نوشته های مرتضا

قربون

مرتضا — Fri, 26 Apr 2024 12:22:36 +0330

کشاورز و بررهروزی روزگاری، در دهکده‌ای کوچک و عجیب که بین تپه‌های سرسبز قرار داشت، کشاورز خوش‌قلبی به نام قربون زندگی می‌کرد. قربون به خاطر طبیعت لطیف و علاقه اش به حیواناتش در سراسر روستا شهرت داشت. در میان همه حیوانات او، یک برره بود که جایگاه ویژه ای در قلب او داشت.برره ای که نورا نام داشت از زمانی تولد با او بود. او با دیگر گوسفندان گله متفاوت بود - او فوق العاده مهربان و زیبا بود و طبیعت بازیگوشی داشت. نورا اغلب به سراغ قربون می‌رفت و او را در مزرعه دنبال می‌کرد، که باعث سرگرمی دیگر روستاییان می‌شد.قربون و نورا پیوند خاصی با هم داشتند. هر روز صبح، قربون ، نورا را به مزرعه می برد، جایی که او با رضایت به چرا می رفت، در حالی که قربون به کارهای دیگرش رسیدگی می کرد. عصرها، وقتی خورشید به زیر افق فرو می‌رفت، قربون ، نورا را صدا می‌زد، و او با دویدن همراه قربون به مزرعه باز می‌گشت ، پشم سفیدش در نور محو می‌درخشید.یک روز گروهی از پسران جوان شیطون از روستا دیدن کردند. آنها در دهکده پرسه می زدند و مشکل ایجاد می کردند و در نهایت به مزرعه قربون رسیدند. وقتی دروازه آغل گوسفندان را باز یافتند، تصمیم گرفتند با قربون شوخی کنند. آنها نورا را از آغل به بیرون آورده و به داخل جنگل بردند.وقتی قربون متوجه شد که نورا گم شده است، پریشان شد. او بالا و پایین را جستجو کرد و نام او را صدا زد، اما او هیچ جا پیدا نشد. روستاییان با دیدن ناراحتی قربون و خبر گم شدن نورا ، پیشنهاد کمک برای جستجوی را دادند، اما او جایی پیدا نشد.درست زمانی که جان کم کم امید خود را از دست می داد، صدای ناهنجاری آشنایی را شنید که از سوی جنگل می آمد. با دویدن به سمت صدا، نوجوان هایی را دید که گرد آتشی جمع شده و در حال خوش گذرانی بودند ، هر چ چشم چرخاند چیزی نیافت ک ناگهان مقداری پشم سفید و لکه های خون را کنار درختی یافت، با دقت بیشتر نیمی از نورا رو ک پوست کنده از طناب آویزان بود دید.قربون از شدت خشم و ناراحتی و حس انتقام و تنفر چشمان خود را بست و قطره ای اشک از چشمانش چکید.چیزی درونش تبدیل ب سیاهی مطلق شد ، مهر و محبتی ک در دل داشت سوخت و جایش خلا گرفت ، سراسر خشم ب کلبه ی خود بازگشت و تیر ، کمان و تبر خود را برداشت ب سوی جنگل بازگشت تا تصمیم خود را عملی کندب جنگل ک رسید نوجوان ها هنوز مشغول خوش گذرانی بودند و از نیم دیگر نورا فقط یک سر باقی مانده بود.قربون خالی از هر حسی و بدون ترحم و تردید یک ب یک نوجوانان را شکار کرد و مجازات کرد .قربون انتقام گرفت اما دیگر آن قربون سابق نبود ، هیچ چیز نبود دیگر ، خالی از هر حسی ، تهی و پوچنویسنده : مرتضا داشقاله نویسنده : مرتضا داشقاله

شرکت های ایرانی فعال در حوزه هوش مصنوعی

مرتضا — Sun, 14 Jun 2020 13:55:10 +0430

1- آرمان رایان شریفhttps://armansoft.ir/https://www.linkedin.com/company/arman-rayan/about/?viewAsMember=true2- شرکت رباتیک نوژانhttps://nojhanco.ir/https://t.me/nojanco021https://www.instagram.com/nojanrobotic3- هوش مصنوعی رایورزhttp://airayvarz.com/4- هوش مصنوعی لیانhttps://www.hosh-itc.ir/https://www.aparat.com/ailiancompanyhttps://t.me/infocloop05- ویرا سگال کاروhttps://www.vira-sk.com/http://www.instagram.com/vira_segal_karo6- عامر اندیشhttps://amerandish.com/https://www.instagram.com/amerandish/https://twitter.com/AmerandishCo7- شرکت تعاونی هوش مصنوعی دانش بنیان سیناhttp://www.sinaaik.co.ir

Computer Vision بینایی کامپیوتر

مرتضا — Sun, 14 Jun 2020 13:49:58 +0430

اصطلاح «بینایی کامپیوتر» (Computer Vision)، به حوزه‌ای از مطالعات مرتبط با مبحث «هوش مصنوعی» (Artificial Intelligence) و «یادگیری ماشین» (Machine Learning) اطلاق می‌شود که با هدف ایجاد چارچوب‌های لازم برای پیاده‌سازی قابلیت «بینایی» (Vision) در کامپیوترها و سیستم‌های کامپیوتری شکل گرفته‌ است. دانشمندان فعال در حوزه بینایی کامپیوتر، سعی در تولید تکنیک‌ها و روش‌هایی دارند که مفهوم «دیدن» (Seeing) را برای یک کامپیوتر تعریف می‌کنند. از این طریق، کامپیوترها توانایی شناسایی و درک محتوای موجود در «تصاویر دیجیتال» (Digital Image) و ویدئو‌ها را پیدا می‌کنند.فهرست مطالب این نوشته 1. گرایش سیستم‌های کامپیوتری به همانندسازی فرایند درک بصری2. بینایی کامپیوتر چیست؟3. مفاهیم «دیدن»، «توصیف کردن» و «درک کردن» در حوزه بینایی کامپیوتر3.1. مفهوم دیدن در بینایی کامپیوتر3.2. مفهوم توصیف کردن در بینایی کامپیوتر3.3. مفهوم درک کردن در بینایی کامپیوتر4. بینایی کامپیوتر و پردازش تصویر5. چالش‌های بینایی کامپیوتر6. وظایف و کاربردهای حوزه بینایی کامپیوتر7. جمع‌بندیاصطلاح بینایی کامپیوتر از دو مؤلفه «بینایی» و «کامپیوتر» تشکیل شده است. کامپیوتر، یک ماشین الکترونیکی است که قادر به انجام فرایندها، محاسبات و عملیات مختلف با توجه به دستعورالعمل‌های «نرم‌افزاری» (Software) و «سخت‌افزاری» (Hardware) است. بینایی، یا به شکل دقیق‌تر «درک بصری» (Visual Perception) از طریق بینایی، به درک و فهم محیط اطراف، از طریق «آشکارسازی» (Illumination) اشیاء درون آن با استفاده از «طیف نوری مرئی» (Visible Light Spectrum) اطلاق می‌شود. بینایی کامپیوتر، که ترکیب این مؤلفه‌ها محسوب می‌شود، سعی دارد روش‌ها و سیستم‌هایی پدید آورد که با استفاده از آن‌ها کامپیوتر بتواند محیط اطراف را درک و از این طریق، هدف نهایی خود را محقق کند.در نگاه اول، مسأله بینایی کامپیوتر، مسأله ساده‌ای به نظر می‌آید؛ زیرا، به راحتی توسط سیستم زیستی بینایی انسان‌ها و دیگر موجودات زنده حل شده است. با این حال، به دلیل درک بسیار محدود انسان‌ها از سیستم زیستی بینایی و پیچیدگی بیش از حد فرایند «درک بصری» در یک جهان فیزیکی پویا و مدام در حال تغییر، بینایی کامپیوتر هنوز به عنوان یک مسئله حل نشده در جامعه علمی باقی مانده است.در این مطلب، هدف، ارائه مقدمه مختصری از حوزه بینایی کامپیوتر و مفاهیم موجود در آن است. مهم‌ترین مفاهیمی که در این مطلب مورد بررسی قرار می‌گیرند، عبارتند از:آشنایی با مفاهیم «دیدن» (Seeing)، «توصیف کردن» (Describing) و «درک کردن» (Understanding) در حوزه بینایی کامپیوترتبیین هدف حوزه بینایی کامپیوتر و تفاوت‌های اساسی آن با حوزه «پردازش تصویر» (Image processing)دلایل چالش برانگیز بودن مسائل حوزه بینایی کامپیوترمسائل یا وظایفی که برای حل یا انجام آن‌ها به حوزه بینایی کامپیوتر مراجعه می‌شود.گرایش سیستم‌های کامپیوتری به همانندسازی فرایند درک بصریجهان پیرامون ما، غرق در تصاویر است. امروزه، تمامی تلفن‌های همراه دوربین دارند. به اشتراک‌گذاری آسان تصاویر و ویدئوها، سبب ایجاد شبکه‌های اجتماعی نظیر اینستاگرام شده است. «یوتیوب» (Youtube) بزرگ‌ترین پلتفرم به اشترک‌گذاری ویدئو است. هر دقیقه، هزاران ساعت ویدئو در این پلتفرم به اشتراک گذاشته می‌شوند و کاربران، روزانه میلیاردها ساعت ویدئو در آن تماشا می‌کنند. بیشتر محتوای موجود در اینترنت را «متن» (Text) و «تصویر» (Image) تشکیل می‌دهد. «شاخص‌گذاری» (Indexing) و جستجوی محتوای متنی، پیچیدگی کمی دارد؛ با این حال، شاخص‌گذاری و جستجوی ویدئو نیازمند این است که الگوریتم‌های بینایی کامپیوتر، محتویات آن‌ها را بازشناسی کنند. پیش از این، محتویات تصاویر و ویدئوها برای کامپیوترها بسیار مبهم بود و تنها اطلاعات در دسترس از محتویات آن‌ها، توصیفات ارائه شده توسط کاربر هنگام «بارگذاری» (Upload) آن‌ها بود.برای استفاده بیشینه از داده‌های موجود در تصاویر، سیستم‌های کامپیوتری نیاز است که بتوانند تصاویر را «ببینند»، توصیف کنند و محتوای موجود در آن‌ها را درک کنند. به عنوان نمونه، انسان‌ها (در ساده‌ترین حالت، کودکان) قادرند:محتوای یک تصویر مشاهده شده را به بهترین شکل ممکن توصیف کنند.محتوای موجود در یک ویدئوی مشاهده شده را برای دیگران «خلاصه‌سازی» (Summarize) کنند.چهره‌هایی را که پیش از این، تنها یک بار ملاقات کرده‌اند، بازشناسی کنند.برای رسید به هدف نهایی این حوزه، لازم است که سیستم‌های بینایی کامپیوتر، چنین ویژگی‌هایی را شبیه‌سازی کنند.بینایی کامپیوتر چیست؟بینایی کامپیوتر، حوزه‌ای مطالعاتی است که هدف آن ایجاد چارچوب‌های لازم برای پیاده‌سازی قابلیت بینایی در کامپیوتر و سیستم‌های کامپیوتری است. در سطح انتزاع، هدف سیستم‌های بینایی کامپیوتر، استفاده از داده‌های تصاویر مشاهده شده برای استنتاج در رابطه با جهان پیرامون یا محیط عملیاتی است. بینایی کامپیوتر، یکی از زیرحوزه‌های «چند رشته‌ای» (Multidisciplinary) از هوش مصنوعی و یادگیری ماشین محسوب می‌شود که از روش‌های خاص و الگوریتم‌های عمومی یادگیری برای رسیدن به هدف خود استفاده می‌کند.بینایی کامپیوتر به عنوان یک حوزه مطالعاتی چند رشته‌ای، بسیاری از روش‌ها و تکنیک‌های خود را از رشته‌های مختلفی نظیر مهندسی کامپیوتر، علوم کامپیوتر، آمار و دیگر رشته‌های مهندسی به قرض گرفته است. حوزه بینایی کامپیوتر، یکی از حوزه‌های «مرز دانش و روشن‌فکری» (Knowledge and Intellectual Frontier) محسوب می‌شود و به مانند بسیاری از این حوزه‌ها، جذاب و نامنظم است. بعضی از ایده‌های مفید در آن ممکن است جایگاه نظری نداشته باشند و برخی از نظریه‌ها، در کاربرد بی‌فایده هستند. حوزه‌های توسعه یافته بینایی کامپیوتر بسیار پراکنده هستند و همبستگی معناداری میان آن‌ها احساس نمی‌شود.هدف بینایی کامپیوتر، شناخت و درک محتوای موجود در تصاویر دیجیتالی است. برای رسیدن به چنین هدفی در بینایی کامپیوتر، باید روش‌هایی برای «دوباره‌سازی» (Reproduce) قابلیت‌های سیستم بینایی انسان پیاده‌سازی شوند. شناخت و درک محتوای موجود در تصاویر دیجیتالی، ممکن است شامل استخراج متادیتای توصیف کننده از تصاویر باشد. این متادیتا می‌تواند یک شیء، یک توصیف متنی، یک مدل سه‌بعدی و سایر موارد باشد. به عبارت دیگر، بینایی کامپیوتر به فرایند استخراج خودکار اطلاعات از تصویر اطلاق می‌شوند. این اطلاعات می‌تواند شامل هر نوع موجودیت اطلاعاتی نظیر مدل سه‌بعدی، موقعیت دوربین، تشخیص و بازشناسی اشیاء و دسته‌بندی و جستجوی محتویات تصویر باشد.مفاهیم «دیدن»، «توصیف کردن» و «درک کردن» در حوزه بینایی کامپیوتردرک بصری از طریق بینایی، یکی از پیچیده‌ترین فرایندهایی است که نه تنها درک و فهم آن برای انسان‌ها بسیار سخت است، بلکه، بازسازی کامل آن توسط سیستم‌های کامپیوتری، در حال حاضر غیر ممکن است. پیاده‌سازی یک سیستم کامپیوتری که بتواند مانند انسان ببیند و محیط اطراف خود را درک کند، فرآیند به شدت دشواری است.به عنوان نمونه، فرض کنید که شخصی، توپی را به سمت شما پرتاب می‌کند و شما آن را دریافت می‌کنید. در چنین حالتی، تصویر توپ از چشم شما عبور می‌کند و به «شبکیه چشم» (Eye’s Retina) شما برخورد می‌کند. شبکیه، تحلیل ابتدایی بر روی این تصویر انجام می‌دهد و آن را به سمت «قشر بصری» (Visual Cortex) هدایت می‌کند. در این ناحیه، تصویر با دقت بیشتری تحلیل می‌شوند. سپس، تصویر توپ، با تمامی اشیاء شناخته شده توسط مغز انسان مقایسه، ابعاد و اشیاء موجود در آن دسته‌بندی و در نهایت، تصمیم برای انجام یک سری عملیات خاص اتخاذ می‌شود. پس از این فرایند، دست شما بلند شده و توپ را دریافت می‌کنید. چنین حجم عظیمی از فرایندهای پردازشی، تنها در کسری از ثانیه و به صورت کاملا «ناخودآگاه» (Unconscious) اتفاق می‌افتند. بنابراین، بازسازی درک بصری انسانی نه تنها سخت است، بلکه از مجموعه‌ای از فرآیندها تشکیل شده است که همگی به هم وابسته هستند.مفهوم دیدن در بینایی کامپیوتربازسازی مفهوم «چشم» (Eye) یا همان دیدن، یکی از حوزه‌هایی است که بیشترین موفقیت‌های علمی و تحقیقاتی در آن حاصل شده است. در طول چند دهه اخیر، «حسگرها» (Sensors) و «پردازنده‌های تصویری» (Image Processors) تولید شده‌اند که نه تنها قابلیت‌های آن‌ها با قابلیت‌های چشم انسان برابری می‌کنند، بلکه در برخی موارد از آن پیشی می‌گیرند. پیشرفت‌های صورت گرفته در زمینه توسعه لنزها و «زیرپیکسل‌های نیمه‌هادی» (Semiconductor Subpixels) در مقیاس نانو سبب شده که دقت و حساسیت دوربین‌های کنونی فوق‌العاده باشد.دوربین‌ها می‌توانند هزاران تصاویر را در ثانیه ضبط کنند و عمق و فاصله را با دقت باور نکردنی بسنجند. با این حال و با وجود تولید خروجی‌های بسیار با کیفیت، این دستگاه‌ها تفاوت چندانی با دوربین‌های قرن 19 ندارند؛ زیرا، این دستگاه‌ها تنها توزیع فوتون‌های صادر شده از یک جهت خاص را ضبط می‌کنند. بهترین سنسورهای دوربین ساخته شده، حتی قادر به تشخیص یک توپ نیستند. به عبارت دیگر، قابلیت‌های موجود در سخت‌افزارهای کنونی بدون نرم‌افزار به شدت محدود هستند. مسأله‌ای که برای همانندسازی سیستم بینایی انسان باید بر آن فائق آمد.مفهوم توصیف کردن در بینایی کامپیوترشاید این مطلب جای مناسبی برای بحث در رابطه با مفاهیم «نوروآناتومی» (Neuroanatomy) سیستم بینایی نباشد، اما ذکر این نکته بسیار مهم است که مغز انسان، از پایه، برای قابلیت بینایی شکل گرفته است. به عبارت دیگر، اکثر قابلیت‌های مغز انسان، برای انجام فعالیت‌های مربوط به سیستم بینایی انسان در نظر گرفته شده‌اند. میلیاردها سلول عصبی موجود در مغز انسان، برای استخراج الگوها از سیگنال‌های «نویزی» (Noisy) و نامنظم صادر شده از شبکیه چشم، در کنار یکدیگر به فعالیت می‌پردازند.مجموعه‌ای از نرون‌ها، وقتی که «الگوی کنتراستی» (Contrast Pattern) دیده شده در راستای یک خط و یا یک حرکت سریع در یک جهت خاص را شناسایی کنند، یکدیگر را برانگیخته می‌کنند. شبکه‌های عصبی مرتبه بالاتر، الگوهای شناسایی شده را در قالب یک «فرا الگو» (Metapattern) نظیر دایره و یا جهت حرکتی تجمیع می‌کنند. شبکه‌های عصبی دیگر نیز فعال شده و تشخیص می‌دهند که مثلا دایره شناسایی شده سفید رنگ است و خطوط قرمز دارد. یک شبکه عصبی دیگر، افزایش سایز الگوی شناسایی شده در یک جهت خاص (حرکت اشیاء) را شناسایی می‌کند. در نتیجه چنین فعالیت‌هایی و شناسایی الگوهای خام ولی مکمل یکدیگر، یک تصویر خاص در مغز انسان و به طور خاص، سیستم بینایی انسان شکل می‌گیرد.تحقیقات اولیه در حوزه بینایی کامپیوتر، منجر به ایجاد «رویکرد‌های بالا به پایین» (Top-Down Approaches) شد. چنین دیدگاهی در بینایی کامپیوتر، رویکردی متفاوت نسبت به فرایند درک بصری در سیستم بینایی انسان، برای شناسایی و توصیف اشیاء و فعالیت‌ها اتخاذ می‌کند. چنین رویکردی، تنها در شرایطی که چند شیء در یک محیط کنترل شده قرار داشته باشند، خوب عمل می‌کند. در محیط‌هایی که اشیاء مختلف، با درجه روشنایی متفاوت و الگوهای حرکتی گوناگون، در اطراف سیستم بینایی کامپیوتر قرار گرفته باشند، چنین رویکردی به خوبی عمل نخواهد کرد. بدون شک، تشخیص اشیاء و الگوهای حرکتی در چنین محیط‌هایی، توسط سیستم بینایی کامپیوتر، به داده‌های بسیار زیاد (بعضا، به دلیل حجم بالا پردازش این داده‌ها غیر ممکن است) نیاز دارد.برای رفع نقیصه‌های ذکر شده، «رویکردهای پایین به بالا» (Bottom-Up Approaches) پدید آمدند. این دسته از رویکردها، فرایندهای سیستم بینایی انسان را به شکل بهتری «همانندسازی» (Mimic) می‌کنند. در روش‌های پیاده‌سازی شده با رویکرد پایین به بالا، یک کامپیوتر می‌تواند مجموعه‌ای از «تبدیلات» (Transformation) را روی تصاویر اعمال و از این طریق، «لبه‌ها» (Edges)، اشیاء محصور در لبه‌ها، چشم‌انداز و حرکت حاصل از چندین تصویر را شناسایی کند. از طریق چنین روش‌هایی، کامپیوترها قادر خواهند بود تا اشیاء و شکل‌های موجود در تصاویر ورودی را، با اشیاء و تصاویری که بر اساس آن‌ها آموزش دیده‌اند، تطابق دهند و عناصر موجود در تصویر را تشخیص دهند. چنین کاری تا حدودی شبیه به نحوه عملکرد سیستم بینایی مغز انسان در هنگام تفسیر تصاویر است. اشیاء نمایش داده شده با رنگ مشابه، با درجه اطمینان آماری خاصی، رفتار و ویژگی‌های مشابهی از خود نشان می‌دهند. توسعه سیستم‌های «یادگیری عمیق» (Deep Learning)مبتنی بر «شبکه‌های عصبی مصنوعی» (Artificial Neural Networks) و پیشرفت چشم‌گیر در حوزه «پردازش موازی» (Parallel Processing)، سبب افزایش حجم تحقیقات در حوزه سیستم‌های بینایی کامپیوتر و «بازشناسی الگو» (Pattern Recognition) شده است.مفهوم درک کردن در بینایی کامپیوتردر حال حاضر، سیستم‌های بینایی کامپیوتر قادر به شناسایی انواع اشیاء، در جهت‌گیری‌های (Orientation) مختلف و در شرایط متفاوت (ایستاده و در حال حرکت) هستند. تنها کافی است داده‌های کافی برای آموزش در اختیار چنین سیستم‌هایی قرار بگیرند و مدل‌های یادگیری قدرتمندی طراحی شوند. اما نکته جالب در این زمینه این است که محققان قادر هستند سیستم‌های بینایی کامپیوتر پیچیده‌ای برای شناسایی انواع سیب (در حالت‌ها و شکل‌های مختلف) آموزش دهند؛ ولی این سیستم‌ها قادر نخواهند بود تا مثلا پرتقال را شناسایی کنند. این سیستم‌ها حتی قادر نخواهند بود اندازه سیب، خوردنی بودن آن (مصنوعی یا طبیعی) و یا موارد مصرف آن را برای کاربران توصیف کنند. به بیان ساده‌تر، مسأله اصلی در حوزه بینایی کامپیوتر این است که یک سخت‌افزار و نرم‌افزار خوب و قوی، در غیاب «سیستم عامل» (Operating System)، قادر به ارائه عملکرد مناسب نخواهند بود.سیستم عامل در سیستم بینایی انسان، حافظه بلند مدت و کوتاه مدت، ورودی و خروجی حس‌های پنج‌گانه، «شناخت» (Cognition) و ارتباطات میان میلیاردها نرون به هم متصل را شامل می‌شود. این مفهوم (پیاده‌سازی سیستم عامل برای سیستم بینایی کامپیوتر)، نقطه تلاقی مرزهای «علوم کامپیوتر» (Computer Science) و «هوش مصنوعی عمومی یا قوی» (General or Strong Artificial Intelligence) در آینده خواهد بود. تاکنون، دانشمندان و مهندسان کامپیوتر، «روان‌شناسان» (Psychologists)، «دانشمندان علوم اعصاب» (Neuroscientists) و فلاسفه نتوانسته‌اند یک تعریف دست و پا شکسته از نحوه عملکرد مغز انسان ارائه دهند، چه برسد به شبیه‌سازی آن. با این حال، بینایی کامپیوتر یکی از شاخه‌های نوظهور در هوش مصنوعی است و در این مدت کم، تاثیرات مهمی در شیوه زندگی انسان‌ها گذاشته است. امروزه، بینایی کامپیوتر در دوربین‌ها (بازشناسی چهره و لبخند)، ماشین‌های خودران (خواندن علائم ترافیکی و تشخیص عابران پیاده) و ربات‌های کارخانه‌ای (نظارات برای مشکل‌یابی و مسیریابی اطراف کارکنان انسانی) وجود دارد.بینایی کامپیوتر و پردازش تصویرحوزه بینایی کامپیوتر، متمایز از حوزه پردازش تصویر است. پرداز تصویر، فرایند تولید تصاویر جدید از یک تصویر موجود است. در این فرایند، محتویات تصاویر به نحوی «ساده‌سازی» (Simplify) یا «تقویت» (Enhance) می‎شوند. پردازش تصویر، به نوعی «پردازش سیگنال دیجیتال» (Digital Signal Processing) محسوب می‌شود و با فرایندهای شناخت و درک محتوای تصاویر دیجیتال سروکار ندارد. با این حال، یک سیستم بینایی کامپیوتر، ممکن است برای انجام وظایف خود، برخی از روش‌های پردازش تصویر را روی «ورودی‌های خام» (Raw Inputs) اعمال کند. برخی از فرایندهای پردازش تصویر که در بینایی کامپیوتر کاربرد دارند، عبارتند از:نرمال‌سازی ویژگی‌های «نورسنجی» (Photometric) تصویر نظیر رنگ و روشناییبرش مرزهای تصویر (مثلا در مرکز قرار دادن یک شیء در تصویر)حذف نویزهای دیجیتال از یک تصویر (مثلا حذف «مصنوعات» (Artifacts) دیجیتالی از سطوح کم نور)چالش‌های بینایی کامپیوترایجاد چارچوب‌های لازم برای تولید قابلیت بینایی در کامپیوترها و سیستم‌های کامپیوتری، بسیار پیچیده و سخت است. هدف بینایی کامپیوتر، استخراج اطلاعات مفید از تصاویر است. به نظر می‌آید که چنین کاری برای سیستم‌های کامپیوتری امروزی، بسیار چالش برانگیز باشد. در طول دهه‌های اخیر، برخی از روشن‌فکرترین و خلاق‌ترین دانشمندان و محققان حوزه علوم کامپیوتر و هوش مصنوعی در این زمینه فعالیت کرده‌اند؛ با این حال، پیشرفت چشمگیری در راستای تولید یک سیستم بینایی کامپیوتر «همه منظوره» (General Purpose) حاصل نشده است. دلیل اصلی به نظر ساده آمدن سیستم‌های بینایی کامپیوتر، سادگی بی حد و وصف فرایندهای مرتبط با بینایی برای سیستم عصبی مغز انسان است. با اینکه چندین دهه از آغاز فعالیت‌ها در حوزه بینایی کامپیوتر می‌گذرد، اما بینایی کامپیوتر هنوز هم یک مسأله حل نشده در حوزه علوم کامپیوتر و هوش مصنوعی محسوب می‌شود.دلیل دیگر عدم پیشرفت در حوزه بینایی کامپیوتر، نبود درک و فهم مناسب از نحوه عملکرد سیستم بینایی انسان است. مطالعه سیستم بینایی زیستی انسان، مستلزم برخورداری از دانش اولیه در مورد اندام‌هایی نظیر چشم و همچنین تفسیر و همانندسازی قابلیت ادراک در مغز انسان است. با اینکه تاکنون پیشرفت‌های خوبی در زمینه شناسایی سازوکارهای بینایی در مغز انسان صورت گرفته است، اما جامعه علمی نتوانسته است به رؤیای تولید یک سیستم بینایی کامپیوتر، با قابلیت‌هایی مشابه سیستم بینایی انسان، جامه عمل بپوشاند. «روان‌شناسان ادراکی» (Perceptual Psychologists) دهه‌های زیادی را صرف مطالعه و درک نحوه عملکرد سیستم بینایی انسان کردند و علی‌رغم ابداع آزمایشات «توهمات نوری» (Optical Illusions) برای نمایش برخی از اصول اولیه نحوه عملکرد سیستم بینایی، هنوز در مسیر ابتدایی حوزه بینایی کامپیوتر قرار داریم.دلیل دیگر چالش برانگیز بودن مسائل حوزه بینایی کامپیوتر، «پیچیدگی ذاتی» (Inherent Complexity) جهان بصری است. در واقعیت، اشیاء موجود در جهان پیرامون، در جهت‌های مختلف، شرایط نوری متفاوت و موقعیت‌های هم‌پوشانی گوناگون با دیگر اشیاء، می‌توانند توسط سیستم بینایی انسان قابل مشاهده باشند. بنابراین، یک سیستم بینایی باید قادر باشد در تمامی «صحنه‌های» (Scene) ممکن، اشیاء را ببیند، آن‌ها را شناسایی و اطلاعات معنادار از آن‌ها استخراج کند. در شرایط کنونی، کامپیوترها قادرند به خوبی «مسائل به شدت مقید» (Tightly Constrained Problems) را حل کنند، ولی در حل مسائل باز بی‌کران نظیر «درک بصری» (Visual Perception) عاجز هستند.وظایف و کاربردهای حوزه بینایی کامپیوتراگرچه روند پیشرفت تحقیقات در حوزه بینایی کامپیوتر ایده‌آل نیست، اما در برخی از زمینه‌ها به مرحله توسعه و کاربرد رسیده است. به عنوان نمونه، سیستم‌های «بازشناسی نوری کاراکترها» (Optical Character Recognition) و «تشخیص چهره» (Face Detection) در دوربین‌ها و تلفن‌های هوشمند، از جمله کاربردهای موفق بینایی کامپیوتر در حال حاضر هستند. تحقیقات در حوزه بینایی کامپیوتر، از دهه 60 میلادی آغاز شده است. اما این حوزه، در طی یک دهه اخیر، پیشرفت‌های خوبی در زمینه پیاده‌سازی سیستم‌های کامپیوتری، بر پایه مفاهیم بینایی کامپیوتر به خود دیده است. برخی از مسائل سطح بالا در حوزه هوش مصنوعی که با کمک بینایی کامپیوتر، پیشرفت‌های خوبی در زمینه حل آن‌ها حاصل شده است، عبارتند از:بازشناسی نوری کاراکترها«بازرسی ماشینی» (Machine Inspection)خرده فروشی (نظیر وارسی خودکار خرید در فروشگاه‌ها)ساخت مدل‌های سه‌بعدی (که به آن «فتوگرامتری» (Photogrammetry) نیز گفته می‌شود)«تصویربرداری پزشکی» (Medical Imaging)«امنیت خودرو» (Automotive Safety)«تصویرسازی کامپیوتری» (Computer-generated Imagery) نظیر ادغام کردن تصاویر تولید شده به وسیله کامپیوتر با تصاویر زنده بازیگران در فیلم‌های سینماییسیستم‌های «ضبط حرکتی» (Motion Capture)«سیستم‌های نظارتی» (Surveillance)«بازشناسی اثر انگشت و بیومتریک» (Fingerprint Recognition and Biometrics)بینایی کامپیوتر، حوزه مطالعاتی بسیار وسیعی است. غالب سیستم‌های بینایی کامپیوتر، برای حل مسائل در یک دامنه کاربردی خاص طراحی می‌شوند. با این حال، این امکان وجود دارد که با ایجاد تغییرات در سیستم‌های پیاده‌سازی شده، آن‌ها را با دامنه جدیدی از مسائل سازگار کرد. بینایی کامپیوتر برای دامنه وسیعی از کاربردها در حوزه علوم کامپیوتر و هوش مصنوعی قابل استفاده خواهند بود. این کاربردها، در دو دسته کاربردهای قدیمی مانند:«مسیریابی ربات‌های سیار» (Mobile Robot Navigation)«بازرسی صنعتی» (Industrial Inspection)«اطلاعات نظامی» (Military Intelligence)و کاربردهای نوین نظیر:«تعامل انسان-کامپیوتر» (Human Computer Interaction)«بازیابی تصاویر در کتابخانه‌های دیجیتال» (Image Retrieval in Digital Libraries)«تحلیل تصاویر پزشکی» (Medical Image Analysis)رندر واقع‌گرایانه صحنه‌های مصنوعی در گرافیک کامپیوتریطبقه‌‌بندی می‌شوند. در ادامه، برای درک بهتر موضوع، برخی از کاربردهای ساده‌تر بینایی کامپیوتر که برای خوانندگان و علاقه‌مندان به این حوزه جذاب است، معرفی می‌شوند. محبوب‌ترین کاربردهای بینایی کامپیوتر (جهت شناسایی و استخراج اطلاعات مفید و معنادار از تصاویر) عبارتند از:«دسته‌بندی اشیاء» (Object Classification): اشیاء موجود در تصویر، در کدام دسته‌بندی‌های عمومی از پیش تعریف شده قرار می‌گیرند؟«شناسایی اشیاء» (Object identification): از بین اشیاء قابل شناسایی در تصویر، کدام یک از آن‌ها در تصویر داده شده موجود است؟«صحت‌سنجی اشیاء» (Object Verification): آیا یک شیء خاص در تصویر وجود دارد؟«تشخیص اشیاء» (Object detection): اشیاء در کجای یک تصویر قرار دارند؟«تشخیص نقاط کلیدی برای شناسایی اشیاء در تصویر» (Object Landmark Detection): کدام نقاط در تصویر، به عنوان نقاط کلیدی یک شیء در تصویر شناخته می‌شوند؟«قطعه‌بندی اشیاء» (Object Segmentation): کدام پیکسل‌ها در تصویر، به یک شیء خاص تعلق دارند؟«بازشناسی اشیاء» (Object Recognition): کدام دسته از اشیاء در تصویر قرار دارند و در کجا؟کاربردهای دیگری نظیر پیدا کردن تصاویر مشابه یک تصویر دیگر و یا یافتن تصاویر حاوی یک شیء خاص، در حوزه بینایی کامپیوتر وجود دارند که به طور مستقیم به حوزه «بازیابی اطلاعات» (Information Retrieval) مرتبط هستند.جمع‌بندیدر این مطلب، مقدمه‌ای بر حوزه بینایی کامپیوتر ارائه شد. با اینکه چیزی حدود شش دهه از پیدایش حوزه بینایی کامپیوتر می‌گذرد، اما عملا یک حوزه نوظهور در هوش مصنوعی محسوب می‌شود. هدف بینایی کامپیوتر، استفاده از داده‌های تصویری مشاهده شده، برای استنتاج اطلاعات مفید در رابطه با جهان پیرامون است. مسائل موجود در این حوزه بسیار چالش برانگیز هستند. تاکنون کاربردهای ملموس و هیجان‌انگیزی از بینایی کامپیوتر توسعه داده شده است؛ با این حال، تا رسیدن به یک سیستم بینایی کامپیوتر با قابلیت‌های مشابه سیستم بینایی انسان، راه درازی در پیش است.

شرکت های ایرانی فعال در حوزه هوش مصنوعی

مرتضا — Sun, 14 Jun 2020 12:49:53 +0430

روتیکربات‎‌های پشتیبان هوشمندگروتکسیستم کنترل آبیاری و تغذیه هوشمند و به صرفه برای کشت هیدروپونیکهانا(هوشمند افزار نگاره انرژی) فنولوژیفنولوژی رسانه تخصصی هوش مصنوعی و اینترنت اشیاروپومیسرویس تست سه بعدی و مجازی عینکمنبع : ecosystem.ir

هوش مصنوعی راهکار جدید شرکت‌های ایرانی

مرتضا — Sun, 14 Jun 2020 12:38:39 +0430

بدون شک یکی از جدیدترین و جذاب‌ترین حوزه‌هایی که در سالیان اخیر دنیای فناوری را تحت تأثیر خود قرار داده، هوش مصنوعی است.به گزارش ایسنا، بنابر اعلام عامراندیش، در کشور ما نیز شرکت‌های زیادی وارد این حوزه شده و با پذیرش ریسک حضور در این زمینه، تلاش دارند تا به هوشمندسازی کسب‌وکارهای داخلی کمک کنند. یکی از این شرکت‌ها، عامراندیش هوشمند است که از سال ۱۳۹۶ تأسیس‌ شده و در چندین حوزه به شرکت‌های مختلف سرویس‌های هوش مصنوعی ارائه می‌کند. برای آشنایی بیشتر با عامراندیش هوشمند، مصاحبه‌ای با مدیرعامل این شرکت آقای دکتر نجفیان‌ صورت گرفته که توجه شما را به آن جلب می‌کنیم:ورود به حوزه هوش مصنوعیبا توجه به تجربه نزدیک به ۲۵ سال فعالیت در حوزه برنامه‌نویسی و مدیریتی، یکی از مسائلی که همیشه در ذهن داشتم گام برداشتن در مسیر رشد تکنولوژی بود. در سال‌های اخیر نیز به لطف پیشرفت‌هایی که در زمینهٔ هوش مصنوعی، یادگیری ماشین و یادگیری عمیق پیش آمد و تغییر مسیر کاربرد هوش مصنوعی از صنایع بزرگ و انحصاری به سمت کسب‌وکارها، تلاش کردیم تا نگاه خودمان را معطوف به این حوزه نگه‌داریم. با توجه به اینکه ازنظر بسیاری از بزرگان هوش مصنوعی الکتریسیته قرن آتی است ما هم در راستای بهره‌مندی از دریای بیکران هوش مصنوعی وارد این حوزه شدیم.چالش‌های هوش مصنوعیعلی‌رغم تلاش‌های بسیار در زمینهٔ آکادمیک در داخل کشور، فاصله ایران نسبت به کشورهای پیشرفته از لحاظ استفاده در صنایع مختلف، یکی از مهم‌ترین چالش‌های موجود در این زمینه می‌باشد. به همین دلیل یکی از مهم‌ترین مسئولیت‌هایی که از ابتدا روی دوش خود احساس کردیم عملیاتی سازی مسائل مطرح‌شده در دنیای آکادمیک و استفاده از مزیت‌های هوش مصنوعی در کسب‌وکارها بود. با تجربه‌ای که تیم هوش مصنوعی عامراندیش طی ده سال اخیر و قبل از تأسیس این شرکت داشته، تلاش شد تا با موفقیت، چالش‌های موجود را بگذرانیم.تکنولوژی‌های تولیدشدهدر حال حاضر در ۳ حوزه: پردازش‌گفتار (تبدیل گفتار ‌به ‌نوشتار و متن‌ به ‌گفتار به زبان فارسی)، فهم و تحلیل متن (دستیارهای هوشمند و چت‌بات) و پردازش تصویر (شناسایی چهره، شناسایی اشیاء، نویسه‌خوان نوری و ...) تکنولوژی‌هایی را تولید کرده و موفق شدیم تا مجوز دانش‌بنیان را برای این محصولات دریافت کنیم. چشم‌انداز شرکت براین است تا هرسال وارد حوزه‌ای جدید شود. از همین رو در سال جاری با انجام مراحل تحقیق و توسعه و تست‌های ابتدایی در بازار، موفق شدیم تا از محصول جدیدی در حوزه سلامت و پزشکی رونمائی کنیم.دایره وسیع مشتریانهر کسب‌وکار در هر صنعتی می‌تواند در دایره مشتریان محصولات تولیدی ما قرار بگیرد. همه سازمان‌ها و مراکز دولتی (B۲B و B۲G)، استارت‌آپ‌ها و شرکت‌هایی که در حال ارائه خدمات به مصرف‌کننده‌های نهایی هستند (B۲B۲C) و حتی کاربران عادی (B۲C) می‌توانند با استفاده از محصولات تولیدشده توسط ما ضمن کاهش هزینه‌های خود، از آخرین تکنولوژی‌های مبتنی بر هوش مصنوعی در کسب‌وکار خود منتفع شوند.بزرگ‌ترین ریسک، ریسک نکردن استزمان‌هایی است که عدم ریسک باعث عقب‌افتاده از یک‌سری پیشرفت‌ها می‌شود. بخصوص در حوزه تکنولوژی، تاریخ به ما اثبات کرده که اگر نسبت به تغییرات و قبول ریسک مقاومت زیادی کنید، بالاجبار هزینه سنگینی پرداخت خواهید کرد و تکنولوژی به‌راحتی از روی شما عبور خواهد کرد. مثال فراموش‌نشدنی شرکت نوکیا بود که با داشتن ۸۰ درصد سهم بازار، علی‌رغم اصرارهای بسیاری از متخصصین به تغییر سیستم‌عامل Symbian و افزودن قابلیت لمس کردن به صفحه گوشی‌های خود، حاضر به قبول ریسک تغییر نشد تا شرکتی مثل اپل که تا آن زمان تجربه چندانی در حوزه تولید گوشی‌های موبایل نداشت، به‌سرعت نوکیا رو جا بگذارد و نوکیای ۶۰ میلیارد دلاری رو به یک شرکت ۶ میلیارد دلاری تبدیل کند.نمونه‌های موفق خارجیتلاش ما بر این است تا با الگوبرداری از شرکت‌های موفق و پیشرو خارجی، محصولاتی که مناسب کسب‌وکارهای ایرانی است را تولید و به بازار عرضه کنیم. درزمینهٔ تبدیل گفتاربه‌نوشتار گوگل با پشتیبانی از ۱۲۰ زبان دنیا در حال یکه‌تازی است. آمازون، مایکروسافت و اپل نیز در این زمینه نمونه‌های بسیار خوبی عرضه کرده‌اند. شرکت IBM نیز با تمرکز بر بازار B۲B درزمینه‌هایی که ما وارد مرحله تولید شدیم، موفق شده تا سهم بزرگی از این بازار را به دست آورد. قطعاً بعد از مشاهده موفقیت‌های شرکت‌های مطرح، ما هم با قبول ریسک هزینه‌های بالای تولید و جمع‌آوری دیتا وارد بازار شدیم.مزیت رقابتیدرزمینهٔ تبدیل گفتاربه‌نوشتار و پردازش متن، تمرکز ویژه‌بر روی زبان فارسی و هزینه‌های پایین‌تر نسبت به موارد مشابه خارجی، به ما کمک کرده تا به هنگام تصمیم‌گیری مشتری که بر مبنای دو فاکتور کلیدی دقت بالا و قیمت پایین است، در زمره انتخاب‌های مشتریان قرار بگیریم. مزیت مهم دیگر نیز امکان ارائه سرویس‌های هوش مصنوعی بر روی سرورهای داخلی مشتریانی است که دغدغه حفظ حریم خصوصی در سازمان خود رادارند. مثل بانک‌ها که برای استفاده از سرویس‌های مختلف، حتی مجاز به اتصال به دیتاسنترهای خارج از خود نیز نیستند. این امکان تنها توسط شرکت‌های داخلی قابل‌ارائه است.مهم‌ترین رقیب ما، دیروز ما استدر حال حاضر شرکت‌هایی در بازار حضور دارند که سابقه طولانی‌تری در این زمینه‌دارند و ما به‌نوعی یک شرکت جدید به شمار می‌رویم. علی‌رغم رصد رقبای داخلی، آنچه که برای ما در اولویت است الگوبرداری صحیح از شرکت‌های موفق خارجی است تا بتوانیم به کیفیتی بالاتر از آن‌ها دست پیدا کنیم. درواقع امروز «مهم‌ترین رقیب ما، دیروز ما است》آینده هوش مصنوعی در ایرانبا توجه به گستردگی حوزه‌های مختلف درزمینه‌های هوش مصنوعی و پتانسیل بالای موجود در داخل، آینده بسیار روشنی پیشرو است. ما هم به‌زعم خود تلاش می‌کنیم تا با افزودن حوزه‌های مختلف به ارتقای فرهنگی، اجتماعی و اقتصادی کشور درزمینهٔ هوش مصنوعی کمک کنیم.www.amerandish.com

نگاهی به هوش مصنوعی‌ در بازی‌های کامپیوتری

مرتضا — Sun, 14 Jun 2020 12:22:42 +0430

در بسیاری از ژانرهای بازی‌های كامپیوتری، نزدیك‌تر بودن به واقعیت، هم برای سازندگان و هم برای دوستداران بازی جایگاه ویژه‌ای دارد. گرافیك بازی‌ها در طبیعی‌تر جلوه دادن محیط و چهره‌ها، و استفاده از صدا و افكت‌های صوتی پیشرفته در واقعیت بخشیدن به اتفاقاتی كه در بازی‌ها با آن روبه‌رو می‌شویم، مؤثرند. انیمیشن نیز هر چه با دقت و جزئیات بیشتری طراحی شود، باورپذیرتر به نظر می‌آید. ولی آنچه دوستداران بازی را در ژانرهای ویژه‌ای از بازی‌ها به وجد می‌آورد، هوشمندی شخصیت‌های بازی است. حوصله همه از این‌كه هم‌تیمی‌های مجازیشان در بازی‌های كامپیوتری نسنجیده عمل‌كنند، سر می‌رود. گاه آن‌ها نمی‌توانند از خودشان هم محافظت كنند؛ چه برسد به آن‌كه بخواهند در طول بازی به شما كمك كنند. مبارزه با دشمنانی كه دست كمی از افرادتان ندارند نیز جذابیتی ندارد. همان‌گونه كه گرافیك خوب به مدل‌ها، صدای خوب به رویدادها و انیمیشن خوب به حركت‌های موجود در بازی واقعیت می‌بخشد، استفاده از روش‌های مختلف هوش مصنوعی نیز رفتار شخصیت‌های بازی را طبیعی‌تر می‌كند.در بازی‌های كامپیوتری، هوش مصنوعی بیشتر برای شخصیت‌های مجازی مقابل شما به كار می‌رود و اگر در بازی، هم‌تیمی‌هایی نیز داشته باشید كه خودِ بازی، آن‌ها را كنترل می‌كند، برای آن‌ها نیز به كار می‌رود. برای ملموس‌تر بودن توضیحاتی كه در ادامه پیش‌رو خواهد بود، از رفتار شخصیت‌های مجازی بازی Counter - ۱.۷ Strike در حالتی كه دست‌كم كنترل یك طرف بازی با كامپیوتر است و بازی‌های Quake استفاده خواهد شد. هوش مصنوعی در بازی Counter - Strike به خوبی پیاده‌سازی شده است و بسیاری از دوستداران بازی نیز با آن آشنا هستند. وقتی در هر مرحله، شخصیت‌ مجازی شما كشته می‌شود و چند دقیقه‌ای از بازی بیرون هستید، زمان خوبی است كه رفتار هم تیمی‌ها و دشمنانتان را بررسی كنید و به عملكرد هوش مصنوعی آن‌ها پی ببرید. پنهان‌شدن، آهسته حركت كردن و همكاری آن‌ها با هم، بسیار دیدنی است و در كمتر بازی‌ای چنین رفتارهایی دیده می‌شود.كاربرد هوش مصنوعی هدف هوش مصنوعی نزدیك نمودن رفتار و پاسخ یك سیستم كامپیوتری به الگوهایی است كه انسان براساس آن‌ها رفتار می‌كند و پاسخ می‌دهد. گاه سیستم‌هایی طراحی می‌شوند كه قدرت تجزیه و تحلیل آن‌ها از انسان بیشتر است. ولی باز از الگوهای ما استفاده می‌كنند. هوش مصنوعی با سیستم فازی یا سیستمی كه انسان برطبق آن تصمیم می‌گیرد، رابطه تنگاتنگی در این سیستم برخلا‌ف سیستم صفر و یك دیجیتال، می‌توان به یك متغیر مقداری كمتر از یك و بیشتر از صفر نیز داد.برای نمونه می‌خواهید یك بازی كامپیوتری را از میان چندین بازی مورد علا‌قه خود بخرید و از آنجا كه مقدار پول شما مشخص است، می‌خواهید فقط یك بازی را برگزینید. پس شما به بازی‌های مورد علا‌قه‌ خود، امتیازی بین صفر و یك می‌دهید. ارزش صفر برای بازی‌هایی است كه كمتر آن‌ها را دوست دارید و هر چه مقدار عددیِ بیشتری به آن بازی بدهید، بیشتر آن را دوست دارید و از میان آن‌ها بازی‌ای كه بیشترین ارزش را برای شما دارد، انتخاب می‌كنید.از دید فروشنده، شما با سیستم صفر و یك پاسخ داده‌اید و بازی‌های دیگر را انتخاب نكرده‌اید. هرچند در واقع شما فازی فكر كرده‌اید، ولی با منطق صفر و یك پاسخ داده‌اید. اگر كامپیوترها فازی‌تر تحلیل كنند، هوشمندتر می‌شوند. ولی پاسخ آن‌ها باید براساس همین صفر و یك باشد؛ چرا كه هیچ كس نمی‌خواهد یك پاسخ غیرقطعی از كامپیوتر دریافت كند. هر چه رفتارهای شخصیت‌های بازی بیشتر براساس سیستم فازی باشد، پیش‌بینی‌ناپذیرتر و هوشمندانه‌تر خواهند بود. یعنی می‌توانند در مقابل رفتارهای مختلف شما و موقعیت محیط، رفتارهایی متفاوت نشان دهند.انواع هوش مصنوعی در بازی‌های كامپیوتری سه نوع هوش بیشتر از همه استفاده می‌شوند كه به صورت خلا‌صه عبارتند از: ‌‌هوش مصنوعی رویدادگرا: این هوش معمول‌ترین نوع هوش مصنوعی است. رویداد می‌تواند شامل هر چیزی اعم از اتفاقات بازی تا دستوراتی باشد كه كاربر به شخصیت مجازی خود می‌دهد. براساس هر رویدادی كه در بازی انجام می‌شود، یك واكنش هوشمندانه نیز روی می‌دهد. در بازی كانتراسترایك دشمن شما نسبت به صدا حساس است و صدای دویدن شما را هم می‌شنود. از این‌رو بسته به موقعیت خود، یا به آهستگی پنهان می‌شود، یا برمی‌گردد و از راه دیگری به سوی شما می‌آید یا به سوی شما می‌آید و شلیك می‌كند.هوش مصنوعی هدف‌گرا: این نوع هوش مصنوعی از هوش مصنوعی رویدادگرا مستقل است. ولی هوش مصنوعی رویدادگرا می‌تواند در طراحی یك بازی، هدف‌های موتور هوش مصنوعی هدف‌گرا را تامین كند. این نوع هوش مصنوعی، هدفِ با ارزش بیشتر را برمی‌گزیند و آن را با تقسیم به زیرهدف‌های كوچك‌تر، پردازش می‌كند.شاید در بازی كانتراسترایك زمانی كه كامپیوتر هم كنترل هم تیمی‌ها و هم كنترل دشمنان شما را به عهده دارد، دیده باشید كه وقتی با هم تیمی‌هایتان به سوی دشمنان خود تیراندازی می‌كنید، آن‌ها هم بیشتر به سوی شما شلیك می‌كنند تا دیگر هم‌تیمی‌هایتان؛ چرا كه شما باید هدف‌های خواسته‌شده در بازی (مانند آزاد كردن گروگان‌ها یا خنثی كردن بمب) را انجام دهید. برای همین ارزش شما برای آن‌ها بیشتر است.محفظه‌های سوراخ: این روش تركیبی از دو روش گفته شده است. روش كار ساده است. دو محفظه دارید و چند نوع كار: فرار (flee)، مبارزه (fight) و پركردن تفنگ (restock) را در نظر می‌گیریم. محفظه‌ها مقداری از محتوای خود را با گذشت زمان از دست می‌دهند.شما اسكریپتی را در ارتباط با محفظه‌ای كه بیشتر پر است، به اجرا در میآورید. رویدادهایی كه اتفاق می‌افتند، این محفظه‌ها را با ارزش‌های مختلفی پر می‌كنند و این محفظه‌ها پر و خالی می‌شوند. برای نمونه دشمن مجازی را در موقعیت‌های زیر در نظر بگیرید كه می‌توان بسته به طراحی بازی عددهای زیر را كم و زیاد كرد:‌▪شما دشمن را ببینید، پنج درصد به ارزش فرار و ده ‌درصد به ارزش مبارزه او افزوده می‌شود. چون در بازی اولین هدف مبارزه است نه فرار. فرار كاری است كه هنگام رویا‌رویی با دشمن زمانی كه دشمن شما موقعیت مناسبی ندارد، انجام می‌دهد. پس ارزش مبارزه در اینجا از فرار بیشتر است.▪ گلوله او كم باشد، بیست درصد به ارزش ریستوك یا پر كردن تفنگ افزوده می‌شود. چون شاید به زودی به آن نیاز داشته باشد.▪ اگر آسیب‌دیدگی او كم باشد، بیست‌درصد به ارزش فرار و ده‌درصد به ارزش ریستوك افزوده می‌شود. چون اگر شخصیت مجازی آسیب كمی دیده باشد، با ماندن در یك‌جا و پركردن تفنگ خود چنانچه در تیررس شما باشد، آسیب بیشتری می‌بیند.پس در حالی كه جای خود را عوض می‌كند، باید تفنگ خود را نیز پركند. چون اگر باز در تیررس قرار بگیرد و گلوله‌های او رو به پایان باشد، هنگام پركردن، آسیب بیشتری می‌بیند. دشمنان شما در كانتراسترایك نیز این كار را می‌كنند. اگر شما پشت سر هم به آن‌ها شلیك كنید، در پشت دیوار پنهان می‌شوند یا به جایی فرار می‌كنند و تفنگ خود را در صورت رو به پایان بودن گلوله‌ها پرمی‌كنند. پس اولویت در فرار و قرار گرفتن در یك جای خوب و سپس پر كردن تفنگ است.▪ شلیك به سوی او و آسیب‌دیدگی زیاد باشد، پنجاه درصد به ارزش مبارزه افزوده می‌شود و بیست‌درصد از ارزش فرار و ریستوك كم می‌شود. چون وقتی به سوی او شلیك می‌كنید، هنگام فرار اگر در جای مناسبی نباشد، آسیب‌پذیرتر می‌شود و زمانی كه تفنگ خود را پر می‌كند، شما آسان‌تر می‌توانید به سوی او شلیك كنید.▪اگر در یك‌بار شلیك پنجاه‌درصد آسیب ببیند، پنجاه‌درصد به ارزش فرار و بیست‌درصد به ارزش ریستوك افزوده می‌شود و پنجاه‌درصد از ارزش مبارزه كم می‌شود. گاهی با یك سلا‌ح قوی می‌توانید آسیب بیشتری به دشمنتان برسانید. اگر در بازی كانتراسترایك، یك نارنجك به سمت دشمن پرتاب كنید، بیش از نیمی از نیروی او كم می‌شود. اگر او در جای مناسبی نباشد، چون بیش از نیمی از نیروی خود را از دست داده‌است، باید فرار كند و تنها زمانی كه موقعیت او از موقعیت شما بهتر است، شلیك می‌كند. در اینجا فرار ارزش بیشتری دارد.هوش مصنوعی در ژانرهای بازی بازی‌های كامپیوتری اكشن، ماجرایی - اكشن و تیراندازی، بیش از بازی‌های ژانرهای دیگر از هوش مصنوعی استفاده می‌برند. بازی‌های مسابقه‌ای و استراتژیك نیز می‌توانند از هوش مصنوعی برای قوی‌تر كردن رقیبانشان استفاده كنند. نمونه خوب بازی‌های مسابقه‌ای، Need For Speed UnderGround۲ است. در این بازی، هنگامی كه در شهر مشغول رانندگی هستید، می‌توانید با اتومبیل‌های مسابقه‌ای دیگر كه مانند شما در شهر حركت می‌كنند مسابقه دهید. برای این‌كار باید به آن اتومبیل نزدیك شوید و هنگامی كه منوی پرسش برای پذیرش مسابقه را دیدید، كلید Enter را فشار دهید.هنگامی كه جلو هستید باید فاصله شما از آن اتومبیل بیش از یك مقدار خاص باشد تا برنده شوید و زمانی كه پشت سر او هستید، نباید فاصله‌ شما از این مقدار بیشتر باشد. اگر همزمان با مسابقه به نقشه كوچك گوشه مانیتور نگاه كنید، می‌بینید زمانی كه راننده رقیب از شما عقب‌تر است، كوتاه‌ترین مسیر را برای رسیدن به شما از میان خیابان‌های مختلف كه به هم راه دارند انتخاب می‌كند و زمانی كه از شما جلوتر است، هنگام رسیدن به تقاطع‌ها ناگهان تغییر مسیر می‌دهد تا شما را سردرگم كند.در بازی Need For Most Wanted، به نظر می‌آید پلیس‌ها در تعقیب و گریز شما و یافتن مسیر، ضعیف‌تر عمل می‌كنند. البته شاید شركت EA، خود این‌گونه خواسته است. به غیر از این، بازی‌های ماجرایی معمولا‌ً نیازی به هوش مصنوعی ندارند؛ چرا كه كنترل شخصیت بازی به عهده شماست و آنچه باید از پیش روبردارید، پازل‌های طراحی شده است نه دشمنان یا هیولا‌هایی كه به هوشمند‌سازی نیاز داشته باشند؛ مانند بازی سایبریا.هوش مصنوعی، بیشتر در بازی‌های تیراندازی اول شخص (FPS) گسترش یافت. یك بازی تیراندازی اول شخص بیشتر از یك موتور براساس هوش مصنوعی رویدادگر استفاده می‌كند كه رویدادها و واكنش‌ها می‌توانند مانند الگوی زیر باشند:▪ هنگام دیده شدن: یورش با مناسب‌ترین سلا‌ح▪هنگام آسیب‌دیدگی زیاد: فرار و بازگرداندن نیرو. مانند استفاده از كیت‌های سلا‌متی در برخی بازی‌ها.▪نبود گلوله: پیدا كردن گلولهشایان ذكر است كه استفاده از روش محفظه‌های سوراخ می‌تواند هوش مصنوعی در این بازی‌ها را انعطاف‌پذیرتر كند.پیدایش و پیشرفت هوش مصنوعی در اواسط دهه ۱۹۹۰، یك بازی تیراندازی اول شخص منتشر شد كه به كاربر امكان می‌داد بازی را برای خود سفارشی (Customize) كند. این بازی، Quake بود كه در فناوری ساخت بازی‌های كامپیوتری یك نوآوری محسوب می‌شد. Quake اولین بازی سه‌بعدی واقعی است. به این معنی كه به‌صورت بلا‌درنگ در سه بعد رندر می‌شود. (پیش از آن spiritها یا گرافیك‌های دوبعدی به صورت سه‌بعدی شبیه‌سازی می‌شدند). چیزهای دیگری نیز در این بازی وجود داشت كه موردتوجه قرار گرفت؛ مانند نشانه گرفتن سلا‌ح به بالا یا پایین. زیرا حركت‌دادن سلا‌ح به بالا‌ یا پایین نیازمند پردازش در بعد سوم، یعنی عمق یا ارتفاع در یك محیط سه‌بعدی است.بازی Quake از موجودات مجازی هوشمند (bot) هر چند با هوش مصنوعی كم، بهره برده بود. هوش مصنوعی یكbot در بازی‌های تیراندازی اول شخص، می‌تواند در دو بخش بررسی شود: یكی ناوبری و حركت، و دیگری مبارزه. اگر بخواهیم رفتار bot نزدیك به رفتار یك انسان باشد، پیاده‌سازی آن بسیار پیچیده‌تر از هوش‌مصنوعی در مبارزه است. هر چند پیاده‌سازی هوش مصنوعی در مبارزه نیز با هر استاندارد و روشی آسان نیست.برای این‌كه بات‌ها بتوانند حركت كنند، باید بتوانند درباره اشیا و موجودات پیرامون خود یاد بگیرند. این ایده بسیار اساسی، می‌تواند به بخش‌های بیش‌تری مانند قابلیت آنالیز هنگام حركت در یك جهت خاص و سپس قابلیت پیدا كردن اشیا و شخصیت‌های مجازیِ مقابل در یك مرحله بازی گسترش یابد. این ایده‌ها شاید ساده به نظر برسند، ولی واقعاً این‌گونه نیست؛ چرا كه یك bot باید بتواند در برابر دو چیز واكنش درستی داشته باشد: دیوارها و فضاهای خالی.دیوارها شامل همه چیزهایی است كه نمی‌توان از آن عبور كرد؛ مانند خود یك دیوار، نرده، شخصیت‌های مجازی، جعبه‌ها، پله‌های رو به بالا‌ و ... فضاهای خالی نیز هر جایی است كه زمین همواره نیست یا دچار شكستگی است؛ مانند یك چاله، پله‌های رو به پایین و ... . برای رویارویی با این دو مانع، یك روش خوب، افزایش كارایی تابع جستجو است. این تابع كه در بازی Quake معرفی شد، به بات امكان می‌دهد یك خط را از یكی از بُعدهای X-Y-Z تا بُعد بعدی جستجو كند و اطلا‌عاتی مانند این‌كه <این خط به كجا می‌رود، چه چیزی آن را قطع می‌كند و ...> را دریافت كند.دو روش برای گذشتن یكبات از یك مرحله، بیشتر مورد استفاده قرار می‌گیرد: روش نخست از گره‌های گراف وضعیت و روش دوم از مسیرهای (path) آن استفاده می‌كند. در یك محیط براساس روش گره، گره‌ها در قسمت قوانین بهینه‌سازی مرحله (level) كه به وسیله سازنده یك bot تعریف شده است قرار دارند. هر گره می‌تواند اطلا‌عات بات درباره قسمت خاصی از محیط را بدهد. وضعیت مبارزه، كاربردهای زیادی برای تعدادی از الگوریتم‌های جستجو یا پروسه تصمیم‌گیری دارد. در یك مبارزه، باید برای تشخیص این‌كه كدام كار برای بات بهتر است حركت‌های رقیب پیش‌بینی شود.روش Minimax، در مواقعی كه یك تابع هیورستیك خوب (یك هیورستیك برخلا‌ف الگوریتم، ممكن است به یك پاسخ قطعی نرسد) در دست باشد، می‌تواند یك حركت خوب را انجام دهد. از آنجا كه minimax روش كندی است، می‌توان از Partial Minimax استفاده كرد كه در الگوریتم‌های تصمی‌گیری به كار می‌رود؛ هر چند این روش هنوز چندان پذیرفته نشده است.پژوهشگران هوش مصنوعی پیشنهاد می‌كنند، تنها زمانی از Partial Minimax استفاده كنید كه یك گزینه بدیهی در دست داشته باشید (زمانی كه متغیر minimax با ارزش بیشتر كاملا‌ بهتر از متغیر دیگر باشد). در غیر این‌صورت اگر ارزش همه متغیرها نزدیك به هم است، از استراتژی دیگری استفاده كنید. حال آن‌كه در یك بازی بلا‌درنگ برای یكbot معمولا‌ً گزینه بدیهی وجود ندارد تا آن را برگزینید. هر گزینه به یك استراتژی متفاوت وابسته است كه bot می‌تواند آن را انتخاب كند.شاید بسیاری از طرفداران روش minimax به ارزش سرعت، هنگام بررسی كارایی یك بات در بازی بلا‌درنگ واقف نیستند؛ مانند كمترین زمانی كه یك بات نیاز دارد تا درباره یك تصمیم بیندیشد، گزینه‌های بیشتری كه برای تصمیم‌گیری ایجاد می‌كند، كیفیت واكنش بهتر و سطح خبرگی. به یاد داشته باشید كه یك بات در برابر مغز یك انسان كه می‌تواند دنیای سه‌بعدی را با كمك حس و تخیل خود تفسیر كند، قرار می‌گیرد. برای نمونه در یك مبارزه، یك بات نیاز به نشانه‌گیری به سوی دشمن خود، پیش‌بینی حركت آن‌ و... دارد كه همه، بدون داشتن درك واقعی از محیطی كه در آن قراردارد انجام می‌شود.برای دستیابی به بیشترین سرعت، بیشتر از الگوریتم *A استفاده می‌شود. هر چند این الگوریتم پیشرفته نیست، ولی سرعت بالا‌یی دارد. پیچیدگی زمانی این الگوریتم ((O(log h(n است كه (h(n پیچیدگی تابع هیورستیك است. *A یك الگوریتم جستجوی "اول عمق" است كه هیورستیك آن را كنترل می‌كند و می‌تواند مناسب‌ترین شاخه بعدی گراف را حدس بزند و در هر عمق، تنها شاخه‌ای كه ارزش هیورستیك بهتری دارد، گسترش می‌یابد.نظریه‌ها و روش‌های رایج در ابتدا كمی از بازی‌ها از روش‌‌های استاندارد هوش‌مصنوعی استفاده می‌كردند. یكی از آن بات‌ها برای بازی Quake II ساخته شده بود كه براساس شبكه‌های عصبی می‌توانست محیط اطراف خود را بشناسد.این موجود، Neuralbot نام گرفت كه موردتوجه پژوهشگران هوش مصنوعی و بازی‌های كامپیوتری واقع شد. آقای Elusive طراح و سازنده چندین بات است كه مشهورترین آن‌ها را در بازی Quake III Arena كه شركت id Software ساخته است می‌بینیم. او درباره Neuralbot می‌گوید:برخی از طرفداران این بات بر این عقیده‌اند كه دوستداران بازی‌ها به دنبال موجودی كاملا‌ هوشمند و شبیه انسان نیستند و تنها می‌خواهند مبارزه خوب و سختی با آن‌ها داشته باشند. آنان می‌گویند یك هوش مصنوعی خوب نباید یك شبیه‌سازی از هوش واقعی باشد. بلكه باید اشتباه در آن كمتر باشد؛ به گونه‌ای كه بازی را جذاب وسخت كند.اما بسیاری از برنامه‌نویسان بازی‌های كامپیوتری، با پژوهشگران هوش مصنوعی بازی‌های كامپیوتری همسو نیستند. آن‌ها موجودات هوشمند مجازی خود را تا آنجا كه می‌توانند، شبیه انسان می‌سازند و سپس آن‌ها را در مقابل انسان آزمایش می‌كنند. برای نمونه Elusive می‌گوید:یكی از چیزهایی كه در هوش مصنوعی بازی‌های كامپیوتری هنوز مورد پژوهش و بررسی قرار می‌گیرد، ساختن یكbot است كه هرگز <تقلب> نمی‌كند! بیشتر بات‌ها تابع‌هایی دارند كه برای هرچه بهتر بازی كردن، داده‌ها را از بازیكنان دیگر (انسان یا bot) استخراج می‌كنند؛ كه این كار یك تقلب محسوب می‌شود. در روش آزمون و خطا، موجودات هوشمند مجازی نباید وابسته به دانش خاص بازیكنان دیگر باشند. برای آن‌كه این بات‌ها وابسته به داده‌های شخصیت‌های مجازی دیگر نباشند، باید توانایی تشخیص و سرعت آن‌ها افزایش یابد. نتیجه كار، باتی خواهد بود كه هر چند نسبت به بات‌های دیگر ویژگی‌های غیرانسانی بیشتری دارد، هنوز هم رقیب سرسخت و خوبی است.Elusive بات‌هایی برای بازی Quake III ساخت، كه هرگز تقلب نمی‌كنند. برای هر چه شبیه‌تر كردن بات‌ها به انسان، آن‌ها به گونه‌ای طراحی شده‌اند كه نیاز به پیش تعریف مسیرها در هر مرحله دارند. سپس دستورهای نوشته شده به بات می‌گوید چگونه مسیرها را زمانی كه مبارزه‌ای درجریان نیست ناوبری كند. برخی براین باورند كه این روش نیز برای بات‌ها نوعی تقلب است. چون آن‌ها قبلا‌ محیط را شناخته‌اند و همزمان بارویارویی با محیط، تصمیم نمی‌گیرند.ولی در مقابل، اگر یك بازیكن واقعی هم چندبار یك مرحله از بازی را تجربه كند، با محیط آشنا می‌شود و هر چه را كه در پیرامونش قرار دارد می‌شناسد. پس چرا یك بات باید هر بار كه وارد محیطی می‌شود كه قبلا‌ هم در آنجا بوده است، همه اطلا‌عات آنجا را دوباره یاد بگیرد؟ با توجه به این مسئله می‌توان موجودات هوشمند مجازی‌ای ساخت كه فهم انسانی از یك مرحله دارند و می‌توانند زمان بیشتر پردازنده را به كارهای دیگر اختصاص دهند تا دوباره كاری.بات‌های امروزی، بیشتر مانند انسان رفتار می‌كنند. در این بازی‌ها هوش مصنوعی، متفاوت از هوش مصنوعی دانشگاهی است. یك بات واقعاً چیزی یاد نمی‌گیرد. ولی می‌كوشد وانمود كند كه یك انسان واقعی است.پژوهشگران هوش مصنوعی، از صنعت ‌بازی‌سازی دل خوشی ندارند. چون شركت‌های بازی‌سازی از بسیاری از روش‌های ساده استفاده می‌نمایند و روش‌های پیشرفته را رها می‌كنند. ولی هنوز هم چیزهایی درباره بات‌ها وجود دارد كه می‌توان از سازندگان بازی‌های كامپیوتری یاد گرفت.معرفی میان‌افزار RWAI Render Ware AI) RWAI) میان‌افزاری برای توسعه‌دهندگان هوش مصنوعی در بازی‌های كامپیوتری است كه شركت فرانسوی Kynogon ساخته و بخشی از بسته نرم‌افزاری پلتفرم RenderWare، محصول این شركت است كه شامل ابزارهای گرافیكی، صوتی و ... برای ایجاد محتوا در بازی‌های كامپیوتری است.كیت توسعه نرم‌افزاری (SDK) این نرم‌افزار متمركز بر كمك به توسعه‌دهندگان بازی‌های كامپیوتری برای طراحی و پیاده‌سازی رفتار كاراكترها در بازی است. برای این منظور، RWAI SDK سرویس‌هایی برای مدل‌سازی محیط، اشیای موجود در محیط و سرانجام كاراكترها و رفتارهایشان در اختیار برنامه‌نویسان می‌گذارند.RWAI اشیا را در یك دنیای مجازی، یك موجودیت (entity) در دو فرم اصلی در نظر می‌گیرد: Thinking entity و Passive entityThinking entity یا موجودیت متفكر بیشتر در بازی‌های Non-Player Character) NPC) استفاده می‌شود. موجودیت متفكر یك آبجكت با نام brain (مغز) دارد كه قابلیت تصمیم‌گیری كاراكتر را فعال می‌كند و موجب بروز رفتار در آن‌ها می‌شود.موجودیت‌های منفعل، آبجكت‌هایی در دنیای مجازی هستند كه با موجودیت‌های متفكر ایجاد می‌شوند و با آن‌ها در تعاملند، ولی تحت كنترل RWAI نیستند. RWAI SDK سرویس‌های زیر را در یك محیط چند لا‌یه‌ای فراهم می‌كند:لا‌یه تصمیم (Decision): این لایه از شی مغز كه پیشتر گفته شد، پشتیبانی می‌كند. زمانی كه یك موجودیت متفكر ایجاد می‌شود، یك شی مغز نیز برای آن موجودیت ساخته می‌شود. شی مغز، كار تصمیم‌گیری را انجام می‌دهد.لا‌یه عامل(Agent): این لایه از رفتارهایی كه از موجودیت‌ها سر می‌زند پشتیبانی می‌كند. منظور از agent در میان‌افزار RWAI مجموعه‌ای از كارها است كه بازتاب‌دهنده رفتاری سطح بالا‌ است.می‌توان از Go To (رفتن به جایی ...)، دنبال‌كننده (Follower)، دنبال كردن مسیر (Follow Path)، حركت در جهت‌های مختلف (Wanderer)، گریختن (Runaway)، پنهان‌كننده (Hider) و ... به عنوان نمونه‌هایی از agentهای این میان‌افزار نام برد.لا‌یه خدمات (Service): این لا‌یه تعدادی اشیای مدیریت‌كننده را دربردارد. برای نمونه، مدیریت‌كننده NextMove Manager برای یافتن مسیر حركت كاراكترها در دنیای مجازی،Graph Manager برای مدیریت داده‌های یك مسیر كه منعكس‌كننده ویژگی‌های دنیای مجازی در هر مسیر هستند و NeuralNet Manager برای مدیریت داده‌های شبكه‌های عصبی استفاده شده در RWAI.لا‌یه معماری (Architecture): كار معرفی، بروز كردن و پایان دادن به لا‌یه‌های تحت كنترل موتور بازی در RWAI را انجام می‌دهد و مسئولیت تبادل اطلا‌عات میان موتور بازی و دیگر لا‌یه‌های میان‌افزار را نیز برعهده دارد.موتور بازی، داده‌های وضعیت كاراكتر و محیط مجازی را فراهم می‌كند و RWAI ورودی را درلا‌یه‌های متناسب با آن منتشر می‌سازد و درخواست‌ها را برای داده‌های بیشتر یا كنترل كاراكترهااستخراج می‌كند. RWAI سرویس‌ها و امكاناتی برای هوش مصنوعی فراهم می‌آورد. یكی از این سرویس‌ها، مسیریابی در محیط سه بعدی است كه به وسیله تعامل اشیای موجود در لا‌یه‌های سرویس‌هایی كه گفته شد پشتیبانی می‌شود. یكی از اشیای موجود در این میان‌افزار، شی CNextMoveManager است كه سرویس اصلی مسیریابی در طول گرافی كه از الگوریتمA استفاده كرده است را برعهده دارد. با در دسترس‌بودن سورس‌كد شی CNextMoveManager، می‌توان این پردازنده را چنان كه موردنیاز است، در بازی تغییر داد.مدیریت موجودیت می‌تواند با استفاده از Entity API انجام شود. هم موجودیت متفكر و هم موجودیت منفعل باید در دنیای مجازی قابل شناسایی با RWAI ایجاد شوند تا بر چگونگی تصمیم‌گیری و سرویس‌های قابل ارائه تاثیر بگذارند.میان‌افزار RWAI یك كیت توسعه نرم‌افزاری قدرتمند است و زمانی كه همراه با دیگر كامپوننت‌های سكویRenderWare استفاده شود، راهبردی قابل اعتماد و قوی فراهم می‌كند. حتی زمانی كه از RWAI به تنهایی استفاده می‌شود و موتور بازی سرویس‌های پلتفرم RenderWare را ایجاد می‌كند، (SDK) نرم‌افزار، قابلیت پیاده‌سازی رفتار كاراكتری پیچیده و پیشرفته را دارد.ماهنامه شبکه -- ‌گردآوری و تدوین: علی حسینیهوش مصنوعیبازی کامپیوتریAI

تعریف ساده ای از هوش مصنوعی و کاربردهای آن

مرتضا — Sun, 14 Jun 2020 12:08:27 +0430

هوش مصنوعی چیست؟ آیا ربات‌ها همان هوش مصنوعی هستند که همه در موردشان صحبت می‌کنند؟ هوش مصنوعی چه کارهایی را انجام می‌دهد؟ آیا آینده نسل بشر در خطر است؟ هوش مصنوعی چگونه فکر می‌کند؟ اگر شما هم جزء کسانی هستید که واژه هوش مصنوعی به گوشتان خورده اما نمی‌دانید که هوش مصنوعی چیست و یا آشنایی شما با هوش مصنوعی از طریق فیلم‌های تخیلی است که دیده‌اید و درک درستی از هوش مصنوعی ندارید، ما در این مقاله 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.تصور شما از هوش مصنوعی چیست؟خیلی از افراد هنوز هم با شنیدن واژه هوش مصنوعی به ربات ها فکر می کنند و تصور می کنند که منظور از هوش مصنوعی همان ربات های بی احساسی هستند که برای انجام راحت تر کارها طراحی شده اند و قرار است در آینده جای انسان ها را بگیرند. مسئول این نوع تفکر به احتمال زیاد فیلم های علمی و تخیلی است اما واقعیت با آنچه که تصور می شود تفاوت دارد. هوش مصنوعی که امروزه از آن یاد می‌شود در واقع تکنولوژی است که به نحوی قابلیت تفکر دارد. البته این قابلیت تفکر با چیزی که ما به عنوان تفکر انسانی می‌شناسیم تا حد زیادی تفاوت دارد، اما در حقیقت سعی دارد تا از آن تقلید کند.امروزه شاید هوش مصنوعی به آن شکلی که تصور می‌کنیم وجود نداشته باشد اما باز هم بسیاری از کارهایی که روزانه انجام می‌دهیم، مانند جستجوی اینترنت یا گشت و گذار در صفحات شبکه‌های اجتماعی و …، همه متاثر از هوش مصنوعی است و در حقیقت در این مواقع داریم ازآن استفاده می‌کنیم. انقدر این استفاده نا ملموس است و به آن عادت کرده ایم که در آن لحظه حس نمی‌کنیم که داریم از هوش مصنوعی استفاده می‌کنیم. دلیل اصلی آن این است که نمی‌دانیم هوش مصنوعی واقعا چیست و چه کارهایی انجام می‌دهد. از آنجایی که آینده از آن هوش مصنوعی خواهد بود بهتر است به جای نگران بودن در مورد هوش مصنوعی یاد بگیریم که چه کارهایی را می‌توانیم با آن انجام دهیم و اطلاعاتمان را در این زمینه بیشتر کنیم. پس بیایید از ابتدا ببینیم هوش مصنوعی چیست.شروع هوش مصنوعیشروع و سرچشمه هوش مصنوعی به سال های جنگ جهانی دوم بر می گردد. زمانی که نیروهای آلمانی برای رمز نگاری و ارسال ایمن پیام ها از ماشین enigma استفاده می کردند و دانشمند انگلیسی، آلن تورینگ در تلاش برای شکست این کدها برآمد. تورینگ به همراه تیمش ماشین bombe را ساختند که enigma را رمز گشایی می کرد. هر دو ماشین enigma و bombe پایه های یادگیری ماشینی (machine learning) هستند که یکی از شاخه های هوش مصنوعی یا همان Artificial intelligence می باشد. تورینگ ماشینی را هوشمند می دانست که بدون اینکه به انسان حس صحبت با ماشین را بدهد، با او ارتباط برقرار کند و این مسئله پایه علم هوش مصنوعی است یعنی ساخت ماشینی که همانند انسان فکر، تصمیم گیری و عمل کند.رفته رفته با پیشرفت فناوری و سایر سخت افزارهای مورد نیاز برای توسعه هوش مصنوعی، ابزار هوشمند و سرویس‌های هوشمندی به بازار عرضه شدند که از هوش مصنوعی در بسیاری از فرآیندهایشان استفاده می‌کردند. بسیاری از سرویس‌های معروفی همانند موتورهای جستجو، ماهواره‌ها و … از هوش مصنوعی استفاده می‌کردند. با معرفی گوشی‌های هوشمند و پس از آن گجت‌های هوشمند، هوش مصنوعی گام بلندی را برای ورود به زندگی انسان‌های پشت سر گذاشت.از این زمان به بعد هوش مصنوعی برای انسان‌ها جلوه کاربردی تری پیدا کرد و انسان‌ها بیشتر با واژه هوش مصنوعی و کاربردهای آن آشنا شدند.تعریف ساده ای از هوش مصنوعیهوش مصنوعی یا artificial intelligence شاخه ای از علوم رایانه است که هدف اصلی‌اش آن است که ماشین‌های هوشمندی تولید کند که توانایی انجام وظایفی که نیازمند به هوش انسانی است را داشته باشد. هوش مصنوعی در حقیقت نوعی شبیه سازی هوش انسانی برای کامپیوتر است و منظور از هوش مصنوعی در واقع ماشینی است که به گونه ای برنامه نویسی شده که همانند انسان فکر کند و توانایی تقلید از رفتار انسان را داشته باشد.این تعریف می تواند به تمامی ماشین هایی اطلاق شود که بگونه‌ای همانند ذهن انسان عمل می‌کنند و می‌توانند کارهایی مانند حل مسئله و یادگیری داشته باشند. اساس هوش مصنوعی آن است که هوش انسان و طریق کار آن بگونه ای تعریف شود که یک ماشین بتواند آن را به راحتی اجرا کند و وظایفی که بر آن محول می شود را به درستی اجرا کند. هدف هوش مصنوعی در حقیقت بر سه پایه استوار است: یادگیری،استدلال و درک.سطوح مختلف هوش مصنوعییک سیستم هوش مصنوعی بر اساس آن چه که از دنیای بیرون درک می‌کند و می‌تواند به آن پاسخ دهد، دارای سه سطح می‌باشد. هوش مصنوعی محدود، عمومی و سوپر هوش مصنوعی. در ادامه هر کدام را به تفصیل توضیح می‌دهیم.هوش مصنوعی محدود (artificial narrow intelligence)در تاریخچه هوش مصنوعی ، هوش مصنوعی محدود بسیار زودتر از انواع دیگر هوش مصنوعی پدید آمده است. این روزها نمونه های هوش مصنوعی محدود زیاد است. برای مثال رایانه‌هایی که در بازی های پیچیده‌ای مانند شطرنج ، تصمیم گیری هوشمندانه در زمینه تجارت و در انواع دیگر کارهای مهم توانسته‌اند از بهتر عمل کنند نمونه‌هایی از هوش مصنوعی محدود هستند. زمانی که در مورد هوش مصنوعی محدود صحببت می‌کنیم منظورمان سیستم‌های هوشمندی است که در انجام دادن یک وظیفه (task) به خصوص بهتر از انسان عمل می‌کنند. برای مثال سیستم هوشمندی که می‌تواند به صورت خودکار گفتار را به نوشتار تبدیل کند یا سیستم‌های تشخیص چهره که قادرند هویت یک فرد را حتی در شلوغی و سیل عظیمی از جمعیت تشخیص دهند. اگر بخواهیم برخی از کاربرد‌های هوش مصنوعی محدود را مثال بزنیم، عبارتند از:اتومبیل های خود ران که به کمک هوش مصنوعی یاد می‌گیرند که چگونه رانندگی کنند.سیستم‌های پردازش تصویر و تشخیص چهره که می‌توانند کارهای بسیاری را انجام دهند و عملیات تشخیص هویت افراد را انجام دهند.سیستم‌های هوش مصنوعی که به انجام فرآیندهای مالی در بانک‌ها و سایر کسب و کارهای مالی کمک می‌کند.دستیارهای هوشمند که بر اساس نیازهایتان به شما کمک می‌کنند و حتی پروازها و هتل هایتان را از قبل رزرو می‌کنند.و….هوش مصنوعی عمومی Artificial General Intelligence))منظور از هوش مصنوعی عمومی ماشینی است که می‌تواند دنیای اطراف خود را همانند یک انسان درک کند و دارای ظرفیت و گنجایش مشابه برای انجام فعالیت‌ها و وظایفی است که یک انسان به طور معمول آن‌ها را انجام می‌دهد. در حال حاضر هوش مصنوعی عمومی وجود ندارد اما رد پای آن را می‌توانیم در داستان های دارای ژانر عملی-تخیلی مشاهده کنیم. از نظر تئوری یک هوش مصنوعی عمومی می تواند هم سطح انسان فعالیت کند و یا حتی در زمینه‌هایی مانند حافظه و … ازاو بهتر عمل کند.با این سطح از آگاهی و دانش یک ماشین می‌تواند تمام کارهایی که زمانی بر انسان محول می‌شد را بدون نیاز به وجود انسان انجام دهد و با گذشت زمان بیشتر ماشین‌های دارای هوش مصنوعی عمومی می‌توانند در بسیاری از زمینه‌ها جای انسان را پر کنند. خاتمه دادن به نیاز حضور نیروی انسانی در بسیاری از کارها و استفاده از تکنولوژی هوش مصنوعی عمومی یا کامل می‌تواند مانند هر تکنولوژی دیگری هر دو جنبه مثبت و منفی در زندگی اجتماعی و فردی انسان‌ها داشته باشد. اما با همه‌ی این‌ها وجود آن بسیار مفید و در عین حال اجتناب ناپذیر خواهد بود. به کمک هوش مصنوعی عمومی که دارای توانایی‌ها و ظرفیت‌های زیادی برای کمک به بشریت می‌باشد، بسیاری از مشکلاتی انسان امروزی با آن سر و کله می‌زند، همانند تغییرات شدید آب و هوایی، حل خواهد شد.سیستم‌های هوش مصنوعی عمومی می‌تواند از کارهای عادی تا کارهای بسیار مهم و خطیر را به بهترین شکل انجام دهند. در سطح عمومی آن‌ها می‌توانند کارهایی مثل رانندگی، دستیار شخصی هوشمند با توانایی درک همه‌ی نیازهای کاربر، یک دستیار پزشک و یا سیستم تشخیص بیماری و… باشد. در سطوح بالا این سیستم‌ها می‌توانند کارهایی را انجام دهند که به زندگی و امنیت و جان انسان‌ها بستگی دارد و می‌توانند به خوبی از پس چنین کارهایی بر بیایند.سوپر هوش مصنوعیسوپر هوش مصنوعی در واقع عبارتی است که برای هوش مصنوعی استفاده می‌شود که سطح هوش و درک انسانی را پشت سر گذاشته و به نوعی دارای هوش فرا بشری خواهد شد. تا به حال نوز هیچ جامعه‌ای نتوانسته به سوپر هوش مصنوعی دست پیدا کند. در حقیقت رسیدن یا نرسیدن و یا حتی زمان رسیدن به آن در حاله‌ای از ابهام می‌باشد. هم چنین این مسئله که چنین هوش مصنوعی چه کارهایی انجام می‌دهد و یا این مسئله که آیا قرار است تهدیدی برای بشر باشد یا فرصتی برای او، هم مبهم است و بسیاری از صاحب نظران نظرات بسیار متفاوتی را در این مورد دارد وبحثی داغ بین صاحبان غول‌های تکنولوژی می‌باشد. برای رسدن به این سطح از هوش مصنوعی، یک سیستم هوشمند باید تست تورینگ را پشت سر گذاشته باشد و هیچ ماشینی تا به حال به سطحی از درک و شعور و وسعت دانش یک انسان بالغ نرسیده است که از این تست سر بلند بیرون آمده باشد.تفاوت هوش مصنوعی محدود و عمومی و سوپر هوش مصنوعی در چیست؟هوش مصنوعی ضعیف جایی است که ما در حال حاضر در آن قرار داریم و هوش مصنوعی عمومی آینده ای است که می‌خواهیم به آن برویم و سوپر هوش مصنوعی آینده‌ای است که برای هوش مصنوعی می‌بینیم که حاصل تکامل و هوشمند شدن هوش مصنوعی است.هوش مصنوعی محدود به این معنا است که در آن سیستم هوش مصنوعی میزان خاصی از هوش را در یک زمینه خاص به کار ببرد. در حقیقت این سیستم هنوز یک کامپیوتر است اما یک کامپیوتری که در برخی از زمینه‌ها هوشمندتر از انسان عمل می‌کند.معنای هوش مصنوعی عمومی بسیار پیچیده‌تر است. این واژه به سیستمی اطلاق می شود که می‌توانند همانند یک انسان هر کاری را بکه به او محول می‌شود را انجام دهد. ایده آل هوش مصنوعی عمومی آن است که بتواند به درک تجربی و شناخت کلی از محیط هایی که در آن قرار می‌گیرد داشته باشد و هم چنین بتواند داده‌ها و اطلاعاتی که به او داده می‌شود را با سرعتی چند برابر انسان پردازش نماید. از این رو می‌توانیم بگوییم که سیستم‌های هوش مصنوعی عمومی در بعد دانش ، توانایی شناختی و سرعت پردازش از انسان‌ها قوی‌تر عمل خواهند کرد نکته مهم این است که این سیستم زاده مغز و علم بشر است.سوپر هوش مصنوعی همان طور که گفته شد زمانی است که هوش مصنوعی به فراتر از توانایی‌های انسان دست خواهد یافت. این سیستم می‌تواند دارای قدرت‌هایی باشد که یک انسان از داشتن آن نحروم است. رسیدن به این سیستم در اثر تکامل یافتن هوش مصنوعی عمومی اتفاق خواهد افتاد و ساخت آن هم می‌تواند به دست بشر باشد و یا اینکه می‌تواند به دست سیتستم‌های هوشمندی باشد که به تکامل دست یافته‌اند.هوش مصنوعی چگونه آموزش می‌بیند؟امروزه سیستم‌های هوش مصنوعی به کمک یادگیری ماشین و یادگیری عمیق هوشمند می‌شوند و می‌توانند یاد بیرند و آموزش ببینند. در ادامه هر کدام را معرفی می‌کنیم.یادگیری ماشینیادگیری ماشین (Machine Learning) یکی از زیر مجموعه های هوش مصنوعی است که به سیستم ها این امکان را می دهد تا به صورت خودکار یادگیری و پیشرفت داشته باشند بدون اینکه نیاز باید تا یک برنامه نویسی مخصوص به آن یادگیری خاص را انجام داد. تمرکز اصلی یادگیری ماشینی بر توسعه برنامه‌هایی است که بتوانند با دسترسی به داده‌ها، به طور خودکار از آن‌ها برای یادگیری خود سیستم استفاده کنند.در یادگیری ماشین فرآیند یادگیری با مشاهدات یا داده ها آغاز می شود و سیستم از مثال ها، تجارب مستقیم و یا دستور العمل ها و.. استفاده می‌کند تا به یک الگو مشخص برسد و بر اساس آن الگو شروع به تصمیم گیری و حل مسئله کند. هدف اصلی یادگیری ماشین آن است که به کامپیوتر اجازه بدهیم که بدون دخالت و کمک انسان به طور اتوماتیک یادگیری داشته باشند و بتواند بر اساس مشاهدات و داده‌ها رفتار خود را تنیم کند.الگوریتم های بسیار مختلفی برای یادگیری ماشین وجود دارد و هر روزه صدها الگوریتم جدید نیز در این زمینه تولید می‌شوند. به طور معمول این الگوریتم‌ها به وسیله سبک یادگیری (learning style) (مانند یادگیری نظارت شده، یادگیری بدون نظارت، یادگیری نیمه نظارت) و یا با توجه به شباهتشان در فرم و عملکرد ( مانند طبقه بندی، برگشت، درخت تصمیم گیری، دسته کردن، یادگیری عمیق و…) گروه بندی می شوند. صرف نظر از هر دو گروه‌بندی، تمام الگوریتم های یادگیری ماشین معمولا در زمینه‌های زیر فعالیت می‌کنند:نمایش: مجموعه ای از طبقه بندی کننده ها یا زبانی که کامیوتر آن را می فهمد.ارزشیابی: همچنین معروف به عملکرد هدف/نمره دهی.بهینه سازی: روش جست و جو؛ اغلب طبقه بندی کننده ای با بالاترین امتیاز.هدف اساسی الگوریتم‌های یادگیری ماشین تفسیر موفقیت آمیز داده‌ها و تعمیم یادگیری‌ها به فراتر از نمونه‌های آموزش داده شده است.یادگیری عمیقیادگیری عمیق نوعی از یادگیری ماشین و هوش مصنوعی است که در واقع از روشی که ذهن انسان برای یادگیری موضوع خاصی به کار می‌گیرد، تقلید می‌کند. این نوع از یادگیری یکی از عناصر مهم در علم داده می‌باشد که شامل آمار و مدل سازی پیش بینی است. یادگیری عمیق برای دانشمندان داده که وظیفه جمع آوری ، تجزیه و تحلیل و تفسیر مقادیر زیادی از داده ها را دارند، بسیار کاربردی است و روند تحلیل و تفسیر داده‌ها را سریعتر و آسان تر می کند.به نوعی می توان گفت یادگیری عمیق در واقع همان یادگیری ماشین است به گونه ای که در سطح کارهای پیچیده، نمایش یا انتزاع، عمل یادگیری را برای یک سیستم هوش مصنوعی انجام می‌دهد و به این صورت ماشین درک بهتری از واقعیت های وجودی پیدا می‌کند و می تواند الگوهای مختلف را شناسایی کند. در ساده ترین سطح، یادگیری عمیق را می توان راهی برای خودکار سازی تجزیه و تحلیل پیش بینی‌ها دانست.برای شناسایی نحوه کار کرد یادگیری عمیق باید با شبکه‌های عصبی آشنا باشید. این نوع از یادگیری در واقع همانند یادگیری به وسیله شبکه‌های عصبی هستند که دارای لایه پنهان زیادی می‌باشند و هر چقدر در این لایه ها جلو تر بروید به مدل های پیچیده‌تر و کامل‌تری می‌رسید.دسته بندی سیستم‌های هوش مصنوعیآرند هینتز، استادیار زیست شناسی تلفیقی و علوم کامپیوتر دانشگاه ایالتی میشیگان، هوش مصنوعی را به چهار دسته کلی تقسیم بندی می کند. این دسته بندی شامل سیستم هایی که امروزه وجود دارند تا سیستم های احساسی که هنوز وجود ندارند را در بر می گیرد. این دسته ها به شرح زیر هستند:نوع اول: ماشین های انفعالینمونه این دسته deep blue است که یک برنامه شطرنج بود که در دهه 1990 توانست گری کاسپاروف، قهرمان شطرنج جهان را شکست دهد. deep blue می توانست مهره های روی هر خانه شطرنج را شناسایی کند و حرکت های پیش رو را پیش بینی کند. مشکل برنامه آن بود که نمی توانست تجربه های قبلی خود را به یاد بسپارد و از آن برای حرکت های آینده اش استفاده کند. این برنامه هربار تمام حرکت های استراتژیک ممکن خود و رقیب را بررسی و آنالیز می کرد و بهترین آن ها را انتخاب می کرد. این نوع از هوش مصنوعی و برنامه های این چنینی برای هدف های محدودی قابل استفاده هستند و نمی توانند به راحتی در موقعیت های دیگری کاربرد داشته باشند.نوع دوم: حافظه محدوداین سیستم هوش مصنوعی برعکس قبلی می تواند از تجارب گذشته برای تصمیمات آینده اش استفاده کند. برخی از کارکرد های تصمیم گیری در ماشین های خود ران از این نوع طراحی هستند. این نوع ماشین ها از مشاهداتشان برای تصمیماتی که در آینده ای نه چندان دور می خواهند بگیرند استفاده می کنند. مثلا اینکه لاینی که در آن در حال رانندگی هستند را عوض کنند. البته این نوع مشاهدات و تجربیات به صورت همیشگی ذخیره نمی شوند.نوع سوم: تئوری ذهناین نوع از هوش مصنوعی هنوز وجود ندارد اما اساس این عبارت روانشناختی به تمامی اعتقادات و دانش ها، آرزوها و آمال و نیت هر فرد بر می گردد و تاثیری که هر کدام از آن ها بر تصمیم گیری یک فرد دارد. این هوش مصنوعی قادر به درک و آنالیز این نوع از تصمیم گیری ها می باشد.نوع چهارم: خود آگاهیدر این دسته سیستم هوش مصنوعی آگاهی از خود و هوشیاری وجود دارد. ماشین های دارای خود آگاهی می توانند بفهمند که در چه سطح و حالتی هستند و می توانند از اطلاعاتی که بدست می آورند احساسات دیگران را نتیجه گیری کنند. البته این نوع از هوش مصنوعی نیز همانند مورد سوم هنوز وجود ندارد.آیا رباتیک همان هوش مصنوعی است؟رباتیک در حقیقت حوزه ای از علم و تکنولوژی است که با ربات ها سر و کار دارد و به طور کلی می‌توان گفت ربات‌ها ماشین‌هایی هستند که برای انجام یک سری کارها به صورت اتوماتیک یا نیمه اتوماتیک، از قبل برنامه ریزی شده‌اند. رباتیک علمی است که با طراحی، ساخت و برنامه نویسی انواع ربات‌ها سر و کار دارد و تنها بخش کوچکی از زیر مجموعه آن است که به هوش مصنوعی مربوط می شود و با آن ادغام شده و تشکیل ربات های دارای هوش مصنوعی را می دهد. هوش مصنوعی نیز زیر مجموعه‌ای از علوم کامپیوتر است که به تولید برنامه‌هایی می‌پردازد که وظایفی که نیاز به هوش انسانی دارد را انجام دهند. الگوریتم های هوش مصنوعی دارای یادگیری، درک، حل مسئله، درک زبان طبیعی و یا استدلال منطقی می باشند.از هوش مصنوعی در دنیا کاربردهای متنوع و فراوانی دارد و این تکنولوژی در زمینه‌های مختلفی برای اتوماتیک کردن و یا هوشمند کردن فرآیندها استفاده می‌شود. برای مثال موتور جستجوگر گوگل از هوش مصنوعی در جستجو ایش استفاده می‌کند تا بهترین و نزدیک‌ترین نتیجه به آن چه که کاربر می‌خواهد را پیدا کند. الگوریتم‌های هوش مصنوعی تنها به منظور کنترل ربات‌ها ساخته نشده‌اند. در واقع زمانی که از هوش مصنوعی برای کنترل یک ربات استفاده می‌کنیم، در حقیقت این هوش مصنوعی تنها یک بخشی از سیستم رباتیکی بزرگتری است که این سیستم بزرگ‌تر خود شامل سنسورها، فعال کننده‌ها و برنامه نویسی‌هایی است که هوش مصنوعی در آن دخیل نمی‌باشد. هوش مصنوعی و رباتیک دو علم کاملا جدا از هم هستند و اصلا به یکدیگر شباهتی ندارند و تنها در برخی از بخش‌ها به منظور هوشمند شدن ربات‌ها از هوش مصنوعی استفاده می‌شود.کاربرد هوش مصنوعی در کسب و کارهای مختلفاز 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 کاربرد ها در هر حوزه می پردازیم:هوش مصنوعی در حوزه سلامتمهم 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 کاربرای 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 وپرورشهوش 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 اقتصادسیستم 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 قضاروند کشف اسناد و مدارک غالبا برای انسان ها بسیار سخت است. اتوماسیون و هوش مصنوعیمی 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 تولیداین 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 امنیتاز 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 داده‌هاکلان 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.چالش‌های هوش مصنوعیبه کارگیری هوش مصنوعی نه تنها در ایران بلکه در بسیاری از کشورهای پیشرفته با چالش‌های متعددی مواجه است. چالش عمده ای که کسب و کارها در به کارگیری هوش مصنوعی با آن سر و کار دارند مربوط به افراد و نیروی انسانی، داده‌ها و اطلاعات مورد نیاز و یا ترجیحات و ترازهای تجاری می باشد. در ادامه هر کدام از این چالش‌ها را به طور مختصر بررسی می‌کنیم.چالش‌های مربوط با داده‌ها و اطلاعاتمشکل مربوط به داده ها احتمالا یکی از مسائلی است اکثر شرکت ها با آن درگیر خواهند بود. هر سیستم هوش مصنوعی به اندازه داده‌هایی که به آن داده می‌شود عملکرد خوبی خواهد داشتدر حقیقت داده عنصر اصلی مورد نیاز تمام راه حل‌هایی است که هوش مصنوعی قرار است پیش روی یک کسب و کار قرار دهد. برخی از مشکلات مربوط به داده و جمع آوری آن عبارتند از:چگونگی کیفیت و کمیت داده هابرچسب داده هاقابل فهم و شرح بودنCase-specific بودن فرآیند آموزشجانب داریمقابله با خطاهای مدل هاچالش‌های مربوط به افراد و نیروهای انسانیدو مشکل عمده در رابطه با افراد برای به کارگیری هوش مصنوعی وجود دارد و این دو مشکل یکی نبود درکی از هوش مصنوعی در بین افراد غیر متخصص و کارمندان یک شرکت است و دیگری کمبود متخصصان هوش مصنوعی در حوزه هر کسب و کار می باشد. به کارگیری هوش مصنوعی در یک کسب و کار تا حد زیادی نیاز به مدیریتی آشنا با هوش مصنوعی و درک آن تکنولوژی دارد. متاسفانه هنوز بسیاری از افراد به هوش مصنوعی به صورت یک افسانه نگاه می‌کنند و انتظارات غیر علمی و تا حدی تخیلی از آن دارند و نمی‌دانند که هوش مصنوعی چه تحولی را می‌تواند در کسب و کار آن‌ها ایجاد کند.چالش‌های درون سازمانی و سیاست‌های درونی هر کسب و کاردر هر کسب و کارو سازمانی برای به کارگیری هوش مصنوعی چند مشکل عمده وجود دارد که ناشی از سیاست‌های داخلی سازمان و تصمیمات درون سازمانی است. این چالش‌ها عبارتند از:کمبود ترازهای بیزینسیدشواری در ارزیابیچالش های ادغام کسب و کار و هوش مصنوعی با یکدیگرمسائل حقوقیبرای مطالعه مطالب بیشتر در زمینه هوش مصنوعی و کاربردهای آن به بلاگ عامر اندیشمراجعه کنید.

هوش مصنوعی چیست؟

مرتضا — Sun, 14 Jun 2020 12:01:19 +0430

هوش مصنوعی Artificial intelligence شاخه‌ای از علوم کامپیوتر است که در آن به ساخت ماشین‌هایی هوشمند پرداخته می‌شود که مانند انسان‌ها عمل می‌کنند و واکنش انجام می‌دهند.یک عامل هوشمند، سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را پس از تحلیل و بررسی افزایش می‌دهد. هوش مصنوعی در آینده‌ای نه چندان دور زندگی بیشنر انسان‌ها را تحت تاثیر قرار خواهد داد. بنا بر تحقیق معتبر دانشگاه آکسفورد که در سال ۲۰۱۳ انجام گرفته است؛ ۴۷ درصد از کل جایگاه‌های شغلی ایالات متحده در سال ۲۰۳۰ به شکل اتوماسیون و بدون حضور انسان انجام می‌گیرند. همچنین برنامه‌نویسان و مهندسان نرم‌افزار در ۲۰ سال آینده تنها ۸ درصد امکان اتوماسیون شغلشان وجود دارد. محققین براین باوراند که نهایتا مهندسان نرم‌افزار روزی با برنامه‌ای هوشمند جایگزین خواهند شد؛ برنامه ای که می‌تواند کدها را خود کپی کند، بنویسد و آن‌ها را بهبود بخشد.آموزش و یادگیری چگونه انجام می‌شود؟مهندسی دانش بخش بزرگی از پژوهش‌های مورد نیاز هوش مصنوعی را تشکیل می‌دهد. ماشین‌ها در صورتی می‌توانند مانند انسان‌ها رفتار کنند که اطلاعات فراوانی از جهان اطراف خود داشته باشند.یادگیری ماشین نیز یکی دیگر از بخش‌های اصلی هوش مصنوعی است. آموزش به ماشین به شکل‌های گوناگونی دسته بندی شده است. ساده ترین راه برای یادگیری ماشین روش “آزمون و خطا” است. برای مثال، یک برنامه ساده برای کیش و مات کردن شاهِ حریف در یک بازی شطرنج را در نظر بگیرید. برنامه مهره‌های شطرنج را به صورت تصادفی آن قدر حرکت می‌دهد تا موفق به کیش و مات کردن طرف مقابل شود و در دفعه‌ی بعدی که همین مسئله‌ دوباره به کامپیوتر داده شود می‌تواند سریعاً مسئله را حل کند و پاسخ را بیابد.هدف یادگیری ماشینی این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها بازدهی بالاتری در وظیفهٔ مورد نظر پیدا کند. گستردهٔ این وظیفه می‌تواند از تشخیص خودکار چهره با دیدن چند نمونه از چهرهٔ مورد نظر تا فراگیری شیوهٔ گام‌برداری برای روبات‌های دوپا با دریافت سیگنال پاداش و تنبیه باشد. یکی از پروژه‌های معروف یادگیری ماشینی، پروژه‌ی تشخیص سن از روی تصویرِ شرکت مایکروسافت است.هوش مصنوعی به چند نوع تقسیم می‌شود؟آنچه امروزه به هوش مصنوعی مشهور است به دو دسته‌ی “ANI” و “AGI” تقسیم می‌شود.ANIANI مخفف Artificial Narrow Intelligence (هوش محدود مصنوعی) است و معمولاً به آن “هوش مصنوعی ضعیف” هم می‌گویند. این نوع هوش مصنوعی تنها می‌تواند در یک حیطه‌ی محدودی از تخصص فعالیت کند. برای مثال می‌توان به آبی بزرگ (Big Blue) اشاره کرد. ابر کامپیوتری که IBM در سال ۱۹۹۷ ساخت تا بزرگ‌ترین شطرنج بازان جهان را شکست دهد. آبی بزرگ یک کار را بسیار عالی انجام می‌دهد: شکست انسان در شطرنج. اما تخصص آن به همین مورد محدود می‌شود.شاید تا به حال متوجه این موضوع نبوده باشید، ولی همین حالا هم توسط هوش مصنوعی ضعیف یا ANI محاصره شده‌ایم. ماشین‌هایی که عادات جستجوی شما در گوگل را ردگیری می‌کنند و بر اساس هزاران متغییر مختلف تبلیغات مناسب را برای شما به نمایش در می‌آورند، بر اساس ANI های ابتدایی ساخته شده‌اند که در طول زمان سلایق شما را یاد می‌گیرند. مثال دیگر فیلترهای هوشمند سرویس‌های ایمیل برای پاکسازی اینباکس شما از اسپم است. سیستم‌هایی که در یک لحظه بین میلیون‌ها پیام به جستجو می‌پردازند و تصمیم می‌گیرند که کدام یک واقعی است و کدام باید حذف شود.هوش‌ مصنوعی امروزی کار‌هایی را انجام می‌دهد که از قبل برای آن برنامه ریزی شده ‌است. برای مثال دستیار‌های صوتی امروزه به صورتی برنامه ریزی شده‌اند که تنها قادر به نمایش وضعیت آب و هوا،ارسال پیام، تنظیم آلارم، پخش آهنگ و … باشند. آن‌ها کار‌هایی خارج از چیزی که برایشان از قبل تعریف شده انجام نمی‌دهند. آن‌ها فکر نمی‌کنند و دارای احساسات نیستند و برای جواب سوالاتی‌ که از آن‌ها می‌پرسیم برنامه‌ریزی شده اند. در واقع پایگاه داده‌ای از مجوعه‌ی سوال و جواب به آن‌ها داده شده است. شاید برای رفع این مشکل نیاز به شبیه سازی یک مغز مانند مغز انسان باشد! این گونه دستیار‌های صوتی، خود قادر به جمله سازی برای پاسخ به سوالات کاربران هستند و دیگر پاسخ‌های تکراری نمی‌دهند. (برخی از دستیار‌های صوتی مانند کورتانا، پاسخ برخی از سوالات پیچیده را در اینترنت جستجو می‌کند و جواب می‌دهند.)ANI نسخه‌ی مفید و نسبتاً بی‌ضرر هوش ماشین است که می‌تواند به تمام بشریت سود برساند؛ زیرا اگرچه قادر به پردازش میلیاردها عدد و درخواست در یک زمان است، اما همچنان مقید به عمل در یک حیطه‌ی خاص است که آن عملکرد هم محدود به تعداد ترانزیستورهایی است که ما به آن اجازه می‌دهیم داشته باشد. در سمت دیگر، هوش مصنوعی‌ای که نگرانی بسیاری را بر انگیخته است “Artificial General Intelligence” (هوش عمومی مصنوعی) یا به اختصار AGI است.AGIساختن چیزی که حتی با کمی اغماض بتوان نام AGI بر آن گذاشت می‌تواند بزرگترین دستاورد علوم کامپیوتر باشد و اگر روزی به آن دست پیدا کنیم، همه‌ی زوایای جهانی را که می‌شناسیم را تغییر خواهد داد. موانع زیادی برای رسیدن به هوش مصنوعی برابر با ذهن انسان وجود دارد. یکی از موانع این است که هرچند شباهت‌های زیادی بین نحوه‌ی عملکرد مغز ما و شیوه‌ی پردازش اطلاعات توسط کامپیوترها وجود دارد، اما وقتی نوبت به تفسیر اطلاعات مانند مغز انسان می‌رسد، ماشین‌ها عادت بدی دارند که بیش از حد به جزئیات توجه می‌کنند. شاید حکایت کسی که برای تفریح به طبیعت رفته بود و “درخت ها نمی‌گذاشتند جنگل را ببیند!” به خوبی توصیف کننده‌ی این وضعیت باشد.دانشمندان در پی شبیه سازی مغز انسان هستند. اما به دلیل توان کم ابر کامپیوتر‌های فعلی و مصرف زیاد انرژی این کار به صورت کامل امکان پذیر نیست. IBM برای رفع مشکل مصرف انرژی ابر کامپیوتر‌ها، در حال توسعه‌ی تراشه‌هایی مبتنی بر شبکه‌‌های عصبی است. IBM تا به حال توانسته به قدرتی فراتر از قدت پردازشی مغز یک موش دست پیدا کند. اندازه کل مجموعه‌ی طراحی شده برابر با سایز یک یخچال کوچک است.درون این مجموعه بسته‌‌های کوچکی به اندازه‌ی درایو دیسک سخت ( هارد درایو) رایانه قرار گرفته است. داخل این بسته‌های کوچک تراشه‌هایی که همگی مبتنی بر فناوری شبکه‌های عصبی هستند قرار گرفته‌اند. IBM این تراشه‌ها را TrueNorth نام گذاریکرده است. این تراشه‌ها با استفاده از سیلیکون و متشکل از آنالوگ‌های فیزکی طراحی شده‌اند که شامل نئورون‌ها و سیناپس‌ها (ارتباط بین نئورون) هستند و به صورت اختصاصی برای فعالیت در بستر شبکه‌های عصبی طراحی شده‌اند.هر تراشه شامل بیش از یک میلیون نئورون و ۲۵۶ سیناپس بین نئورون‌ها است. درون هر بسته بیش از ۴۸ میلیون نئورون سیلیکونی قرار گرفته که تعداد آن‌ها از نئورون‌های موجود در غشا مغزی یک موش بیشتر است. مغز موش‌ها بیش از ۲۱ میلیون نئورون در خود جای داده است. با در نظر گرفتن این موضوع می‌توان به جرات گفت که قدرت پردازشی فوق‌العاده‌ای درون این بسته‌ها جا گرفته است. پیاده‌سازی چنین شبکه‌ی عظیمی با استفاده از معماری‌های معمول می تواند فضای زیادی را اشغال کند بطوریکه انرژی مورد نیاز برای راه‌اندازی آن می‌توان با انرژی الکتریکی مورد نیاز یک شهر برابری کند؛ اما آنچه که IBM ساخته است تنها به ۷۰ میلی وات انرژی نیاز دارد.اما اگر روزی یک شبیه سازی کامل از مغز انسان ساخته شود؛ این شبیه ساز باید قادر به فکر کرن درک احساسات انسانی مانند عشق، نفرت و درد باشد و همانند یک انسان عمل کند.هوش مصنوعی جه کاربردهایی دارد؟کاربرد‌ها در زندگیامروزه نیز می‌توان کاربرد‌های هوش مصنوعی‌ را در زندگی روزمره مشاهده کرد. برای مثال برخی از چراغ‌های راهنمایی رانندگی هوشمند با محاسبه زمان مورد نیاز برای توقف خودرو‌ها در پشت چراغ قرمز از هوش مصنوعی استفاده می‌کنند. غلط یاب‌ گوشی‌های هوشمند کلماتی را که نادرست نوشته شده‌اند را شناسایی و آن را با کلمه‌ی درست جایگذاری می‌کنند. آن‌ها شیوه نگارش شما را یاد می‌گیرند و کلماتی مناسب را برای تکمیل جمله ارائه می دهند. دستیار‌های صوتی گوگل (Google Now) ، اپل (Siri) و مایکروسافت (Cortana) به سوالات و درخواست‌های شما پاسخ می‌دهند و در هنگام رانندگی تنها با گوش سپردن به سخنان شما؛ برای دوستانتان پیامک می نگارد و ارسال می‌کند . همچنین با شناختی که از شما دارند (مانند سلیقه) به بررسی رستوران‌های نزدیک مورد علاقه شمامی‌پردازند و بهترین رستوران را پیشنهاد می‌دهند.همچنین برخی از موتور‌های جستجوگر مانند گوگلشیوه جستجو نمودن شما را یاد می‌گیرند و متناسب با آنچه که به دنبال آن می‌گردید، نتایج را سفارش سازی می‌کنند. به تبلیغات هوشمند گوگل نیز می‌‌توان اشاره کرد: کافی است یک اپلیکیشن را از فروشگاه اپلیکیشن گوگل (Google Play) دانلود و یا فیلمی را از یوتیوب نگاه کنید تا تبلیغات مرتبط با آن‌ها را در سایت‌هایی که از کد‌های تبلیغاتی گوگل استفاده می‌کنند مشاهده کنید. اپلیکیشن و سایت فیسبوک را نیز می‌توان به عنوان یکی از سایت‌هایی نام برد که با استفاده از هوش مصنوعی، تبلیغات خود را برای کاربران هدفمند نموده و باعث شده است تا سودی چند برابر به دست آورد.از دیگر کاربرد‌های هوش مصنوعی می‌توان تطابق دادن اثر انگشت‌ها یا چهره‌ها برای باز نمودن قفل امنیتی گوشی‌های هوشمند را نام برد.کاربردهای دیگر…در حال حاضر نرم افزار‌هایی با استفاده از یادگیری ماشینی ساخته شده‌اند که قادر به تشخیص و توصیف اجسام درون تصویر و تشخیص حالات (احساسات) از روی صورت هستند. شرکت‌های بزرگی مانند گوگل و مایکروسافت نیز اقدام‌هایی در مورد توسعه‌ی پروژه‌هایی مانند سیستم تشخیص اجسام درون تصویر نیز انجام داده‌اند؛ اما تا به حال آن را برای استفاده عموم منتشر نکرده اند. از معروف‌ترین پروژه‌های بینایی ماشین با قابلیت تشخیص اشیاء، می‌توان پروژه‌ی Image Identification شرکت Wolfram را نام برد که برای استفاده عموم به صورت آنلاین منتشر شده است.فاوانا – فناوری اطلاعات و ارتباطات آریا نسیم ایرانیان