شاخه‌های هوش مصنوعی

شاخه‌های هوش مصنوعی

کمی پیش درباره‌ی هوش مصنوعی و تاریخچه‌ی آن بررسی‌هایی داشتیم در این نوشته قصد بررسی شاخه‌های مختلف هوش مصنوعی را داریم.

 

شاخه‌های هوش مصنوعی

از اصلی‌ترین شاخه‌های هوش مصنوعی می‌توان به موارد زیر اشاره داشت:

یادگیری ماشین

یادگیری ماشین یا Machine Learning شاخه‌ای از هوش مصنوعی است که به مطالعه و ساخت سیستم‌هایی با قابلیت یادگیری از داده‌ها می‌پردازد. به طور مثال، به کمک سیستم یادگیری ماشین می‌‌توان یک سیستم مدیریت ایمیل را آموزش داد تا پیام‌‌های هرزنامه را از دیگر پیام‌‌ها تشخیص دهد. این سیستم پس از یادگیری می‌‌تواند به دسته ‌بندی ایمیل‌های جدید به هرزنامه و غیر آن بپردازد. مساله اصلی در یادگیری ماشین، عرضه و کلی ‌سازی است. عرضه نمونه‌‌های داده‌ای و توابعی که بر اساس این نمونه‌‌ها ارزیابی می‌‌شوند، همگی بخشی از سیستم‌‌های یادگیری ماشین هستند. کلی‌ سازی به معنی این قابلیت است که سیستم روی نمونه‌‌های داده‌ای 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 گسترده‌ای از فعالیت‌‌ها و کاربرد‌های موفق یادگیری ماشین وجود دارد. تشخیص اپتیکال کاراکتر که در آن کاراکتر‌های چاپی به صورت خودکار و بر اساس نمونه‌های قبلی شناخته می‌شوند، مثالی سنتی از یادگیری دستگاه است. بینایی ماشین فناوری و روش‌های مورد استفاده برای بهبود شناسایی و تحلیل خودکار مبتنی بر تصویر در کاربرد‌هایی 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 روبات‌های صنعتی است. هم‌چنین برخی کاربرد‌های رایج بینایی ماشین در تضمین کیفیت، دسته ‌بندی، کار با مواد، هدایت روبات‌ها و اندازه ‌گیری نوری است. روش‌‌های بینایی ماشین به دو صورت تعریف می‌شوند، تعریف و ایجاد یک برنامه بینایی ماشین و نیز روندی فنی که در جریان اجرای این برنامه اتفاق می‌افتد. در اینجا به مورد دوم می‌‌پردازیم. این مساله شامل رابط‌های کاربری، رابط‌های ادغام سیستم‌‌های چند بخشی و تبادل داده اتوماتیک می‌شود. به هر حال، اولین قدم در جریان اجرای بینایی ماشین، گرفتن یک تصویر است که معمولا با استفاده از دوربین، لنز و نورپردازی انجام می‌شود و باید وضوح مورد نیاز در پردازش‌های بعدی در طراحی آن لحاظ شود. سپس بسته نرم‌افزاری بینایی ماشین از تکنیک‌‌های مختلف پردازش تصویر دیجیتال استفاده کرده و اطلاعات مورد نیاز را استخراج و معمولا بر اساس اطلاعات استخراج‌ شده تصمیم ‌گیری (‌معمولا تایید/رد‌) می‌کند.

 

پیشنهاد نویسنده: بازار کار حوزه‌ی یادگیری ماشین

 

پردازش زبان طبیعی

پردازش زبان طبیعی یکی از حوزه‌های علوم کامپیوتر، هوش مصنوعی و زبان شناسی است که به تعامل کامپیوتر و زیان انسان (طبیعی) می‌‌پردازد. از این منظر پردازش زبان طبیعی به حوزه تعامل انسان با کامپیوتر مربوط می‌شود. بسیاری از چالش‌های پردازش زبان طبیعی به درک زبان طبیعی مربوط می‌شود. یعنی ایجاد توانایی در کامپیوتر برای استخراج مفهوم ورودی زیان انسانی یا طبیعی. با وجود فعالیت‌‌های قدیمی‌تر، تاریخچه پردازش زبان طبیعی عموما در دهه ۱۹۵۰ میلادی آغاز شد. در سال ۱۹۵۰ میلادی آلن تورینگ مقاله‌ای 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.

 

روباتیک

روباتیک شاخه‌ای از فناوری است که به طراحی، ساخت، عملیات و کاربرد روبات‌‌ها و سیستم‌‌های کامپیوتری برای کنترل، فیدبک حسگر‌ها و پردازش اطلاعات می‌پردازد. این فناوری‌‌ها با دستگاه‌‌های خودکاری سر و کار دارند که می‌توانند جانشین انسان در محیط‌‌ها یا روند‌های تولیدی خطرناک‌ شوند یا ظاهر، رفتار و درک انسانی را شبیه ‌سازی کنند. بسیاری از روبات‌‌های امروزی از طبیعت الهام گرفته‌اند که به شاخه روباتیک ملهم از بیولوژی مربوط می‌شوند. مفهوم ایجاد ماشین‌هایی که بتوانند خودکار کار کنند، به زمان‌‌های دور بر می‌گردد اما تحقیق روی عملیاتی کردن و کاربرد‌های احتمالی روبات‌‌ها از قرن بیستم آغاز شد. در طول تاریخ، روبات‌‌ها به تقلید رفتار انسانی شناخته شده و توانسته‌اند کار‌های مشابهی نیز انجام دهند. امروزه و با پیشرفت فناوری، رشته روباتیک با سرعت زیادی در حال پیشرفت است. تحقیق، طراحی و ساخت روبات‌‌های جدید با اهداف کاربردی متفاوت عمومی، تجاری یا نظامی انجام شده است. بسیاری از روبات‌‌ها کارهایی را انجام می‌‌دهند که برای انسان خطرناک است؛ مانند خنثی ‌سازی بمب و مین و بازرسی لاشه کشتی.

 

پیشنهاد نویسنده: بازار کار حوزه‌ی رباتیک

 

سیستم‌های خبره

در هوش مصنوعی، یک سیستم خبره یک سیستم کامپیوتری است که توانایی تصمیم‌ سازی یک انسان خبره را شبیه ‌سازی می‌کند. سیستم‌های خبره برای حل مشکلات پیچیده از طریق استنتاج در دانش خبرگی همانند یک انسان خبره است نه پیروی از دستورالعمل‌‌های برنامه ‌نویس، آن ‌طور که در برنامه‌های معمولی است. اولین سیستم‌های خبره در دهه ۱۹۷۰ میلادی ایجاد شدند و در دهه ۱۹۸۰ میلادی توسعه یافتند. سیستم‌های خبره از اولین اشکال واقعا موفق نرم‌افزار‌های هوش مصنوعی بودند. سیستم خبره یک ساختار خاص، متفاوت از برنامه‌‌های کامپیوتری متداول است و به دو بخش تقسیم می‌‌شود؛ 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 می‌‌کند. در دهه ۸۰ بخش سومی هم ظاهر شد: رابط مکالمه برای ارتباط با کاربران. این توانایی برای مکالمه با کاربران بعد‌ها به مکالمه‌ای شهرت یافت. برای مطالعه‌ی کامل‌تر درباره‌ی سیستم‌های خبره به مقاله‌ی سیستم‌های خبره رجوع کنید.

 

پیشنهاد نویسنده‌: بازار کار سیستم‌های خبره

 

شبکه عصبی

شبکه عصبی مصنوعی گروهی از گره‌‌ها (نودها)ی به هم پیوسته، همانند شبکه عصبی گسترده در مغز است. در اینجا هر کدام از نود‌های دایره‌شکل نشان‌دهنده یک عصب مصنوعی و فلش‌ها نشانگر اتصال از خروجی یک عصب به ورودی عصب دیگر هستند. در علوم کامپیوتر و رشته‌های مربوطه، شبکه‌های عصبی مصنوعی مدل‌‌هایی الهام‌ گرفته شده از سیستم عصبی مرکزی حیوانات (به ویژه مغز) هستند که توانایی یادگیری دستگاه و تشخیص الگو را دارند. این شبکه‌ها معمولا سیستمی از عصب‌‌های به هم پیوسته‌اند که می‌توانند مقادیر ورودی را با تزریق اطلاعات در شبکه محاسبه کنند. به طور مثال در شبکه عصبی تشخیص دست ‌خط، مجموعه‌ای از عصب‌‌های ورودی با پیکسل‌‌های تصویر ورودی فعال می‌شوند که نماینده یک حرف یا عدد است. فعال شدن این عصب‌ها بر اساس تابعی که توسط طراح شبکه تعیین شده، به دیگر عصب‌ها منتقل، ارزیابی یا تغییر داده می‌شود تا نهایتا عصب خروجی فعال شود و تعیین کند چه کاراکتری خوانده شده است. همانند دیگر روش‌‌های یادگیری ماشین، شبکه‌های عصبی هم در انواع فعالیت‌هایی استفاده می‌شوند 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 مکاشفه‌ای است که روند انتخاب طبیعی را شبیه‌ سازی می‌کند. این کاشف (که گاهی متامکاشفه نیز نامیده می‌شود‌)، به صورت معمول برای ایجاد راه‌ حل‌های مفید در مسائل بهینه‌سازی و جست‌ و جو استفاده می‌شود. الگوریتم‌‌های ژنتیکی به طبقه‌ای بزرگ‌تر از الگوریتم‌های تکاملی (Evolutionary Algorithm) تعلق دارند که با استفاده از تکنیک‌‌های الهام‌ گرفته از تکامل طبیعی، مانند ارث ‌بری، جهش، انتخاب و عبور، راه‌حل‌‌هایی را برای مسائل بهینه‌ سازی تولید می‌کنند. الگوریتم‌های ژنتیکی در بیوانفورماتیک، فیلوژنتیک، علوم محاسباتی، مهندسی، اقتصاد، شیمی، تولید، فیزیک، ریاضیات، داروشناسی و دیگر موارد کاربرد دارد.

 

امنیت داده‌ها

بدافزار‌ها یکی از مشکلات کاربران و کمپانی‌‌ها در فضای آنلاین است که قدمت آن به روز‌های ابتدایی شکل‌ گیری اینترنت باز می‌گردد. در سال ۲۰۱۴ میلادی، موسسه‌ی کسپراسکی اعلام کرد که روزانه بیش از ۳۲۵٫۰۰۰ بدافزار کشف می‌کند. بر اساس اطلاعات ارائه شده توسط موسسه‌ی تحقیقاتی Deep Instinct، اغلب بدافزار‌های جدید از کد مشابهی که در بدافزار‌های پیشین مورد استفاده قرار گرفته، بهره می‌‌برند، حال آنکه دامنه‌‌ی 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 فایل‌‌ها بدافزار هستند. هم‌چنین باید به این نکته اشاره کرد که الگوریتم‌‌های یادگیری ماشین می‌‌توانند الگوی‌‌های مربوط به رد و بدل شدن اطلاعات در سرور‌های ابری را تحت نظر گرفته و موارد مشکوک را که احتمالا منجر به سوء استفاده‌های امنیتی خواهند شد، شناسایی کنند.

 

امنیت در دنیای واقعی

این روزها گیت‌‌های امنیتی در تمام مکان‌‌ها نظیر فرودگاه‌‌ها یا شماری از گردهمایی‌ها که حساسیت امنیتی وجود دارد، دیده می‌شوند. 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 می‌توان از ایجاد هشدار‌های اشتباه پیشگیری کرده و مواردی را تشخیص داد که اسکنر‌های معمولی قادر به شناسایی آن‌‌ها نیستند. از این سیستم می‌توان در فرودگاه‌ها، کنسرت‌‌ها، استادیوم‌ها و سایر مواردی که تعداد زیادی از افراد در آن حضور دارند، استفاده کرد.

 

مبادلات مالی

بسیاری از افراد تمایل دارند تا قیمت سهام کمپانی‌‌ها در روز‌های 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 کمپانی‌های خرید و فروش کننده‌‌ی سهام از سیستم‌‌های اختصاصی توسعه یافته برای پیش ‌بینی قیمت و انجام خرید و فروش بر اساس نتایج به دست آمده استفاده می‌‌کنند. بسیاری از سیستم‌‌های توسعه یافته مبتنی بر علم احتمالات است، اما یک معامله که شاید احتمال کمی برای سود دهی شود، در صورتی که حجم بالایی دارد و با وجود احتمال پایین یک معامله‌‌ی موفق شود، می‌‌تواند سود سرشاری را به همراه بیاورد. به قطع یقین زمانی که حجم داده‌‌هایی که باید پردازش شوند، افزایش یافت، انسان‌‌ها نمی‌توانند در برابر قدرت پردازشی رایانه‌ها حرفی برای گفتن دارند، از این ‌رو تجهیز سیستم‌ها به قدرت محاسباتی هوش مصنوعی و یادگیری ماشین می‌تواند در این خصوص بسیار راه گشا بشود. هم‌چنین این روزها تاثیر هوش مصنوعی بر سیستم‌های مالی به شدت چشمگیر شده است.

 

سرویس‌های سلامتی و مراقبت‌های بهداشتی

الگوریتم‌های مبتنی بر یادگیری ماشین می‌توانند اطلاعات بسیار زیادی را پردازش کرده و الگو‌های بسیاری را در مقایسه با انسان‌ها از میان داده‌های بسیار استخراج کنند. در یک مطالعه، محققان از یک سیستم تشخیص رایانه‌ای برای بازبینی نتایج ماموگرافی زنانی استفاده کرده‌اند که بعد‌ها به بیماری سرطان سینه مبتلا شده‌‌‌اند. بر اساس اطلاعات ارائه شده این سیستم رایانه‌ای موفق شده تا با بررسی نتایج ماموگرافی‌‌های یک سال پیش در ۵۲ درصد موارد، سرطان سینه را در بیماران پیش از تشخیص پزشکان، پیش‌بینی کند. علاوه بر تشخیص بیماری به صورت 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 می‌توان 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 شود، بهتر می‌توانید به آن‌ها 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 نکرده‌اید، اما در روز‌های بعد در اغلب صفحات وب با آگهی‌هایی رو برو شده ‌اید که کالای جستجو شده توسط شما را نمایش می‌‌دهند. این نوع بازاریابی را باید تنها بخش کوچکی از قابلیت‌‌هایی بدانیم که با استفاده از یادگیری ماشین می‌توان انجام داد. ایمیل‌های شخصی سازی شده ارسالی برای کاربران از جمله‌ی دیگر کاربرد‌های یادگیری ماشین در بازاریابی است.

 

جلوگیری از تقلب

توانایی یادگیری ماشین در زمینه‌ی شناسایی و جلوگیری از تقلب در سرویس‌های مختلف روز به روز افزایش پیدا می‌کند که این توانایی در حوزه‌‌های مختلف قابل استفاده است. برای مثال می‌توان به سیستم پی ‌پال اشاره کرد که از یادگیری ماشین برای مبارزه با پولشویی از طریق پی‌ پال استفاده می‌کند. این کمپانی قادر است با بهره‌ گیری از یادگیری ماشین میلیون‌‌ها تراکنش انجام شده را تحلیل کرده و موارد مشکوک به پولشویی را که بین خریداران و فروشندگان اتفاق می‌افتد، پیش ‌بینی کند.

سیستم ارائه‌ی پیشنهاد

سرویس‌هایی نظیر آمازون و نتفلیکس با استفاده از فعالیت‌های کاربران در سرویس‌‌هایشان، پیشنهاداتی را در اختیار افراد قرار می‌دهند. الگوریتم‌های مبتنی بر یادگیری ماشین با تحلیل و بررسی فعالیت یک کاربر مشخص و مقایسه‌‌ی آن با میلیون‌‌ها کاربر دیگر، لیستی از پیشنهادات را تهیه می‌کنند که احتمالا کاربر در نوبت بعدی به خرید کالا یا برنامه‌ی پیشنهادی علاقه نشان دهد. این پیشنهادات که برگرفته از سیستم‌‌های هوشمند هستند، رفته رفته باهوش‌تر شده و می‌توانند درک کنند که شما چه کالا‌هایی را برای هدیه دادن و چه کالا‌هایی را برای استفاده‌‌ی شخصی خریداری می‌کنید. در مورد سرویس‌هایی نظیر نتفلیکس، این سیستم‌‌ها با افزایش هوش می‌توانند تمایلات اعضای مختلف یک خانواده را از هم تفکیک کنند.

 

جستجوی آنلاین

به جرات می‌توان جستجوی اینترنتی را شناخته شده‌ترین 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 می‌دهد، الگوریتم گوگل نحوه‌ی واکنش شما با نتایج نمایش داده شده را تحت نظر می‌‌گیرد. در صورتی که کاربر روی نتایج اولیه‌ی جستجو کلیک کند و به صفحه‌ی وب مورد نظر مراجعه کند، الگوریتم گوگل به این نتیجه می‌رسد که کاربر نتیجه‌‌ی مد نظر خود را یافته است. در صورتی که کاربر بدون کلیک روی هیچ یک از نتایج به صفحه‌ی دوم مراجعه کند یا عبارت دیگری را برای جستجو وارد کند، گوگل به این نتیجه می‌رسد 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 می‌‌شود، قابلیت استفاده در کاربرد‌های مختلفی را دارد. با استفاده یادگیری ماشین و تشخیص گفتار طبیعی می‌توان کاربران یا مشتریان را با سرعت بیش‌تری به سمت اطلاعاتی که مد نظر وی است، هدایت کرد. از جمله‌‌ی کاربرد‌های دیگر این سیستم می‌توان به ساده‌ سازی مفاد یک قرار داد که اصطلاحات پیچیده‌‌ی حقوقی دارد و هم‌چنین خلاصه کردن تمام اطلاعاتی که یک وکیل مدافع باید آن‌‌ها 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 حوزه‌‌ی خودرو از پیش‌ بینی خود برای عرضه‌‌ی تجاری خودرو‌های هوشمند تا سال ۲۰۲۵ میلادی سخن گفته‌اند. یک ماشین خودران نه تنها با استفاده از مفهوم اینترنت اشیا قادر است با خودرو‌های دیگر و تابلو‌های کنار جاده ارتباط برقرار کند، بلکه قادر است تا با یادگیری ماشین، عادت‌های 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 قابلیت‌های هوشمند تنظیمات را تغییر داده و در صورت بروز مشکل، خود مساله را حل کند. هم‌چنین باید به ارائه‌‌ی پیشنهاد در مورد مسیر رسیدن به مقصد براساس داده‌‌های ترافیکی و وضعیت جاده نیز اشاره کرد.

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