآیند صدور صورت حساب و تکمیل سایر فرآیندهای اداری است. مجموعه ای از فناوری های هوش مصنوعی نیز برای پیش بینی، مبارزه و درک استفاده می شودهمه گیری هایی مانند COVID-19 .

۲. تجارت: الگوریتم‌های یادگیری ماشینی در حال ادغام در پلت‌فرم‌های تجزیه و تحلیل و مدیریت ارتباط با مشتری ( CRM ) هستند تا اطلاعاتی را در مورد نحوه ارائه خدمات بهتر به مشتریان کشف کنند. چت بات ها برای ارائه خدمات فوری به مشتریان در وب سایت ها گنجانده شده اند. اتوماسیون موقعیت های شغلی نیز به موضوعی در میان دانشگاهیان و تحلیلگران فناوری اطلاعات تبدیل شده است.

۳. آموزش: هوش مصنوعی می تواند نمره دهی را خودکار کند و به مربیان زمان بیشتری بدهد. می تواند دانش آموزان را ارزیابی کند و با نیازهای آنها سازگار شود و به آنها کمک کند تا با سرعت خودشان کار کنند. آموزگاران هوش مصنوعی می‌توانند پشتیبانی بیشتری از دانش‌آموزان ارائه دهند و از ماندن آنها در مسیر مطمئن شوند. و می تواند مکان و نحوه یادگیری دانش آموزان را تغییر دهد، شاید حتی جایگزین برخی از معلمان شود.

۴. امور مالی: هوش مصنوعی در برنامه های مالی شخصی، مانندIntuit Mint یا TurboTax، مؤسسات مالی را مختل می کند. برنامه هایی مانند اینها داده های شخصی را جمع آوری می کنند و مشاوره مالی ارائه می دهند. برنامه های دیگری مانند IBM Watson در فرآیند خرید خانه به کار گرفته شده است. امروزه نرم افزار هوش مصنوعی بیشتر معاملات را در وال استریت انجام می دهد.

۵. قانون: روند کشف از طریق غربال کردن اسناد در قانون اغلب برای انسان طاقت فرسا است. استفاده از هوش مصنوعی برای کمک به خودکارسازی فرآیندهای پر زحمت صنعت قانونی باعث صرفه جویی در زمان و بهبود خدمات مشتری می شود. شرکت‌های حقوقی از یادگیری ماشینی برای توصیف داده‌ها و پیش‌بینی نتایج، بینایی کامپیوتری برای طبقه‌بندی و استخراج اطلاعات از اسناد و پردازش زبان طبیعی برای تفسیر درخواست‌های اطلاعات استفاده می‌کنند.

۶. تولید: تولید در ترکیب روبات ها در جریان کار پیشرو بوده است . برای مثال، ربات‌های صنعتی که زمانی برای انجام وظایف منفرد برنامه‌ریزی شده بودند و از کارگران انسانی جدا می‌شدند، به طور فزاینده‌ای به عنوان ربات‌ها عمل می‌کردند : روبات‌های کوچک‌تر و چندوظیفه‌ای که با انسان‌ها همکاری می‌کنند و مسئولیت بخش‌های بیشتری از کار را در انبارها، طبقات کارخانه‌ها بر عهده می‌گیرند. و سایر فضاهای کاری

۷. بانکداری: بانک ها با موفقیت از چت بات ها استفاده می کنند تا مشتریان خود را از خدمات و پیشنهادات آگاه کنند و تراکنش هایی را انجام دهند که نیازی به دخالت انسانی ندارند. دستیارهای مجازی هوش مصنوعی برای بهبود و کاهش هزینه های انطباق با مقررات بانکی استفاده می شود. سازمان‌های بانکی همچنین از هوش مصنوعی برای بهبود تصمیم‌گیری برای وام‌ها و تعیین محدودیت‌های اعتباری و شناسایی فرصت‌های سرمایه‌گذاری استفاده می‌کنند.

۸. حمل و نقل: علاوه بر نقش اساسی هوش مصنوعی در به کار انداختن وسایل نقلیه خودران، فناوری‌های هوش مصنوعی در حمل‌ونقل برای مدیریت ترافیک، پیش‌بینی تاخیرهای پرواز و ایمن‌تر و کارآمدتر کردن کشتی‌های اقیانوسی استفاده می‌شوند.

۹. امنیت: هوش مصنوعی و یادگیری ماشین در صدر فهرست کلیدواژه‌هایی هستند که امروزه فروشندگان امنیتی برای متمایز کردن پیشنهادات خود از آن استفاده می‌کنند. این اصطلاحات همچنین نشان دهنده فناوری های واقعاً قابل دوام هستند. سازمان‌ها از یادگیری ماشین در نرم‌افزار مدیریت رویداد و اطلاعات امنیتی( SIEM ) و حوزه‌های مرتبط برای شناسایی ناهنجاری‌ها و شناسایی فعالیت‌های مشکوک که نشان‌دهنده تهدید هستند، استفاده می‌کنند. با تجزیه و تحلیل داده‌ها و استفاده از منطق برای شناسایی شباهت‌ها به کدهای مخرب شناخته شده، هوش مصنوعی می‌تواند هشدار حملات جدید و در حال ظهور را خیلی زودتر از کارکنان انسانی و تکرارهای فناوری قبلی ارائه دهد. فناوری در حال رشد نقش بزرگی در کمک به سازمان‌ها برای مقابله با حملات سایبری ایفا می‌کند.

۸ هوش افزوده (Augmented inteligenece) در مقابل هوش مصنوعی

برخی از کارشناسان صنعت بر این باورند که اصطلاح هوش مصنوعی بسیار با فرهنگ عامه مرتبط است و این باعث شده است که عموم مردم انتظارات غیرمحتملی در مورد اینکه چگونه هوش مصنوعی محیط کار و زندگی را به طور کلی تغییر خواهد داد، داشته باشد.

· هوش افزوده برخی از محققان و بازاریابان امیدوارند که برچسب هوش افزوده ، که مفهومی خنثی‌تری دارد، به مردم کمک کند تا درک کنند که بیشتر پیاده‌سازی‌های هوش مصنوعی ضعیف هستند و به سادگی محصولات و خدمات را بهبود می‌بخشند. به عنوان مثال می توان به نمایش خودکار اطلاعات مهم در گزارش های هوش تجاری یا برجسته کردن اطلاعات مهم در پرونده های حقوقی اشاره کرد.

· هوش مصنوعی. هوش مصنوعی واقعی، یا هوش عمومی مصنوعی، ارتباط نزدیکی با مفهوم تکینگی تکنولوژیکی دارد (technological singularity)- آینده ای که توسط یک ابر هوش مصنوعی اداره می شود که بسیار فراتر از توانایی مغز انسان برای درک آن یا نحوه شکل دادن به واقعیت ما است. این در قلمرو داستان های علمی تخیلی باقی می ماند، اگرچه برخی از توسعه دهندگان در حال کار بر روی این مشکل هستند. بسیاری بر این باورند که فناوری هایی مانند محاسبات کوانتومی می توانند نقش مهمی در تحقق AGI ایفا کنند و ما باید استفاده از اصطلاح هوش مصنوعی را برای این نوع هوش عمومی محفوظ نگه داریم.

۹. استفاده اخلاقی از هوش مصنوعی

در حالی که ابزارهای هوش مصنوعی طیف وسیعی از عملکردهای جدید را برای مشاغل ارائه می دهند، استفاده از هوش مصنوعی سوالات اخلاقی را نیز مطرح می کند زیرا، خوب یا بد، یک سیستم هوش مصنوعی آنچه را که قبلاً آموخته است، تقویت می کند.

این می‌تواند مشکل‌ساز باشد زیرا الگوریتم‌های یادگیری ماشین، که زیربنای بسیاری از پیشرفته‌ترین ابزارهای هوش مصنوعی هستند، به اندازه داده‌هایی که در آموزش داده می‌شوند هوشمند هستند. از آنجایی که یک انسان انتخاب می‌کند چه داده‌هایی برای آموزش یک برنامه هوش مصنوعی استفاده شود، پتانسیل سوگیری یادگیری ماشینی (machine learning bias) ذاتی است و باید به دقت نظارت شود.

هرکسی که به دنبال استفاده از یادگیری ماشینی به عنوان بخشی از سیستم‌های واقعی و در حال تولید است، باید اخلاق را در فرآیندهای آموزشی هوش مصنوعی خود لحاظ کند و سعی کند از سوگیری جلوگیری کند. این امر به ویژه در هنگام استفاده از الگوریتم‌های هوش مصنوعی که ذاتاً در برنامه‌های یادگیری عمیق (deep learning) و شبکه‌های متخاصم تولیدی (Generative Adversarial Network) غیرقابل توضیح هستند، صادق است.

توضیح پذیری یک مانع بالقوه برای استفاده از هوش مصنوعی در صنایعی است که تحت شرایط سخت انطباق مقرراتی کار می کنند . به عنوان مثال، مؤسسات مالی در ایالات متحده بر اساس مقرراتی عمل می کنند که آنها را ملزم می کند تا تصمیمات خود را برای صدور اعتبار توضیح دهند. با این حال، زمانی که تصمیم برای رد اعتبار توسط برنامه‌نویسی هوش مصنوعی گرفته می‌شود، توضیح اینکه چگونه این تصمیم گرفته شده است، می‌تواند دشوار باشد زیرا ابزارهای هوش مصنوعی که برای چنین تصمیم‌گیری‌هایی استفاده می‌شوند با از بین بردن همبستگی‌های ظریف بین هزاران متغیر عمل می‌کنند. هنگامی که فرآیند تصمیم گیری قابل توضیح نباشد، برنامه ممکن است به عنوان هوش مصنوعی جعبه سیاه (black box AI) نامیده شود .

با وجود خطرات بالقوه، در حال حاضر مقررات کمی وجود دارد که بر استفاده از ابزارهای هوش مصنوعی حاکم باشد، و در مواردی که قوانین وجود دارد، معمولاً به طور غیرمستقیم به هوش مصنوعی مربوط می‌شوند. به عنوان مثال، همانطور که قبلاً ذکر شد، مقررات وام دهی منصفانه ایالات متحده مؤسسات مالی را ملزم می کند که تصمیمات اعتباری را برای مشتریان بالقوه توضیح دهند. این میزان استفاده وام دهندگان از الگوریتم های یادگیری عمیق را محدود می کند، الگوریتم هایی که طبیعتاً غیرشفاف هستند و قابلیت توضیح ندارند.

مقررات عمومی حفاظت از داده‌های اتحادیه اروپا ( GDPR ) محدودیت‌های سختی را برای نحوه استفاده شرکت‌ها از داده‌های مصرف‌کننده تعیین می‌کند، که مانع آموزش و عملکرد بسیاری از برنامه‌های هوش مصنوعی مصرف‌کننده می‌شود.

در اکتبر ۲۰۱۶، شورای ملی علم و فناوری گزارشی منتشر کرد که در آن نقش بالقوه مقررات دولتی ممکن است در توسعه هوش مصنوعی ایفا کند، اما توصیه نکرد که قوانین خاصی در نظر گرفته شود.

تدوین قوانین برای تنظیم هوش مصنوعی آسان نخواهد بود، تا حدی به این دلیل که هوش مصنوعی شامل انواع فناوری‌هایی است که شرکت‌ها برای اهداف مختلف از آن‌ها استفاده می‌کنند، و تا حدودی به این دلیل که مقررات می‌تواند به قیمت پیشرفت و توسعه هوش مصنوعی تمام شود. تکامل سریع فناوری‌های هوش مصنوعی مانع دیگری بر سر ایجاد مقررات معنادار هوش مصنوعی است. پیشرفت های فناوری و کاربردهای جدید می تواند قوانین موجود را فوراً منسوخ کند. به عنوان مثال، قوانین موجود که حریم خصوصی مکالمات و مکالمات ضبط شده را تنظیم می کند، چالش ایجاد شده توسط دستیارهای صوتی مانند الکسای آمازون و سیری اپل را که جمع آوری می کنند اما مکالمه را توزیع نمی کنند، پوشش نمی‌دهد، به جز برای تیم های فناوری شرکت ها که از آن برای بهبود ماشین استفاده می کنند. الگوریتم های یادگیری و البته قوانینی که دولت ها برای تنظیم هوش مصنوعی وضع می کنند، مجرمان را از استفاده از این فناوری با نیت مخربانه باز نمی‌دارد.

۱۰. محاسبات شناختی( Cognitive computing) و هوش مصنوعی

اصطلاحات هوش مصنوعی ومحاسبات شناختی گاهی به جای یکدیگر استفاده می شوند، اما، به طور کلی، برچسب هوش مصنوعی در اشاره به ماشین هایی استفاده می شود که با شبیه سازی نحوه حس، یادگیری، پردازش و واکنش ما به اطلاعات در محیط، جایگزین هوش انسانی می شوند.

برچسب محاسبات شناختی برای اشاره به محصولات و خدماتی که فرآیندهای فکری انسان را تقلید و تقویت می کنند، استفاده می شود.

۱۱. تاریخچه هوش مصنوعی

مفهوم اشیای بی جان دارای هوش از زمان های قدیم وجود داشته است. هفائستوس خدای یونانی در اسطوره ها به صورت فرضی با خدمتکاران روبات مانند از طلا به تصویر کشیده شد. مهندسان در مصر باستان مجسمه های خدایان را که توسط کشیشان متحرک شده بودند ساختند. در طول قرن‌ها، متفکرانی از ارسطو گرفته تا رامون لول، الهی‌دان اسپانیایی قرن سیزدهم تا رنه دکارت و توماس بیز، از ابزارها و منطق زمان خود برای توصیف فرآیندهای فکری انسان به عنوان نمادها استفاده کردند و پایه و اساس مفاهیم هوش مصنوعی مانند بازنمایی دانش عمومی (Knowledge Representation) را پی ریزی کردند.

اواخر قرن نوزدهم و نیمه اول قرن بیستم اساسی ترین کار که باعث ایجاد رایانه مدرن شد پی ریزی گردید . در سال 1۸۳۶، چارلز بابیج Charles Babbage، ریاضیدان دانشگاه کمبریج و آگوستا آدا بایرون Augusta Ada Byron، کنتس لاولیس، اولین طرح یک ماشین قابل برنامه ریزی را اختراع کردند.

دهه ۱۹۴۰ جان فون نویمان John Von Neumann،ریاضیدان پرینستون، معماری کامپیوتر برنامه ذخیره شده را در نظر گرفت - این ایده که برنامه کامپیوتر و داده هایی که پردازش می کند را می توان در حافظه کامپیوتر نگه داشت. و وارن مک کالوچ Warren McCullochو والتر پیتس Walter Pitts پایه و اساس شبکه های عصبی را بنا نهادند.

دهه ۱۹۵۰ با ظهور کامپیوترهای مدرن، دانشمندان توانستند ایده های خود را در مورد هوش ماشینی آزمایش کنند. یک روش برای تعیین اینکه آیا کامپیوتر دارای هوش است یا خیر توسط ریاضیدان بریتانیایی و رمز شکن جنگ جهانی دوم، آلن تورینگ Alan Turing ابداع شد. آزمون تورینگ بر توانایی رایانه در فریب دادن بازجویان به این باور بود که پاسخ های آن به سؤالات آنها توسط یک انسان ساخته شده است.

۱۹۵۶. به طور گسترده از حوزه مدرن هوش مصنوعی به عنوان شروع این‌سال در یک کنفرانس تابستانی در کالج دارتموث Dartmouthنام برده می شود. این کنفرانس که توسط آژانس پروژه های تحقیقاتی پیشرفته دفاعی (دارپا) Defense Advanced Research Projects Agency (DARPA) حمایت می شد، با حضور ۱۰ تن از افراد برجسته در این زمینه، از جمله پیشگامان هوش مصنوعی، ماروین مینسکی، الیور سلفریج و جان مک کارتی ، که به عنوان ابداع اصطلاح هوش مصنوعی شناخته می شود، برگزار شد. همچنین آلن نیول، دانشمند کامپیوتر، و هربرت آ. سیمون، اقتصاددان، دانشمند علوم سیاسی و روانشناس شناختی نیز حضور داشتند که نظریه پرداز منطقی پیشگامانه خود را ارائه کردند، یک برنامه کامپیوتری که قادر به اثبات برخی قضایای ریاضی است و از آن به عنوان اولین برنامه هوش مصنوعی یاد می شود. .

دهه ۱۹۶۰. در پی کنفرانس کالج دارتموث، رهبران حوزه نوپای هوش مصنوعی پیش بینی کردند که هوش مصنوعی معادل مغز انسان در گوشه و کنار است و حمایت عمده دولت و صنعت را به خود جلب می کند. در واقع، نزدیک به ۲۰ سال تحقیقات پایه با بودجه خوب، پیشرفت های قابل توجهی را در هوش مصنوعی ایجاد کرد: برای مثال، در اواخر دهه ۱۹۵۰، نیوول و سایمون الگوریتم حل مسئله عمومی (GPS) را منتشر کردند که در حل مسائل پیچیده کوتاهی می کرد، اما پایه های اولیه را برای آن ایجاد کرد. توسعه معماری های شناختی پیچیده تر؛ مک کارتی Lisp را توسعه داد ، زبانی برای برنامه نویسی هوش مصنوعی که هنوز هم استفاده می شود. در اواسط دهه ۱۹۶۰، پروفسور جوزف وایزنبام MIT، ELIZA، یک برنامه پردازش زبان طبیعی اولیه را توسعه داد که پایه و اساس چت ربات های امروزی را بنا نهاد.

دهه ۱۹۷۰ و ۱۹۸۰. اما به دلیل محدودیت در پردازش و حافظه کامپیوتری و پیچیدگی مشکل، دستیابی به هوش عمومی مصنوعی گریزان بود، نه قریب الوقوع. دولت و شرکت ها از حمایت خود از تحقیقات هوش مصنوعی عقب نشینی کردند، که منجر به یک دوره آیش از سال ۱۹۷۴ تا ۱۹۸۰ شد و به عنوان اولین " زمستان هوش مصنوعی " شناخته شد. در دهه ۱۹۸۰، تحقیق در مورد تکنیک‌های یادگیری عمیق و پذیرش صنعت از سیستم‌های خبره ادوارد فایگنبام، موج جدیدی از شور و شوق هوش مصنوعی را برانگیخت، اما پس از آن، بودجه‌های دولتی و حمایت‌های صنعتی از بین رفت. دومین زمستان هوش مصنوعی تا اواسط دهه ۱۹۹۰ ادامه داشت.

دهه ۱۹۹۰ تا امروز افزایش قدرت محاسباتی و انفجار داده ها جرقه یک رنسانس هوش مصنوعی را در اواخر دهه ۱۹۹۰ زد که تا امروز ادامه داشته است. آخرین تمرکز بر هوش مصنوعی باعث پیشرفت در پردازش زبان طبیعی، بینایی کامپیوتر، روباتیک، یادگیری ماشینی، یادگیری عمیق و موارد دیگر شده است. علاوه بر این، هوش مصنوعی در حال ملموس‌تر شدن است، ماشین‌ها را نیرو می‌دهد، بیماری‌ها را تشخیص می‌دهد و نقش خود را در فرهنگ عامه تقویت می‌کند. در سال ۱۹۹۷، دیپ بلو از IBM، گری کاسپاروف، استاد بزرگ شطرنج روسی را شکست داد و اولین برنامه کامپیوتری بود که یک قهرمان شطرنج جهان را شکست داد. چهارده سال بعد، واتسون آی بی ام (IBM's Watson) هنگامی که دو قهرمان سابق را در نمایش بازی Jeopardy شکست داد، مردم را مجذوب خود کرد.

۱۲. هوش مصنوعی به عنوان یک سرویس

Artificial Intelligence as a Service(AIaaS)

از آنجایی که هزینه‌های سخت‌افزار، نرم‌افزار و کارکنان برای هوش مصنوعی می‌تواند گران باشد، بسیاری از فروشندگان اجزای هوش مصنوعی را در پیشنهادات استاندارد خود گنجانده‌اند یا به پلتفرم‌های هوش مصنوعی به عنوان سرویس ( AIaaS ) دسترسی دارند. AIaaS به افراد و شرکت‌ها این امکان را می‌دهد که هوش مصنوعی را برای اهداف تجاری مختلف آزمایش کنند و قبل از تعهد از چندین پلتفرم نمونه‌برداری کنند.

پیشنهادات ابری محبوب هوش مصنوعی شامل موارد زیر است:

· Amazon AI

· IBM Watson Assistance

· Microsoft Congnitive Services

· Google AI

جمع بندی:

در این مقاله ابتدا به این سوال پاسخ داده شد که هوش مصنوعی چیست و چرا مهم است و پس از آن هم تقریباً تمام مباحث داغ پیرامون هوش مصنوعی شرح داده شد و در انتها برخی سرویسهای هوش مصنوعی معرفی گردید. امید است این مقاله مفید واقع شده باشد.

ماخذ:

https://www.techtarget.com/searchenterpriseai/definition/AI-Artificial-Intelligence

لطفا نظر خود را در خصوص متن فوق ارسال فرمایید.