شاخه های هوش مصنوعی

کمی پیش درباره ی هوش مصنوعی و تاریخچه ی آن بررسی هایی داشتیم در این نوشته قصد بررسی شاخه های مختلف هوش مصنوعی را داریم.

قبل از مطالعه ی این مقاله پیشنهاد می شود کمی درباره ی هوش مصنوعی بخوانید.

از اصلی ترین شاخه های هوش مصنوعی می توان به موارد زیر اشاره داشت:

یادگیری ماشین

یادگیری ماشین یا Machine Learning شاخه‌ای از هوش مصنوعی است که به مطالعه و ساخت سیستم ‌هایی با قابلیت یادگیری از داده ‌ها می‌پردازد.

به طور مثال، به کمک سیستم یادگیری ماشین می‌ توان یک سیستم مدیریت ایمیل را آموزش داد تا پیام‌ های هرزنامه را از دیگر پیام‌ ها تشخیص دهد.

این سیستم پس از یادگیری می‌ تواند به دسته ‌بندی ایمیل ‌های جدید به هرزنامه و غیر آن بپردازد.

مساله اصلی در یادگیری ماشین، عرضه و کلی ‌سازی است.

عرضه نمونه‌ های داده‌ای و توابعی که بر اساس این نمونه‌ ها ارزیابی می‌ شوند، همگی بخشی از سیستم‌ های یادگیری ماشین هستند.

کلی‌ سازی به معنی این قابلیت است که سیستم روی نمونه‌ های داده ‌ای نادیده نیز به خوبی عمل خواهد کرد.

شرایطی که تحت آنها بتوان این مساله را تضمین کرد، از موضوعات اصلی مطالعه در زیر مجموعه نظریه یادگیری محاسباتی است.

انواع گسترده ای از فعالیت‌ ها و کاربرد های موفق یادگیری ماشین وجود دارد. تشخیص اپتیکال کاراکتر که در آن کاراکتر های چاپی به صورت خودکار و بر اساس نمونه ‌های قبلی شناخته می‌شوند، مثالی سنتی از یادگیری دستگاه است.

بینایی ماشین فناوری و روش ‌های مورد استفاده برای بهبود شناسایی و تحلیل خودکار مبتنی بر تصویر در کاربرد هایی مانند بازرسی خودکار، کنترل روند و هدایت روبات در صنعت است.

حوزه بینایی ماشین بسیار گسترده است.

کاربرد اصلی بینایی ماشین در بازرسی خودکار و هدایت روبات ‌های صنعتی است.

همچنین برخی کاربرد های رایج بینایی ماشین در تضمین کیفیت، دسته ‌بندی، کار با مواد، هدایت روبات ‌ها و اندازه ‌گیری نوری است.

روش‌ های بینایی ماشین به دو صورت تعریف می ‌شوند، تعریف و ایجاد یک برنامه بینایی ماشین و نیز روندی فنی که در جریان اجرای این برنامه اتفاق می ‌افتد.

در اینجا به مورد دوم می‌ پردازیم.

این مساله شامل رابط ‌های کاربری، رابط ‌های ادغام سیستم‌ های چند بخشی و تبادل داده اتوماتیک می ‌شود.

به هر حال، اولین قدم در جریان اجرای بینایی ماشین، گرفتن یک تصویر است که معمولا با استفاده از دوربین، لنز و نور پردازی انجام می ‌شود و باید وضوح مورد نیاز در پردازش ‌های بعدی در طراحی آن لحاظ شده باشد.

سپس بسته نرم ‌افزاری بینایی ماشین از تکنیک‌ های مختلف پردازش تصویر دیجیتال استفاده کرده و اطلاعات مورد نیاز را استخراج و معمولا بر اساس اطلاعات استخراج‌ شده تصمیم ‌گیری ( معمولا تایید/رد ) می‌ کند.

پیشنهاد نویسنده: بازار کار حوزه ی یادگیری ماشین

پردازش زبان طبیعی

پردازش زبان طبیعی یکی از حوزه ‌های علوم کامپیوتر، هوش مصنوعی و زبان شناسی است که به تعامل کامپیوتر و زیان انسان ( طبیعی ) می‌ پردازد.

از این منظر پردازش زبان طبیعی به حوزه تعامل انسان – کامپیوتر مربوط می ‌شود.

بسیاری از چالش ‌های پردازش زبان طبیعی به درک زبان طبیعی مربوط می ‌شود – یعنی ایجاد توانایی در کامپیوتر برای استخراج مفهوم ورودی زیان انسانی یا طبیعی.

با وجود فعالیت‌ های قدیمی ‌تر، تاریخچه پردازش زبان طبیعی عموما در دهه ۱۹۵۰ میلادی آغاز شد.

در سال ۱۹۵۰ میلادی آلن تورینگ مقاله ‌ای را با عنوان “هوش و دستگاه محاسباتی” منتشر و در آن، آنچه را امروز به تست تورینگ موسوم است، به عنوان ابزاری برای هوش معرفی کرده بود.

پیشنهاد نویسنده: بازار کار حوزه ی پردازش زبان طبیعی

روباتیک

روباتیک شاخه‌ای از فناوری است که به طراحی، ساخت، عملیات و کاربرد روبات‌ ها و سیستم‌ های کامپیوتری برای کنترل، فیدبک حسگر ها و پردازش اطلاعات می ‌پردازد.

این فناوری‌ ها با دستگاه‌ های خودکاری سر و کار دارند که می ‌توانند جانشین انسان در محیط‌ ها یا روند های تولیدی خطرناک‌ شوند یا ظاهر، رفتار و درک انسانی را شبیه ‌سازی کنند.

بسیاری از روبات‌ های امروزی از طبیعت الهام گرفته ‌اند که به شاخه روباتیک ملهم از بیولوژی مربوط می‌شوند.

مفهوم ایجاد ماشین ‌هایی که بتوانند خودکار کار کنند، به زمان‌ های دور بر می ‌گردد اما تحقیق روی عملیاتی کردن و کاربرد های احتمالی روبات‌ ها از قرن بیستم آغاز شد.

در طول تاریخ، روبات‌ ها به تقلید رفتار انسانی شناخته شده و توانسته ‌اند کار های مشابهی نیز انجام دهند.

امروزه و با پیشرفت فناوری، رشته روباتیک با سرعت زیادی در حال پیشرفت است.

تحقیق، طراحی و ساخت روبات‌ های جدید با اهداف کاربردی متفاوت عمومی، تجاری یا نظامی انجام شده است.

بسیاری از روبات‌ ها کارهایی را انجام می‌ دهند که برای انسان خطرناک است؛ مانند خنثی ‌سازی بمب و مین و بازرسی لاشه کشتی.

پیشنهاد نویسنده: بازار کار حوزه ی رباتیک

سیستم‌های خبره

در هوش مصنوعی، یک سیستم خبره یک سیستم کامپیوتری است که توانایی تصمیم‌ سازی یک انسان خبره را شبیه ‌سازی می‌کند.

سیستم ‌های خبره برای حل مشکلات پیچیده از طریق استنتاج در دانش خبرگی همانند یک انسان خبره است نه پیروی از دستورالعمل‌ های برنامه ‌نویس، آن ‌طور که در برنامه ‌های معمولی است.

اولین سیستم ‌های خبره در دهه ۱۹۷۰ میلادی ایجاد شدند و در دهه ۱۹۸۰ میلادی توسعه یافتند.

سیستم ‌های خبره از اولین اشکال واقعا موفق نرم ‌افزار های هوش مصنوعی بودند.

سیستم خبره یک ساختار خاص، متفاوت از برنامه‌ های کامپیوتری متداول است و به دو بخش تقسیم می‌ شود؛

یک بخش ثابت، مستقل از سیستم خبره: موتور استنتاج و یک بخش متغیر: پایگاه دانش. در اجرای سیستم خبره، موتور همانند یک انسان بر اساس پایگاه دانش، استدلال می‌ کند.

در دهه ۸۰ بخش سومی هم ظاهر شد: رابط مکالمه برای ارتباط با کاربران.

این توانایی برای مکالمه با کاربران بعد ها به مکالمه‌ای شهرت یافت.

برای مطالعه ی کامل تر درباره ی سیستم های خبره به مقاله ی سیستم های خبره رجوع کنید.

پیشنهاد نویسنده : بازار کار سیستم های خبره

شبکه عصبی

شبکه عصبی مصنوعی گروهی از گره‌ ها (نودها)ی به هم پیوسته، همانند شبکه عصبی گسترده در مغز است.

در اینجا هر کدام از نود های دایره‌شکل نشا ن‌دهنده یک عصب مصنوعی و فلش ‌ها نشانگر اتصال از خروجی یک عصب به ورودی عصب دیگر هستند.

در علوم کامپیوتر و رشته ‌های مربوطه، شبکه‌ های عصبی مصنوعی مدل‌ هایی الهام‌ گرفته شده از سیستم عصبی مرکزی حیوانات (به ویژه مغز) هستند که توانایی یادگیری دستگاه و تشخیص الگو را دارند.

این شبکه ‌ها معمولا سیستمی از عصب‌ های به هم پیوسته ‌اند که می ‌توانند مقادیر ورودی را با تزریق اطلاعات در شبکه محاسبه کنند.

به طور مثال در شبکه عصبی تشخیص دست ‌خط، مجموعه ‌ای از عصب‌ های ورودی با پیکسل‌ های تصویر ورودی فعال می ‌شوند که نماینده یک حرف یا عدد است.

فعال شدن این عصب ‌ها بر اساس تابعی که توسط طراح شبکه تعیین شده، به دیگر عصب ‌ها منتقل، ارزیابی یا تغییر داده می ‌شود تا نهایتا عصب خروجی فعال شود و تعیین کند چه کاراکتری خوانده شده است.

همانند دیگر روش‌ های یادگیری ماشین، شبکه ‌های عصبی هم در انواع فعالیت ‌هایی استفاده می ‌شوند که انجام آنها با برنامه ‌نویسی قراردادی معمولی دشوار است؛

از جمله بینایی ماشین و تشخیص صحبت.

پیشنهاد نویسنده : بازار کار علم شبکه عصبی

الگوریتم ژنتیک

در شاخه هوش مصنوعی از رشته علوم کامپیوتر، یک الگوریتم ژنتیک یک جست‌ و جوی مکاشفه ‌ای است که روند انتخاب طبیعی را شبیه‌ سازی می ‌کند.

این کاشف ( که گاهی متامکاشفه نیز نامیده می‌شود )، به صورت معمول برای ایجاد راه‌ حل ‌های مفید در مسائل بهینه‌سازی و جست‌ و جو استفاده می ‌شود.

الگوریتم‌ های ژنتیکی به طبقه ‌ای بزرگ ‌تر از الگوریتم ‌های تکاملی (Evolutionary Algorithm) تعلق دارند که با استفاده از تکنیک‌ های الهام‌ گرفته از تکامل طبیعی، مانند ارث ‌بری، جهش، انتخاب و عبور، راه‌حل‌ هایی را برای مسائل بهینه‌ سازی تولید می ‌کنند.

الگوریتم ‌های ژنتیکی در بیوانفورماتیک، فیلوژنتیک، علوم محاسباتی، مهندسی، اقتصاد، شیمی، تولید، فیزیک، ریاضیات، داروشناسی و دیگر موارد کاربرد دارد.

پیشنهاد نویسنده : کاربردهای حوزه الگوریتم ژنتیک

امنیت داده‌ها

بدافزار ها یکی از مشکلات کاربران و کمپانی‌ ها در فضای آنلاین است که قدمت آن به روز های ابتدایی شکل‌ گیری اینترنت باز می ‌گردد.

در سال ۲۰۱۴ میلادی، موسسه ‌ی کسپراسکی اعلام کرد که روزانه بیش از ۳۲۵٫۰۰۰ بدافزار کشف می ‌کند.

بر اساس اطلاعات ارائه شده توسط موسسه‌ی تحقیقاتی Deep Instinct، اغلب بدافزار ‌های جدید از کد مشابهی که در بدافزار ‌های پیشین مورد استفاده قرار گرفته، بهره می‌ برند، حال آنکه دامنه‌ ی تغییرات اعمال شده بین ۲ تا ۱۰ درصد است.

تحقیقات انجام شده نشان از این دارد که مدل یاد گیری مورد استفاده در هوش مصنوعی قادر است تغییرات ۲ تا ۱۰ درصدی در کد پیاده ‌سازی شده را شناسایی کرده و تشخیص دهد که کدام فایل‌ ها بدافزار هستند.

همچنین باید به این نکته اشاره کرد که الگوریتم‌ های یادگیری ماشین می‌ توانند الگوی‌ های مربوط به رد و بدل شدن اطلاعات در سرور های ابری را تحت نظر گرفته و موارد مشکوک را که احتمالا منجر به سوء استفاده‌ های امنیتی خواهند شد، شناسایی کنند.

امنیت در دنیای واقعی

این روزها گیت‌ های امنیتی در تمام مکان‌ ها نظیر فرودگاه‌ ها یا شماری از گردهمایی ‌ها که حساسیت امنیتی وجود دارد، دیده می ‌شوند.

یادگیری ماشین نشان داده که قادر است روند کنترل امنیتی را تسریع کرده و دقت این فرآیند را افزایش دهد.

با استفاده از یادگیری ماشین می ‌توان از ایجاد هشدار های اشتباه پیشگیری کرده و مواردی را تشخیص داد که اسکنر های معمولی قادر به شناسایی آن‌ ها نیستند.

از این سیستم می ‌توان در فرودگاه ‌ها، کنسرت‌ ها، استادیوم ‌ها و سایر مواردی که تعداد زیادی از افراد در آن حضور دارند، استفاده کرد.

مبادلات مالی

بسیاری از افراد تمایل دارند تا قیمت سهام کمپانی‌ ها در روز های آینده را در صورت حاکم شدن شرایط مشخص، پیش‌بینی کنند.

استفاده از یادگیری ماشین در کنار کلان‌ داده درصدد تحقق این امر است.

بسیاری از کمپانی ‌های خرید و فروش کننده‌ ی سهام از سیستم‌ های اختصاصی توسعه یافته برای پیش ‌بینی قیمت و انجام خرید و فروش بر اساس نتایج به دست آمده استفاده می‌ کنند.

بسیاری از سیستم‌ های توسعه یافته مبتنی بر علم احتمالات است، اما یک معامله که شاید احتمال کمی برای سود دهی داشته باشد، در صورتی که حجم بالایی داشته و با وجود احتمال پایین یک معامله‌ ی موفق باشد، می‌ تواند سود سرشاری را به همراه بیاورد.

به قطع یقین زمانی که حجم داده‌ هایی که باید پردازش شوند، افزایش یافت، انسان‌ ها نمی ‌توانند در برابر قدرت پردازشی رایانه ‌ها حرفی برای گفتن داشته باشند، از این ‌رو تجهیز سیستم ‌ها به قدرت محاسباتی هوش مصنوعی و یادگیری ماشین می ‌تواند در این خصوص بسیار راه گشا باشد.

همچنین این روزها تاثیر هوش مصنوعی بر سیستم های مالی به شدت چشمگیر شده است.

سرویس‌های سلامتی و مراقبت‌های بهداشتی

الگوریتم ‌های مبتنی بر یادگیری ماشین می ‌توانند اطلاعات بسیار زیادی را پردازش کرده و الگو های بسیاری را در مقایسه با انسان ‌ها از میان داده ‌های بسیار استخراج کنند.

در یک مطالعه، محققان از یک سیستم تشخیص رایانه ‌ای برای بازبینی نتایج ماموگرافی زنانی استفاده کرده ‌اند که بعد ها به بیماری سرطان سینه مبتلا شده‌‌ اند.

بر اساس اطلاعات ارائه شده این سیستم رایانه ‌ای موفق شده تا با بررسی نتایج ماموگرافی‌ های یک سال پیش در ۵۲ درصد موارد، سرطان سینه را در بیماران پیش از تشخیص پزشکان، پیش ‌بینی کند.

علاوه بر تشخیص بیماری بصورت موردی برای هر فرد براساس نتایج آزمایش، یادگیری ماشین می‌تواند با بررسی عوامل خطرناک برای بیماری جمعی، آن را پیش از همه‌ گیر شدن شناسایی کند.

کمپانی Medecision الگوریتمی را توسعه داده که با استفاده از می ‌توان با شناسایی هشت فاکتور در بیماران دیابتی، نیاز به بستری شدن در بیمارستان را تشخیص داد.

بازاریابی

هر اندازه که درک و شناخت شما از کاربرانتان بیشتر باشد، بهتر می ‌توانید به آن ‌ها سرویس بدهید و در نتیجه فروش بهتری را نیز تجربه خواهید کرد.

این نگرش را باید بنیان استفاده از یادگیری ماشین و هوش مصنوعی در بازاریابی خواند.

شاید شما این تجربه را دارید که پس از جستجو برای یک محصول و یافتن آن، از خرید پشیمان شده یا به هر دلیلی کالای مورد نظر را خریداری نکرده ‌اید، اما در روز های بعد در اغلب صفحات وب با آگهی ‌هایی رو برو شده ‌اید که کالای جستجو شده توسط شما را نمایش می‌ دهند.

این نوع بازاریابی را باید تنها بخش کوچکی از قابلیت‌ هایی بدانیم که با استفاده از یادگیری ماشین می ‌توان انجام داد.

ایمیل ‌های شخصی سازی شده ارسالی برای کاربران از جمله ‌ی دیگر کاربرد های یادگیری ماشین در بازاریابی است.

جلوگیری از تقلب

توانایی یادگیری ماشین در زمینه ‌ی شناسایی و جلوگیری از تقلب در سرویس ‌های مختلف روز به روز افزایش پیدا می ‌کند که این توانایی در حوزه‌ های مختلف قابل استفاده است.

برای مثال می ‌توان به سیستم پی ‌پال اشاره کرد که از یادگیری ماشین برای مبارزه با پولشویی از طریق پی‌ پال استفاده می ‌کند.

این کمپانی قادر است با بهره‌ گیری از یادگیری ماشین میلیون‌ ها تراکنش انجام شده را تحلیل کرده و موارد مشکوک به پولشویی را که بین خریداران و فروشندگان اتفاق می ‌افتد، پیش ‌بینی کند.

سیستم ارائه‌ی پیشنهاد

سرویس ‌هایی نظیر آمازون و نتفلیکس با استفاده از فعالیت ‌های کاربران در سرویس‌ هایشان، پیشنهاداتی را در اختیار افراد قرار می ‌دهند.

الگوریتم ‌های مبتنی بر یادگیری ماشین با تحلیل و بررسی فعالیت یک کاربر مشخص و مقایسه‌ ی آن با میلیون‌ ها کاربر دیگر، لیستی از پیشنهادات را تهیه می ‌کنند که احتمالا کاربر در نوبت بعدی به خرید کالا یا برنامه ‌ی پیشنهادی علاقه نشان دهد.

این پیشنهادات که برگرفته از سیستم‌ های هوشمند هستند، رفته رفته باهوش ‌تر شده و می ‌توانند درک کنند که شما چه کالا هایی را برای هدیه دادن و چه کالا هایی را برای استفاده‌ ی شخصی خریداری می‌ کنید.

در مورد سرویس ‌هایی نظیر نتفلیکس، این سیستم‌ ها با افزایش هوش می ‌توانند تمایلات اعضای مختلف یک خانواده را از هم تفکیک کنند.

جستجوی آنلاین

به جرات می ‌توان جستجوی اینترنتی را شناخته شده ‌ترین نمونه از کاربرد یادگیری ماشین خواند.

گوگل و رقبای این کمپانی همواره در حال بهبود نتایج جستجو هستند. هر زمانی که کاربر جستجویی را در گوگل انجام می ‌دهد، الگوریتم گوگل نحوه‌ی واکنش شما با نتایج نمایش داده شده را تحت نظر می‌ گیرد.

در صورتی که کاربر روی نتایج اولیه ‌ی جستجو کلیک کند و به صفحه ‌ی وب مورد نظر مراجعه کند، الگوریتم گوگل به این نتیجه می ‌رسد که کاربر نتیجه‌ ی مد نظر خود را یافته است.

در صورتی که کاربر بدون کلیک روی هیچ یک از نتایج به صفحه ‌ی دوم مراجعه کند یا عبارت دیگری را برای جستجو وارد کند، گوگل به این نتیجه می ‌رسد که کاربر به مواردی که در نظر داشته، دست نیافته است.

الگوریتم هوشمند مبتنی بر یادگیری ماشین قادر است با دریافت اطلاعات این چنینی، نتایج جستجو را در مقایسه با گذشته بهبود دهد.

تشخیص گفتار

تشخیص گفتار طبیعی یا Natural language Processing که به اختصار NLP خوانده می‌ شود، قابلیت استفاده در کاربرد های مختلفی را دارد.

با استفاده یادگیری ماشین و تشخیص گفتار طبیعی می ‌توان کاربران یا مشتریان را با سرعت بیشتری به سمت اطلاعاتی که مد نظر وی است، هدایت کرد.

از جمله‌ ی کاربرد های دیگر این سیستم می ‌توان به ساده‌ سازی مفاد یک قرار داد که اصطلاحات پیچیده‌ ی حقوقی دارد و همچنین خلاصه کردن تمام اطلاعاتی که یک وکیل مدافع باید آن‌ ها را مطالعه کند، اشاره کرد.

پیشنهاد نویسنده: بازار کار سیستم تشخیص گفتار

خودروهای هوشمند

IBM اخیرا تحقیقی انجام داده که براساس آن بیش از ۷۴ درصد متخصصان در حوزه‌ ی خودرو از پیش‌ بینی خود برای عرضه‌ ی تجاری خودرو های هوشمند تا سال ۲۰۲۵ میلادی سخن گفته ‌اند.

یک ماشین خودران نه تنها با استفاده از مفهوم اینترنت اشیا قادر است با خودرو های دیگر و تابلو های کنار جاده ارتباط برقرار کند، بلکه قادر است تا با یادگیری ماشین، عادت ‌های کاربر یا به بیان راننده را نیز بشناسد.

این عادات شامل دمای داخلی خودرو، تنظیمات سیستم صوتی و وضعیت صندلی است.

خودرو قادر است با تکیه بر قابلیت ‌های هوشمند تنظیمات را تغییر داده و در صورت بروز مشکل، خود مساله را حل کند.

همچنین باید به ارائه‌ ی پیشنهاد در مورد مسیر رسیدن به مقصد براساس داده‌ های ترافیکی و وضعیت جاده نیز اشاره کرد.

مطالب مفید هوش مصنوعی را در سایت ما از دست ندهید.

پایدار باشید.