هوش مصنوعی چیست؟

هوش مصنوعی چیست؟ این سوال شاید از محبوب‌ترین سوالاتی است که هر فردی امروزه از خود می‌پرسد. در این مقاله نگاهی جامع به هوش مصنوعی خواهیم داشت و کاربردها، یادگیری و تحصیل در این رشته را بررسی خواهیم کرد.

هوش مصنوعی چیست؟

هوش مصنوعی رشته ای از علوم کامپیوتر است که به حل مسائل شناختی مانند یادگیری، حل مسئله و بازشناسی الگو که معمولاً با هوش انسانی مرتبط است اختصاص داده شده است. به بیانی ساده‌تر می‌توان گفت «استفاده از کامپیوترها برای انجام کارهایی که به طور سنتی نیاز به هوش انسانی دارد.»

هوش مصنوعی در دهه 1950 متولد شد، زمانی که تعداد انگشت‌شماری از پیشگامان حوزه نوپای علوم کامپیوتر شروع به پرسیدن این سوال کردند که آیا کامپیوترها می‌توانند «فکر کنند» – سؤالی که امروزه هنوز در حال بررسی آن هستیم. در حالی که بسیاری از ایده‌های زیربنایی هوش مصنوعی در سال‌ها و حتی دهه‌های قبل  از آن در حال شکل‌گیری بودند، «هوش مصنوعی» سرانجام در سال 1956 به عنوان یک زمینه تحقیقاتی پدیدار شد، وقتی که جان مک کارتی که در آن زمان، استادیار ریاضیات در کالج دارتموث بود یک کارگاه تابستانی تحت عنوان زیر پیشنهاد کرد:

 «این مطالعه بر اساس این حدس انجام می شود که هر جنبه از یادگیری یا هر ویژگی دیگری از هوش می تواند به قدری دقیق توصیف شود که بتوان ماشینی برای شبیه سازی آن ساخت. [ما]تلاش می کنیم برای یافتن اینکه چگونه ماشین‌ها را وادار کنیم به استفاده از زبان، مفاهیم، بهبود خود و حل انواع مسائلی که تا اکنون برای انسان‌ها محفوظ مانده است .ما فکر می کنیم که اگر گروهی از دانشمندان به دقت انتخاب شوند و برای یک دوره تابستانی روی آن کار کنند، می توان پیشرفت قابل توجهی در یک یا چند مورد از این مسائل را داشت.»

زیر شاخه‌های هوش مصنوعی

از زیر شاخه‌های هوش مصنوعی می‌توان به یادگیری ماشین، سبکه‌های عصبی، رباتیک، پردازش ربان طبیعی و سیستم‌های خبره اشاره کرد که هر کدام را توضیح می‌دهیم

الف) یادگیری ماشین

یادگیری ماشین رشته‌ای مطالعاتی است که به کامپیوتر‌ها توانایی یادگیری بدون آنکه صریحاً برنامه‌نویسی شوند را می‌دهد.

روش معمول برای وادار کردن کامپیوتر به انجام کارهای مفید این است که از یک برنامه‌نویس خواسته شود که قوانینی را بنویسد  که باید از آن پیروی کرد تا داده های ورودی به پاسخ های مناسب تبدیل شوند. برای مثال اگر بخواهیم یک نرم‌افزار حسابداری بنویسیم باید قوانین حسابداری را با یک زبان برنامه‌نویسی مانند پایتون بنویسیم و سپس سیستم با ورودی معتبر خروجی معتبری تولید میکند.

یادگیری ماشین رویکرد متفاوتی دارد: ماشین به داده‌های ورودی و پاسخ های مربوطه نگاه می کند و یاد می‌گیرد که قوانین چه باید باشد. یک سیستم یادگیری ماشین به جای آنکه به طور صریح برنامه نویسی شود، آموزش داده می شود. در یادگیری ماشین، آموزش با مثال‌های زیاد مرتبط با انجام یک کار انجام می‌شود تا ساختار‌های آماری در این مثال‌ها را پیدا ‌کند و در نهایت به سیستم اجازه می‌دهد تا قوانینی برای خودکارسازی داشته باشد. به عنوان مثال، اگر بخواهیم عمل طبقه‌بندی بین سگ و گربه را خودکار کنیم می‌توانیم یک سیستم یادگیری ماشین با نمونه‌های بسیاری از تصاویری که قبلاً توسط انسان‌ها برچسب‌گذاری (labeled images) شده‌اند را ارائه کنیم و سیستم خود قوانینی را برای مرتبط کردن تصاویر به برچسب‌های متناظر را یاد می‌گیرد.

انواع مسئله‌های یادگیری ماشین

در یادگیری ماشین مسائل به چهار بخش زیر تقسیم می‌شوند:

الف) یادگیری با نظارت: در این نوع یادگیری، داده آموزشی که به الگوریتم داده می‌شود دارای پاسخ مورد نظر به نام برچسب است. بطور مشخص الگوریتم توانایی تولید خروجی برای داده ورودی که تاکنون آن را ندیده است را پیدا می‌کند. یادگیری با نظارت خود به دو نوع مسئله طبقه‌بندی و رگرسیون تقسیم می‌شود. در مسائل طبقه‌بندی داده‌ها به دو یا چند گروه طبقه‌بندی می‌شوند و اگر بخواهیم برای آن مثالی داشته باشیم تشخیص اسپم بودن یک ایمیل یک مسئله طبقه‌بندی دودویی است. در مسائل رگرسیون هدف پیش‌بینی یک عدد پیوسته است. برای مثال پیش‌‌بینی قیمت یک خانه یک مسئله رگرسیون است.

ب) یادگیری بدون نظارت: در این نوع یادگیری فقط داده ورودی شناخته‌شده است و هیچ نوع جواب یا برچسبی (label) مشخصی به الگوریتم داده نمی‌شود. از مثال‌های این نوع یادگیری می‌توان به پیدا‌کردن موضوعات در یک دسته از بلاگ‌ها، تقسیم‌کردن مشتری‌ها به گروه‌هایی با ترجیح‌های مشابه و… اشاره کرد.

پ) یادگیری نیمه‌نظارتی: در این نوع یادگیری الگوریتم از داده‌های برچسب‌زده شده و نشده استفاده می‌کند. در یک رویکرد از این نوع یادگیری از داده‌های برچسب‌دار برای تمایز دادن بین کلاس‌ها و از داده‌های بدون برچسب برای پالایش مرز بین کلاس‌ها استفاده می‌شود .

ت) یادگیری تقویتی: یادگیری تقویتی شبیه به یادگیری با نظارت است، اما الگوریتم با استفاده از داده‌ آموزش داده نمی‌شود بلکه الگوریتم با استفاده از آزمون و خطا یاد می‌گیرد. در این روش یک عامل در فضای مسأله تعریف می‌شود که با فضای مساله تعامل دارد و در این تعاملات دنباله ای از نتایج موفقیت آمیز برای ایجاد بهترین سیاست در حل  یک مساله تقویت می شود

یادگیری عمیق چیست؟

یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است که در اصل یک شبکه عصبی با سه لایه یا بیشتر است. شبکه‌های عصبی تلاش می‌کنند تا رفتار مغز انسان را شبیه‌سازی کنند که به آن اجازه می‌دهد از انبوهی از داده «یاد بگیرد». یک شبکه عصبی با یک لایه هنوز هم می تواند پیش بینی‌های تقریبی انجام دهد، اما لایه های پنهان (Hidden layers) اضافی می توانند به بهینه سازی و افزایش دقت کمک کنند. واژه «عمیق» در «یادگیری عمیق» اشاره ای به هیچ نوع درک عمیق تری نیست که توسط این رویکرد به دست می‌آید بلکه به معنای آن است که مدل شبکه عصبی دارای چندین لایه است و هر لایه به کمک می‌کند که یادگیری «عمیق‌تری» بدست آید.

ب) شبکه‌های عصبی

شبکه‌های عصبی مصنوعی که به آن‌ها به اختصار شبکه‌های عصبی گفته می‌شود الهام گرفته شده از مغز انسان است و به شکل شبکه‌های عصبی طبیعی عمل می‌کنند. شبکه‌های عصبی دارای لایه ورودی، لایه پنهان و لایه خروجی است که هرکدام از این این لایه‌ها میتواند چند گره (Node) داشته باشند. هر گره دارای وزنی است و به یک یا چند گره دیگر متصل است. اگر خروجی گره از آستانه مشخصی بالا رود آن گره اطلاعات را به لایه بعدی منتقل می‌کند در غیر این صورت داده‌ای انتقال داده نمی‌شود.

انواع شبکه‌های عصبی داریم که هر نوع آن کار بخصوصی انجام می‌دهد. برای مثال از شبکه‌های عصبی پیچشی (Convolutional Neural Network) در بینایی ماشین استفاده می‌شود. در شبکه‌های عصبی LSTM در داده‌های سری زمانی و در شبکه‌های GAN در تولید مصنوعی عکس استفاده می‌شود. همچنین در مقاله شبکه های عصبی چیست؟ به طور مفصل به شبکه‌های عصبی و آینده آن پرداخته شده است. در شکل زیر انواع شبکه‌های عصبی همراه با ساختارشان را می‌توانید ببینید.

پ) پردازش زبان طبیعی

پردازش زبان طبیعی به کامپیوتر‌ها توانایی درک متن و گفتگو به شکل انسان را می‌دهد.

این زیر شاخه از هوش مصنوعی زبان شناسی محاسباتی (Computational linguistic) را با مدل های آماری، یادگیری ماشین و یادگیری عمیق ترکیب می‌کند و این فناوری‌ها در کنار هم کامپیوترها را قادر می‌سازد تا زبان انسان را به صورت متن یا صوت پردازش و معنای کامل آن را با احساسات گوینده یا نویسنده «درک» کنند. از کاربرد‌های پردازش زبان طبیعی می‌توان به تشخیص اسپم بودن ایمیل، ترجمه ماشینی مانند گوگل ترنسلیت، خلاصه‌سازی متن، روبات‌ها و مدل‌های بزرگ زبانی مانند ChatGPT را نام برد که در حال انجام کارهای خارقالعاده‌ای هستنند که در این مقاله می‌توانید در مورد آن  به طور کامل مطالعه نمایید

ت) رباتیک

رباتیک شاخه ای از هوش مصنوعی است که از مهندسی برق، مهندسی مکانیک و علوم کامپیوتر برای طراحی و ساخت آن‌ها استفاده می‌شود. رباتیک دارای سه بخش زیر است

• ساخت فیزیک آن‌ها در حوزه مهندسی مکانیک است که برای انجام کار‌های خاصی ساخته می‌شوند. برای مثال ساخت دستی که تجهیزات الکتریکی را بر می‌دارد
• بخش‌های الکتریکی که به ربات توان می‌بخشد و آن را کنترل می‌کند
• هوش مصنوعی که به ربات امکان تعاملات هوشمند با محیط را می‌دهد

ث) سیستم‌های خبره

سیستم خبره یک برنامه کامپیوتری است که از فناوری‌ هوش مصنوعی برای شبیه‌سازی قضاوت و یا رفتار انسان یا سازمانی که در زمینه خاصی دارای تخصص و تجربه است، استفاده می‌کند. مفهوم سیستم‌های خبره در دهه ۱۹۷۰ توسعه یافت و نوع مدرن آن‌ها از هوش مصنوعی برای انجام وظایف خود استفاده می‌کنند.از کاربرد‌های سیستم‌های خبره می‌توان به مهندسی مکانیک اشاره کرد که ماشین الکترومکانیک پیچیده را عیب‌یابی میکند و یا در بخش خدمات مشتری، سفارش‌ها را مسیر دهی می‌کند

کاربردهای هوش مصنوعی چیست؟

با هوش مصنوعی تقریباً میتوان هر مسئله‌ای را حل کرد به شرط اینکه بتوان مسأله را به شکل درستی به الگوریتم داد. برای مثال طبقه‌بندی مسائل بینایی ماشین با شبکه‌های عصبی CNN بسیار عالی است اما اگر همین مسأله را با شبکه LSTM انجام دهیم یا قابل انجام نیست یا اینکه نتیجه خوبی نخواهد داشت چرا که شبکه‌های LSTM برای داده‌های سری زمانی مناسب هستند.

• رباتیک:  هوش مصنوعی در رباتیک نه تنها به آن برای انجام وظایف خاص کمک می کند، بلکه آنها را برای کار در سناریوهای مختلف هوشمندتر می کند. به لطف هوش مصنوعی، ربات‌ها قادر به یادگیری، حل، استدلال یا واکنش‌های هوشمند هستند. عملکردهای مختلفی در روباتها وجود دارد مانند بینایی کامپیوتر، کنترل حرکت، گرفتن اشیاء. کاربرد ربات‌ها در کسب و کارها را می‌توان خوش‌آمد گویی به مشتریان در در فروشگاه‌ها، ارائه اطلاعات مفید، راهنمایی مشتریان یا برداشت سبزیجات و محصولات دیگر از مزارع کشاورزی و غیره اشاره کرد. در بخش صنعتی، روبات‌های مجهز به هوش مصنوعی با کار در فضاهای مشترک، کارگران را ایمن نگه می‌دارند همچنین وظایف پیچیده ای مانند برش، سنگ‌زنی، جوشکاری و بازرسی را به صورت مستقل انجام می دهند.

• پزشکی: هوش مصنوعی روش ارائه مراقبت‌های بهداشتی را تغییر می‌دهد. سازمان‌های بهداشتی، مجموعه داده‌های گسترده ای را در قالب پرونده ها و تصاویر پزشکی، داده‌های جمعیت و داده‌های کارآزمایی بالینی را جمع آوری کرده اند. فناوری‌های هوش مصنوعی برای تجزیه و تحلیل این داده‌ها و کشف الگوها و ارائه بینش‌هایی که انسان‌ به تنهایی نتوانسته‌ است آن را پیدا کند، مناسب است. با یادگیری عمیق، بیمارستان‌ها و سازمان‌های بهداشتی می توانند از الگوریتم هایی برای کمک به تصمیم گیری های تجاری و بالینی در جهت ارائه بهتر خدمات و بهبود کیفیت آن استفاده کنند.

• بانک‌داری و مالی : هوش مصنوعی در حال تغییر کیفیت محصولات و خدماتی است که صنعت بانکداری ارائه می دهد. نه تنها روش‌های بهتری برای مدیریت داده‌ها و بهبود تجربه مشتری ارائه کرده است، بلکه فرآیندهای سنتی را برای کارآمدتر کردن آن‌ها ساده، تسریع و بازتعریف کرده است. با فناوری‌هایی مانند هوش مصنوعی، داده‌ها به با ارزش‌ترین دارایی یک سازمان خدمات مالی تبدیل شده‌اند. اکنون بیش از هر زمان دیگری، بانک‌ها از راه‌حل‌های خلاقانه و مقرون‌به‌صرفه‌ای که هوش مصنوعی ارائه می‌کند آگاه هستند و می‌دانند که اندازه دارایی، اگرچه مهم است، اما دیگر به تنهایی برای ایجاد یک کسب‌وکار موفق کافی نخواهد بود.

• کشاورزی: هوش مصنوعی بخش کشاورزی را از عوامل مختلفی مانند تغییرات آب و هوایی، رشد جمعیت و ایمنی مواد غذایی نجات می دهد. امروزه سیستم کشاورزی به دلیل هوش مصنوعی به سطح متفاوتی رسیده است و بر تولید و نظارت بر محصول، برداشت، پردازش و بازاریابیاین بخش را بهبود بخشیده است. همچنین با هوش مصنوعی می‌توان پارامترهای مهم مختلفی مانند تشخیص علف های هرز، تشخیص عملکرد، کیفیت محصول و بسیاری موارد دیگر را بررسی کرد. به طور مشخص می‌توان بخش‌های زیر را به عنوان کاربرد‌های هوش مصنوعی در کشاورزی نام برد

1. پیش‌بینی آب و هوا و قیمت: تصمیم‌گیری درست برای برداشت و یا کاشت بذر به دلیل تغییرات آب و هوایی برای کشاورزان دشوار شده است. اما با کمک هوش مصنوعی در پیش بینی آب و هوا، کشاورزان می توانند اطلاعاتی را در مورد تجزیه و تحلیل آب و هوا داشته باشند و بر این اساس، می توانند برای نوع محصول برای رشد، بذر و برداشت محصول برنامه ریزی کنند. با پیش بینی قیمت، کشاورزان می توانند تصمیم بهتری برای قیمت محصولات برای چند هفته آینده داشته باشند که می تواند به آنها در کسب حداکثر سود کمک کند.
2. اسپری هوشمند: با حسگرهای هوشمند، علف های هرز را می توان به راحتی تشخیص داد و یا مناطق آسیب دیده محصول را شناسایی کرد.

• بازی: در بازی‌ها هدف هوش مصنوعی این است که با نزدیک‌کردن هر چه بیشتر شخصیت‌های بازی، بازی‌کننده (Gamer) را در بازی قوطه‌ور سازد، حتی اگر خود بازی در یک دنیای فانتزی باشد.

این فقط چند کاربرد هوش مصنوعی است و همانطور که گفته شد هوش مصنوعی کاربردهای بسیار وسیعی دارد. فقط نیاز است که مسأله خود را به درستی به آن معرفی کنید.

نمونه‌های مدرن کاربرد‌های هوش مصنوعی چیست؟

نمونه کاربرد‌های مدرن آن را می‌توان طراحی پروتئین‌ها با استفاده از هوش مصنوعی که خود واقعا انقلابی در پزشکی است، نقش کلیدی هوش مصنوعی در جام جهانی ۲۰۲۲  قطر، مدل زبانی ChatGPT و… اشاره کرد.

پروتئین طراحی شده توسط سیستم هوش مصنوعی RoseTTAFold که به پروتئین Spike بیماری کرونا می‌چسبد.

آیا نیاز دارم که هوش مصنوعی را یاد بگیرم؟

برای پیشرفت و درخشیدن در دنیای مدرن و هوشمند امروز نیاز است که حداقل با هوش مصنوعی آشنایی خوبی داشته باشید. با فهمیدن آن می‌توان با تغییرات پرسرعت امروزی انطباق یافت و یادگیری آن شما را از بقیه متمایز می‌کند.

پیشنیازهای هوش مصنوعی چیست و چطور آن را یاد بگیرم؟

برای یادگیری هوش مصنوعی چندین پیش نیاز وجود دارد که هر چه در آن‌ها قوی‌تر باشید بهتر است. پیش‌نیاز‌ها شامل آشنایی با ریاضیات دوره دبیرستان،  جبر خطی، آمار و احتمالات و برنامه‌نویسی پایتون است. با سخت کوشی و تلاش فروان می‌توان هوش مصنوعی را یادگرفت اما برای مباحث و پروژهای پیشرفته وجود یک مدرس با تجربه می‌تواند سرعت یادگیری شما را افزایش دهد و زودتر به هدف خود برسید. پیشنهاد ما ثبت نام در دوره بینایی کامپیوتر فیلاگر است. این دوره از مفاهیم پایه شروع می‌شود و فقط نیاز است که با ریاضیات دوره دبیرستان آشنایی داشته باشید.

چطور در دانشگاه هوش مصنوعی بخوانم؟

در ایران، در مقطع ارشد هوش مصنوعی به عنوان یک زیر رشته از مهندسی کامپیوتر یا علوم کامپیوتر ارائه می‌شود و می‌توان با مدرک کارشناسی این رشته جذاب را مطالعه کرد. امروزه در دوره کارشناسی کامپیوتر درسی به نام هوش مصنوعی جهت معرفی این تکنولوژی به دانشجویان ارائه می‌شود. لیست دروس مقطع ارشد رشته هوش مصنوعی دانشگاه شریف را در این لینک و در دانشگاه تهران در همین مقطع را در این لینک مطالعه کنید