هوش مصنوعی چیست؟ تاریخچه، کاربرد، انواع و نحوه درآمدزایی از آن
با شتابی که هوش مصنوعی دارد پیشرفت می‌کند و رد پایش در جای‌جای زندگی و کارمان پیداست، در آینده‌ای نه‌چندان دور بخش مهمی از زندگی ما را در بر خواهد گرفت. روزی می‌رسد که هوش ماشینی علاوه بر اینکه به ما پیشنهاد می‌کند چه آهنگی گوش کنیم یا چه رنگ لباسی به پوستمان می‌آید، به‌جای پزشک و قاضی و پلیس هم تصمیم‌گیری خواهد کرد. اما هوش مصنوعی چیست؟ تاریخچه پیدایش این فناوری، کاربردهای هوش مصنوعی و وضعیت کسب‌وکار آن در جهان و ایران چگونه است؟ و … در ادامه به این سوالات پاسخ داده شده است.
هوش مصنوعی چیست؟
بی‌راه نیست اگر بگوییم تصور عمومی از هوش مصنوعی با تصویر ربات‌ها گره خورده است. این تصور بیش از همه حاصل فیلم‌ها و انیمیشن‌های علمی-تخیلی است. گرچه این تصور رگه‌هایی از واقعیت هوش مصنوعی را در خود دارد، اما تعریف دقیقی از این علم نیست.
در واقع ما امروز برای رسیدن به آن چیزی که در فیلم‌ها و سریال‌های هالیوودی می‌بینیم راه بسیاری در پیش داریم. البته عجیب نیست که غیرمتخصصان از این حوزه تصور درستی نداشته باشند، جالب است بدانید که نظرسنجی‌ها نشان می‌دهد حتی رهبران کسب‌وکارهای بزرگ نیز درک جامعی از وضعیت AI ندارند.
با این توضیحات طبیعتاً ارائه دادن تعریفی واحد از هوش مصنوعی، که مورد قبول همه‌ی دانشمندان این حوزه باشد، کار دشواری است. شاید بهترین کار برای آسان کردن درک معنی هوش مصنوعی این است که بحث را از کاربردها و شاخه‌های AI شروع کنیم.
هوش مصنوعی به زبان ساده
به‌هرحال، اگر دوست دارید در آغاز تعریفی، هر چند کلی، از هوش مصنوعی، هوشواره یا هوش ماشینی داشته باشید، احتمالاً این تعریف بتواند تصویری کلی از این حوزه را برای‌تان بسازد: «هوش مصنوعی شاخه‌ای گسترده از علوم کامپیوتر است که ماشین‌های هوشمندی می‌سازد که از رفتارهای انسانی تقلید می‌کنند».
در واقع، این ماشین‌ها تصمیماتی می‌گیرند که معمولاً نیازمند سطحی از تجربه‌ی انسانی است. و به انسان‌ها کمک می‌کند تا مشکلات احتمالی را پیش‌بینی کند و بر آنها فائق آید.
نقطه‌ی قوت خاص هوش انسان انطباق‌پذیری آن است. ما ظرفیت آن را داریم که با وضعیت‌های گوناگون محیطمان کنار بیابیم و رفتارمان را از با استفاده از یادگیری تغییر دهیم. تلاش برای دادن این ویژگی به ماشین‌ها منجر به شکل‌گیری شاخه‌ای به نام یادگیری ماشین در Ai شده است. به‌زعم بسیاری از متخصصان، این حوزه مهم‌ترین زیرشاخه‌ی AI است. البته خود یادگیری ماشین هم زیرشاخه‌هایی دارد که مهم‌ترینشان یادگیری عمیق است.
با بررسی سازوکارهای مغز می‌توانیم سر از کار سیستم‌های هوشمند دربیاوریم و آنها را در کامپیوتر شبیه‌سازی کنیم. بنابراین، AI برنامه‌ای است که از هوش انسانی الهام گرفته است و روی ماشین‌ها پیاده‌سازی می‌شود. به این ترتیب ماشین میتواند همان کارهایی را که یک انسان انجام می‌دهد را در زمانی کوتاه‌تر و با دقتی بیشتر انجام دهد.
برنامه‌ها اغلب روی سیستم‌های کامپیوتری پیاده‌سازی می‌شوند و به‌واسطه‌ی این برنامه، کامپیوتر میتواند درمورد مسائلی که در اختیارش قرار می‌دهند تصمیم بگیرد، برنامه‌ریزی کند یا نتیجه را پیش‌بینی کند.
نخستین گام‌ها در ساخت ماشین به جا انسان
اولین تلاش انسان برای ساخت ماشینی که به‌جای انسان کار کند و تصمیم بگیرد، به حدود قرن ۱۷ بازمی‌گردد. چند قرن بعد، در دهه‌ی ۱۹۳۰ کورت گودل، آلونسو چرچ و آلن تورینگ بنیادهای اساسی منطق و نظریه‌ی علم کامپیوتر را بنا نهادند.
در جنگ جهانی دوم، تصمیم‌گیری و محاسبات سریع برای شکستن پیام‌های رمزی دشمن، به‌قدری مهم شد که آلن تورینگ (پدر هوش مصنوعی جهان) ساخت ماشین رمزشکن را آغاز کرد. داستان اختراع ماشین‌ها با قابلیت‌های مختلف، دست‌مایه‌ی ساخت فیلم‌های علمی – تخیلی زیادی شده است، همچنین که داستان ساخت اولین ماشین توسط آلن تورینگ، موضوع یکی از همین فیلم‌هاست.
آلن تورینگ آزمونی برای سنجش هوشمندی ماشین‌ها طراحی کرد که به آزمون تورینگ مشهور است. از نظر تورینگ هر ماشینی که بتواند از پس این آزمون بربیاید هوشمند است.
سطوح و انواع هوش مصنوعی
هوش ماشینی محدود یا ضعیف |weak Artificial Intelligence
به سیستم‌های هوش مصنوعی اشاره دارد که برای انجام دادن کاری خاص و محدود طراحی شده‌اند. این نوع از AI را می‌توانیم در برخی از نرم‌افزاهایی که روزانه استفاده می‌کنیم ببینیم. مثلاً نرم‌افزاهای پیش‌بینی وضعیت آب‌وهوا یا نرم‌افزار بازی شطرنج. ضعیف بر مجموعه‌داده‌ای خاص و مشخص متکی است، به همین خاطر نمی‌توان از آن برای وظایف دیگری خارج از همان مجموعه‌داده استفاده کرد.
هوش مصنوعی ضعیف، برخلاف هوش مصنوعی قوی، با اینکه در نگاه اول پیچیده به نظر می‌رسد، خودآگاه نیست و در شرایطی از پیش تعیین‌شده عمل می‌کند.
همه‌ی ماشین‌های هوشمندی که امروز ما به نوعی از آنها استفاده می‌کنیم در همین نوع AI قرار می‌گیرند Google Assistant، Google Translate, Siri و دیگر ابزارهای متکی به پردازش زبان طبیعی مثال‌هایی از AI ضعیف‌اند. شاید به‌زعم بسیاری ابزارهایی که نام بردیم چندان هم «ضعیف» نباشند، اما دلیل «ضعیف» نامیدن این ابزارها این است که راه بسیاری دارند تا از هوشی شبیه به هوش انسانی برخوردار شوند. به عبارت دقیق‌تر، این ابزارها نمی‌توانند به‌صورت خودبسنده و مستقل بیندیشند.
بااین‌حال، هیچ‌یک از چیزهایی که گفتیم به معنای کم‌ارزش بودن فناوری Ai ضعیف نیست. این بخش از AI نمودی است از خلاقیت و هوش ما انسان‌ها.
هوش مصنوعی قوی | Strong Artificial Intelligence
برخلاف هوش مصنوعی ضعیف، این نوع از AI محدود به وظیفه‌ی خاصی نیست و از پس طیف وسیعی از کارها برمی‌آید. در واقع، هوش مصنوعی قوی به ماشین‌هایی اشاره دارد که نوعی از هوش انسانی را می‌توان در آنها دید. به عبارت دیگر، AI قوی از پس هر کاری که انسان‌ها انجام می‌دهند برمی‌آید. نمونه‌های کامل از این ماشین‌ها را می‌توان در فیلم‌ها و رمان‌های علمی-تخیلی دید؛ آن‌جا که ربات‌ها بی‌هیچ نیازی به انسان کارهای خود را انجام می‌دهند. این ربات‌ها آگاهی دارند و احساسات را نیز درک می‌کنند.
فراهوش مصنوعی | Superintelligence
به ماشین‌های اشاره دارد که از سطح هوش انسانی گذشته‌اند و دیگر محدودیت‌های هوش انسانی را ندارند. این گونه از AI، شاید همانی باشد که بسیاری را نگران آینده‌ی استفاده از این فناوری‌ها کرده است.
برخی از مفاهیم مربوط به حوزه‌های هوش مصنوعی
اگر به‌دنبال کلید‌واژه‌هایی برای جست‌وجوی بیشتر در حوزه‌ی AI می‌گردید می‌توانید از مفاهیم زیر استفاده کنید:
بینایی ماشین | Machine vision
فناوری است که می‌کوشد نوعی از بینایی را برای ماشین فراهم آورد. بینایی ماشین در فرایندهای گوناگون صنعتی از تشخیص چهره، تحلیل ویدیو، ocr و تشخیص اشیا تا تشخیص الگو استفاده می‌شود.
از این فناوری در خودروهای خودران نیز استفاده می‌شود. با اینکه شرکت‌های زیادی در تلاشند تا خودروهایی بسازند که نیازی به رانندگی انسان‌ها نداشته باشد، این حوزه بیشتر با نام شرکت تسلا و خودروهای آن گره خورده است.
علی‌رغم نوپا بودن هوش مصنوعی و بینایی ماشین در ایران، شرکت‌های فعال در حوزه بینایی ماشین در ایران تعدادشان امیدوارکننده است و نویدبخش آینده‌ای روشن‌تر در این حوزه است.
پردازش گفتار | Speech processing
برای اینکه با مباحث و فناوری‌های این حوزه در حد عناوین آشنا شوید بد نیست به چند مورد از فناوری‌های مهم این شاخه از AI اشاره کنیم: حوزه‌های پردازش گفتار مانند سیستم تشخیص گفتار، سنتز گفتار، شناسایی گوینده، چت بات، تحلیل معنایی متون، تحلیل احساسات، جست‌وجوگر معنایی.
سیستم‌های پردازش گفتار در کنار NLP این امکان را برای ماشین‌های هوشمندی، چون اسمارت‌فون‌ها، فراهم می‌کنند که از طریق زبان گفتاری با کاربران ارتباط برقرار کنند. احتمالاً معروف‌ترین تکنولوژی بازشناسی گفتار که اسمش را شنیده‌اید،Siri ، محصول اپل باشد.
Siri میکروفون‌هایی برای تشخیص صدا دارد و از بازشناسی گفتار خودکار برای تبدیل صدا به متن استفاده می‌کند. البته این دو مراحل ابتدایی هستند که در Siri انجام می‌شود و تا کامل شدن فرایند چند مرحله‌ی دیگر در این ابزار طی می‌شود.
مانند بینایی ماشین، شرکت‌های فعال در حوزه پردازش گفتار در ایران نیز در حال پا گرفتن هستند و هر روز بر تعدادشان افزوده می‌شود.
داده‌کاوی | Data Mining
همان‌طور که از نامش نیز مشخص است به حوزه‌ی تحلیل داده‌ها،به‌ویژه داده‌های کلان، مربوط است. در واقع، در داده کاوی تلاش می‌شود کار مربوط به استخراج الگو از داده‌ها را به ماشین‌ها سپرد. با همین توضیح کوتاه هم می‌شود دانست که داده‌کاوی چقدر میتواند مهم باشد، چرا که الگوهای استخراج شده از داده‌های کسبوکارها میتواند اطلاعات بسیاری مفیدی برای برنامه‌های آتی شرکت‌ها فراهم آورد.
این شاخه از AI، ترکیبی از ابزارهایی آماری و هوش مصنوعی با مدیریت مجموعه‌داده‌هاست. داده کاوی معمولاً در کسب‌وکار(بیمه، بانکداری و…)، پژوهش‌های علمی(نجوم و پزشکی) و مسائل مربوط به امنیت(تشخیص مجرمان و تروریست‌ها) کاربردهای گسترده‌ای دارد.
البته اهمیت یافتن مجموعه‌داده‌ها مسائل و مشکلاتی را نیز پدید آورده است. برای نمونه، حفظ اطلاعات شخصی کاربران در مجموعه‌داده‌های بزرگ بیش از گذشته پر رنگ‌تر شده و چالش‌هایی برای نگه‌داری از این داده‌ها پیش آمده است.
به‌خاطر کاربردهای بسیار داده‌کاوی و نیازی که در این حوزه احساس می‌شود بر تعداد شرکت‌های داده کاوی در ایران روز‌به‌روز افزوده می‌شود.
پردازش زبان طبیعی | nlp
پردازش زبان طبیعی آموزش زبان انسانی به ماشین‌هاست. این بخش از AI جایی است که زبان طبیعی و زبان‌های مصنوعی (مانند زبان‌های برنامه‌نویسی) با هم پیوند می‌خورند. تلاش‌ها برای پردازش زبان با کمک کامپیوترها به نسبت بسیاری از شاخه‌های هوش مصنوعی عمر طولانی‌تری دارد.
در پردازش زبان طبیعی نیاز به مجموعه‌داده‌های زبانی داریم تا بتوانیم پردازش را روی آنها انجام دهیم. مفهوم پیکره زاده‌ی همین نیاز است. می‌توانید با جست‌وجوی این مفهوم چند پیکره‌ی مشهور انگلیسی را ببینید.
اگر کنجکاوید بدانید که چگونه روی این پیکره‌ها پردازش انجام می‌شود باید سراغ مفاهیم تخصصی‌تر بروید. برای مثال در پایتون می‌توانید کتابخانه‌ی nltk را فرابخوانید. این کتابخانه امکانات بسیار خوبی برای پردازش زبان طبیعی در اختیارتان می‌گذارد.
شرکت‌های فعال در حوزه پردازش زبان طبیعی در ایران می‌کوشند ابزارهای پردازش زبان طبیعی را بومی‌سازی و روی زبان فارسی پیاده کنند.
یادگیری ماشین | Machine Learning
یادگیری ماشین و مفاهیم مربوط به آن، از زیرشاخه‌های هوش مصنوعی هستند که به توانایی یادگیری ماشین‌ها مربوط می‌شود؛ درواقع ماشین‌ها قادرند به صورت خودکار به یادگیری و پیشرفت بپردازند بدون اینکه از قبل برای یادگیری آنها برنامه‌نویسی صورت گرفته باشد. بنابراین ماشین‌ها در مکانهای مختلف قادر به کار با داده‌ها هستند و می‌توانند با داده‌های دریافت شده به ارتقای یادگیری خود بپردازند؛ یادگیری ماشین یادگیری اتوماتیک کامپیوترهاست و هدف از آن، این است که کامپیوترها در اثر کار با داده‌ها به الگوهای جدیدی دست پیدا کنند و تصمیمات بهتری بگیرند. از یادگیری ماشینی اکنون در هر صنعت و شغلی استفاده می‌شود.
یادگیری تقویتی | Reinforcement Learning
بهبود عملکرد ماشین‌ها با یادگیری تقویتی ممکن می‌شود؛ یادگیری تقویتی نوعی یادگیری ماشینی است که استفاده از هوش مصنوعی را در برنامه‌های پیچیده از بازی‌های ویدیویی تا روباتیک خود امکان‌پذیر می‌سازد. برخی از وظایف رانندگی خودمختار که در آن یادگیری تقویتی میتواند اعمال شود عبارتند از بهینه‌سازی مسیر، برنامه‌ریزی حرکت، مسیریابی پویا، بهینه‌سازی کنترل‌کننده و سیاست‌های یادگیری مبتنی بر اطلاع از وضعیت بزرگراه‌ها.
یادگیری بانظارت، بی‌نظارت، نیمه‌نظارت
یادگیری ماشینی خود به چند دسته یادگیری با نظارت، بی‌نظارت، نیمه‌نظارت تقسیم شده است. هدف یادگیری بانظارت.
یادگیری نیمه‌نظارت از داده‌های برچسب زده شده و برچسب نزده برای آموزش، استفاده می‌کند؛ این نوع یادگیری میتواند دقت یادگیری را افزایش دهد. یادگیری بی‌نظارت به استفاده از الگوریتم‌های هوش مصنوعی برای شناسایی الگوهایی در مجموعه‌های داده، حاوی نقاط داده‌ای که نه طبقه‌بندی شده و نه برچسب‌گذاری شده‌اند، اشاره دارد. بنابراین الگوریتم‌ها اجازه دارند تا نقاط داده موجود در مجموعه‌های داده را طبقه‌بندی، برچسب‌گذاری و یا گروه‌بندی کنند، بدون اینکه هیچ راهنمایی خارجی در انجام آن کار داشته باشند. به عبارت دیگر، یادگیری بی‌نظارت به سیستم اجازه می‌دهد تا الگوهای درون مجموعه داده‌ها را به تنهایی شناسایی کند.
«شبکه عصبی» موجب شناخت الگوهای مغز انسان
شناخت الگوهای مغز انسان با شبکه عصبی ممکن می‌شود؛ مغز انسان تمامی فرایندهای خودآگاه و ناخودآگاه در بدن انسان را کنترل می‌کند با این وجود دانشمندان ثابت کرده‌اند کامپیوترها با سرعتی بسیار بالاتر از مغز می‌توانند به فعالیت بپردازند. شبکه عصبی رفتار مغز انسان را منعکس می‌کنند و به برنامه‌های رایانه‌ای اجازه می‌دهند الگوها را تشخیص دهند و مشکلات رایج در زمینه‌های هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق را حل کنند. شبکه‌های عصبی که با نام‌های شبکه عصبی مصنوعی (ANN) یا شبکه عصبی شبیه‌سازی شده (SNN) نیز شناخته می‌شوند، زیرمجموعه‌ای از یادگیری ماشین هستند و در قلب الگوریتم‌های یادگیری عمیق قرار دارند. نام و ساختار آنها از مغز انسان الهام گرفته شده است و از روشی که نورون‌های بیولوژیکی به یکدیگر سیگنال می‌دهند، تقلید می‌کند.
موتور استنتاج سیستم خبره
موتور استنتاج سیستم خبره بخشی از سیستم است که قوانین منطقی را برای استنباط اطلاعات جدید در پایگاه دانش اعمال می کند. اولین موتورهای استنتاج، اجزای سیستم های خبره بودند. سیستم خبره معمولی شامل یک پایگاه دانش و یک موتور استنتاج بود. موتور استنتاج سیستم خبره برای حل مسائل پیچیده و ارائه توانایی تصمیم‌گیری مانند یک متخصص انسانی طراحی شده است و این کار را با استخراج اطلاعات و قوانین لازم از پایگاه دانش خود با استفاده از قواعد استدلال و استنتاج با توجه به پرسش‌های کاربر انجام می‌دهد.
الگوریتم ژنتیک در خدمت بهینه سازی ساختار نسل‌ها
از الگوریتم ژنتیک در خدمت بهینه‌سازی ساختار نسل‌ها با اصلاح ژنتیک استفاده می‌شود؛ الگوریتم ژنتیک یک جستجوی اکتشافی است که از نظریه تکامل طبیعی چارلز داروین الهام گرفته شده است. این الگوریتم فرآیند انتخاب طبیعی را منعکس می‌کند که در آن بهترین افراد برای تولید مثل انتخاب می‌شوند تا فرزندان نسل بعدی به وجود بیایند. الگوریتم ژنتیک در خدمت بهینه‌سازی ساختار نسل‌ها قرار گرفته تا فرایند تکامل طبیعی را شبیه‌سازی کند. فرایندهایی که بر اساس انجام عملیات روی کروموزوم‌ها شکل گرفته‌اند.
چهار دسته اصلی سیستم هوش مصنوعی
با چهار گروه اصلی سیستم هوش مصنوعی، مراحل تکامل این فناوری پیموده می‌شود؛ هوش مصنوعی (AI) به طور کلی به هر رفتاری شبیه انسان که توسط یک ماشین یا سیستم انجام می‌شود، اشاره دارد. در ابتدایی‌ترین شکل هوش مصنوعی، رایانه‌ها به گونه‌ای برنامه‌ریزی شده‌اند که با استفاده از داده‌های گسترده از نمونه رفتارهای مشابه، رفتار انسان را «تقلید» کنند. این رفتار میتواند از تشخیص تفاوت بین یک گربه و یک پرنده تا انجام فعالیت‌های پیچیده در یک مرکز تولیدی، متغیر باشد.
با هوش مصنوعی، ماشین‌ها می‌توانند به طور مؤثر کار کنند و حجم وسیعی از داده‌ها را در یک چشم به هم زدن تجزیه و تحلیل کنند و مشکلات را از طریق یادگیری بانظارت، بی‌نظارت یا نیمه‌نظارت حل کنند.
۱ـ «ماشین‌های واکنشی»، ابتدایی‌ترین نوع هوش مصنوعی
چهار دسته اصلی سیستم هوش مصنوعی، هر یک بخشی از این فناوری را پیش می‌برند؛ ماشین واکنشی، ابتدایی‌ترین نوع هوش مصنوعی است که صرفاً به سناریوهای فعلی واکنش نشان می‌دهد و نمی‌تواند برای تصمیم‌گیری در زمان حال به داده‌های آموزش داده شده یا تکراری تکیه کند. ماشین‌های واکنشی نقشه‌ها و دیگر اشکال برنامه‌ریزی از پیش موجود را به طور کامل حذف می‌کنند و بر مشاهدات زنده از محیط تمرکز می‌کنند؛ وظایف خاصی به آنها داده می‌شود و توانایی‌هایی فراتر از این وظایف ندارند.
به‌عنوان نمونه‌ای از این ماشین‌ها، می‌توان از برنامه شطرنجی نام برد که در دهه ۱۹۹۰ در مسابقه با گاری کاسپاروف، قهرمان شطرنج جهان پیروز شد. با این وجود این برنامه نمی‌تواند حافظه داشته باشد، حرکت‌های قبلی خود را به یاد بسپارد و از آنها استفاده کند. ماشین‌های واکنشی ابتدایی‌ترین نوع هوش مصنوعی محسوب می‌شوند که برای هدف‌های محدودی قابل استفاده هستند و در موقعیت‌های مختلف نمی‌توانند پاسخگو باشند.
۲ـ «حافظه محدود» با قدرت تصمیم‌گیری
یکی از چهار دسته اصلی هوش مصنوعی، حافظه محدود است؛ حافظه محدود شامل مدل‌های یادگیری ماشینی است که دانش را از اطلاعات، حقایق، داده‌های ذخیره‌شده یا رویدادهای قبلاً آموخته‌شده استخراج می‌کند. بر خلاف ماشین‌های واکنشی، حافظه محدود میتواند با تجزیه و تحلیل اقدامات یا داده‌های مربوط به آنها با هدف ایجاد دانش آزمایشی، از گذشته یاد بگیرد. این نوع هوش مصنوعی توسط دستیارهای صوتی ـ مجازی، روبات‌های گفتگو، ماشین‌های خودران و چندین فناوری دیگر استفاده می‌شود. به‌عنوان نمونه برخی از تصمیم‌گیری‌های ماشین‌های خودران، قدرت تصمیم‌گیری در حافظه محدود را نشان می‌دهند. مثلاً این ماشین‌ها می‌توانند خطی را که در آن مشغول رانندگی هستند، عوض کنند؛ البته اطلاعات در حافظه محدود برای همیشه ذخیره نمی‌شوند و این میتواند ضعف این سیستم محسوب شود.
۳ـ «نظریه ذهن» با توانایی سنجش افکار
نظریه ذهن نیز جزو چهار دسته اصلی هوش مصنوعی، محسوب می‌شود؛ نظریه ذهن با توانایی سنجش افکار میسر می‌شود؛ این نظریه شاخه‌ای از علوم شناختی است که به بررسی این موضوع می‌پردازد که چگونه حالات ذهنی را به افراد دیگر نسبت می‌دهیم و چگونه از حالات نسبت داده شده، برای توضیح و پیش‌بینی اعمال آن افراد دیگر استفاده می‌کنیم. به طور دقیق‌تر، این شاخه‌ای است که توانایی‌های ذهن‌خوانی را بررسی می‌کند. هم‌اکنون از این دسته از هوش مصنوعی، برای افکارسنجی در حوزه‌های سیاسی و اجتماعی بهره گرفته می‌شود. توانایی سنجش افکار با نظریه ذهن میتواند منجر به شناخت سلایق مخاطب در امور مختلف شود.
۴ـ «هوش مصنوعی خودآگاه» با توانایی شهود و همدلی
هوش مصنوعی خودآگاه با توانایی شهود و همدلی میتواند عالی‌ترین سطحی باشد که سیستم قادر است، به آن برسد؛ برای پیشرفت هوش مصنوعی به سمت کارهای پیچیده‌تر که نیاز به شهود و همدلی دارند، باید قابلیت‌هایی مانند فرااندیشه، خلاقیت و همدلی مشابه خودآگاهی یا آگاهی انسان در آن توسعه داده شود. چنین تغییر پارادایمی تنها از طریق یک تغییر اساسی در وضعیت هوش مصنوعی به سمت آگاهی امکان‌پذیر است، تغییری مشابه آنچه برای انسان‌ها از طریق فرآیند انتخاب طبیعی و تکامل رخ داده است. هوش مصنوعی خودآگاه می‌توانند بفهمد در چه سطحی قرار دهد و احساسات دیگران را نیز با توجه به اطلاعاتی که از آنها به دست می‌آورد درک می‌کند و قادر به همدلی خواهد بود.
کاربردهای هوش مصنوعی
با اینکه هوش‌مصنوعی تازه در ابتدای راه قرار دارد و چند دهه بیشتر نیست که نمودهایش در زندگی روزمره روبه‌گسترش گذاشته، اما همین حالا هم می‌توان در بخش‌های مختلف اقتصادی و علمی ردپایش را دید.
تصمیم‌گیری‌های AI بر اساس الگوریتم‌هایی است که قابلیت درک شرایط را دارند و مانند انسان توان استدلال و حل مسئله دارند. بنابراین هوش مصنوعی میتواند در زمینه‌ی دانش‌های متفاوتی مانند فلسفه، زبان‌شناسی، ریاضی، روان‌شناسی، عصب‌شناسی، تئوری کنترل، احتمالات، بهینه‌سازی و فیزیولوژی استفاده شود و کمک بزرگی به تصمیم‌گیری‌های انسان باشد.
AI با استفاده از الگوریتم‌ها، پردازش‌هایی روی اطلاعات و داده‌های موجود انجام می‌دهد تا بر اساس نتایج آن تصمیمات لازم برای بهبود کار را بگیرد.
حجم و تنوع زیاد داده‌های موجود در کنار هزینه‌ی پایین محاسبات و ذخیره‌سازی داده‌ها باعث شده مدل‌هایی ساخته شوند تا از روی این داده‌ها، اطلاعات مفید استخراج شود. سیستم‌های سنتی نرم‌افزاری این قابلیت را ندارند، در عوض هوش مصنوعی همان چیزی است که میتواند با استخراج داده‌های مفید از بین داده‌های موجود، چراغ روشنی در دل داده‌های تاریک باشد.
یکی از پیشرفت‌های ویژه‌ای که کسبوکارها می‌توانند داشته باشند، استفاده از Artificial Intelligence است که موجب تمایز و به‌دنبال آن افزایش کارآمدی و سودآوری آنها می‌شود. در همین راستا شرکت‌های فعال در حوزه‌ی AI، خدماتی ارائه می‌دهند که باعث بهبود عملکرد کسبوکارها می‌شود. زمینه‌های زیادی برای استفاده از هوش ماشینی وجود دارد. به‌عنوان مثال AI توان ارائه‌ی خدمات در حوزه‌های زیر را دارد:
هوش مصنوعی در کشاورزی
کشاورزی از قدیمی‌ترین شغل‌ها در جهان امروز است. هزاران سال قبل، ابداع کشاورزی و کشت روشمند محصولات زراعی باعث انقلابی در زیست انسان‌ها شد که به انقلاب کشاورزی معروف است. از زمانی که انسان هوشمند، یکجانشینی را بر کوچ ترجیح دادند و کشاورزی را آغاز کردند تا به امروز کشاورزی تغییرات بسیاری را از سر گذرانده و فناوری‌های بسیاری وارد این حوزه شده‌اند. آخرین نسخه از فناوری‌های جدید که به پشتوانه‌ی هوش مصنوعی ممکن شده است کم‌کم راهش را به کشاورزی باز می‌کند.
هوش مصنوعی را بسیاری جدیدترین انقلاب در زندگی بشر می‌دانند. اکنون، مدتی است که استفاده از هوش مصنوعی در کشاورزی آغاز شده است. روش‌های سنتی کشاورزی مشکلاتی دارند که می‌توان با کمک AI آنها را رفع کرد. برای مثال، می‌توان با استفاده از نرم‌افزارهای هوش مصنوعی گزارش‌هایی از وضعیت آب‌وهوا یا شرایط خاک به دست آورد و بر اساس آن برنامه‌ریزی کرد. کشاورزان اکنون می‌توانند با استفاده از AI زمان مناسب کشت و برداشت را تخمین بزنند، میزان آب مناسب برای هر محصول و زمان مناسب آبیاری را بدانند.
هوش مصنوعی در پزشکی
یکی از قدیمی‌ترین کاربردهای هوش‌مصنوعی کاربردهای پزشکی آن است. تلاش‌های اولیه برای آوردن هوش مصنوعی به این حوزه شاید اندکی ناامیدکننده بود. نخستین فناوری بر پایه‌ی AI در این حوزه، MYCIN بود که در دهه‌ی ۱۹۷۰ در دانشگاه پرینستون برای تشخیص عفونت‌هایی استفاده شد که از طریق خون منتقل می‌شوند. این فناوری و فناوری‌های مشابه در این دوره، با اینکه بسیار نویدبخش بودند، اما هیچ‌گاه از سطح نمونه‌های آزمایشگاهی فراتر نرفتند. در واقع هم این سیستم‌های اولیه چندان برتری در ابزارهای تشخیصی که خود پزشکان انجام می‌دادند نداشت.
پس از مدتی کم‌کم شرایط تغییر کرد. تا جایی که کمتر روزی است که خبری در حوزه‌ی هوش مصنوعی در پزشکی منتشر نشود. البته هنوز بسیار از این فناوری‌های جدید مرحله‌ی آزمایشی خود را می‌گذرانند. اما شاید برای درک بهتر کاربردهای عملیاتی‌تر AI در پزشکی بد نباشد اشاره‌ای به یکی از همین کاربردها داشته باشیم: استفاده از هوش مصنوعی برای تشخیص بهترین شیوه‌ی زایمان. در این فناوری، AI با سنجش وضعیت زنان باردار میتواند پیشنهاد دهد که از بین روش طبیعی زایمان و سزارین کدام روش مناسب‌تر است.
هوش مصنوعی در بازارهای مالی و بانکداری
گفتیم که یکی از امکان‌هایی که هوش مصنوعی در اختیار ما قرار می‌دهد توان پیش‌بینی است. امروز دیگر بحث تحلیل بازارهای مالی از طریق هوش مصنوعی صرفاً یک ایده نیست. الگوریتم‌هایی که برای تحلیل بازار آموزش دیده‌اند می‌توانند لحظه‌به‌لحظه بازارهای مالی را رصد کنند و با اطلاعاتی که جمع‌آوری می‌کنند تصویر واضح و دقیق از وضعیت هر سهم در بازار ارائه دهند. حتی می‌توانید معامله کردن را نیز به بات‌هایی بسپارید که برای این کار طراحی شده‌اند.
صنعت بانکداری نیز از قافله‌ی استفاده از AI جا نمانده است. هوش مصنوعی در بانکداری جای پای‌اش را باز کرده است. استفاده از چت‌بات‌ها مدت‌هاست که در بانکداری رواج یافته است. چت‌بات امکانی است که از طریق آن کاربر شما میتواند با نرم‌افزاری که در آن از هوش ماشینی استفاده شده گفت‌وگو کند. یکی از امکان‌های جالبی که این چت‌بات‌های به‌ظاهر ساده فراهم آورده‌اند این است که خدمات‌دهندگان در هر ساعتی از شبانه‌روز در دسترس مشتریان خود هستند. همان‌طور که گفتیم این تنها بخش کوچکی از نقش هوش مصنوعی در بانکداری است.
هوش مصنوعی در حوزه‌ی آموزش
بخش آموزش از حوزه‌‌هایی است که هوش‌مصنوعی هنوز در آن جای پیشرفت‌های بسیاری دارد. مخصوصاً این روزها که همه‌گیری کرونا دانش‌آموزان و معلمان را خانه‌نشین کرده جای خالی فناوری‌های آموزشی بر پایه‌ی AI بیش از پیش احساس می‌شود.
یکی از مهم‌ترین امکان‌هایی که هوش مصنوعی در آموزش میتواند فراهم آورد شخصی‌سازی آموزش با توجه به نیازهای منحصربه‌فرد هر کدام از دانش‌آموزان است. از نقاط ضعف سیستم آموزشی امروز این است که برای همه‌ی دانش‌آموزان محتوای درسی یکسانی تدارک می‌بیند و به تفاوت‌های فردی دانش‌آموزان توجهی ندارد. طبیعی است سرعت یادگیری و علائق دانش‌آموزان در هر کدام از شاخه‌های درسی یکسان نباشد. حال تصور کنید سیستمی داشته باشیم که با دادن سابقه‌ی تحصیلی دانش‌آموز به آن برنامه‌ی درسی مناسب برای دانش‌آموز را در اختیارتان قرار دهد. در واقع، این یکی از ساده‌ترین کارهایی است که می‌توان از ماشین‌هایی برپایه‌ی هوش مصنوعی (AI) انتظار داشت.
می‌توان چند قدم جلوتر رفت. مثلاً می‌توان سیستم را طوری طراحی کرد که با توجه به برنامه‌ی شخصی دانش‌آموز محتوای درسی مناسب او را نیز در اختیارش قرار دهد و ارزشیابی دانش‌آموز را نیز خودش بر عهده بگیرد. در واقع، ما در اینجا با معلم هوشمندی طرف هستیم که همیشه برای دانش‌آموز وقت دارد و نیازهای هر دانش‌آموز را در نظر می‌گیرد.
بنابراین اگر بخواهیم، با توجه به گفته‌های پیشین، درباره‌ی کاربردهای AI در بخش‌های مختلف سخت‌گیرانه صحبت کنیم، باید بگوییم تنها تکنولوژی‌هایی را می‌توان کاملاً در حوزه‌ی هوش‌مصنوعی قرار داد که خودشان بتوانند بدون دخالت عامل انسانی چیز جدیدی را فرابگیرند.
در این مورد شاید فناوری DeepMind گوگل مثال خوبی باشد. این فناوری را در AI در مقوله‌ی شبکه‌های عصبی جای می‌دهند. DeepMind قادر است بدون تکیه بر الگوریتم‌های رفتاری از پیش تعریف شده تصمیم‌گیری کند. به‌خاطر کم بودن تکنولوژی‌هایی مثل این محصول گوگل، می‌توان گفت که هوش‌مصنوعی هنوز کودکی نوپاست که راه بسیاری در پیش دارد. برخی از متخصصان تکنولوژی‌های امروزیِ بر پایه‌ی هوش مصنوعی را فناوری‌های شبه‌هوش مصنوعی(pseudo AI) می‌نامند تا بر نوپا بودن آن تاکید کنند.
هوش مصنوعی در حملونقل
از نخستین انگیزهایی که هوش مصنوعی را وارد عرصه‌ی حملونقل کرد مشکلات بی‌شمار این حوزه بود. یکی از مشکلات اساسی این حوزه آسیب‌های جانی و مالی فراوانی است که هر ساله به بسیاری وارد می‌شود.
کافی است به آمار تلفات جاده‌ای در همین کشور خودمان نگاهی بیندازید تا میزان حاد بودن این مشکل پی ببرید. ماشین‌های هوشمند که توان تحلیل قدرتمندی دارند می‌توانند در حل این مشکل به کمک انسان بیایند.
مثال دیگری از مشکلات این حوزه مسئله‌ی ترافیک است. وورد AI به مدیریت ترافیک میتواند همان حلقه‌ی گمشده‌ی این معضل باشد. چرا که سیستم‌های هوش مصنوعی به‌سرعت می‌توانند خود را با وضعیت‌های جدید سازگار کنند و عملکرد خود را بهبود ببخشند.
هوش مصنوعی و صنعت سرگرمی و سینما
یکی از فناوری‌های متکی به AI که تقریباً هر روز از آن استفاده می‌کنیم و برای‌مان عادی شده است، سیستم‌های پیشنهاددهنده است. زمانی که در یوتیوب ویدئویی نگاه می‌کنید، گوگل ویدئوهایی دیگری را نیز به شما پیشنهاد می‌دهد که شاید موردپسندتان باشد. همین فناوری به‌ظاهر ساده میتواند با توصیه‌هایش کسانی را که به‌صورت اتفاقی وارد سایتتان شده‌اند در سایت نگه دارد.
از ابزارهای مفید دیگری که AI میتواند برای این بخش فراهم آورد،خلاصه‌سازی اخبار و گزارش‌ها برای انتشار است. خلاصه‌سازی بیش از همه بحثی است که در پردازش زبان طبیعی بررسی می‌شود.
محیط‌زیست و انرژی
ساده‌ترین کاربرد هوش مصنوعی در این حوزه میتواند استفاده از AI در مدیریت نیروگاه‌ها و پالایشگاه‌ها باشد. با استفاده از هوش مصنوعی می‌توان الگوهایی برای مدیریت این مراکز داشت که خطای بسیاری کمتری داشته باشند.
یکی از جالب‌ترین کاربردهای هوش مصنوعی در حوزه‌ی محیط‌زیست، استفاده از آن برای محافظت از گونه‌های در خطر انقراض است. در یکی از این موارد، از فناوری تشخیص چهره برای حفظ گونه‌ای از میمون‌ها استفاده شده است. ردگیری گونه‌های در خطر انقراض با ابزارهای فیزیکی دشوار و هزینه‌بر است.
نرم افزارهای هوش مصنوعی تصویر گونه‌ها را با اطلاعات منحصربه‌فرد هر مورد ذخیره می‌کنند. هر تصویر جدیدی که وارد این نرم‌افزار می‌شود، به‌صورت هوشمند تحلیل می‌شود و شما می‌توانید بدانید آیا این مورد قبل از این در جای دیگری دیده شده است و مشخصات منحصربه‌فردش چیست.
بیم، امید و آینده‌ی هوش مصنوعی
با ورود و گسترش تکنولوژی‌های متکی به AI جهان به چه سمتی خواهد رفت؟ آینده‌ی جهانی که در آن بسیاری از کارها به AI سپرده خواهد شد چگونه خواهد بود؟
نگرش‌ها به آینده در این حوزه متفاوت است. برخی‌ها با بدبینی تمام اتفاقات این حوزه را دنبال می‌کنند. به‌نظر این گروه از آن‌جایی که می‌توان ربات‌ها و ماشین‌ها را صرفاً برای کارویژه‌های مشخص طراحی کرد، کم‌کم این فناوری‌ها جای نیروی کار انسانی را در بخش‌های مختلف خواهند گرفت. بیکاری اولین پیامد چنین روندی خواهد بود. دیگر نیازی به انسان در حوزه‌ی اشتغال نخواهد بود و این میتواند بحرانی اساسی باشد.
یا مثلاً روزی را تصور کنید که ربات‌ها و ماشین‌ها به آن حدی از تکامل برسند که دیگر در تصمیم‌گیری‌ها و بهبود و تقویت خود نیازی به انسان‌ها نداشته باشند. این تصاویر بیشتر به صحنه‌هایی از فیلم‌های آخرالزمانی شبیه است، اما همه‌ی این‌ها از بیم‌هایی است که شاید بسیار از متخصصان و غیر متخصصان داشته باشند.
اما این تمام ماجرا نیست. آینده‌ی خوشایندتری را نیز می‌توان تصویر کرد. انسان نیز مانند هر موجود دیگری محدودیت‌های خاص خودش را دارد. حال اگر بتوان امکانی فراهم آورد که این محدودیت‌ها را کمتر کند چه اتفاقی می‌افتد؟ تا همین‌جا که AI قدم‌های آغازینش را برمی‌دارد، در بسیاری از حوزه‌ها کار را برای انسان‌ها آسان‌تر کرده است. احتمالاً ربات‌های انسان‌یاب را دیده‌اید. ربات‌هایی که در شرایط دشوار مثل آتش‌سوزی و زلزله می‌توانند کسانی را که در زیرآوار گیر کرده‌اند یا در محاصره‌ی آتش قرار گرفته‌اند به‌آسانی نجات دهند.
کسی را تصور کنید که به هر دلیلی، مادرزادی یا مثلاً تصادف، نمی‌تواند حرکت کند. حال اگر AI امکانی فراهم آورد که بتواند به این افراد، که تعدادشان کم هم نیست، کمک کند چه اتفاقی خواهد افتاد؟
هوش مصنوعی مانند هر فناوری‌ای کاستی‌ها و امکان‌های خاص خود را دارد. ادامه‌ی راه این فناوری‌ها به خود ما انسان‌ها بازمی‌گردد. انتخاب هنوز دست خود ماست که از این فناوری‌ها در چه حوزه‌ای بهره ببریم.
بدون دیدگاه