هوش مصنوعی چیست؟ کامل ترین مقاله تعریف AI به زبان ساده

هوش مصنوعی یا AI یک علم (Science) یا مهندسی (Engineering) برای شبیه سازی فرآیندهای پردازشی هوش انسان توسط ماشین‌ها، خصوصا سیستم‌های کامپیوتری است. از هوش مصنوعی برای توسعه تکنیک‌ها، فرآیندها و روش‌های دیگری نظیر سیستم‌های خبره (Expert Systems)، یادگیری ماشینی (Machine Learning)، یادگیری عمیق (Deep Learning)، رباتیک (Robotics)، پردازش زبان‌های طبیعی (Natural Language Processing)، تشخیص گفتار (Speech Recognition)، دید ماشینی (Machine Vision) و دیگر موارد استفاده می‌شود. علاوه بر این، هوش مصنوعی در حوزه‌های مختلفی از جمله سلامت و پزشکی، کسب‌وکار، آموزش، امور مالی، حقوق، سرگرمی و رسانه، امنیت، بلاک چین و ارز دیجیتال و دیگر صنایع کاربرد دارد. در این مطلب، مزایا و معایب، انواع 4 گانه، مفاهیمی نظیر Weak AI و Strong AI و Super AI، کاربردها، نمونه ابزارهای هوش مصنوعی نظیر چت جی پی تی (ChatGPT) و گوگل بارد (Google Bard) و همچنین تاریخچه ای آی را بررسی می‌کنیم.

هوش مصنوعی چیست؟

هوش مصنوعی AI توانایی یک ماشین در انجام عملیات شناختی نظیر دریافت، استدلال گفتار، تعامل با محیط، بازی، حل مسئله، شناسایی الگوها و حتی تولید خلاقیت است که مغز انسان انجام می‌دهد. به عبارت دیگر، هوش مصنوعی به ماشین‌ها اجازه می‌دهد تا قابلیت‌های مغز انسان را مدل‌سازی کرده یا حتی آن‌ها را بهبود بخشند.

از آنجایی که پیچیدگی و حجم داده‌های تولیدی در جهان امروز بسیار زیاد است و مغز انسا‌ن‌ها به‌طور متوسط قادر به همگام‌سازی با سرعت پیشرفت آن‌ها نیست، نیاز به استفاده از هوش مصنوعی حس می‌شود. ابزارهای مبتنی بر AI با یادگیری نحوه پردازش حجم بالای داده، به‌دنبال شناسایی الگوهایی جهت مدل‌سازی فرآیند تصمیم‌گیری خود هستند.

در بسیاری از موارد، انسان‌ها بر فرآیند یادگیری هوش مصنوعی نظارت کرده و تصمیم‌های خوب و بد را از هم جدا می‌کنند، اما در برخی موارد دیگر، سیستم‌های AI برای یادگیری بدون نظارت انسان طراحی شده‌اند. مثلا، یک سیستم تا زمان یافتن قوانین یک بازی ویدیویی و برنده شدن، آن را تکرار می‌کند.

در زندگی روزمره نیز احتمالا از این سیستم‌ها استفاده کرده، اما متوجه آن نشده‌اید؛ دستیارهای صدا نظیر سیری و الکسا هر دو چت بات‌هایی هستند که برای کمک به یافتن اطلاعات در وب‌سایت‌ها، از هوش مصنوعی استفاده می‌کنند. در حوزه کریپتو، استفاده از هوش مصنوعی برای بهبود سرعت معامله ارزهای دیجیتال یکی دیگر از مواردی است که در آینده بیشتر مشاهده خواهیم کرد.

تعریف هوش مصنوعی به زبان ساده

طی دهه‌های گذشته، تعاریف مختلفی از AI ارائه شده است. در ساده‌ترین حالت، هوش مصنوعی رشته‌ای است که علوم کامپیوتر و پایگاه‌های داده قدرتمند را برای فراهم‌آوری فرصت حل مسئله با یکدیگر ترکیب می‌کند. این رشته همچنین شاخه ماشین لرنینگ (Machine Learning) یا یادگیری ماشینی و دیپ لرنینگ (Deep Learning) یا یادگیری عمیق را نیز در بر می‌گیرد که عموما در کنار AI از آن‌ها نام برده می‌شود. این رشته‌ها از الگوریتم‌های هوش مصنوعی تشکیل شده‌اند که به‌دنبال ساخت سیستم‌های خبره جهت پیش‌بینی یا دسته‌بندی یک سری داده‌های ورودی هستند. در ادامه این مطلب، بیشتر به این تعاریف و جایگاه‌هایشان در ای آی خواهیم پرداخت.

الن تورینگ؛ پدر هوش مصنوعی

الن ماتیسون تورینگ (Alan Mathison Turing) که پدر هوش مصنوعی شناخته می‌شود، در مقاله سال 1950 خود به‌نام “Computing Machinery and Intelligence“، در بخش معرفی این علم تحت عنوان “Imitation Game”، که فیلمی به همین نام نیز با بازی بندیکت کامبربچ در سال 2004 ساخته شد، مقاله خود را با طرح سوال زیر آغاز می‌کند:

Can machines think?

آیا ماشین‌ها می‌توانند فکر کنند؟

وی برای پاسخ به این سوال، آزمایشی را مطرح می‌کند که بعدها به «آزمون تورینگ (Turing Test)» معروف شد. این آزمایش در مقاله وی به‌صورت زیر طرح شده است:

نوع جدید مسئله را می‌توان در قالب یک بازی تعریف کرد که به آن «بازی تقلید» می‌گوییم. در این بازی، 3 نفر شامل یک مرد (A)، یک زن (B) و یک بازجو (C) که جنسیتش مشخص نیست، حضور دارند. بازجو در اتاق دیگری از این دو نفر می‌نشیند. هدف این بازی برای بازجو، تعیین این است که کدام یک از این دو نفر زن و دیگری مرد است. بازجو این دو نفر را با اسم‌‌های X و Y می‌شناسد و باید آخر بازی مشخص کند که کدام یک از X و Y دارای جنسیت A و B هستند. بازجو اجازه پرسیدن سوال از A و B را دارد، بنابراین:

C: ممکن است X قد موهای خودش را به من بگوید؟

حالا فرض کنید X همان A (مرد) است، پس A باید پاسخ دهد و هدف وی در این بازی، تلاش برای فریب C و شناسایی اشتباه جنسیت است. پاسخ A می‌تواند به این صورت باشد:

موهای من خیلی کوتاه و بلندترین تار موی من حدود 9 اینج است.

حال برای اینکه لحن صداها به بازجو کمک نکند، پاسخ‌ها باید نوشته یا در حالت بهتر، تایپ شوند. شرایط ایده‌آل برای برقراری ارتباط بین دو اتاق، داشتن یک تله پرینتر است. در حالت دیگر، پرسش و پاسخ‌ها را می‌توان توسط یک واسطه تکرار کرد. هدف بازی برای بازیکن سوم (B)، کمک به بازجو است.

بهترین استراتژی برای B (که زن در نظر گرفته می‌شود)، دادن پاسخ‌های صادقانه به سوالات است. وی می‌تواند اطلاعات بیشتری نظیر «من یک زن هستم، به حرف‌های آن مرد گوش نده» را به پاسخ‌های خود اضافه کند. از آنجایی که مرد هم می‌تواند اظهارات مشابهی را بیان کند، این پاسخ فایده زیادی نخواهد داشت.

اکنون سوال ما این است که «وقتی یک ماشین نقش A را در این بازی به عهده بگیرد، چه اتفاقی می‌افتد؟». آیا بازجو به همان اندازه که بازی بین زن و مرد انجام می شود، هنگام انجام این بازی با ماشین نیز تصمیم اشتباه می‌گیرد؟ این سوالات، جایگزین سوال اصلی «آیا ماشین‌ها می‌توانند فکر کنند؟» می‌شود.

با اینکه این آزمایش از زمان طراحی تا کنون تحت بررسی‌های دقیق قرار گرفته است، اما همچنان یکی از مهمترین بخش‌های تاریخچه ای آی به‌شمار می‌رود و به‌خاطر استفاده از ایده‌های پیرامون زبان‌شناسی، یک مفهوم همیشگی در فلسفه محسوب می‌شود.

جان مک‌کارتی؛ مبدع عبارت Artificial Intelligence

جان مک‌کارتی (Joh McCarthy) که در کنار آلن تورینگ یکی از پدران بنیان‌گذار هوش مصنوعی شناخته می‌شود، اصطلاح “Artificial Intelligence” را در سال 1955 ابداع و تعریف خود از این علم را در کنفرانس برگزارشده در کالج دارتموث (Darthmouth) در تابستان سال 1956 ارائه کرد. وی همچنین مخترع زبان برنامه نویسی LISP است.

جان مک‌کارتی تعریف خود از AI را به‌صورت زیر مطرح کرده بود:

… the science and engineering of making intelligent machines … [where] intelligence is the computational part of the ability to achieve goals in the world

علم و مهندسی ساخت ماشین‌های هوشمند … [که در آن] هوش، بخش محاسباتی توانایی دستیابی به اهداف در دنیاست.

وی در همان سال، تعریف دیگری از هوش مصنوعی ارائه کرد:

making a machine behave in ways that would be called intelligent if a human were so behaving

وادار کردن یک ماشین به رفتار به‌طرقی که اگر یک انسان به همان‌گونه رفتار می‌کرد، به آن هوشمندانه می‌گفتند.

وی سپس در مقاله سال 2004 خود تحت عنوان “What is Artificial Inteligence“، هوش مصنوعی را مجددا به‌صورت زیر تعریف کرد:

It is the science and engineering of making intelligent machines, especially intelligent computer programs. It is related to the similar task of using computers to understand human intelligence, but AI does not have to confine itself to methods that are biologically observable.

AI، علم و مهندسی ساخت ماشین‌های هوشمند، خصوصا برنامه‌های رایانه‌ای هوشمند است. AI به هدف مشابه استفاده از کامپیوترها جهت درک هوش انسان مرتبط است، اما لزوما خودش را به روش‌هایی که به‌صورت بیولوژیکی قابل مشاهده هستند، محدود نمی‌کند.

استورات راسل و پیتر نورویگ؛ نویسندگان مهمترین کتاب درسی هوش مصنوعی

استورات راسل (Stuart Russell) و پیتر نورویگ (Peter Norvig) در سال 1995 کتاب “Artificial Intelligence: A Modern Approach” را نگارش کردند که به یکی از مهمترین کتب درسی در زمینه هوش مصنوعی تبدیل شد. در این کتاب، آن‌ها چهار هدف بالقوه یا تعریف را از AI ارائه کردند که سیستم‌های کامپیوتری را از نظر عقلانیت و تفکر در مقابل عمل متمایز می‌کند:

• رویکرد انسانی:
  • سیستم‌هایی که مانند انسان‌ها فکر می‌کنند
  • سیستم‌هایی که مانند انسان‌ها عمل می‌کنند
• رویکرد ایده‌آل:
  • سیستم‌هایی که عاقلانه فکر می‌کنند
  • سیستم‌هایی که عاقلانه عمل می‌کنند

در این میان، تعریف الن تورینگ از AI، در گروه «سیستم‌هایی که مانند انسان‌ها عمل می‌کنند» قرار می‌گیرد.

دیگر تعاریف AI از دید نویسندگان، محققان و شرکت‌ها

از دید دیگر شرکت‌های پیشرو در صنعت و همچنین نویسندگان و محققانی که طی سال‌ها به مطالعه و توسعه هوش مصنوعی پرداخته‌اند، تعریف Artificial Intelligence تا حدودی با تعاریف قبلی متفاوت است که در ادامه آن‌ها را بررسی می‌کنیم:

ماروین مینسکی (Marvin Minsky)، پیشروی حوزه AI در کتاب “Semantic Information Processing”:

… the science of making machines do things that would require intelligence if done by men

علم ساخت ماشین‌ها برای انجام کارهایی که اگر توسط انسان انجام می‌شد، به هوش نیاز داشت.

دمیس هاسابیس (Demis Hassabis)، کارآفرین و محقق هوش مصنوعی و مدیرعامل و بنیان‌گذار آزمایشگاه DeepMind گوگل:

… the science of making machines smart

علم هوشمندسازی ماشین‌ها

آویناش کاوشیک (Avinash Kaushik)، نویسنده و محقق گوگل:

… is an intelligent machine

یک ماشین هوشمند

جیم استرن (Jim Sterne)، نویسنده کتاب “Artificial Intelligence for Marketing: Practical Applications”:

… is the next, logical step in computing: a program that can figure out things for itself. It’s a program that can reprogram itself

گام منطقی بعدی در محاسبات: برنامه‌ای که می‌تواند خودش مسائل را بفهمد. برنامه‌ای که قادر به برنامه نویسی مجدد خودش است.

استیون استرول (Steven Struhl)، نویسنده کتاب “Artificial Intelligence Marketing and Predicting Consumer Choice: An Overview of Tools and Techniques”:

… anything a machine does to respond to its environment to maximize its chances of success

هر کاری که یک ماشین برای پاسخ‌دهی به محیط اطرافش جهت حداکثرسازی شانس موفق خود انجام می‌دهد.

تعریف شرکت PwC:

… technologies emerging today that can understand, learn, and then act based on that information

فناوری‌های رو به ظهور امروزی که قادر به درک، یادگیری و سپس عمل بر اساس آن اطلاعات هستند.

تعریف شرکت IBM از هوش مصنوعی:

… anything that makes machines act more intelligently

هر چیزی که باعث هوشمندتر شدن عمل ماشین‌ها می‌شود.

تعریف شرکت Accenture:

… a constellation of technologies that extend human capabilities by sensing, comprehending, acting and learning – allowing people to do much more

… مجموعه‌ای از فناوری‌هایی که توانایی‌های انسان را با حس کردن، درک کردن، عمل کردن و یادگیری گسترش داده و اجازه انجام کارهای بیشتر را به افراد می‌دهند.

تعریف شرکت Deloitte:

… getting computers to do tasks that would normally require human intelligence

وادار ساختن کامپیوترها به انجام وظایفی که معمولا به هوش انسانی نیاز دارند.

تعریف شرکت McKinsley از ای آی:

“… the ability of machines to exhibit human-like intelligence

توانایی ماشین‌ها در نمایش هوش انسان‌گونه

تعریف شرکت Salesforce:

… a field of computer science that focuses on creating machines that can learn, recognize, predict, plan, and recommend — plus understand and respond to images and language

رشته‌ای در علوم کامپیوتر که بر ساخت ماشین‌های توانمند در یادگیری، تشخیص، پیش‌بینی، برنامه‌ریزی و پیشنهاددهی – به‌علاوه درک و پاسخ‌دهی به تصاویر و زبان‌ها – متمرکز است.

رایح‌ترین تعریف هوش مصنوعی در حوزه کسب‌وکار به گزارش شرکت Narrative Science در سال 2015:

“… technology that thinks and acts like humans

تکنولوژی که مانند انسان‌ها فکر و عمل می‌کند.

تعریف مشهور در کتاب “Practical Artificial Intelligence For Dummies”:

… a subfield of computer science aimed at the development of computers capable of doing things that are normally done by people — in particular, things associated with people acting intelligently

شاخه‌ای از علوم کامپیوتر با هدف توسعه رایانه‌های توانمند در انجام کارهایی که معمولا توسط افراد انجام می‌شود – به‌ویژه، کارهای مرتبط با افرادی که هوشمندانه عمل می‌کنند.

استیون فینلی (Steven Finlay)، نویسنده کتاب “Artificial Intelligence and Machine Learning for Business: A No-Nonsense Guide to Data Driven Technologies”:

… the replication of human analytical and/or decision-making capabilities

تقلیدی از قابلیت‌های تحلیلی و/یا تصمیم‌گیری انسانی

پروفسور بی.جی. کوپلند (B.J. Copeland) در دایره‌المعارف Britannica:

… the ability of a digital computer or computer-controlled robot to perform tasks commonly associated with intelligent beings

توانایی یک کامپیوتر دیجیتال یا یک ربات تحت کنترل کامپیوتر در انجام وظایفی که عموما با موجودات هوشمند مرتبط هستند.

تعریف شرکت Economist Intelligence Unit در مقاله‌ای تحت عنوان “Artificial Intelligence in The Real World:The business case Takes Shap”:

… a set of computer science techniques that enable systems to perform tasks normally requiring human intelligence

مجموعه‌ای از تکنیک‌های علوم کامپیوتر که سیستم‌ها را به انجام وظایفی که معمولا به هوش انسانی نیاز دارند، قادر می‌سازد.

کالوم چیس (Calum CHase)، نویسنده کتاب “Surviving AI”:

… intelligence demonstrated by a machine or by software … [where] intelligence measures an agent’s general ability to achieve goals in a wide range of environments

هوشی نشان‌داده‌شده توسط یک ماشین یا نرم‌افزار … [که در آن] هوش، توانایی کلی یک عامل را برای دستیابی به اهداف در طیف وسیعی از محیط‌ها اندازه می‌گیرد.

تعریف اول ویکی‌پدیا از AI:

… intelligence exhibited by machines, rather than humans or other animals (natural intelligence, NI)

هوش به نمایش گذاشته‌شده توسط ماشین‌ها، به‌جای انسان‌ها یا حیوانات (هوش طبیعی، NI)

تعریف دوم ویکی‌پدیا از هوش مصنوعی ای آی:

… intelligence exhibited by machines or software

هوش به نمایش گذاشته‌شده توسط ماشین‌ها یا نرم افزارها

با اینکه برخی از افراد در تعاریف خود از هوش مصنوعی تحت عنوان یک تکنولوژی یاد کرده‌اند، اما باید دقت داشت که AI یک علم و مهندسی و به عبارت دقیق‌تر، شاخه‌ای از علوم کامپیوتر است، نه یک فناوری. فناوری محصول علم است. هنگامی که شما از یک علم، مهندسی یا حتی شاخه‌ای از علوم برای توسعه یک ابزار، ماشین یا برنامه استفاده می‌کنید، به نتیجه آن تکنولوژی می‌گویند. مثلا کامپیوتر یک فناوری است که با استفاده از علم هوش مصنوعی، قادر به تقلید از رفتار و فرآیندهای شناختی انسان است.

تاریخچه هوش مصنوعی و توسعه AI

مفهوم اشیاء بی‌جان دارای هوش مصنوعی از زمان‌های قدیم وجود داشته است. خدای یونانی هفائستوس (Hephaestus)، در افسانه‌ها در حال ساخت خدمتکاران ربات‌مانندی از جنس طلا به تصویر کشیده شده است. مهندسان مصر باستان نیز مجسمه‌های خدایانی که نقاشی‌شان توسط کشیش‌ها طراحی شده بود را ساخته‌اند. در طول قرن‌ها، متفکرانی از فیلسوف یونانی ارسطو (Aristotle) گرفته تا الهی‌دان اسپانیایی قرن سیزدهم رامون لول (Ramon Llull)، رنه دکارت (René Descartes) و توماس بیز (Thomas Bayes)، همگی از ابزارها و منطق زمان خود برای توصیف فرآیندهای فکری انسان به‌شکل نمادها استفاده کرده و پایه‌های مفاهیم ای آی را به‌عنوان بازنمایی دانش عمومی بنا کردند.

اواخر قرن 19 و نیمه اول قرن 20، زمینه‌ساز ظهور رایانه‌های مدرن بود. در سال 1836، ریاضیدان دانشگاه کمبریج، چارلز ببیج (Charles Babbage) و اولین برنامه نویس کامپیوتر در جهان به‌نام آگوستا آدا کینگ (Augusta Ada King)، اولین طرح را برای یک ماشین قابل برنامه نویسی اختراع کردند. در ادامه، تاریخچه هوش مصنوعی را بررسی خواهیم کرد.

دهه 1940

• در سال 1942، آیزاک آسیموف (Isaac Asimov) مقاله‌ای تحت عنوان “Three Laws of Robotics” را منتشر کرد. در آن زمان، رباتیک ایده‌ای رایج در داستان‌های تخیلی بود که درباره لزوم عدم آسیب‌رساندن هوش مصنوعی به انسان‌ها صحبت می‌کرد.
• در 1943، وارن مک‌کالوچ (Warren McCulloch) و والتر پیتس (Walter Pitts) با انتشار مقاله “A Logical Calculus of Ideas Immanent in Nervous Activity”، پایه و اساس شبکه‌های عصبی را بنا نهادند.
• در سال 1945، ریاضیدان دانشگاه پرینستون، جان فون نویمان (John Von Neumann)، معماری یک کامپیوتر دارای قابلیت ذخیره‌سازی برنامه را پیاده‌سازی کرد. این ایده که برنامه یک کامپیوتر و داده‌های پردازش‌شده توسط آن را بتوان در حافظه رایانه نگهداری کرد، تا پیش از این وجود نداشت.
• در 1949، دونالد هب (Donald Hebb) در کتاب “The Organization of Behavior: A Neuropsychological Theory” نظریه خود درباره اینکه مسیرهای عصبی از تجارب ساخته شده و با استفاده هر چه بیشتر از نورون‌ها ارتباط بین آن‌ها نیز قوی‌تر می‌شود را مطرح کرد. ایده وی همچنان یکی از مدل‌های مهم در علم AI است.

دهه 1950

• با ظهور کامپیوترهای مدرن، دانشمندان نیز قادر به آزمایش ایده‌های خود در مورد هوش ماشینی بودند. یک روش برای تعیین اینکه آیا کامپیوتری دارای هوش است یا خیر، توسط ریاضیدان بریتانیایی و رمز‌شکن جنگ جهانی دوم، آلن تورینگ، ابداع شد. همانطور که در بخش تعریف AI گفتیم، در آزمون تورینگ، هدف سنجش توانایی یک کامپیوتر در فریب دادن بازجویان به این باور است که پاسخ‌های داده‌شده به سوالات‌شان توسط انسان ارائه شده است. در سال 1950، وی مقاله خود تحت عنوان “Computing Machinery and Intelligence” را منتشر کرد.
• در همان سال، دانشجویان مقطع کارشناسی دانشگاه هاروارد به‌نام‌های ماروین مینسکی (Marvin Minsky) و دین ادموندز (Dean Edmonds)، اولین کامپیوتر شبکه عصبی به‌نام SNARC را ساختند. در آن زمان، کلاود شنون (Claude Shannon) نیز مقاله خود با عنوان “Programming a Computer for Playing Chess” را منتشر کرد.
• در 1952، آرتور سموئل (Arthur Samuel) یک برنامه خودآموز را برای بازی چکرز (Checkers) توسعه داد.
• در سال 1954، آزمایش ترجمه ماشینی (Machine Translation) خودکار بیش از 60 جمله روسی به انگلیسی طی همکاری دانشگاه جورج‌تاون و شرکت آی‌بی‌ام صورت گرفت که به Georgetown-IBM Experiment معروف شد.
• در سال 1956، در جریان کنفرانس تابستانی کالج دارتموث (Dartmouth)، عبارت “Artificial Intelligence” معرفی شد. در این کنفرانس که توسط آژانس پروژه‌های تحقیقاتی پیشرفته دفاعی (DARPA) حمایت شده بود، 10 نفر از افراد برجسته در این زمینه از جمله پیشگامان هوش مصنوعی، ماروین مینسکی (Marvin Minsky)، الیور سلفریج (Oliver Selfridge) و جان مک‌کارتی (John McCarthy) شرکت کردند. این کنفرانس، محل تولد ای آی تلقی می‌شود.
• در همان سال، دانشمند کامپیوتر آلن نیول (Allen Newell)، و اقتصاددان، دانشمند علوم سیاسی و روانشناس شناختی هربرت آ. سیمون (Herbert A. Simon) در این مراسم حضور داشتند. این دو نفر، بزرگترین اختراع خود به‌نام “Logic Theorist” که یک برنامه رایانه‌ای قادر به اثبات یک سری از قضایای ریاضی خاص بود و از آن به‌عنوان «اولین برنامه هوش مصنوعی» یاد می‌شود را معرفی کردند.
• در 1958، جان مک‌کارتی زبان برنامه نویسی هوش مصنوعی Lisp را توسعه داد و مقاله ““Programs with Common Sense” که در آن، یک سیستم AI کامل با توانایی یادگیری از تجربه مشابه انسان‌ها تشریح شده بود را مطرح کرد.
• در سال 1958، آلن نیول، هربرت سایمون و جی‌سی شاو (J.C. Shaw) الگوریتم General Problem Solver را منتشر کردند که در حل مسائل پیچیده کارایی نداشت، اما پایه‌های توسعه یک معماری پیچیده‌تر را بنا کرد.
• در 1959، هربرت گلرنتر (Herbert Gelernter) برنامه‌ای به‌نام “Geometry Theorem Prover” را توسعه داد. این برنامه که به‌نام GEOTHER نیز شناخته می‌شود، برای اصلاح و اثبات قضایای هندسی کاربرد دارد.
• در سال 1959، آرتور سموئل زمانی که در شرکت IBM حضور داشت، اصطلاح “Machine Learning” را ابداع کرد و در همان دوران، جان مک‌کارتی و ماروین مینسکی نیز پروژه MIT Artificial Intelligence را بنیان کردند.

دهه 1960

• در سال 1963، جان مک‌کارتی آزمایشگاه هوش مصنوعی را در دانشگاه استنفورد راه‌اندازی کرد.
• بین سال‌های 1964 و 1966، پروفسور دانشگاه MIT جوزف وایزنبام (Joseph Weizenbaum)، یک برنامه پردازش زبان‌های طبیعی (NLP) به‌نام ELIZA را توسعه داد که پایه و اساس چت‌بات‌های امروزی محسوب می‌شود.
• در 1966، گزارش کمیته مشورتی پردازش خودکار زبان (ALPAC) تهیه‌شده توسط دولت ایالات متحده، از عدم پیشرفت در تحقیقات ترجمه ماشینی خبر داد. ترجمه ماشینی یکی از ابتکارات بزرگ در دوران جنگ سرد با وعده ترجمه خودکار و فوری زبان روسی بود. این گزارش منجر به لغو تمام پروژه‌های ترجمه ماشینی با بودجه دولت شد.
• در سال 1969، اولین سیستم‌های خبره موفق به‌نام‌های DENDRAL و MYCIN در دانشگاه استنفورد خلق شدند.

دهه 1970

• در سال 1972، زبان برنامه نویسی منطقی PROLOG ساخته شد.
• یک سال بعد در 1973، گزارش دولت بریتانیا تحت عنون Artificial Intelligence: A General Survey که بعدها به Lighthill Report معروف شد، از ناامیدی در تحقیقات ای آی خبر داده بود که توقف حمایت‌های دولت و شرکت‌ها از پروژه‌های AI را به‌دنبال داشت.
• در سال‌های 1974 تا 1980 که از آن به‌عنوان اولین «زمستان هوش مصنوعی» یاد می‌شود، عدم پیشرفت‌های آتی این حوزه به قطع بودجه و کمک‌های مالی آکادمیک DARPA منجر شد. گزارش Lighthill Report در کنار گزارش ALPAC، توقف تامین سرمایه و تحقیقات را به‌دنبال داشتند.

دهه 1980

• در سال 1980، شرکت Digital Equipment Corporation اولین سیستم خبره تجاری خود به‌نام R1 که تحت عنوان XCON نیز شناخته می‌شود را توسعه داد. R1 که برای تعیین دستورات سیستم‌های کامپیوتری جدید به‌کار می‌رود، موج جدیدی از سرمایه گذاری‌ها در سیستم‌های خبره را به‌همراه داشت که باعث پایان اولین زمستان AI شد.
• در 1982، وزارت صنعت و تجارت بین‌المللی ژاپن، پروژه جاه‌طلبانه سیستم‌های کامپیوتری نسل پنجم (Fifth Generation Computer Systems) یا به‌طور خلاصه FGCS را راه‌اندازی کرد. هدف FGCS، فراهم‌آوری عملکرد ابر رایانه‌مانند و پلتفرمی برای توسعه هوش مصنوعی بود.
• در سال 1983، دولت ایالات متحده نیز در واکنش به FGCS ژاپن، با هدف تامین سرمایه تحقیقات DARPA در حوزه محاسبات پیشرفته و AI، ابتکار محاسبات استراتژیک (Strategic Computing Initiative) خود را راه‌اندازی کرد.
• در 1985، شرکت‌ها طی یک سال بیش از 1 میلیارد دلار در سیستم‌های خبره سرمایه گذاری کردند و یک صنعت کاملا جدید به‌نام بازار ماشین‌های مبتنی بر زبان Lisp جهت حمایت از آن‌ها به‌وجود آمد. شرکت‌هایی مانند Symbolics و Lisp Machines Inc، رایانه‌های تخصصی خود را برای اجرای زبان برنامه نویسی هوش مصنوعی لیسپ ساختند.
• بین سال‌های 1987 تا 1993، با پیشرفت فناوری محاسباتی، جایگزین‌های ارزان‌تری ظهور کرده و بازار ماشین‌های لیسپ در سال 1987 سقوط کرد که نتیجه آن، رسیدن دومین زمستان هوش مصنوعی بود. طی این دوران، گران بودن نگهداری و به‌روزرسانی سیستم‌های خبره بیشتر به چشم آمد.

دهه 1990

• در ابتدای این دهه یعنی 1991، نیروهای آمریکایی یک ابزار زمان‌بندی و برنامه‌ریزی لجستیک خودکار به‌نام DART را در دوران جنگ خلیج فارس (Gulf War) پیاده‌سازی کردند. جنگ خلیج فارس یک درگیری مسلحانه بین عراق و ائتلافی متشکل از نیروی ارتش 39 کشور به رهبری ایالات متحده بود.
• در سال 1992، ژاپن با اشاره به شکست در برآورده‌سازی اهداف جاه‌طلبانه که یک دهه پیش تعیین شده بود، پروژه FGCS خود را ملغی کرد.
• در 1994، آژانس پروژه‌های تحقیقاتی پیشرفته دفاعی (DARPA) پس از صرف نزدیک به 1 میلیارد دلار هزینه و عدم حصول نتایج مورد انتظار، پروژه ابتکار محاسبات استراتژیک خود را تعطیل کرد.
• در سال 1997، با سرعت گرفتن پیشرفت‌ها در حوزه ای آی، ابر رایانه شطرنج‌باز شرکت IBM به‌‌نام Deep Blue توانست استاد بزرگ شطرنج روسی گری کاسپاروف (Garry Kasparov) را شکست داده و به اولین برنامه کامپیوتری که یک قهرمان شطرنج جهان را شکست داده بود، تبدیل شود.
• افزایش قدرت محاسباتی و انفجار حجم داده‌های در دسترس، جرقه یک رنسانس هوش مصنوعی را در اواخر دهه 1990 ایجاد کرد که زمینه‌ساز پیشرفت‌های قابل توجهی بود که امروز شاهد آن هستیم. ترکیب بیگ دیتا (Big Data) و افزایش قدرت محاسباتی باعث پیشرفت در پردازش زبان‌های طبیعی، دید کامپیوتری (Computer Vision) رباتیک، یادگیری ماشینی و یادگیری عمیق شد.

دهه 2000

• با ادامه پیشرفت‌ها در حوزه‌های ماشین لرنینگ، دیپ لرنینگ، پردازش زبان‌های طبیعی، تشخیص گفتار و دید کامپیوتری، محصولات و خدماتی که زندگی امروزی ما را شکل دادند، ظهور کردند. از جمله این محصولات و خدمات می‌توان راه‌اندازی موتور جستجوی گوگل در سال 2000 و موتور پیشنهاددهی آمازون در سال 2001 را نام برد. در آن زمان، نتفلیکس سیستم پیشنهاددهی خود برای فیلم‌ها، فیسبوک سیستم تشخیص چهره و مایکروسافت سیستم تشخیص گفتار خود برای تبدیل گفتار به نوشته را توسعه دادند. شرکت IBM نیز ابر رایانه خود به‌نام Watson و گوگل ابتکار خودران خود به‌نام Waymo را راه‌اندازی کرد.
• در سال 2005، اتومبیل خودران تیم مسابقات رانندگی دانشگاه استنفورد به‌نام استنلی (Stanley) که با همکاری آزمایشگاه تحقیقاتی فولکس‌واگن الکترونیکس ساخته شده بود، توانست در مسابقه DARPA Grand Challenge پیروز شده و 2 میلیون دلار جایزه آن را نصیب تیم دانشگاه استنفورد کند.
• در همان سال، ارتش ایالات متحده سرمایه گذاری در ربات‌های خودمختار مانند “Big Dog” شرکت بوستون داینامیکس و “PackBot” شرکت آی‌ربات را آغاز کرد.
• در سال 2008، گوگل توانست به یکی از بزرگترین موفقیت‌های خود در تشخیص گفتار دست یابد. پس از آن، این قابلیت در آیفون معرفی شد.

دهه 2010

• سال‌های بین 2010 و 2020 شاهد توسعه‌های مداوم AI نظیر عرضه دستیار صوتی سیری (Siri) اپل و الکسا (Alexa) آمازون بودیم. نکته جالب اینکه در سال‌های قبل، از ابر رایانه واتسون شرکت IBM که برای پاسخ‌دهی به سوالات طراحی شده بود، در یک برنامه تلویزیونی به‌نام Jeopardy استفاده شد. اما در سال 2011، خود این ابر رایانه به‌عنوان شرکت‌کننده در برنامه Jeopardy حضور یافت و با پیروزی در رقابت با قهرمانان این برنامه به‌نام‌های برد راتر (Brad Rutter) و کن جنینگز (Ken Jennings)، توانست جایزه 1 میلیون دلاری را از آن خود کند.
• در 2012، اندرو ان‌جی (Andrew Ng)، بنیان‌گذار پروژه دیپ لرنینگ Google Brain، با استفاده از الگوریتم‌های یادگیری عمیق 10 میلیون ویدیو یوتیوب به‌عنوان خوراک داده، آزمایش روی یک شبکه عصبی را آغاز کرد. این شبکه عصبی توانست بدون اینکه به آن بگویند یک گربه چیست، یک گربه را در ویدیوها تشخیص دهد. این نتیجه، تامین سرمایه برای حوزه دیپ لرنینگ و شبکه‌های عصبی را به‌دنبال داشت.
• در سال 2014، اتومبیل خودران گوگل توانست به اولین خودروی دارای گواهینامه رانندگی تبدیل شود. در همین سال، الکسای آمازون نیز عرضه شد.
• در 2016، برنامه کامپیوتری آلفاگو (AlphaGo) که برای بازی تخته‌ای Go توسط شرکت زیرمجموعه گوگل یعنی دیپ مایند (DeepMind) توسعه داده شد بود، توانست قهرمان این بازی به‌نام لی سیدول (Lee Sedol) را شکست دهد. پیچیدگی این بازی باستانی چینی یکی از موانع بزرگ بر سر راه هوش مصنوعی بود.
• در همان سال، اولین «شهروند رباتی» به‌نام سوفیا (Sophia) توسط شرکت هنسون رباتیکس (Hanson Robotics) ساخته شد. این ربات به تشخیص چهره، ارتباط کلامی و حالات چهره مجهز بود.
• در سال 2018، گوگل موتور پردازش زبان‌های طبیعی خود به‌نام BERT را عرضه کرد که باعث کاهش موانع ترجمه و درک برنامه‌های یادگیری ماشینی شد. در این سال، شرکت ویمو که پیشتر به‌عنوان پروژه اتومبیل خودران گوگل شناخته می‌شد، سرویس Waymo One خود را راه‌اندازی کرد که به ساکنان منطقه فینکس در جنوب غربی ایالات متحده اجازه می‌داد خودروهای خودران این شرکت را اجاره کنند.
• شبکه مولد تخاصمی یا شبکه متخاصم مولد (GAN)، چارچوب دیپ لرنینگ متن باز گوگل به‌نام TensorFlow، افتتاح آزمایشگاه تحقیقاتی OpenAI و پیاده‌سازی سیستم‌های مبتنی بر هوش مصنوعی برای شناسایی سرطان با دقت بالا نیز از جمله دیگر اتفاقات مهم این دوران بودند.

دهه 2020

• دهه فعلی شاهد ظهور هوش مصنوعی مولد یا Generative AI است؛ نوعی از ای آی که می‌تواند محتواهای جدید را تولید کند. AI مولد با یک پرامپت به‌صورت متنی، صوتی، ویدیویی، طراحی، نت موسیقی یا هر گونه ورودی که این سیستم قادر به پردازش آن باشد، آغاز می‌شود. سپس الگوریتم‌های AI مختلف محتوای جدید را در پاسخ به آن پرامپت بازمی‌گردانند. این محتواها می‌توانند مقاله، راه‌حل مسائل یا حتی فیک‌های واقعی ساخته‌شده از تصاویر یا صدای یک شخص باشند.
• در سال 2020، شرکت فناوری چند ملیتی چینی Baidu، الگوریتم هوش مصنوعی LinearFold را برای تیم‌های علمی و پزشکی فعال در زمینه توسعه واکسن طی مراحل اولیه همه‌گیری ویروس سارس-کووید-2 عرضه کرد. این الگوریتم طی تنها 27 ثانیه، قادر به پیش‌بینی توالی RNA ویروس کووید است که سرعتی 120 برابری نسبت به دیگر روش‌ها دارد.
• در همین سال، شرکت OpenAI مدل پردازش زبان‌های طبیعی GPT-3 خود را عرضه کرد که قادر به تولید متونی مشابه طرز صحبت و نگارش افراد بود. یک سال بعد در 2021، این شرکت با استفاده از GPT-3، یک مدل هوش مصنوعی برای پرامپت‌نویسی و تبدیل متن به تصویر به‌نام دال‌ای (DALL-E) را توسعه داد.
• در 2022، موسسه ملی استاندارد و فناوری آمریکا اولین پیش‌نویس چارچوب مدیریت ریسک هوش مصنوعی (AI Risk Management Framework) را منتشر کرد که در آن، دستورالعمل‌های «مدیریت بهتر ریسک‌های افراد، سازمان‌ها و جامعه در برخورد با هوش مصنوعی» ذکر شده بود.
• در همین دوران، شرکت دیپ مایند از یک سیستم هوش مصنوعی به‌نام Gato برای اجرای صدها وظیفه از جمله بازی آتاری، توضیحات‌نویسی تصاویر و استفاده از یک بازوی رباتیک جهت دیوارچینی رونمایی کرد.
• یکی دیگر از بزرگترین دستاوردهای سال 2022، انتشار ChatGPT توسط شرکت OpenAI بود که توانست طی چند ماه، بیش از 100 میلیون کاربر را به خود جذب کند.
• در سال 2023، مایکروسافت با استفاده از همان تکنولوژی که برای ساخت ChatGPT استفاده شده بود، نسخه مبتنی بر هوش مصنوعی موتور جستجوی خود یعنی Bing را راه‌اندازی کرد. در ادامه، گوگل نیز چت‌بات بارد (Bard) را معرفی و OpenAI، پیشرفته‌ترین مدل زبانی تا به‌امروز یعنی GPT-4 را عرضه کرد.

هوش مصنوعی ضعیف، قوی و فوق العاده؛ 3 نوع یادگیری در AI

سوای تعاریفی که از دید محققان، دانشمندان و شرکت‌های فعال در حوزه هوش مصنوعی ذکر کردیم، متخصصان این حوزه معمولا این علم را به 3 گروه قوی، ضعیف و فوق‌العاده تقسیم کرده و بین آن‌ها تمایز قائل هستند. در ادامه، این تفاوت‌ها را بررسی می‌کنیم.

Weak AI یا Artificial Narrow Intelligence چیست؟

ویک ای‌آی (Weak AI) یا ای آی ضعیف که به آن هوش مصنوعی محدود (Artificial Narrow Intelligence) یا ANI نیز می‌گویند، در یک فضای محدود فعالیت کرده و شبیه‌سازی از هوش انسانی پیاده‌سازی‌شده در یک مسئله تعریف‌شده محدود (مانند رانندگی با خودرو، تبدیل گفتار به متن یا تولید محتوا در یک وبسایت) است.

هوش مصنوعی ضعیف معمولا بر انجام یک وظیفه واحد در بهترین حالت ممکن متمرکز است. با اینکه شاید این دسته از ماشین‌ها هوشمند به‌نظر برسند، اما تحت قیود و محدودیت‌های بسیار بیشتری نسبت به هوش پایه‌ای انسانی فعالیت می‌کنند.

از جمله ماشین‌های هوش مصنوعی ضعیف می‌توان موارد زیر را نام برد:

• سیری، الکسا و دیگر دستیارهای هوشمند
• اتومبیل‌های خودران
• جستجوی گوگل
• بات‌های مکالمه‌ای
• فیلتر هرزنامه‌ها (ایمیل‌های اسپم)
• الگوریتم پیشنهاددهی نتفلیکس

Strong AI یا Artificial General Intelligence چیست؟

استرانگ ای‌آی (Stong AI) یا ای آی قوی که به آن هوش مصنوعی عمومی (Artificial General Intelligence) یا AGI نیز می‌گویند، ماشینی است که بسیار شبیه به انسان، می‌تواند مسائل جدید و تازه‌ای که پیش از آن برای آن آموزش ندیده است را حل کند. برای این کار، یک سیستم ای آی قوی، از منطق فازی جهت اعمال دانش از یک حوزه به حوزه دیگر و یافتن راه‌حل به‌صورت خودمختار استفاده خواهد کرد. از نظر تئوری، Strong AI باید بتواند آزمایش تورینگ و فرضیه اتاق چینی را با موفقیت پشت‌سر بگذارد.

این نوع AI هنوز به‌صورت کاملا واقعی وجود ندارد و آن را بیشتر در فیلم‌ها، همانند ربات‌های سریال وست ورلد (Westworld) یا شخصیت دیتا در فیلم پیشتازان فضا: نسل بعدی (Star Trek: The Next Generation) می‌بینیم.

ساخت ماشینی با هوشی در سطح انسان که قادر به انجام هرگونه وظیفه‌ای باشد، برای بسیاری از محققان این حوزه مشابه پیدا کردن جام مقدس است، اما مسیر دستیابی به هوش مصنوعی عمومی تا کنون با دشواری‌های زیادی همراه بوده است. به عقیده برخی، تحقیقات Strong AI به‌خاطر ریسک‌های بالقوه آن در ساخت هوش مصنوعی بدون محافظ مناسب، باید محدود باشد.

در مقابل Weak AI، هوش مصنوعی قوی نمایانگر ماشینی دارای مجموعه‌ای از توانایی‌های شناختی کامل و همچنین کاربردهای بسیار گسترده است، اما هنوز زمان دستیابی به چنین قابلیتی فرا نرسیده است.

Super AI یا Artificial Super Intelligence چیست؟

سوپر ای‌آی (Super AI) که به آن هوش مصنوعی فوق العاده (Artificial Super Intelligence) یا ASI نیز می‌گویند، سیستمی است که نه تنها هوش انسانی را در دل خود دارد، بلکه قادر به از بین بردن آن است. اگر این تعریف برایتان برگرفته از داستان‌های علمی-تخیلی به‌نظر می‌رسد، باید بگوییم همینطور است. ASI سیستمی است که در آن هوش یک ماشین از تمام گونه‌های هوش انسانی و در همه جنبه‌ها نیز فراتر رفته و در هر عملیاتی بهتر از آن عمل می‌کند.

یک سیستم هوشمند که قادر به یادگیری و بهبود مستمر خودش باشد، هنوز یک مفهوم فرضی است. با این وجود، در صورتی که این سیستم را بتوان به‌صورت ثمربخش و اخلاقی پیاده‌سازی کرد، پیشرفت‌های خارق‌العاده‌ای در حوزه‌های پزشکی، فناوری و دیگر صنایع خواهیم داشت.

انواع هوش مصنوعی؛ 4 نوع AI از نظر عملکرد

بر اساس نوع و پیچدگی وظایف یک سیستم، می‌توانیم Artificial Intelligence را به چهار گروه دسته‌بندی کنیم از جمله:

• ماشین‌های واکنشی (Reactive Machines)
• حافظه محدود (Limited Memory)
• نظریه ذهن (Theory of Mind)
• خودآگاه (Sell-aware)

ماشین های واکنشی (Reactive Machines)

Reactive Machines که ماشین‌های هوش مصنوعی واکنشی یا واکنش‌گر یا واکنش‌پذیر ترجمه می‌شوند، از پایه‌ای‌ترین اصول هوش مصنوعی پیروی کرده و همانطور که از نامشان پیداست، با استفاده از هوش خود تنها قادر به درک و نشان دادن واکنش به جهان روبروی خود هستند. یک ماشین هوش مصنوعی ری‌اکتیور قادر به ذخیره حافظه نیست و نمی‌تواند برای آگاهی‌بخشی تصمیم‌گیری به‌صورت لحظه‌ای، به تجربیات گذشته تکیه کند.

درک مستقیم جهان یعنی ماشین‌های ای آی واکنش‌گر برای انجام تعداد محدودی وظیفه تخصصی طراحی شده‌اند. در این حالت، محدود کردن جهان‌بینی ماشین‌های ری‌اکتیو مزایای مختص به خودش را دارد و باعث افزایش اعتماد و قابلیت اطمینان این نوع AI شده و هر بار به یک محرک مشخص، به یک شکل یکسان پاسخ می‌دهد.

از نمونه‌های ماشین‌های واکنش‌گر می‌توان موارد زیر را نام برد:

• Deep Blue: دیپ بلو که توسط شرکت IBM در دهه 90 میلادی طراحی شد، یک ابر کامپیوتر شطرنج‌باز است که توانست قهرمان شطرنج جهان گری کاسپاروف را شکست دهد. این ماشین تنها قادر به شناسایی مهره‌های شطرنج و نحوه حرکت آن‌ها بر اساس قواعد بازی بود و با تحلیل مکان فعلی هر مهره، منطقی‌ترین حرکت در آن لحظه را مشخص می‌کرد. نکته اینجاست که این رایانه، حرکات بالقوه آتی رقیب خود را دنبال نمی‌کرد و درصدد قرار دادن مهره خود در بهترین مکان ممکن نبود، بلکه هر نوبت بازی را سوای دیگر حرکات قبلی، در جایگاه خودش می‌سنجید.
• AlphaGo: آلفاگو گوگل یک برنامه کامپیوتری است که برای بازی چینی باستانی Go طراحی شده بود. مشابه دیپ بلو، الفاگو نیز قادر به ارزیابی حرکات آتی نبود، اما برای ارزیابی پیشرفت‌های بازی فعلی، بر شبکه عصبی خود تکیه داشت که مزیت بیشتری را برای آن نسبت به دیپ بلو در بازی‌های پیچیده‌تر فراهم می‌کرد. آلفاگو نیز توانست قهرمان بازی‌های Go به‌نام لی سیدول (Lee Sedol) را در سال 2016 شکست دهد.

حافظه محدود (Limited Memory)

هوش مصنوعی Limited Memory دارای توانایی ذخیره پیش‌بینی‌ها و داده‌های قبلی هنگام جمع‌آوری اطلاعات و سنجش تصمیمات بالقوه، خصوصا با نگاه به گذشته برای شناسایی نشانه‌هایی از اتفاقات بعدی است. AI حافظه محدود پیچیده‌تر است و توانمندی‌های بیشتری نسبت به ماشین‌های واکنشی دارد.

این نوع هوش مصنوعی زمانی ساخته می‌شود که یک تیم به‌طور مستمر مدلی را برای نحوه تحلیل و بهره‌برداری از داده‌های جدید آموزش داده یا زمانی که یک محیط AI ساخته می‌شود تا مدل‌ها را بتوان به‌صورت خودکار آموزش داد و بهبود بخشید.

هنگام استفاده از هوش مصنوعی حافظه محدود در ماشین لرنینگ، باید شش گام طی شود از جمله:

• ایجاد داده‌های آموزشی
• ساخت مدل یادگیری ماشینی
• حصول اطمینان از قابلیت پیش‌بینی توسط مدل
• حصول اطمینان از اینکه مدل ساخته‌شده قادر به دریافت فیدبک انسانی یا محیطی است
• ذخیره‌سازی فیدبک‌های انسانی و محیطی به‌صورت داده
• تکرار مراحل بالا در یک چرخه

نظریه ذهن (Theory of Mine)

نظریه ذهن همانطور که از اسمش پیداست، تئوری و نظری است. ما هنوز به قابلیت‌های فنی و علمی لازم برای دستیابی به این سطح از هوش مصنوعی دست نیافته‌ایم.

نظریه ذهن، به اختصار ToM، یک اصطلاح روانشناسی است که به توانایی درک دیگر افراد از طریق نسبت دادن حالات ذهنی به آن‌ها (یعنی حدس زدن آنچه در ذهن‌شان می‌گذرد) اطلاق می‌شود. در واقع این مفهوم مبتنی بر پیش‌فرض روان‌شناختی درک این مسئله است که دیگر موجودات زنده، دارای افکار و احساساتی هستند که بر رفتارشان تاثیر می‌گذارد.

حالا با تعمیم دادن نظریه ذهن به ماشین‌های هوش مصنوعی، AI قادر به درک کارکرد احساسات انسان‌ها، حیوانات و سایر ماشین‌ها و همچنین نحوه تصمیم‌گیری آن‌ها از طریق عزم و خود-اندیشی و در نتیجه، نحوه استفاده از این اطلاعات در تصمیم‌گیری‌های شخصی‌شان خواهد بود. در واقع، ماشین‌ها باید بتوانند مفهوم «ذهن»، تغییر عواطف در تصمیم‌گیری و مجموعه‌ای از دیگر مفاهیم روان‌شناختی را در لحظه درک و پردازش کرده و یک رابطه دو طرفه بین افراد و ای آی ایجاد کنند.

خودآگاه (Self-aware)

پس از دستیابی به تئوری ذهن، آخرین مرحله از تکامل هوش مصنوعی در آینده، AI خودآگاه خواهد بود. این نوع از هوش مصنوعی دارای فهم سطح انسان است و می‌تواند وجود خودش در دنیا و همچنین حضور و وضعیت عاطفی دیگران را درک کند. این نوع Artificial Intelligence بدون اتکای صرف به اطلاعاتی که به او داده شده و در واقع با پردازش نحوه ارتبط افراد با خود، قادر به درک نیاز دیگران است.

خودآگاهی در هوش مصنوعی به هر دوی درک محققان از فهم و آگاهی و سپس یادگیری نحوه کپی کردن آن‌ها به‌گونه‌ای که بتوان آن‌ها در ماشین‌ها جای داد، بستگی دارد.

شاخه‌های هوش مصنوعی؛ تکنیک‌ها، روش‌ها و فرآیندهای AI

تا اینجا، چندین بار درباره مفاهیم مختلفی از جمله یادگیری ماشینی، یادگیری عمیق، سیستم‌های خبره، رباتیک، پردازش زبان‌های طبیعی و مسائل دیگر صحبت کردیم. اما این مفاهیم دقیقا چه هستند و چه ارتباطی با AI دارند؟ همانطور که گفتیم، هوش مصنوعی یک علم و مهندسی است. حالا با استفاده از تکنیک‌ها، روش‌ها یا فرآیندهایی که در ادامه راجع به آن‌ها صحبت می‌کنیم، می‌توان هوش مصنوعی Artificial Intelligence را برای حل مسائل دنیای واقعی به‌کار برد. این تکنیک‌ها شامل موارد زیر هستند:

• یادگیری ماشینی
• شبکه عصبی و یادگیری عمیق
• پردازش زبان‌های طبیعی
• مدل‌های زبانی بزرگ
• رباتیک
• سیستم‌های خبره
• منطق فازی
• دید ماشینی
• دید کامپیوتری
• برنامه‌ریزی و بهینه‌سازی
• تشخیص گفتار و صدا
• علم داده
• رایانش شناختی
• داده کاوی

یادگیری ماشینی (Machine learning)

ماشین لرنینگ یا ML زیرشاخه‌ای از ای آی است که بدون برنامه‌نویسی و با استفاده از الگوریتم‌ها، می‌توان ماشین‌ها را به تفسیر، تحلیل و پردازش داده‌ها برای حل مسائل دنیای واقعی به‌کار گرفت. در واقع این الگوریتم‌ها خودشان الگوها را شناسایی کرده و به‌جای گرفتن دستورات مستقیم برنامه‌نویسی، با پردازش داده‌ها و تجارب، نحوه پیش‌بینی کردن و پیشنهاددهی را یاد می‌گیرند. بنابراین، الگوریتم‌های ML از داده‌های تاریخی به‌عنوان ورودی جهت پیش‌بینی مقادیر خروجی استفاده کرده و به مرور زمان خودشان را بهبود می‌دهند.

3 نوع الگوریتم یادگیری ماشینی وجود دارد:

• یادگیری تحت نظارت (Supervised Learning): مجموعه داده‌ها برچسب‌گذاری می‌شوند تا شناسایی و استفاده از الگوها برای برچسب‌گذاری مجموعه داده‌های جدید مسیر شود.
• یادگیری نظارت نشده (Unsupervised Learning): مجموعه داده‌ها برچسب‌گذاری نشده و بر اساس شباهت‌ها یا تفاوت‌هایشان مرتب می‌شوند.
• یادگیری تقویتی (Reinforcement Learning): مجموعه داده‌ها برچسب‌گذاری نشده، اما پس از انجام یک یا چندین عمل، به سیستم هوش مصنوعی فیدبک داده می‌شود.

از آنجایی که در دنیای امروز حجم و پیچیدگی داده‌های تولیدی برای انسان بالاست، پتانسیل استفاده از ماشین لرنینگ نیز افزایش یافته است. از مهمترین کاربردهای یادگیری ماشینی که استفاده از آن از دهه 70 میلادی آغاز شد، می‌توان پیش‌بینی وضعیت آب و هوا و تحلیل تصاویر پزشکی را نام برد.

شبکه عصبی (Neural Network) و یادگیری عمیق (Deep Learning)

موفقیت یادگیری ماشینی به شبکه‌های عصبی وابسته است. شبکه عصبی روشی در هوش مصنوعی است که نحوه پردازش داده‌ها به‌گونه‌ای الهام‌گرفته‌شده از مغز انسان را به کامپیوترها آموزش می‌دهد. این نوع فرآیند یادگیری ماشینی که به آن یادگیری عمیق می‌گویند، از نودها یا نورون‌های متصل به یکدیگر در ساختاری لایه‌ای شبیه به مغز انسان استفاده می‌کنند.

به عبارت دیگر، شبکه‌های عصبی مدل‌های ریاضی هستند که ساختار و عملکردشان مبتنی بر ارتباط بین نورون‌ها در مغز انسان است و نحوه سیگنال‌دهی بین آن‌ها را تقلید می‌کنند. برای درک بهتر، گروهی از ربات‌ها را در نظر بگیرید که با همکاری یکدیگر، در تلاش برای حل یک پازل هستند و هر کدام از آن‌ها، برای تشخیص یک شکل یا رنگ متفاوت در تکه‌های پازل طرحی شده است. حال این ربات‌ها قابلیت‌های خود را برای حل این پازل با یکدیگر ترکیب می‌کنند. یک شبکه عصبی، شبیه به این گروه از ربات‌هاست.

پس همانطور که مشخص است، دیپ لرنینگ یا DL زیرشاخه‌ای پیچیده از یادگیری ماشینی است که ورودی‌ها را در یک معماری شبکه عصبی الهام‌گرفته‌شده از بیولوژیک موجودات زنده به اجرا درمی‌آورد. همانطور که در متصویر بالا مشاهده می‌کنید، شبکه‌های عصبی حاوی لایه‌های پنهانی هستند که از طریق آن‌ها داده‌ها پردازش شده و اجازه «عمیق شدن» یادگیری را به ماشین‌ها داده و در نتیجه، ارتباطات و خروجی‌های مناسب را ایجاد می‌کنند. از یادگیری عمیق می‌توان برای حل مسائل بسیار پیچیده‌تر در دنیای واقعی استفاده کرد.

رباتیک (Robotics)؛ ایا رباتیک همان هوش مصنوعی است؟

رباتیک شاخه دیگری از Artificial Intelligence است که از مهندسی برق، مهندسی مکانیک و مهندسی و علوم کامپیوتر برای طراحی، ساخت و استفاده از ربات‌ها تشکیل شده است. در حالت کلی، ماشین‌های رباتی شاخه‌ای جدا از هوش مصنوعی محسوب می‌شوند، اما در صورتی که AI در آن‌ها پیاده‌سازی شود، امکان انجام رفتارهای انسان‌گونه توسط آن‌ها وجود دارد.

سیستم‌های خبره (Expert Systems)

سیستم خبره یا ES یک برنامه کامپیوتری است که برای حل مسائل پیچیده و تصمیم‌گیری مشابه یک انسان متخصص طراحی شده است. این برنامه با استخراح دانش ذخیره‌شده در پایگاه دانشی خود با استفاده از استدلال و قوانین استنتاج مربوط به کوئری‌های کاربر، این کار را انجام می‌دهد.

سیستم خبره بخشی از هوش مصنوعی است و اولین ES در سال 1970 توسعه داده شد. این سیستم با استفاده از هر دوی حقایق و روش‌های ابتکاری، برای حل مسائل پیچیده به تصمیم‌گیری می‌پردازد. از جمله کاربردهای ESها می‌توان در مراکز بهداشت، مدیریت اطلاعات، تحلیل وام، شناسایی ویروس و دیگر موارد اشاره کرد.

منطق فازی (Fuzzy Logic)

منطق فازی یا FL یک روش استدلال مشابه نحوه استدلال انسان است. در یک دنیای ایده‌آل، همه چیز سیاه و سفید، بله و خیر یا 0 و 1 است. اما در دنیای واقعی همه چیز اینگونه نیست و با مسائل خاکستری، احتمالی و بین 0 و 1 نیز سر و کار داریم. منطق فازی مبتنی بر اصولی به‌نام «درجه درستی» است که مشابه انسان، از تمام واسط‌های محتمل بین دو جواب بله و خیر برای تصمیم‌گیری استفاده می‌کند. دکتر لطفی زاده اولین بار این منطق را در سال 1965 معرفی کرد.

حالا با به‌کارگیری منطق فازی در هوش مصنوعی، می‌توان شناخت و استدلال انسانی را تقلید و کپی‌برداری کرد. منطق فازی برای موارد زیر کاربرد دارد:

• مهندسی تصمیمات بدون داشتن قطعیت شفاف یا وجود عدم قطعیت یا داده‌های غیر دقیق، نظیر فناوری‌های استفاده‌کننده از پردازش زبان‌های طبیعی
• نظارت و کنترل خروجی ماشین‌ها بر اساس متغیرهای ورودی مختلف، نظیر سیستم‌های کنترل دما

ابر کامپیوتر واتسون شرکت IBM یکی از بهترین نمونه‌های استفاده از منطق فازی است. از دیگر کاربردهای این منطق می‌توان در سیستم سلامت، گیربکس‌های اتومات و کنترل محیط وسایل نقلیه اشاره کرد.

پردازش زبان‌های طبیعی (Natural Language Processing)

پردازش زبان‌های طبیعی یا NLP یک زیرشاخه بین رشته‌ای از رشته‌های زبان‌شناسی و علوم کامپیوتر است. در این شاخه از علم، پردازش پایگاه‌های داده زبان‌های طبیعی نظیر مجموعه گفتارها یا نوشتارها با استفاده از رویکردهای یادگیری ماشینی چه به‌شکل مبتنی بر قانون چه احتمالی (به‌صورت آماری یا در جدیدترین روش، بر اساس شبکه‌های عصبی)، انجام می‌گیرد. هدف این شاخه از ای آی، ساخت کامپیوتری توانمند در «درک» محتوای اسناد از جمله تفاوت‌های ظریف زمینه‌ای در زبان‌هاست.

از جمله کاربردهای NLP را می‌توان در شبکه اجتماعی توییتر جهت فیلتر کردن گفتارهای خلاف قوانین در توییت‌ها و در شرکت آمازون در راستای فهم نقدهای مشتریان و بهبود تجربه کاربری مشاهده کرد.

مدل‌های زبانی بزرگ (Larg Language Models)

مدل زبانی بزرگ یا LLM نوعی الگوریتم هوش مصنوعی است که از تکنیک‌های یادگیری عمیق، یا به‌طور دقیق‌تر، از یادگیری ماشینی نظارت نشده (Unsupervised Learning) و مجموعه داده‌های بسیار بزرگ برای درک، خلاصه کردن، تولید و پیش‌بینی محتوای جدید استفاده می‌کند. اصطلاح هوش مصنوعی مولد (Generative AI) نیز با LLMها رابطه نزدیکی دارد که از آن برای تولید محتوای متن‌محور استفاده می‌شود.

زبان به‌خاطر ایجاد کلمات، معانی و دستور زبان لازم برای انتقال ایده‌ها و مفاهیم، در قلب روابط انسانی قرار دارد. در دنیای AI، یک مدل زبانی با ایجاد پایه‌های ارتباط و تولید مفاهیم جدید، دارای هدف مشابهی است.

اولین مدل زبانی ساخته‌شده در تاریخ به توسعه مدل ELIZA در سال 1966 توس پروفسور دانشگاه MIT برمی‌گردد. از مدل‌های زبانی در اپلیکیشن‌های پردازش زبان‌های طبیعی (NLP) استفاده می‌شود که کاربر یک کوئری را در یک زبان طبیعی وارد کرده و نتیجه آن تولید می‌شود. GPT-3.5 که ChatGPT بر اساس آن کار می‌کند، یکی دیگر از معروف‌ترین مدل‌های زبانی بزرگ است. GPT-4 بزرگترین LLM حال حاضر شناخته می‌شود. گوگل بارد نیز از مدل زبانی LaMDA استفاده می‌کند که در جایگاه دوم بزرگترین LLMها قرار دارد.

دید کامپیوتری (Computer Vision)

دید کامپیوتری یا کامپیوتر ویژن یکی از مهمترین زیرشاخه‌های هوش مصنوعی و مهندسی کامپیوتر است که به سیستم‌های کامپیوتری اجازه می‌دهد اطلاعات معنادار را از داده‌های بصری نظیر ویدیو و تصویر استخراج کرده و به پردازش، تحلیل، انجام اقدامات مناسب و پیشنهاددهی بر اساس آن‌ها بپردازند.

این رشته نیز از مدل‌های یادگیری ماشینی جهت شناسایی و طبقه‌بندی اشیاء در ویدیوها و تصاویر دیجیتالی استفاده کرده و با تحلیل و تفسیر دنیای مجازی، به شبیه‌سازی نحوه درک و دید ما از محیط اطراف می‌پردازد. در واقع، کامپیوتر ویژن علمی است که به درک پیچیدگی سیستم بینایی انسان و آموزش سیستم‌های کامپیوتری برای تفسیر و درک بالای تصاویر و ویدیوهای دیجیتال کمک می‌کند.

دید ماشینی (Machine Vision)

دید ماشینی یا ماشین ویژن یعنی توانایی دیدن در یک کامپیوتر؛ حوزه‌ای از یادگیری ماشینی که از دوربین برای دریافت اطلاعات بصری محیط پیرامون استفاده کرده و سپس با استفاده از ترکیبی از سخت افزارها و نرم افزارها، تصاویر را پردازش و اطلاعات را برای استفاده در برنامه‌های مختلف آماده می‌کند. به عبارتی می‌توان گفت که دید ماشینی، ترکیبی از فناوری‌ها، محصولات سخت افزاری و نرم افزاری، سیستم‌های یکپارچه، اقدامات، روش‌ها و تخصص‌ها از جمله دوربین، تبدیل آنالوگ به دیجیتال (ADC) و پردازش سیگنال دیجیتال (DSP) است. در آخر، نتیجه نهایی وارد یک کامپیوتر یا کنترلر ربات می‌شود.

دید ماشینی به‌عنوان یک رشته مهندسی سیستم‌ها را می‌توان از دید کامپیوتری که نوعی علم کامپیوتر است، جدا دانست. این رشته درصدد یکپارچه کردن فناوری‌های فعلی به روش‌های جدید و استفاده از آن‌ها برای حل مسائل دنیای واقعی است. پیچیدگی دید ماشینی مشابه تشخیص صدا (Voice Recognition) است.

برخی از منابع، دیدی ماشینی را یک فناوری جداگانه می‌دانند که با استفاده از علم اپتیک (به‌عنوان شاخه‌ای از فیزیک) به دریافت تصاویر می‌پردازد. در این حالت، خصیصه‌های خاص یک تصویر پردازش، تحلیل و اندازه‌گیری می‌شود. مثلا، یک برنامه مبتنی بر دید ماشینی به‌عنوان بخشی از یک سیستم تولیدی را می‌توان برای تحلیل ویژگی‌های خاص یک قسمت در حال تولید در یک خط مونتاژ استفاده کرد.

برنامه‌ریزی و بهینه‌سازی (Planning and Optimization)

برنامه‌ریزی و بهینه‌سازی خودکار، پایه زیربنایی ای آی است که تحقق استراتژی‌ها یا توالی اقدامات، عموما برای اجرا توسط عامل‌های هوشمند، ربات‌های خودمختار و وسایل بدون دخالت انسان را شامل می‌شود. بر خلاف مسائل کنترل و طبقه‌بندی کلاسیک، راه‌حل‌های این شاخه از AI پیچیده‌تر است و باید در فضای چند بعدی کشف و بهینه‌سازی شود. برنامه‌ریزی نیز به نظریه تصمیم مربوط می‌شود.

در محیط‌های شناخته‌شده دارای مدل‌های در دسترس، برنامه‌ریزی را می‌توان به‌صورت آفلاین نیز انجام داد و راه‌حل‌ها را پیش از اجرا پیدا و ارزیابی کرد. اما در محیط‌های پویای ناشناخته، استراتژی مناسب معمولا باید به‌صورت آنلاین بازنگری شود. علاوه بر این، راه‌حل‌ها عموما از همان فرایندهای آزمون و خطای تکرارشونده‌ای که در هوش مصنوعی دیده می‌شود برای حل مسائل استفاده می‌کنند. این موارد شامل برنامه‌نویسی پویا (Dynamic Programming)، یادگیری تقویتی (Reinforcement Learning) و بهینه‌سازی ترکیبیاتی (Combinatorial Optimization) هستند.

تشخیص گفتار و صدا (Speech and Voice Recognition)

تشخیص گفتار (Speech Recognition) یا Speech-to-text نیز مشابه بسیاری از شاخه‌های هوش مصنوعی که تا اینجا گفتیم، یک زیرشاخه بین رشته‌ای از علوم کامپیوتر و زبان‌شناسی رایانشی (Computational Linguistic) است که به توسعه متدولوژی‌ها و فناری‌های فراهم‌کننده قابلیت تشخیص و ترجمه زبان گفتار به متن توسط کامپیوترها می‌پردازد.

بنابراین می‌توان گفت که تشخیص گفتار، توانایی یک ماشین یا برنامه در شناسایی کلمات گفته‌شده و سپس تبدیل آن‌ها به متن قابل خواندن است. نرم افزارهای ابتدایی تشخیص گفتار دارای دایره لغات پایین بوده و تنها کلمات و اصطلاحاتی که به‌صورت کاملا شفاف و مشخص بیان شوند را تشخیص می‌دهند. اما نرم افزارهای پیشرفته‌تر قادر به کار با گفتار طبیعی، لهجه‌های مختلف و زبان‌های متعدد هستند.

تشخیص گفتار از طیف گسترده‌ای از تحقیقات علوم کامپیوتر، زبان‌شناسی و مهندسی کامپیوتر استفاده می‌کند. بسیاری از برنامه‌های مبتنی بر متن و دستگاه‌های مدرن و امروزی دارای عملکردهای تشخیص گفتار در خود بوده و کار کردن با یک دستگاه را بسیار ساده‌تر کرده‌اند.

اما تشخیص صدا (Voice Recognition) یا Speaker Recognition توانایی یک ماشین یا برنامه در دریافت و تفسیر املاء یا درک و انجام فرمان‌های گفتاری است. سیری اپل و الکسای آمازون از جمله دستیارهای صوتی استفاده‌کننده از شاخه تشخیص صدا در AI هستند.

تشخیص صدا می‌تواند با استفاده از برنامه‌های نرم افزاری تشخیص گفتار خودکار (ASR)، صداهای مختلف را شناسایی و از یکدیگر متمایز کند. برخی از برنامه‌های ASR نیازمند آموزش اولیه جهت شناسایی صدا و تبدیل دقیق‌تر گفتار به متن هستند.

با اینکه افراد عموما تشخیص صدا و تشخیص گفتار را یکی دانسته و این دو عبارت را به‌جای یکدیگر استفاده می‌کنند، اما باید دقت داشته باشید که دارای تفاوت‌هایی هستند. تشخیص صدا، گوینده را شناسایی کرده و تشخیص گفتار، سخن گفته‌شده را ارزیابی می‌کند. به عبارت دیگر:

• تشخیص گفتار برای شناسایی کلمات یک زبان گفته‌شده استفاده می‌شود.
• تشخیص صدا یک فناوری بیومتریک برای شناسایی صدای افراد است.

رایانش شناختی (Cognitive Computing)

رایانش شناختی اصطلاحی است که برای توصیف سیستم‌های هوش مصنوعی شبیه‌ساز افکار انسان جهت افزودن قدرت شناختی به‌کار می‌رود. شناخت انسانی شامل تحلیل لحظه‌ای محیط دنیای واقعی، زمینه، نیت و متغیرهای بسیار دیگر است که توانایی فرد در حل مسائل را مشخص می‌کند.

در حالت کلی، از رایانش شناختی برای کمک به انسان در فرایندهای تصمیم‌گیری استفاده می‌شود. Artificial Intelligence برای حل مسائل یا شناسایی الگوها در مجموعه داده‌های بزرگ، به الگوریتم‌ها متکی است، اما سیستم‌های رایانش شناختی هدف والاتری در ساخت الگوریتم‌هایی دارند که به تقلید از فرآیند استدلال مغز انسان جهت حل مسائل در حین تغییر آن‌ها و داده می‌پردازند.

علم داده (Data Science)

علم داده یا دیتا ساینس شاخه‌ای است که برای آشکارسازی بینش‌های عملی پنهان در داده‌های یک سازمان، ریاضیات و آمار، برنامه‌نویسی تخصصی، تحلیل‌های پیشرفته، ای آی و ماشین لرنینگ را با تخصص موضوعی خاص ترکیب می‌کند. از این بینش‌ها می‌توان برای هدایت تصمیم‌گیری و برنامه‌ریزی استراتژیک استفاده کرد.

متخصصان علم داده برای تولید سیستم‌های AI جهت انجام وظایفی که معمولا به هوش انسانی نیاز دارند، الگوریتم‌های یادگیری ماشینی را بر اعداد، متن، تصاویر، ویدئو، صدا و دیگر موارد اعمال می‌کنند. در عوض، این سیستم‌ها نیز بینشی را فراهم می‌کنند که تحلیلگران و کاربران تجاری قادر به تفسیر آن‌ها به ارزش ملموس کسب‌وکار هستند.

داده کاوی (Data Mining)

داده کاوی یا دیتا ماینینگ شاخه دیگری از علم است که برای تحلیل مجموعه داده‌های بزرگ جهت کشف اطلاعات سودمند، آمار و هوش مصنوعی را با یکدیگر ترکیب می‌کند.

دیتا ماینینگ بخش کلیدی تجربه و تحلیل داده و یکی از رشته‌های اصلی در علم داده است که از تکنیک‌های تحلیل پیشرفته برای یافتن اطلاعات در مجموعه داده‌ها استفاده می‌کند. در سطح جزئی‌تر، داده کاوی گامی در فرآیند کشف دانش در دیتابیس‌ها (KDD) است. KDD متدولوژی در دیتا ساینس است که برای جمع‌آوری، پردازش و تحلیل داده‌ها به‌کار می‌رود. گاهی اوقات اصطلاحات داده کاوی و کشف دانش در پایگاه‌های داده به‌جای یکدیگر استفاده می‌شوند، اما باید بینشان تفاوت قائل شد.

عناصر اصلی دیتا ماینینگ، یادگیری ماشینی و تحلیل آماری هستند که در کنار انجام وظایف مدیریت داده برای آماده‌سازی داده‌ها جهت تحلیل، استفاده می‌شوند. ترکیب الگوریتم‌های ماشین لرنینگ و ابزارهای هوش مصنوعی باعث خودکارسازی این فرآیند و ساده‌تر شدن کاوش در مجموعه داده‌های حجیم نظیر دیتابیس‌های مشتری، سوابق تراکنشی و فایل‌های ورود سرورهای وب، اپلیکیشن‌های موبایل و سنسورها شده‌اند.

هوش مصنوعی مولد (Generative AI) چیست؟

هوش مصنوعی مولد یا Generative AI یک مدل Artificial Intelligence است که در پاسخ به یک پرامپت (Prompt) به تولید محتوا می‌پردازد. در این حوزه، به فرایند ورود و ارسال جزئیات درخواست به هوش مصنوعی، پرامپت گفته می‌شود تا بتواند بر اساس جزئیاتی که در آن مشخص شده است، خروجی را تحویل دهد. پرامپت می‌تواند کلمه، عبارت، جمله، متن بلند یا حتی یک تصویر و ویدیو باشد.

بنابراین جنراتیو ای آی کار خودش را با یک متن، تصویر، ویدیو، طراحی، نت موسیقی یا هر ورودی دیگری که این سیستم قادر به پردازش باشد، آغاز می‌کند. سپس الگوریتم‌ها مختلف AI محتوای جدید را در پاسخ به این پرامپت بازمی‌گردانند. محتوای نهایی می‌تواند مقاله، راه‌حل مسائل یا حتی فیک‌های واقعی ساخته‌شده از تصاویر یا صدای یک فرد باشد.

نسخه‌های اولیه Generative AI نیازمند ثبت داده از طریق یک API یا یک فرآیند پیچیده دیگر بودند و توسعه‌دهندگان نیز باید با ابزارهای تخصصی و اپلیکیشن‌های کدنویسی نظیر پایتون آشنا می‌بودند. اما پیشگامان این حوزه، اکنون تجربه کاربری بهتری را توسعه داده‌اند که به شما اجازه می‌دهد درخواست خود را به زبان ساده توصیف کنید. حالا پس از دریافت پاسخ اولیه، امکان شخصی‌سازی نتایج با ارائه بازخورد درباره سبک، لحن یا دیگر المان‌های مورد نظرتان برای محتوای تولیدی وجود دارد.

ابزارهای هوش مصنوعی مولد نظیر ChatGPT و DALL-E، پتانسیل تغییر فرآیندهای شغلی را دارند. البته قلمرو کامل این اثر به‌خاطر وجود ریسک‌ها هنوز مشخص نیست، اما می‌توان به یک سری از سوالات نظیر نحوه ساخت مدل‌های ای آی مولد، نوع مسائلی که برای حل آن‌ها مناسب‌اند و جایگاه‌شان در دسته‌بندی بزرگتر AI و یادگیری ماشینی پاسخ داد.

کاربردهای جنراتیو ای آی در کسب‌وکار

مدل‌های هوش مصنوعی مولد هنوز در مراحل اولیه مقیاس پذیری خودشان هستند، اما از جمله کاربردهای آن‌ها در حوزه کسب‌وکار می‌توان به موارد زیر اشاره کرد:

• بازاریابی و فروش: امکان ارائه مارکتینگ، رسانه‌های اجتماعی و محتوای فروش فنی سفارشی شامل متون، تصاویر و ویدیوها
• عملیات: امکان ساخت فهرست وظایف برای اجرای کارای یک فعالیت خاص توسط مدل‌های AI
• مهندسی و IT: قابلیت نوشتن، مستندسازی و بازنگری کدها
• ریسک و حقوق: امکان پاسخ به سوالات پیچیده مبتنی بر حجم بالای اسناد حقوقی و پیش‌نویسی و بازنگری سالانه گزارشات
• تحقیق و توسعه: تسریع کشف دارو از طریق درک بهتر بیماری‌ها و کشف ساختارهای شیمیایی

هوش مصنوعی مکالمه‌ای (Conversational AI) چیست؟

هوش مصنوعی مکالمه‌ای یا Conversational Artificial Intelligence که به‌طور خلاصه به آن CAI نیز گفته می‌شود، نوعی هوش مصنوعی است که توانایی درک، پردازش و تولید زبان انسانی را برای کامپیوترها فراهم می‌کند. این نوع از هوش مصنوعی شامل سیستم‌هایی برنامه‌نویسی‌شده جهت ایجاد مکالمه با یک کاربر است: آموزش برای شنیدن (ورودی) و پاسخ (خروجی) به‌گونه‌ای مکالمه‌ای.

این نوع از ای آی از پردازش زبان‌های طبیعی برای درک و ارائه پاسخ طبیعی به کاربران استفاده می‌کند. بنابراین، چت‌بات‌هایی نظیر گوگل بارد، اسپیکرهای هوشمند دارای دستیار صدا همچون الکسای آمازون یا دستیارهای مجازی روی تلفن‌های هوشمند مانند سیری از جمله معروف‌ترین AIهای مکالمه‌ای هستند.

بر خلاف چت‌بات‌های سنتی و قدیمی که دارای قابلیت‌های محدود و برنامه‌نویسی نرم افزاری ساده هستند، چت‌بات‌های AI انواع مختلفی از شاخه‌های هوش مصنوعی را برای ایجاد توانایی‌های پیشرفته‌تر با یکدیگر ترکیب می‌کند. این نوع از چت‌بات‌ها قادر به پاسخ به سوال‌های متداول، عیب‌یابی و حتی مکالمه کوتاه هستند. این خلاف چیزی است که شما هنگام چت کردن با یک ربات ایستا دارای عملکردهای محدود با آن مواجه می‌شوید. به عبارت دیگر، تعاملات هوش مصنوعی مکالمه‌ای از طریق موارد مختلفی نظیر صدا، ویدیو و متن قابل دسترسی است.

نمونه‌های هوش مصنوعی مکالمه‌ای

• چت‌بات‌های عضویتی فراگیر: نظیر ChatGPT شرکت اوپن ای آی
• دستیارهای موتور جستجوی مبتنی بر AI: نظیر گوگل بارد و بینگ
• برنامه‌های هوش تجاری (BI) مکالمه‌ای: مانند اپلیکیشن Salesloft
• چت‌بات‌های خدمات مشتری: مانند واتسون IBM

هوش مصنوعی قابل توضیح (Explainable AI) چیست؟

هوش مصنوعی قابل توضیح یا قابل توصیف (Explainable Artificial Intelligence) که به آن XAI نیز می‌گویند، مجموعه‌ای از فرآیندها و روش‌هایی است که به کاربران انسانی اجازه می‌دهد نتایج و خروجی ساخته‌شده توسط الگوریتم‌های یادگیری ماشینی را درک و به آن‌ها اعتماد کنند.

از هوش مصنوعی قابل توضیح برای توصیف یک مدل AI، تاثیر مورد انتظار و سوءگیری‌های بالقوه استفاده می‌شود. این نوع هوش مصنوعی به نشان دادن دقت، انصاف، شفافیت و خروجی‌های مدل در تصمیم‌گیری مبتنی بر هوش مصنوعی کمک می‌کند. Explainable AI برای یک سازمان در ایجاد اعتماد و اطمینان هنگام تولید مدل‌های ای آی بسیار مهم است. توضیح‌پذیری ای‌آی همچنین در اتخاذ رویکردی مسئولانه در جهت توسعه این علم به سازمان کمک می‌کند.

با پیشرفت هر چه بیشتر Artificial Intelligence، انسان‌ها برای درک و ردیابی نحوه دستیابی به الگوریتم‌ها با چالش‌های بیشتری روبرو می‌شوند. در این حالت، کل فرآیند محاسبه به چیزی غیر قابل تفسیر تبدیل می‌شود که معمولا به آن «جعبه سیاه (Black Box)» می‌گویند. این مدل‌های جعبه سیاه نتیجه مستقیم داده‌ها هستند و حتی مهندسان یا دانشمندان داده که خودشان سازنده الگوریتم‌ها هستند نیز نمی‌توانند آنچه که در داخل آن‌ها در حال رخ دادن است یا اینکه چگونه الگوریتم ای آی به یک نتیجه خاص رسیده است را درک کرده یا توضیح دهند.

کاربردهای هوش مصنوعی قابل توصیف

• سلامت و پزشکی: تشخیص‌های سریع‌تر، تحلیل تصاویر، بهینه‌سازی منابع و تشخیص پزشکی. XAI باعث بهبود شفافیت و قابلیت ردیابی در تصمیم‌گیری‌های مراقبت از بیمار می‌شود. فرآیند تایید داروها نیز با Explainable AI ساده‌تر خواهد شد.
• خدمات مالی: بهبود تجربه مشتری با وام‌ها و فرآیند تایید اعتبار شفاف‌تر. افزایش سرعت ارزیابی ریسک اعتبار، مدیریت سرمایه و ریسک جریام مالی. تسریع رفع مشکلات و شکایات بالقوه. افزایش اعتماد به قیمت‌گذاری، پیشنهادات محصول و خدمات سرمایه گذاری.
• عدالت کیفری: بهینه‌سازی فرآیندهای پیش‌بینی و ارزیابی ریسک. تسریع راه‌حل‌های استفاده از XAI روی تحلیل‌های DNA، تحلیل جمعیت زندان‌ها و پیش‌بینی جرم. شناسایی سوءگیری‌های بالقوه در آموزش داده‌ها و الگوریتم‌ها.

اصول هوش مصنوعی مسئولیت پذیر و معتمد؛ Responsible AI چیست؟

هوش مصنوعی مسئولیت پذیر و معتمد (Responsible and Trusted AI) حوزه‌ای است که با ارائه اصول و چارچوب‌ها، نحوه توسعه ای آی را مشخص می‌کند. شرکت‌ها و منابع مختلف هر کدام گام‌ها و اصول متفاوتی را برای ای آی مسئولیت‌پذیر ذکر کرده‌اند.

مثلا شرکت مایکروسافت اصول 6 گانه‌ای را برای این مفهوم معرفی کرده است و گفته از آنجایی که محصولات و خدمات هوش مصنوعی مقبولیت بیشتری یافته و هر روزه به تعداد افراد استفاده‌کننده از آن‌ها افزوده می‌شود، رعایت این اصول از دو جنبه اخلاقی (Ethical) و قابل توضیح (Explainable) اهمیت بسیار بالایی دارد:

• جنبه اخلاقی:
  • پاسخگویی (Accountability)
  • فراگیری (Inclusiveness)
• جنبه قابل توضیح:
  • عدالت (Fairness)
  • شفافیت (Transparency)
  • حریم خصوصی (Privacy) و امنیت (Security)
• مشترک بین هر دو جنبه:
  • قابلیت اطمینان (Reliability) و ایمنی (Safety)

تفاوت هوش مصنوعی با برنامه نویسی

حال با توجه به مطالب قبل، سوال اینجاست که ای آی چه تفاوتی با کد نویسی و برنامه نویسی سنتی دارد؟ از نظر برخی از علما، مرز بسیار باریکی بین برنامه نویسی و هوش مصنوعی وجود دارد و برای افرادی که خارج از این حوزه‌ها هستند و شناخت کاملی از نحوه کارشان ندارند، درک تفاوت این دو شاید تا حدودی سخت باشد. ما در این قسمت با چند مثال سعی می‌کنیم این تفاوت را به زبان ساده تشریح کنیم.

برنامه نویسی سنتی یک سیستم مبتنی بر قاعده است که در آن، شما خودتان به‌عنوان برنامه‌نویس باید پیش از آغاز به کد نویسی، تمام قواعد را بلد باشید. بنابراین شما قواعد مختص به خودتان را دارید که آن‌ها را به الگوریتم تبدیل کرده و از داده‌های آن استفاده می‌کنید. بعد از آن، شما برنامه نویسی سنتی‌تان مثلا کدینگ پایتون، جاوا اسکریپت یا دیگر موارد را انجام می‌دهید. در این حالت، برنامه نویسی بر اساس زبان دلخواه شما صورت می‌گیرد و خروجی مناسب تولید می‌شود.

مثلا فرض کنید می‌خواهید یک برنامه تشخیص فعالیت بنویسید که بدانید یک فرد آیا در حال راه رفتن، دویدن، دوچرخه سواری یا هر کار دیگری است. در رویکرد برنامه نویسی سنتی، شما خودتان قواعد را می‌نویسید. به عنوان مثال، اگر سرعت معیار شماست، باید سرعت را اندازه بگیرید. این برنامه می‌تواند به صورت زیر باشد:

f(speed<4){status=WALKING;} or if(speed<4){status=WALKING;} else {status=RUNNING;} or if(speed<4){status=WALKING;} else {status=RUNNING;} else {status=BIKING;}

حالا باید تمام خروجی‌ها یا پارامترهای محتمل را بدانید و بر اساس آن‌ها الگوریتم‌ها و قواعدتان را بسازید.

اما در AI یا ماشین لرنینگ به‌عنوان شاخه‌ای از آن، شما در ابتدای امر چند پاسخ و داده دارید و سپس از یادگیری ماشینی برای یافتن قواعد استفاده می‌کنید. بنابراین تفاوت اصلی بین برنامه نویسی و هوش مصنوعی این است که در رویکرد اول، شما قواعد را می‌دانید (چون خودتان آن‌ها را نوشته‌اید)، اما در ای آی، این قواعد خروجی شما هستند و از قبل آن‌ها را نمی‌دانید.

در برنامه نویسی سنتی، کار با مطالعه مسئله آغاز می‌شود و سپس با نوشتن قواعد مربوط به آن مسئله و نهایتا ارزیابی فرآیند خاتمه می‌یابد. اگر چیزی این وسط درست کار نکند، شما خودتان خطاها را تحلیل کرده و دوباره این فرآیند را تکرار می‌کنید. پس از سنجش و درستی همه موارد، برنامه را اجرا می‌کنید.

اما در ماشین لرنینگ، ابتدا مسئله را مطالعه کرده و سپس الگوریتم آن را با استفاده از داده‌هایتان آموزش می‌دهید. در مرحله بعد، راه‌حل را ارزیابی می‌کنید و اگر مشکلی وجود داشت، خطاها را مشخص کرده و فرآیند را تکرار می‌کنید. حال زمانی که همه چیز درست بود، آن را اجرا می‌کنید.

مثالی از کدنویسی در برنامه‌نویسی و ای آی

• ورودی: 0, 8, 15, 22, 38
• خروجی: 32, 46.4, 59, 71.6, ؟

با ورود 0، خروجی 32 به‌دست می‌آید. با ورود 8، خروجی 46.4؛ با ورود 15، خروجی 59 و با ورود 22، خروجی 71.6 حاصل می‌شود. اما با ورودی 38، خروجی چه خواهد بود؟ پاسخ 38 است. اما چگونه؟

این ورودی‌ها و خروجی‌ها حاصل تابع F = C * 1.8 + 32 هستند. در برنامه نویسی سنتی، اگر درصدد حل کردن این تابع و پیدا کردن مقدار F باشیم و مقدار C را هم بدانیم، کافی است یک فرمول ساده بنویسیم. مثلا در پایتون کدنویسی آن به‌صورت زیر خواهد بود:

Def function(C): F= C * 1.8 + 32 return F

در این فرمول، شما ورودی C را به‌عنوان پارامتر در نظر گرفته‌اید.

حالا در رویکر یادگیری ماشینی، ما داده‌ها که همان ورودی هستند را داریم و برخی از خروجی‌ها را هم می‌دانیم. بنابراین یک مدل ساخته و با استفاده از این داده‌ها آن را آموزش می‌دهیم. بنابراین، این مدل از داده‌های تهیه‌شده یاد گرفته و قاعده را که همان فرمول “F = C * 1.8 + 32” است، برای ما تولید می‌کند. گاهی اوقات، این قواعد 100 درصد دقیق و درست نیستند، اما به واقعیت نزدیک هستند. اما اتفاقی که طی فرآیند پیش‌بینی می‌افتد این است که مدل ما خودش یک الگوریتم را می‌سازد. این مدل قواعد را مشخص کرده و بر اساس آن‌ها، فرضیه‌ای را در نظر می‌گیرد.

مثلا در یک Google Collab، از توابع برای ماشین لرنینگ و دیتا ساینس استفاده می‌کنیم. نمونه برنامه نویسی سنتی در گوگل کولب می‌تواند به‌صورت زیر باشد:

Def fun(c):

F = (c * 1.8) + 32

Return f

برای fun(1)، خروجی ما 32.0 خواهد بود. حالا اگر تابع را به fun(45) تغییر داده و آن را اجرا کنیم، خروجی ما 113.0 خواهد شد.

در کدنویسی ماشین لرنینگ، شما می‌توانید همین مسئله را در گوگل کولب نیز بسازید. برای این کار می‌توانیم از یک کتابخانه یادگیری ماشینی به‌نام “TensorFlow” استفاده کنیم. در TensorFlow، مدل‌های یادگیری ماشینی آماده‌ای وجود دارند که می‌توان از آن‌ها استفاده کرد.

حال پس از اجرای سل‌های لازم، ورودی را که همان C و خروجی را که همان F است، تعریف می‌کنیم:

• ورودی: -40, -10, 0, 8, 15, 22, 38
• خروجی: -40, 14, 31, 46, 59, 72, 100

طول ورودی‌ها و خروجی‌های شما باید یکی باشد. حالا از یک کتابخانه یادگیری ماشینی دیگر به‌نام “Keras” استفاده می‌کنیم که به‌خاطر استقلال از گوگل و متن باز بودن، کار را راحت‌تر می‌کند. در مرحله بعد، مدل‌ها را با یکدیگر مقایسه کرده و مدل مورد نظر خود را آموزش می‌دهید. در حین این کار، همه‌چیز شامل ورودی‌ها و خروجی‌ها باید ذکر شده باشند تا ماشین تمام موارد لازم برای یادگیری را در اختیار داشته باشد.

در مرحله بعد، یک گراف ظاهر می‌شود که به تحلیل نحوه عملکرد مدل به شما کمک می‌کند، پس از آماده بودن همه‌چیز، سوال خود را از مدل می‌پرسید. مثلا:

اگر ورودی من 8 باشد، خروجی چه می‌شود؟

سپس مدل پاسخ را پیش‌بینی می‌کند که حدود 46.29 خواهد بود. در آخر نیز قاعده نمایش داده می‌شود. بنابراین، تابع F = C * 1.8 + 32 خروجی مدل یادگیری ماشینی ماست.

برتری هوش مصنوعی نسبت به برنامه نویسی سنتی

در برنامه نویسی سنتی تنها می‌توان مسائل ساده به‌همراه متغیرهای محدود را حل کرد، اما برای مواردی نظیر پیش‌بینی‌های بازار سهام و دیگر مسائل که دارای هزاران متغیر هستند، بهتر است از AI یا ML استفاده کنیم.

برای مواردی مانند فیلتر ایمیل‌های اسپم، می‌توان با مشخص کردن یک سری کلمات، اعداد یا کاراکترهای غیر معمول که در هرزنامه‌ها یافت می‌شوند، ایمیل‌های اسپم را از عادی جدا کرد. در این حالت، شما با استفاده از برنامه‌نویسی سنتی قواعد را مشخص می‌کنید.

اما در یادگیری ماشینی، نیازی به مشخص کردن این قواعد نیست و فقط باید مدل‌ها را با داده‌های ورودی‌تان تربیت کرده و آموزش دهید. حالا در ادامه، از این مدل می‌توان برای پیش‌بینی اینکه آیا ایمیلی اسپم است یا خیر، استفاده کرد. مزیت استفاده از یادگیری ماشینی این است که همیشه می‌توان عملکرد مدل را اندازه‌گیری کرده و بهینه‌سازی آن را انجام داد.

برای موقعیت‌های پیچیده‌تر نظیر تشخیص صدا، پردازش زبان‌های طبیعی و دیگر موارد، باید حتما از برنامه نویسی یادگیری ماشینی استفاده کرد.

اجزای یادگیری در ای آی؛ هوش مصنوعی چگونه کار می‌کند؟

حالا سوال بعدی اینجاست که ای آی چگونه کار می‌کند و آموزش می‌بیند؟ با گسترش هیاهوی پیرامون AI، شرکت‌های زیادی درصدد تبلیغ استفاده از این علم در محصولات و خدمات خود هستند. اما چیزی که اکثر این شرکت‌ها تحت عنوان Artificial Intelligence از آن یاد می‌کنند، صرفا بخشی از یک تکنولوژی یا یک علم نظیر یادگیری ماشینی است.

برنامه نویسی مبتنی بر هوش مصنوعی بر مهارت‌های شناختی متمرکز است که شامل موارد زیر هستند:

• یادگیری (Learning): این جنبه از برنامه‌نویسی AI بر کسب داده و ساخت قوانین نحوه تبدیل آن به اطلاعات عملی متمرکز است. این قوانین که الگوریتم نام دارند، دستورالعمل‌های گام به گام نحوه انجام وظایف خاص را برای دستگاه‌های محاسبه‌گر فراهم می‌کنند.
• استدلال (Reasoning): این جنبه از برنامه‌نویسی ای آی بر انتخاب الگوریتم مناسب جهت دستیابی به خروجی مطلوب اشاره دارد.
• خود اصلاحی (Self-correction): این جنبه برای بهبود مستمر الگوریتم‌ها و تضمین تولید دقیق‌ترین نتایج ممکن طراحی شده است.
• خلاقیت (Creativity): این جنبه از AI از شبکه‌های عصبی، سیستم‌های قانون‌محور، روش‌های آماری و دیگر تکنیک‌های هوش مصنوعی جهت تولید تصاویر، متن، موسیقی و ایده‌های جدید استفاده می‌کند.

هوش مصنوعی چگونه اموزش می بینند؟

در قسمت‌های قبلی راجع به متدهای یادگیری ماشینی و تفاوت ای آی با برنامه نویسی صحبت کردیم. حالا اجازه دهید در این قسمت، با جزئیات بیشتری درباره روش‌های یادگیری و آموزش در AI صحبت کنیم.

یادگیری و آموزش در هوش مصنوعی شباهت زیادی به فرآیند جایزه و تنبیه در یک کودک دارد. شما به‌عنوان «معلم» باید عواقب کارهایی که جایزه یا تنبیه به‌همراه خواهند داشت را تعریف کنید.

از آنجایی که هوش‌های مصنوعی حتی در صورت نیاز به «تقلب» همیشه به‌دنبال راه‌هایی برای دریافت حداکثر پاداش هستند، تعریف طرح پاداش مناسب نیز اغلب بزرگ‌ترین مشکل در برنامه نویسی آن‌ها محسوب می‌شود. بنابراین، گاهی اوقات شما خودتان باید پس از اینکه Artificial Intelligence به سطح خاصی از آموزش رسید، سیستم پاداش را اصلاح یا تعدیل کنید. در واقع، شما کم و بیش از طریق همین سیستم پاداش به «راهنمایی» ای آی می‌پردازید.

زمانی که یک کودک برای اولین بار سعی می‌کند روی پاهایش بایستد، به‌احتمال زیاد به زمین خواهد افتاد. اما این کودک به تلاش خودش ادامه داده و هر بار این کار را متفاوت‌تر انجام می‌دهد. تلاش‌هایی که نتیجه بهتری داشته باشند، یک موفقیت محسوب شده و حس جایزه را در کودک ایجاد می‌کنند. اما تلاش‌هایی که ناموفق باشند، به‌خاطر افتادن کودک (جریمه) حتی ممکن است حس درد را ایجاد کنند. حالا مغز کودک روی تلاش‌هایی که نتیجه بهتری داشته‌اند تمرکز می‌کند.

پس از تلاش‌های کافی، مغز می‌آموزد که یک تلاش موفق چه حسی باید داشته باشد و چگونه ماهیچه‌ها را برای رسیدن به آن کنترل کند. این امر به این معناست که شبکه عصبی (مغز) کودک به اندازه کافی برای این کار آموزش دیده است.

انواع الگوریتم هوش مصنوعی چیست؟

حالا برای اینکه فرآیند یادگیری در ای آی را بهتر درک کنید، باید با الگوریتم‌های آن نیز آشنا شوید. همانطور که در بخش معرفی یادگیری ماشینی نیز گفتیم، سیستم‌های هوش مصنوعی از طریق فرآیندهای مختلفی نظیر یادگیری تحت نظارت (Supervised Learning)، یادگیری نظارت نشده (Unsupervised Learning) و یادگیری تقویتی (Reinforcement Learning) آموزش می‌بینند.

اما اینها تنها الگوریتم‌های یادگیری در AI نیستند. روش‌های آموزش و یادگیری مستقل در هوش مصنوعی شامل موارد زیر هستند:

یادگیری نظارت نشده (Unsupervised Learning)

الگوریتم‌های یادگیری نظارت نشده می‌توانند دیتاست‌های بزرگ را بدون خروجی‌های برچسب‌دار تجزیه و تحلیل و الگوها یا گروه‌بندی‌ها را در داده‌ها شناسایی کنند. از جمله تکنیک‌های مرسوم در الگوریتم‌های یادگیری نظارت‌نشده شامل موارد زیر هستند:

• خوشبه‌بندی: یکی از تکنیک‌های رایج برای این کار، کلاسترینگ (Clustering) یا همان خوشه‌بندی است که نقاط داده‌ای دارای شباهت‌های مشترک را گروه‌بندی می‌کند. خوشه‌بندی K-means یک مثال مناسب برای این رویکرد است.
• کاهش ابعاد: تکنیک دیمنشیالیتی ریداکشن (Dimentiality Reducation) می‌تواند با شناسایی ویژگی‌ها یا ابعاد مهم، پیچیدگی داده‌ها را کاهش دهد. آنالیز مؤلفه اصلی (Principal Component Analysis) یا PCA نمونه‌ای از تکنیک کاهش ابعاد است.
• مدل‌های مولد: جنراتیور مادلز (Generative Models) تکنیک دیگری در الگوریتم‌های یادگیری بدون نظارت هستند که می‌توان از آن‌ها برای ساخت مدل‌های مولد نظیر خودرمزگذاری‌های متغیر (Variational Autoencoders) یا VAE و شبکه‌های متخاصم مولد (Generative Adversarial Networks) یا GAN استفاده کرد، که نحوه تولید داده‌های جدید شبیه به داده‌های آموزشی اولیه را فرا می‌گیرند.

یادگیری تقویتی (Reinforcement Learning)

در الگوریتم‌های یادگیری تقویتی (RL) نیز رویکردها و تکنیک‌های مختلفی وجود دارند از جمله:

•  یادگیری مبتنی بر پاداش: ریوارد-بیسد لرنینگ (Reward-Based Learning) یکی از رویکردها در الگوریتم‌ها یادگیری تقویتی است که بر اساس آن، ایجنت‌های هوش مصنوعی از طریق تعامل با یک محیط یاد می‌گیرند و آموزش می‌بینند. این ایجنت‌ها بر اساس اقدامات‌شان، بازخوردهایی را در قالب پاداش یا جریمه دریافت می‌کنند. بنابراین، هدف یک ایجنت، به حداکثر رساندن پاداش‌های انباشته در طول زمان است.
• آزمون و خطا: ترایال اند ارور (Trial and Error) رویکردی است که در آن، ایجنت‌های الگوریتم‌های یادگیری تقویتی اقدامات مختلف را بررسی کرده و از پیامدهای آن‌ها درس می‌گیرند. در واقع، این ایجنت‌ها از طریق آزمون و خطا، استراتژی‌ها یا خط‌مشی‌های بهینه برای دستیابی به اهداف خاص را کشف می‌کنند.
• شبکه‌های Q عمیق: در تکنیک دیپ کیو-نتورکس (Deep Q-Netwotks)، الگوریتم‌های یادگیری تقویتی عمیق از شبکه‌های عصبی برای تقریب توابع ارزش-عمل (Action-value) استفاده کرده و اجازه مدیریت وظایف پیچیده و فضاهای حالت بزرگ (State Space) را به ایجنت‌های یادگیری تقویتی می‌دهند.

یادگیری خود نظارتی (Self-Supervised Learning)

یادگیری خود نظارتی روشی است که در آن، مدل‌های هوش مصنوعی سیگنال‌های نظارتی اختصاصی خود را از داده‌ها می‌سازند. تکنیک‌ها و رویکردهای رایج در الگوریتم‌های یادگیری خودنظارتی شامل موارد زیر هستند:

• داده افزایی: در رویکرد دیتا آگمنتیشن (Data Augmentation)، هدف افزودن داده به داده‌های موجود است. بنابراین، مثلا یک مدل می‌تواند قسمت‌های گمشده یک تصویر (ترمیم تصویر) را پیش‌بینی کند یا از طیق خواندند بخشی از متن، مضمون آن را بفهمد.
• وظایف مُستَمسِک: پری‌تکست تسک (Pretext Tasks) که در برخی از منابع فارسی، وظایف مُستَمسِک (به‌معنای دستاویز) ترجمه شده، تکنیکی است که از داده‌های بدون برچسب، برچسب تولید می‌کند و این کار هم ارتباط مستقیمی با وظایف پایین‌دستی که خواهان حل‌شان هستیم، ندارد. در این روش از الگوریتم یادگیری خود نظارتی، مدل مورد نظر، وظایف کمکی خود نظیر پیش‌بینی کلمه بعدی در یک جمله یا تشخیص مضمون از یک متن را می‌سازد. این وظایف در واقع به‌عنوان اهداف میانی عمل کرده و در یادگیری بازنمایی‌های مفید به مدل ما کمک می‌کنند.

الگوریتم‌های تکاملی (Evolutionary Algorithms)

الگوریتم‌های تکاملی، فرآیند انتخاب طبیعی را جهت بهینه‌سازی جمعیتی از ایجنت‌های هوش مصنوعی برای یک کار خاص، شبیه‌سازی می‌کنند. در این نوع از الگوریتم‌های ای آی، احتمال «بقا» و تولید فرزندانی با ویژگی‌های مشابه در ایجنت‌های دارای عملکرد بهتر، بیشتر است. در طول نسل‌ها، این الگوریتم‌ها عملکرد جمعیت را بهبود می‌بخشند.

تکامل عصبی (Neuroevolution)

الگوریتم تکامل عصبی در AI، شبکه‌های عصبی و الگوریتم‌های تکاملی را با یکدیگر ترکیب می‌کند. این امر برای بهینه‌سازی عملکرد ایجنت‌های هوش مصنوعی در وظایفی نظیر بازی کردن یا کنترل رباتیک، باعث تکامل ساختارها یا پارامترهای شبکه عصبی می‌شود.

یادگیری متا (Meta-Learning)

متا لرنینگ یا یادگیری متا تکنیکی است که با استفاده از آن، مدل‌های ای آی نحوه یادگیری را یاد می‌گیرند. در این الگوریتم، مدل‌ها از طریق انجام تسک‌های مختلف، استراتژی‌ها و دانشی را کسب می‌کنند که به آن‌ها اجازه می‌دهد با وظایف جدید و ناآشنا سریعا خودشان را تطبیق دهند.

یادگیری مستمر (Continual Learning)

الگوریتم‌های کانتینیوآل لرنینگ یا یادگیری مستمر بر توانایی سیستم‌های Artificial Intelligence در جهت کسب دانش جدید به‌صورت تدریجی در طول زمان و بدون فراموش کردن اطلاعات آموخته‌شده قبلی، تمرکز دارند.

تکنیک‌هایی مانند تثبیت وزن الاستیک (elastic weight consolidation) یا به‌طور خلاصه EWC، برای جلوگیری از فراموشی فاجعه‌آمیز در الگوریتم‌ها کاربرد دارند.

مکانیزم‌های توجه (Attention Mechanisms)

اتنشن مکانیزم یا مکانیسم‌های توجه، الگوریتم‌هایی هستند که با فراهم‌آوری قابلیت تمرکز بر بخش‌های خاصی از داده‌های ورودی برای مدل‌های هوش مصنوعی، توانایی آن‌ها در یادگیری الگوهای مرتبط را افزایش می‌دهند. مدل‌های ترانسفورماتور که به‌طور گسترده در شاخه پردازش زبان طبیعی استفاده می‌شوند، بر مکانیسم‌های توجه متکی هستند.

نمونه برنامه‌ها و اپلیکیشن‌های هوش مصنوعی

هوش مصنوعی می‌تواند به گونه‌های مختلفی از چت‌بات‌ها گرفته تا اپلیکیشن‌های مسیریابی و ردیاب‌های تناسب‌اندام پوشیدنی، در دنیای امروز ما حضور داشته باشد. در این قسمت، نمونه‌های استفاده از Artificial Intelligence در اپلیکیشن‌ها و برنامه‌ها را برررسی می‌کند.

چت جی‌پی‌تی (نسخه‌های مختلف GPT)

ربات ChatGPT یک چت بات هوش مصنوعی است که می‌تواند به تولید زبان‌های طبیعی، ترجمه، پاسخ به سوالات و تولید محتوای متنی به‌شکل‌های متنوعی از جمله مقاله و کد بپردازد. این ابزار که در نوامبر 2022 توسط شرکت اوپن ای آی (OpenAI) عرضه شد، با استفاده از مدل زبانی بزرگ اخصاصی آن به‌نام GPT، نحوه نوشتن انسان را شبیه‌سازی می‌کند. نسخه iOS این اپلیکیشن در می 2023 (اردیبهشت 1402) و نسخه اندروید آن در جولای 2023 (تیر 2023) به بازار عرضه شدند.

با اینکه چت جی‌پی‌تی در حال حاضر محبوب‌ترین ابزار AI است، اما شرکت اوپن ای‌آی موج حضور در دنیای هوش مصنوعی را با ساخت GPTهای 1 و 2 و 3 آغاز کرد. GPT مخفف “Generative Pre-trained Transformer” و به‌معنای «ترنسفورمر تولیدگر از پیش آموزش‌دیده» است. GPT-3 بزرگترین مدل زبانی هنگام عرضه در سال 2020 بود، اما آخرین نسخه این مدل به‌نام GPT-4 که از طریق ChatGPT Plus یا Bing Chat قابل دسترسی است، بیش از 1 تریلیون پارامتر دارد.

گوگل بارد

گوگل بارد (Google Bard) یک چت‌بات هوش مصنوعی محصول گوگل است که بر اساس مدل زبانی بزرگ (LLM) اختصاصی این شرکت به‌نام LaMDA مخفف عبارت “Language Model for Dialogue Application” به‌معنای «مدل زبانی برای کاربردهای دیالوگی» کار می‌کند.

LaMDA در گوگل بارد و GPT در چت‌جی‌پی‌تی، نوعی شبکه عصبی است که معماری زیربنایی مغز را به‌شکل یک کامپیوتر تقلید می‌کند. گوگل بارد از گوگل سرچ (Google Search) که برای جستجوی اطلاعات در وب استفاده می‌شود، جداست. بر خلاف نحوه کار موتورهای جستجوی سنتی، بارد مکالمه‌ای است و به شما اجازه می‌دهد تا با نوشتن پرامپت، تصاویر یا متون نوشته‌شده مشابه نگارش انسانی را دریافت کنید. به همین خاطر، بارد را می‌توان نوعی هوش مصنوعی مکالمه‌ای (CIA) در نظر گرفت.

دستیارهای هوشمند

همانطور که تا اینجا چندین بار اشاره کردیم، دستیارهای هوشمند نظیر سیری، الکسا و کورتانا (Cortana) از پردازش زبان‌های طبیعی یا NLP برای دریافت دستورالعمل‌ها از کاربر جهت تنظیم یادآور، جستجوی آنلاین اطلاعات و کنترل نور خانه استفاده می‌کنند. در بسیاری از موارد، این دستیارها برای یادگیری ترجیحات کاربر و بهبود تجربه آن‌ها در طول زمان از طریق پیشنهاددهی‌های بهتر و پاسخ‌های متناسب با نیاز افراد طراحی شده است.

فیلترهای اسنپ‌چت

فیلترهای اپلیکیشن اسنپ‌چت از الگوریتم‌های ماشین لرنینگ در حوزه Artificial Intelligence برای تمایز میان سوژه عکس و پس‌زمینه، ردیابی حرکات صورت و تعدیل تصویر روی صفحه بر اساس فعالیت کاربر استفاده می‌کنند.

اتومبیل‌های خودران

اتومبیل‌های خودران به‌خاطر استفاده از شبکه‌های عصبی برای شناسایی اشیاء پیرامون خود، تعیین فاصله تا دیگر خودروها، شناسایی سیگنال‌های ترافیک و موارد بسیار دیگر، نوعی از یادگیری عمیق هستند. با اینکه امنیت اتومبیل‌های خودران یکی از دغدغه‌های اصلی کاربران متقاضی این نوع از خودروهاست، اما فناوری همچنان به پیشرفت‌های خود در حوزه ای آی ادامه می‌دهد.

وقتی صحبت از ماشین‌های خودران می‌شود، ابتدا ویژگی اتوپایلوت تسلا در خودروهای برقی آن به ذهن افراد خطور می‌کند، اما ویمو (Waymo)، محصول شرکت مادر گوگل به‌نام آلفابت (Alphabet)، به تولید سواری‌های خودمختاری نظیر تاکسی بدون راننده در سن فرانسیسکوی کالیفرنیا و فینکس آریزونا می‌پردازد. کروز (Cruise) یکی دیگر از سرویس‌های روبوتاکسی است و شرکت‌های خودروسازی نظیر اپل، آئودی، جنرال موتورز و فورد نیز کار روی این فناوری را آغاز کرده‌اند.

گوگل مپس

گوگل مپس (Google Maps) نمونه دیگری از کاربرد AI است که از داده‌های مکانی اسمارت فون‌ها و همچنین داده‌های گزارش‌شده توسط کاربران درباره مواردی نظیر ساخت‌وساز یا تصادفات جاد‌ه‌ای، برای نظارت بر تغییرات ترافیکی و ارزیابی سریع‌ترین مسیر ممکن استفاده می‌کند.

پوشیدنی‌ها

سنسورها و دستگاه‌های پوشیدنی که در صنعت بهداشت و سلامت مورد استفاده قرار می‌گیرند نیز از یادگیری عمیق برای ارزیابی وضعیت سلامت بیمار از جمله سطح قند خون، فشار خون و ضربان قلب استفاده می‌کنند. این نوع از ابزارهای ای آی همچنین الگوهای موجود در اطلاعات سابقه بیمار را استخراج کرده و آن‌ها را برای پیش‌بینی هر گونه وضعیت سلامتی در آینده به‌کار می‌گیرند.

میو زیرو

MuZero یک برنامه کامپیوتری محصول شرکت دیپ مایند است که یکی از پیشگامان دستیابی به هوش مصنوعی عمومی (AGI) محسوب می‌شود. این اپلیکیشن توانسته در بازی‌هایی که هیچ آموزشی برای انجام دادن آن‌ها دریافت نکرده است از جمله شطرنج و کل محصولات بازی‌های آتاری، از طریق رویکرد بروت فورس (Brute Force) و انجام آن‌ها برای میلیون‌ها بار، برنده شود.

بوتو

بوتو (Botto) یک پلتفرم غیرمتمرکز برای هنرمندان است که با استفاده از الگوریتم‌های متن باز هوش مصنوعی خود، اجازه تولید آثار هنری را به افراد می‌دهد. این پلتفرم با ترکیب عناصری از یک پایگاه آنلاین و گسترده داده‌های تصویری، هر هفته ۳۵۰ نقاشی جدید تولید می‌کند. سپس این آثار هنری به رأی‌گیری گذاشته می‌شوند تا جامعه بوتو یکی از آنها را انتخاب کند. در نهایت، اثر برنده روی یک بلاک چین مینت شده و سپس در بازارهای خرید و فروش ان اف تی نظیر SuperRare به فروش می‌رسد.

کدام شرکت‌ها روی توسعه هوش مصنوعی کار می‌کنند؟

با اینکه هوش مصنوعی مولد (GAI) سردمدار پیشرفت‌های AI در سال 2023 است، اما شرکت‌های برتر دیگر نیز در حال توسعه مدل‌های خود هستند. در این قسمت، به معرفی این کمپانی‌ها می‌پردازیم.

اوپن ای‌آی (OpenAI)

اوپن ای‌آی یک شرکت تحقیقات هوش مصنوعی غیرانتفاعی است که در سال 2015 توسط تعدادی از سرمایه گذاران سیلیکون ولی تاسیس شد و سم آلتمن (Sam Altman) و ایلان ماسک (Elon Musk) به‌عنوان اعضای اولیه هیئت مدیره آن آغاز به‌کار کردند. مایکروسافت از جمله شرکت‌هایی است که در سال 2019 معادل 1 میلیارد دلار و در سال 2023 معادل 10 میلیارد دلاری سرمایه گذاری روی اوپن‌ای‌آی انجام داده است.

این شرکت با عرضه ابزارهای هوش مصنوعی مولد خود با دسترسی عمومی رایگان نظیر چت‌بات ChatGPT و جنریتور تصویر DALL-E 2، توانسته به پرچمدار رقابت AI تبدیل شود. از دیگر محصولات این شرکت می‌توان مدل تشخیص گفتار ویسپر (Whisper) برای شناسایی، ترجمه و تبدیل گفتار به متن زبان‌های مختلف را نام برد.

آلفابت (Alphabet)

شرکت مادر گوگل که آلفابت نام دارد، از طریق برخی از شرکت‌های زیرمجموعه خود از جمله دیپ مایند، ویمو و حتی خود گوگل، در حال توسعه سیستم‌های ای آی مختلف است.

دیپ مایند با ارائه راه‌حل‌های علمی خود، همچنان در مسیر توسعه هوش مصنوعی عمومی قرار دارد. این شرکت مدل‌های یادگیری ماشینی را برای اپلیکیشن داکیومنت ای آی (Document AI) توسعه، تجربه بینده در یوتیوب را ارتقاء و نرم افزار سیستم آلفا فولد (AlphaFold) را برای تحقیقات جهانی در دسترس همگان قرار داده است.

با اینکه شاید هر روز خبر جدیدی از پیشرفت‌های هوش مصنوعی آلفابت در رسانه‌های نشنویم، اما فعالیت‌های این شرکت به‌طور کلی در حوزه AI و دیپ لرنینگ، پتانسیل تغییر در آینده بشریت را در خود دارد.

مایکروسافت (Microsoft)

مایکروسافت در کنار ساخت دستیار Capilot برای محصولات و خدمات Microsoft 365، دارای مجموعه ابزارهای هوش مصنوعی دیگری برای توسعه‌دهندگان پلتفرم محاسبات ابری آزور (Azure) نظیر پلتفرم‌هایی جهت توسعه یادگیری ماشینی، تحلیل داده و هوش مصنوعی مکالمه‎‌ای و همچنین API قابل شخصی‌سازی جهت دستیابی به برابری انسانی در دید، گفتار و زبان کامپیوتری است.

مایکروسافت همچنین با سرمایه گذاری عظیم خود در توسعه‌های شرکت اوپن ای‌آی، از GPT-4 در برنامه Bing Chat و همچنین نسخه پیشرفته‌تر DALL-E 2 برای اپلیکیشن Bing Image Creator استفاده می‌کند.

دیگر شرکت‌ها

موارد بالا، تنها تعداد انگشت‌شماری از کمپانی‌های فعال در حوزه ای آی هستند. از جمله دیگر شرکت‌های فعال در این صنعت می‌توان بایدو (Baidu)، علی‌بابا (Alibaba)، کروز (Cruise)، لنوو (Lenovo)، تسلا (Tesla) و بسیاری دیگر را نام برد.

کاربردهای هوش مصنوعی در صنایع و حوزه‌های مختلف

از ای آی در بازارها و صنایع مختلفی استفاده می‌شود که در این قسمت برخی از آن‌ها را بررسی می‌کنیم.

بلاک چین و ارز دیجیتال

کاربرد هوش مصنوعی در بلاک چین به‌خاطر اتکای هر دوی آ‌ن‌ها به ارزش و داده اجتناب‌ناپذیر است. یکی از مزیت‌های استفاده از AI در فناوری بلاکچین، کاهش حجم و مصرف انرژی سیستم‌های بلاک چینی است. از آنجایی که برای استخراج ارزهای دیجیتال به قدرت پردازشی زیادی نیاز است، هوش مصنوعی می‌تواند با ابزارهای پیش‌بینی خود، باعث کاهش حجم محاسبات و در نتیجه، انرژی مصرفی شود.

از دیگر کاربردهای ای آی در بلاک چین می‌توان تمرکززدایی اقتصاد داده، بهبود مدل‌های یادگیری بر بستر بلاک چین و معامله بهینه‌تر دارایی‌های دیجیتال را نام برد.

سلامت و پزشکی

از جمله بزرگترین انتظارات استفاده از Artificial Intelligence در حوزه بهداشت و سلامت، بهبود خروجی معاینه بیماران و کاهش هزینه‌هاست. شرکت‌ها برای تشخیص بهتر و سریع‌تر بیماری‌ها از یادگیری ماشینی استفاده می‌کنند. یکی از شناخته‌شده‌ترین فناوری‌های این حوزه، ابر کامپیوتر واتسون شرکت IBM است. این رایانه زبان‌های طبیعی را درک کرده و به سوالات پاسخ می‌دهد. این سیستم همچنین با داده کاوی اطلاعات بیمار و دیگر منابع در دسترس، به ارائه فرضیات پرداخته و سپس با یک طرح امتیاز‌دهی، آن‌ها را مرتب می‌کند.

دیگر اپلیکیشن‌های AI شامل استفاده از دستیارهای مجازی سلامت و چت‌بات‌ها برای کمک به بیماران و مشتریان این حوزه در یافتن اطلاعات پزشکی، زمان‌بندی مراجعه، درک فرآیندهای محاسبه مخارج و تکمیل دیگر فرآیندهای مدیریتی هستند. از فناوری‌های دیگری نیز برای پیش‌بینی، مبارزه و درک پاندمی‌هایی نظیر کووید-19 استفاده می‌شود.

کسب‌وکار

الگوریتم‌های یادگیری ماشینی با ادغام در پلتفرم‌های تجزیه و تحلیل و مدیریت ارتباط با مشتری (CRM)، راه‌حل خدمت بهتر به مشتریان را مشخص می‌کنند. چت‌بات‌ها نیز در وبسایت‌ها گنجانده شده‌اند تا خدمت سریع‌تری در دسترس مشتریان قرار داشته باشد. انتظار می‌رود توسعه سریع ابزارهای هوش مصنوعی مولد نظیر ChatGPT، عواقب بسیار گسترده‌تری از جمله حذف مشاغل، منقلب‌ساختن طراحی محصول و مختل کردن مدل‌های کسب‌وکار را به‌همراه داشته باشد.

آموزش

از AI می‌توان برای خودکارسازی نمره‌دهی و فراهم‌آوری زمان آزاد بیشتر برای معلم‌ها جهت انجام دیگر وظایف استفاده کرد. در این حالت، هوش مصنوعی می‌تواند به ارزیابی دانش‌آموزان پرداخته و با درک نیازهایشان، به آن‌ها در انجام تکالیف کمک کند. آموزگاران هوش مصنوعی هم قادر به حمایت و پشتیبانی از دانش‌آموزان و تضمین روند یادگیری‌شان هستند.

ای آی همچنین می‌تواند مکان و نحوه یادگیری دانش‌آموزان را تغییر دهد و حتی جایگزین برخی از معلم‌ها شود. همانطور که در چت جی‌پی‌تی و بارد و دیگر مدل‌های زبانی بزرگ دیده‌ایم، هوش مصنوعی مولد می‌تواند به معلم‌ها در تهیه دوره آموزشی و دیگر ابزارهای مورد نیاز کمک کرده و دانش‌آموزان را به طرق جدیدی در دروس درگیر کند. ظهور اینگونه ابزارها همچنین باعث وادارسازی آموزگاران به تجدید نظر درباره تکالیف و آزمایش و بازبینی سیاست‌های سرقت ادبی می‌شود.

امور مالی

ورود Artificial Intelligence به اپلیکیشن‌هالی مالی شخصی نظیر Intuit Mint یا TurboTax، کار موسسات مالی را مختل کرده است. برنامه‌های این چنینی، داده‌های شخصی را جمع‌آوری کرده و به ارائه توصیه‌های مالی می‌پردازند. کاربرد هوش مصنوعی در امور مالی فراوان است.

علاوه بر این، از دیگر برنامه‌ها نظیر ابر رایانه واتسون IBM برای پردازش خرید خانه استفاده می‌شود. امروزه، نرم افزارهای هوش مصنوعی بخش اعظمی از معاملات در وال استریت را انجام می‌دهند.

حقوق

فرآیند کشف و غربال‌گری اسناد و مدارک در حوزه حقوق، کاری بسیار طاقت‌فرسا برای انسان است. اما استفاده از AI برای خودکارسازی فرآیندهای یدی صنعت حقوق، باعث صرفه‌جوی در وقت و بهبود خدمت‌رسانی به موکل‌ها شده است.

شرکت‌های حقوقی از ماشین لرنینگ برای توصیف داده‌ها و پیش‌بینی خروجی‌ها، از دید کامپیوتری برای طبقه‌بندی و استخراج اطلاعات از اسناد و مدارک و از NLP برای تفسیر درخواست‌های اطلاعاتی استفاده می‌کنند.

سرگرمی و رسانه

تجارت حوزه سرگرمی با استفاده از تکنیک‌های ای آی بخش‌هایی نظیر تبلیغات، پیشنهاددهی محتوا، توزیع، شناسایی کلاهبرداری، تولید نمایشنامه و ساخت فیلم را هدف قرار داده است.

روزنامه‌نگاری خودکار نیز کاربرد دیگری است که به کاهش زمان، هزینه و پیچیدگی جریان کاری اتاق‌های خبر کمک می‌کند. اتاق‌های خبر از AI برای اتوماتیک‌سازی وظایف روتین نظیر ورود داده، تصحیح نگارشی و املایی و همچنین تحقیق درباره موضوعات و تیتر نویسی استفاده می‌کنند. اینکه روزنامه‌نگاری چقدر می‌تواند برای تولید محتوا به ChatGPT و دیگر ابزارهای هوش مصنوعی مولد اتکا کند، جای بحث دارد.

کدنویسی و فناوری اطلاعات

از ابزارهای جدید Generative AI می‌توان برای تولید کدهای برنامه مبتنی بر پرامپت‌های زبان طبیعی استفاده کرد، اما این بخش همچنان در روزهای اول عمر خود قرار دارد و احتمالا ای آی به این زودی‌ها جایگزین مهندسان نرم افزار نخواهد شد. در حال حاضر، از هوش مصنوعی برای خودکارسازی بسیاری از فرآیندهای IT از جمله ورود داده، شناسایی تقلب، خدمات مشتری و همچنین نگهداری و تعمیرات پیشگویانه استفاده می‌شود.

امنیت

هوش مصنوعی و یادگیری ماشینی در صدر فهرست کلیدواژه‌های امنیتی هستند که فروشندگان برای بازاریابی محصولات خود از آن‌ها استفاده می‌کنند، بنابراین شما به‌عنوان خریدار باید بسیار مراقب باشید. با این حال، تکنیک‌های ای آی با موفقیت در جنبه‌های مختلف امنیت سایبری از جمله تشخیص ناهنجاری، حل مشکل مثبت کاذب (Fals-positive) و انجام تحلیل‌های تهدید رفتاری به‌کار گرفته می‌شوند.

سازمان‌ها برای تشخیص ناهنجاری‌ها و شناسایی فعالیت‌های مشکوک که نشان‌دهنده تهدید هستند، از یادگیری ماشین داخل نرم‌افزار اطلاعات امنیتی و مدیریت رویداد (SIEM) و حوزه‌های مرتبط استفاده می‌کنند. هوش مصنوعی با تجزیه و تحلیل داده‌ها و استفاده از منطق برای شناسایی شباهت‌ها در کدهای مخرب شناخته‌شده، می‌تواند هشدار حملات جدید و در حال ظهور را خیلی زودتر از کارکنان انسانی ارائه دهد.

تولید

تولید یکی دیگر از صنایع استفاده‌کننده از ربات‌ها در جریان‌های کاری است. مثلا، ربات‌های صنعتی که زمانی برای انجام وظایف تکی و جدا از کارکنان انسانی برنامه‌نویسی می‌شدند، امروزه به‌صورت کوبات (Cobot) یا در ترجمه فارسی، «همبات» عمل می‌کنند؛ ربات‌های کوچکتر و چندکاره‌ای که با انسان‌ها همکاری کرده و مسئولیت بخش‌های بیشتری از کارها در انبارها، کارخانه‌ها و دیگر محل‌های کاری را بر عهده دارند.

بانکداری

بانک‌ها امروزه برای اطلاع‌رسانی به مشتریان خود درباره خدمات و پیشنهادات و مدیریت تراکنش‌هایی که به دخالت انسانی نیاز ندارند، به‌صورت موفیت‌آمیزی از چت‌بات‌ها استفاده می‌کنند. در این حوزه، از دستیارهای مجازی مبتنی بر هوش مصنوعی برای بهبود و کاهش هزینه‌های تطابق با قوانین بانکداری استفاده می‌شود. سازمان‌های بانکی نیز از ای آی برای بهبود تصمیم‌گیری در خصوص وام‌ها، تعیین محدودیت اعتبار و شناسایی فرصت‌های سرمایه گذاری در حوزه‌های مختلف بهره می‌برند.

حمل و نقل

علاوه بر نقش بنیادین Artificial Intelligence در وسایل نقلیه خودگردان، از ابزارهای این شاخه از علم می‌توان در حوزه حمل و نقل برای مدیریت ترافیک، پیش‌بینی تاخیر پروازها و افزایش امنیت و کارایی مرسولات دریایی استفاده کرد.

در بخش زنجیره تامین، ای آی جایگزین روش‌های سنتی پیش‌بینی تقاضا و پیش‌بینی عوامل مختل‌کننده بازار خواهد شد؛ مانند روندی که با شیوع کووید-۱۹ شدت گرفت و بسیاری از شرکت‌ها تحت تاثیر یک بیماری همه‌گیر جهانی اثرگذار بر عرضه و تقاضای کالا، بی‌دفاع مانند.

دوست‌یابی و ازدواج

ساخت همسر مجازی و ازدواج با هوش مصنوعی یکی دیگر از حوزه‌های دیگری است که این مفهوم به آن ورود کرده است. در سال 2023، شرکت اندریسن هورویتز از یک کاراکتر جدید به‌نام اِولین (Evelyn) در چت‌بات خود رونمایی کرد که به‌عنوان «زنی شگفت‌انگیز و ماجراجو» توصیف شده است. بر خلاف دیگر چت‌بات‌ها نظیر ChatGPT که صحبت با آن‌ها حس و حال گفتگو با یک دوست واقعی را نمی‌دهد، اولین به‌گونه‌ای طراحی شده است تا به‌عنوان یک دوست، پارتنر یا حتی روانشناس، از صحبت‌های شما درس گرفته و گفتگوهای بعدی را بر اساس آن هدایت کند.

در کنار اِولین، شما می‌توانید شخصیت‌های از پیش ساخته‌شده دیگری مانند الکس، سباستین و حتی یک سگ فضایی به‌نام کُرگی را نیز انتخاب کنید. االبته گر هیچ کدام از این شخصیت‌ها مورد پسندتان نبود، خودتان می‌توانید از ابتدا همراه مودر نظرتان را بسازید.

کاربرد هوش مصنوعی در ایران

بر اساس گزارش پژوهشگاه فناوری اطلاعات و ارتباطات کشور، ایران تا 10 سال دیگر در بین 10 کشور برتر هوش مصنوعی قرار خواهد گرفت. به استناد داده‌های وبسایت NatureIndex، ایران از نظر انتشارات تحقیقات هوش مصنوعی بین سال‌های 2015 تا 2019، در رتبه سیزدهم، بالاتر از برزیل، هلند و روسیه، قرار دارد.

از طرفی، وبسایت SCImagojr که به سنجش ژورنال‌های علمی می‌پردازد، ایران را در رتبه 15ام، بعد از برزیل و جلوتر از روسیه و ترکیه، از نظر تحقیقات منتشره در حوزه AI بین سال‌های 215 تا 2019 قرار داده است.

با وجود فراوانی مقالات تحقیقاتی در این حوزه، به‌خاطر تحریم‌های شدید کشورهای غربی بر کسب‌وکارهای فعال در بازارهای ایران و همچنین آن‌هایی که به‌دنبال گسترش بازارهای خود از داخل ایران به خارج از کشور هستند، شرکت‌های ایرانی با مشکلات زیادی دست‌وپنجه نرم می‌کنند.

سوای این مشکلات، در حال حاضر هوش مصنوعی در ایران در حوزه‌های مختلفی نظیر تشخیص چهره، ساخت و طراحی سلاح‌های هوشمند، ساخت ربات‌ها و دستگاه‌های هوشمند در حوزه تولیدی و صنعتی، ارتقا سیستم‌های تشخیص گفتار همچون تبدیل متن به صوت و بالعکس و طراحی بازی‌ها و حوزه‌های کاربردی آموزش کاربرد دارد.

مثلا یکی از موفق‌ترین این نمونه‌ها، اپلیکیشن موقعیت‌یابی بلد با میلیون‌ها دانلود است. این برنامه با استفاده از هوش مصنوعی به «پیدا کردن بهترین مسیر برای مسافرت‌های درون شهری و برون شهری و همچنین انتخاب بهترین مکان‌ها برای تفریح و خدمات» کمک می‌کند. این اپلیکیشن جایگزین گوگل مپ محسوب می‌شود.

در حوزه رباتیک، پروژه ساخت ربات انسان‌نمای سورنا که از سال 87 آغاز شد، بزرگترین خبر در حوزه توسعه‌های AI بود. نسخه سورنا 1 با استفاده از یک متن از پیش‌نوشته‌شده قادر به صحبت بود و قابلیت کنترل از راه دور و توانایی راه رفتن در مسیرهای از پیش‌تعیین‌شده نیز برای آن وجود داشت. آخرین نسخه این ربات به‌نام سورنا 4 در سال 98 ساخته شد و خبرگزاری‌ها از تصمیم برای ساخت سورنا 5 و 6 به‌صورت همزمان خبر دادند. با این وجود، اطلاعات بیشتری از توسعه‌های این ربات‌ها در دست نیست.

در حوزه‌های دیگر مانند صنایع دفاع نیز شاهد کاربرد ای آی در ایران هستیم. چندی پیش، سردار سرتیپ پاسدار غلامرضا جلالی، با اشاره به تهدیدات سایبری و سوءاستفاده از ظرفیت‌های هوش مصنوعی در اغتشاشات سال گذشته در کشور، بر اولویت استفاده از هوش مصنوعی برای مقابله با تحرکات سایبری و تامین امنیت زیرساخت‌ها تاکید کرده بود. به گفته وی:

جمهوری اسلامی ایران استفاده از هوش مصنوعی را برای دفاع سایبری و تامین امنیت زیرساخت ها در اولویت قرار داده است.

وی در ادامه افزود:

در این راستا، تلاش برای استفاده از ظرفیت شرکت‌های دانش بنیان در دستور کار سازمان پدافند غیر عامل کشور قرار گرفته است.

روش های استفاده از هوش مصنوعی؛ چگونه AI را در زندگی به‌کار بگیریم؟

بسیاری تصور می‌کنند که بحث پیرامون استفاده از هوش مصنوعی تنها مربوط به یک یا دو سال گذشته است، در صورتی که با نگاهی عمیق‌تر متوجه می‌شویم بسیاری از شرکت‌های بزرگ در حوزه فناوری سال‌هاست که از این ابزار مهم استفاده می‌کنند، اما موضوع قابل‌توجه، تحولات و تبلیغات فراوان در یک سال اخیر است که موجب گرایش شدید مردم به حوزه AI شده و در پی آن، شرکت‌ها نیز به دنبال گسترش و ادغام این قابلیت‌ در محصولات خود هستند.

با استقبال فراوان از ChatGPT و استفاده ۱ میلیون کاربر از این دستیار هوشمند آن هم تنها در ۵ روز ابتدایی عرضه، مشخص شد حوزه ای آی برای کاربران فوق‌العاده جذاب است. برای اینکه متوجه شوید این حجم از اشتیاق تا چه اندازه خارق‌العاده بوده، کافی است به یاد بیاوریم نتفلیکس پس از 3.5 سال و اینستاگرام پس از 2.5 ماه توانستند به این تعداد از کاربران برسند.

وقتی درباره هوش مصنوعی صحبت می‌کنیم، اکثر افراد فقط نام چت جی پی تی را به زبان می‌آورند. البته این موضوع چندان عجیبی نیست، چون اغلب کاربران ابتدا با این ابزار ورود خود را به موضوع هوش مصنوعی آغاز کرده‌اند. اما جدای از این نام، اسامی دیگری نیز وجود دارند که با هدف تسهیل کارهای روزمره کاربران پابه عرصه گذاشته‌اند. علاوه بر شرکت اوپن ای آی و محصول مطرح آ‌ن یعنی چت جی پی تی، کمپانی‌هایی مانند گوگل، مایکروسافت و بسیاری از شرکت‌های بزرگ و کوچک دیگر نیز در رقابتی نفس‌گیر به دنبال برتری جستن در این عرصه هستند.

بد نیست بدانید حتی بسیاری از سازندگان برنامه‌های محبوب مانند اسنپ چت (Snapchat)، گرامرلی (Grammarly)، و اسپاتیفای (Spotify) هم برای آنکه از قطار پیشرفت و رقابت عقب نمانند، در حال ادغام فناوری هوش مصنوعی با بخش‌های مختلف خود هستند.

این روزها تقریبا برای انجام هر کاری یک دستیار هوش مصنوعی یا چت بات توسعه داده شده و می‌توان با استفاده از آن‌ها کارهای خود را به نحوه بهتری انجام داد. بنابراین بد نیست با برخی زمینه‌ها و روش‌های استفاده از A.I و ابزارهای مطرح در این زمینه آشنا شویم.

تولید محتوا و نگارش متون تبلیغاتی

نوشتن یک متن جذاب و ترغیب‌کننده برای لندینگ پیج یک وب‌سایت فروش و تبدیل بازدیدکنندگان به خریداران، موضوعی بسیار مهم و چالش‌برانگیز است، به خصوص اگر یک کپی رایتر حرفه‌ای نباشید. اینجاست که هوش مصنوعی و قدرت آن وارد صحنه می‌شود و به شما کمک می‌کند تا با نوشتن یک متن یا بنری متقاعدکننده‌، توجه بازدیدکنندگان را به خود جلب کرده و آن‌ها به خرید تشویق کنید. هوش مصنوعی می‌تواند محصول یا خدمات مورد نظر شما را تجزیه و تحلیل کرده، نقاط فروش منحصربه‌فرد آن را درک کند و با ایجاد پیامی قانع‌کننده، افراد را مجاب به خرید کند.

وجود چنین ابزاری می‌تواند در زمان و تلاش شما صرفه‌جویی کرده و به شما در افزایش مؤثر بازدیدکنندگان صفحات وب‌سایت کمک کند. کپی دات ای آی (Copy.ai)، جاسپر (Jasper) و رایت سونیک (Writesonic) از جمله ابزارهای مهم هوش مصنوعی هستند که می‌توانند محتوای مورد نیاز صفحه سایت شما را ایجاد کنند.

خلاصه نویسی مقالات طولانی

خواندن مقالات طولانی کاری وقت‌گیر است و با توجه به مشغله‌های متعدد هر کدام از ما، چندان جذاب و کاربردی به نظر نمی‌رسد. اما با هوش مصنوعی می‌توانید بدون نیاز به خواندن کامل مقاله، به سرعت به اصل مطلب پی ببرید. ابزار ای‌آی مربوطه می‌تواند خلاصه‌ای مختصر با تمام نکات اصلی و برجسته کردن جزئیات کلیدی ایجاد کند. بنابراین به جای ساعت‌ها وقت گذاشتن برای خواندن مقالات، می‌توانید از هوش مصنوعی برای تولید خلاصه استفاده کنید.

برای کوتاه کردن مقالات طولانی و بلند، می‌توان از ابزارهای مختلفی مانند هوش مصنوعی بینگ (Bing AI)، چت جی پی تی (ChatGPT) و گوگل بارد (Google Bard) استفاده کرد.

نوشتن ایمیل‌ به شکلی رسمی و حرفه‌ای

نوشتن ایمیل‌های حرفه‌ای به خصوص برای ارسال به شرکت‌ها و افراد خاص می‌تواند مشکل باشد، به‌ویژه زمانی که تلاش می‌کنید در این نوشته، خواننده را تحت تأثیر قرار دهید یا موضوع پیچیده‌ای را منتقل کنید. در اینجا، هوش مصنوعی می‌‌تواند به شما کمک کند تا به ایمیل‌های خود ساختار مناسب دهید. ابزار AI مناسب با انتخاب کلمات و استفاده از دستور زبان و املای صحیح کلمات می‌تواند محتوایی را بر اساس مضامین مورد نیاز شما و در چهارچوب‌های مشخص‌شده، تهیه کند.

بسیاری از افراد از ایمیل‌‌ها برای تبلیغات و فروش محصولات خود استفاده می‌کنند، بنابراین استفاده از هوش مصنوعی می‌تواند به آن‌ها در زمینه افزایش درآمد نیز کمک فراوانی کند.

کانستنت کانتکت (Constant Contact)، گرامرلی و هاپی کاپی (Hoppy Copy) همگی می‌توانند در ساخت ایمیل‌هایی حرفه‌ای و متناسب به شما کمک کنند.

فرمول‌بندی و ساخت جدول‌های اکسل

اکسل ابزاری قدرتمند برای سازماندهی و تجزیه و تحلیل داده‌ها است، اما ایجاد فرمول‌ها می‌تواند پیچیده و زمان بر باشد، به خصوص اگر شما مهارتی در این زمینه نداشته باشید. بنابراین هوش مصنوعی می‌تواند این فرآیند را ساده کرده و فرمول ها را با سرعت بیشتری توسعه دهد.

با توضیح اینکه چه داده‌هایی در اختیار دارید و چه کاری باید انجام شود، ابزار ای آی مناسب می‌تواند علاوه بر صرفه‌جویی در زمان، به شما در ایجاد فرمول مناسب با نیازهایتان کمک کند. استفاده از AI برای ایجاد فرمول، موجب افزایش دقت و کارایی شده و نتایج قابل اعتمادی را به همراه دارد. کاربران می‌توانند از دستیارهایی مانند کد پال (CodePal) یا چت جی پی تی برای کمک به درک داده‌ها و ایجاد فرمول‌های مناسب استفاده کنید.

ساخت رزومه

ایجاد یک رزومه حرفه‌ای و قانع‌کننده می‌تواند چالش‌برانگیز باشد، به خصوص زمانی که سعی می‌کنید در یک بازار کاری رقابتی خود را نشان دهید. در این میان، AI می‌تواند رزومه شما را بهبود بخشد و شانس شما را برای جلب توجه کارفرمایان افزایش دهد.

هوش مصنوعی می‌تواند به طرح‌بندی و قالب‌بندی رزومه مورد نظرتان کمک کند. توجه داشته باشید انجام این کار بدون کمک یک دستیار هوشمند به خصوص برای افرادی که آشنایی چندانی با ابزارهایی مانند مایکروسافت ورد (Word) ندارند، می‌تواند بسیار سخت و چالش‌برانگیز باشد.

هوش مصنوعی حتی می‌تواند رزومه شما را تجزیه و تحلیل و ارتقا دهد، مهارت‌ها و تجربیات مرتبط را برجسته سازد و یک هدف شغلی قانع‌کننده برایتان ترسیم نماید. استفاده از هوش مصنوعی با بهینه‌سازی رزومه و افزودن نکات ریز و درشت، شانس پذیرفته‌شدن درخواست شما را افزایش می‌دهد. برنامه‌های چت جی پی تی و رزومه دات آی او (Resume.io) از جمله دستیارهای هوشمندی هستند که می‌توانند در این زمینه به شما یاری برسانند.

داستان‌سرایی و نوشتن دیالوگ

نوشتن دیالوگ برای کارکترهای یک داستان به خصوص زمانی که سعی دارید آن‌ها را از لحاظ شخصیت جذاب جلوه دهید، موضوعی چالش‌برانگیز است. هوش مصنوعی می‌تواند با تقویت داستان سرایی، ایجاد یک گفت‌وگوی مؤثر و زمینه‌‌سازی، به نویسندگان کمک فراوانی کند. یک دستیار هوشمند می‌تواند بر اساس مضمون داستان، ویژگی‌های شخصیت‌ها و لحن مناسب را تنظیم کرده و دیالوگ مورد نظر را ایجاد کند.

زمانی که ذهن نویسنده دچار توقف شده و نمی‌تواند داستان را ادامه دهد، هوش مصنوعی می‌تواند او را یاری کند. استفاده از AI در دیالوگ‌نویسی، سازگاری و باورپذیری شخصیت‌ها را تضمین کرده و داستان را برای خوانندگان جذاب‌تر و لذت بخش‌تر می‌کند. چت جی پی تی، جاسپر و سودو رایتر (Sudowriter) همگی می‌توانند به شما در ایجاد شخصیت‌ها، داستان‌سرایی و نوشتن دیالوگ کمک کنند.

گپ و گفت‌وگو

چت بات‌های هوش مصنوعی اکنون می‌توانند تقریبا درباره هر موضوعی گفت‌وگو کنند. اگر بخواهید درباره آخرین اخبار روز بحث کنید، یک موضوع خاص را بیاموزید یا در خصوص روزتان با شخصی گپ بزنید، یک ابزار هوشمند می‌تواند همان گوش شنوای حرف‌هایتان باشد. شما می‌توانید به دستیار خود آموزش دهید تا به عنوان یک مربی یا حتی دوستی از دوران کودکی با شما ارتباط بگیرد و مکالمه‌ای با کیفیتی را در هر زمینه‌ای ایجاد کند.

چت جی پی تی، کاراکتر ای آی (Character AI) و گوگل بارد از جمله ابزارهای هوش مصنوعی هستند که می‌توانند مکالمه‌ای عالی برایتان رقم بزنند.

فهم ساده‌تر موضوعات پیچیده

فهم اطلاعات و موضوعات پیچیده، به خصوص در انجام تکالیف و تسک‌های کاری، می‌تواند دلهره‌آور و گاهی اوقات غیرممکن باشد. هوش مصنوعی با مدل‌های پیشرفته زبانی می‌تواند به ساده‌سازی این فرآیند کمک کند. این ابزارها می‌تواند هر اطلاعات پیچیده‌ای را به بخش‌های کوچک‌تر و قابل هضم تجزیه کنند و مفاهیم، ایده‌ها و مضامین کلیدی را شناسایی نمایند. این رویکرد ساختار یافته به شما امکان می‌دهد تنها روی یک بخش تمرکز و اطلاعات را به شکل مدیریت‌شده‌تری درک کنید.

با کمک هوش مصنوعی مطالعه شما کارآمدتر و موثرتر خواهد شد، زیرا می‌توانید هر بار روی یک موضوع فرعی تمرکز کرده و به تدریج درک خود را از موضوع کلی بالاتر ببرید. این امکان وجود دارد که از ابزارهایی نظیر چت جی پی تی یا دستیارهای هوش مصنوعی برای فهم بهتر مطالب پیچیده استفاده کنید و از آ‌ن‌ها بخواهید تا حد ممکن موضوعات را به شکل آسان‌تری برای شما شرح دهند.

ایجاد آمادگی برای مصاحبه‌های شغلی

آماده شدن برای مصاحبه شغلی می‌تواند فرایندی فرسایشی و حتی اعصاب خردکن باشد. این امر به ویژه هنگامی که چیزی درباره سؤالات احتمالی نمی‌دانید، به مراتب سخت‌تر و ترسناک‌تر خواهد بود. با ابزارهای مکالمه هوش مصنوعی می‌توانید برای مصاحبه تمرین کرده و اعتماد به نفس خود را به‌طور چشمگیری افزایش دهید.

با ارائه اطلاعات در مورد فرصت شغلی، الزامات آن و تجربیات گذشته، یک ابزار هوش مصنوعی می‌تواند سوالات احتمالی مصاحبه را ایجاد و به شما کمک کند تا پاسخ‌های خود را فرموله کنید. فرقی نمی‌کند برای چه موضوعی می‌خواهید مصاحبه دهید، اولین شغل خارج از دانشگاه یا یک حرفه جدید در حوزه نرم‌افزار، هوش مصنوعی قادر است به شما در این فرایند یاری برساند.

با پیش‌بینی سؤالات و آماده کردن پاسخ‌های خود در مصاحبه‌ها، می‌توانید اعتماد به نفس بیشتری داشته باشید و عملکرد بهتری از خود نشان دهید. چت جی پی تی و گوگل بارد از جمله ابزارهای مناسب برای این کار هستند.

افزایش بازدید سایت و بهینه‌سازی SEO

افزایش ترافیک وب سایت یک هدف حیاتی برای بسیاری از مشاغل است و SEO یا همان بهینه سازی موتور جست‌وجو، یک استراتژی ضروری برای دستیابی به این هدف محسوب می‌شود. ابزارهای سئوی مبتنی بر هوش مصنوعی، وب سایت شما را تجزیه و تحلیل کرده و بینشی عمیق‌تر در ارتباط با بهبود سئو به شما ارائه می‌دهند.

هوش مصنوعی با مشاهده سایر وب‌سایت‌ها می‌تواند کلمات کلیدی را که باید هدف قرار گیرند، شناسایی کند و در عین حال، محتوایی مناسب را ایجاد و مشکلات فنی را که می‌تواند به رتبه‌بندی وب‌سایت شما آسیب برساند، تشخیص دهد. با استفاده از هوش مصنوعی می‌توانید ترافیک ارگانیک بیشتری را به وب‌سایت خود جذب کنید، دید خود را در موتورهای جست‌وجو افزایش و در نهایت کسب و کار خود را توسعه دهید.

گروث‌بار (GrowthBar)، رنک مت (Rank Mat) و سرفر سئو (Surfer SEO) از ابزارهای سئو مبتنی بر هوش مصنوعی هستند تا به شما در افزایش ترافیک وب سایتتان کمک کنند.

تغییر سبک نوشتاری

چه در حال نوشتن یک پست وبلاگی، یک گزارش مالی یا یک رمان باشید، سبک نوشتار شما می‌تواند به‌طور قابل توجهی روی درک مخاطبان تأثیر بگذارد. کمک از هوش مصنوعی و دریافت نظرات در خصوص چگونگی و بهبود استایل نوشته‌ها، می‌تواند راهی برای مختصرتر و جذاب‌تر کردن نوشته‌های شما باشد. این ابزار هوشمند می‌تواند به شما کمک کند تا از اشتباهات رایج گرامری و املایی اجتناب کنید و مطمئن شوید که متن نوشته‌شده، برای مخاطب شما شیوایی لازم را دارد یا خیر.

رایت سونیک، گرامرلی و Rytr همگی ابزارهایی هستند که به شما کمک می‌کنند نوشته خود را تصحیح کنید تا برای خوانندگان جذاب و قابل فهم باشد.

هوش افزوده (Augmented Intelligence) چیست و چه تفاوتی با هوش مصنوعی دارد؟

به باور برخی از متخصصان، عبارت “Artificial Intelligence” رابطه بیش از حد نزدیکی با فرهنگ عمومی دارد که باعث ایجاد توقع نابه‌جا از نحوه تاثیرگذاری ای آی بر تغییر فضای کاری و زندگی به‌صورت کلی در میان عموم مردم شده است. به همین خاطر، این دسته از افراد استفاده از عبارت “Augmented Intelligence” برای نمایش تمایز بین سیستم‌های AI که واقعا خودگردان هستند (از جمه نمونه‌های محبوب می‌توان به ترمیناتور و شخصیت Hal 9000 در کتاب 2001: ادیسه فضایی که فیلمی به همین نام هم توسط استنلی کوبریک ساخته شده است اشاره کرد)، با ابزارهای ای آی که پشتیبان انسان‌ها محسوب می‌شوندرا پیشنهاد داده‌اند.

بنابراین، تفاوت میان هوش افزوده و هوش مصنوعی را می‌توان اینگونه بیان کرد:

• هوش افزوده: به امید برخی از محققان و بازاریابان، واژه Augmented Intelligence که دارای معنای ضمنی خنثی‌تری است، به درک بهتر افراد از اینکه اکثر پیاده‌سازی‌های هوش مصنوعی ضعیف بوده (نوع Weak AI یا ANI) و صرفا باعث بهبود محصولات و خدمات می‌شوند، کمک خواهد کرد. از نمونه‌های این نوع ای آی می‌توان به جستجوی خودکار اطلاعات مهم در گزارشات هوش تجاری یا برجسته‌سازی اطلاعات مهم در شکایات حقوقی اشاره کرد. پذیرش سریع چت جی‌پی‌تی و بارد گوگل در صنایع مختلف، نشان‌دهنده تمایل افراد به استفاده از AI در جهت پشتیبانی از تصمیم‌گیری انسانی است.
• هوش مصنوعی: ای آی واقعی یا AGI با مفهوم تکینگی فناوری (Technological Singularity) در ارتباط است؛ آینده‌ای تحت سلطه یک ابر هوش مصنوعی که فرای توانایی مغز انسان در درک آن یا نحوه شکل‌گیری واقعیت ماست. این موضوع در حال حاضر علمی-تخیلی محسوب می‌شود، اما برخی از توسعه‌دهندگان در حال کار روی آن هستند. به باور بسیاری از افراد، فناوری‌هایی نظیر محاسبات کوانتوم نقش کلیدی در تبدیل AGI به واقعیت بازی کرده و ما باید از واژه AI تنها برای توصیف هوش عمومی استفاده کنیم.

مزایا و معایب هوش مصنوعی

به‌خاطر سرعت AI در پردازش حجم بالایی از اطلاعات و قدرت پیش‌بینی دقیق‌تر نسبت به انسان، فناوری‌های استفاده‌کننده از شبکه‌های عصبی مصنوعی و یادگیری عمیق در حال تکامل هستند. با اینکه حجم داده‌های تولیدی روزانه می‌توانند باعث غرق کردن یک محقق انسانی در خود شوند، اما برنامه‌های هوش مصنوعی با استفاده از تکنیک‌های مختلفی نظیر ماشین لرنینگ آن‌ها را به داده‌ها و اطلاعات مفید تبدیل می‌کنند.

با وجود این مزایا، هوش مصنوعی معایبی نیز دارد که یکی از آن‌ها، گران بودن پردازش داده‌های بزرگ است. در ادامه این قسمت، مزایا و معایب بیشتری از Artificial Intelligence را بررسی می‌کنیم.

مزایای AI

• عملکرد خوب در شغل‌های جزئیات‌محور: هوش مصنوعی به‌اندازه پزشکان در تشخیص سرطان‌های خاص از جمله سرطان سینه و ملانوما عملکرد خوبی دارد.
• کاهش زمان انجام وظایف داده‌محور حجیم: از AI در صنایعی که با حجم سنگینی از داده‌ها سر و کار دارند نظیر بانکداری و امنیت، داروسازی و بیمه برای کاهش زمان تحلیل مجموعه داده‌های بزرگ استفاده می‌شود. سرویس‌های مالی معمولا از ای آی برای پردازش برنامه‌های وام‌دهی و شناسایی کلاهبرداری استفاده می‌کنند.
• کاهش کار و افزایش بهره‌وری: یکی از نمونه‌های این مزیت، استفاده از اتوماسیون انبار است که طی پاندمی کرونا محبوب‌تر شد و انتظار می‌رود با یکپارچگی هر چه بیشتر AI و ماشین لرنینگ، افزایش یابد.
• تهیه نتایج یکسان: بهترین ابزارهای ترجمه AI دارای ثبات بالا هستند که حتی برای کسب‌وکارهای کوچک، توانایی دسترسی به مشتریان به زبان مادری آن‌ها را فراهم می‌کنند.
• بهبود رضایت مشتری از طریق شخصی‌سازی: هوش مصنوعی می‌تواند محتوا، پیام، تبلیغات، پیشنهادات و وبسایت‌ها را برای هر یک از مشتریان شخصی‌سازی کند.
• در دسترس بودن همیشگی عامل‌های مجازی مبتنی بر AI: برنامه‌های هوش مصنوعی نیازی به خوابیدن یا استراحت کردن ندارند، بنابراین همیشه به‌صورت 24/7 در دسترس هستند.

معایب AI

• گران بودن
• نیازمند تخصص فنی بالا
• تعداد پایین کارمندان شایسته و متخصص برای ساخت ابزارهای Artificial Intelligence
• انعکاس سوءگیری داده‌های آموزشی در مقیاس بالا
• عدم توانایی عمومی‌سازی از یک وظیفه به وظیفه دیگر
• حذف شغل‌های انسانی و افزایش نرخ بیکاری (البته این مورد جای بحث دارد)

چالش‌ها و محدودیت‌های هوش مصنوعی

با اینکه ای آی یکی از علوم مهم رو به تکامل است، اما محدودیت‌ها و چالش‌های مختص به خود را دارد. اندیشکده Pew Research Center، در سال 2021 از 10,260 آمریکایی نظرسنجی را در خصوص نگرش‌شان نسبت به AI تهیه کرد. بر اساس نتایج، 45 درصد از شرکت‌کنندگان نسبت به هوش مصنوعی هم هیجان‌زده و هم نگران بودند، 37 درصد بیشتر نگران بودند تا هیجان‌زده و بیش از 40 درصد از این افراد اظهار داشته بودند که خودروهای بدون راننده، اتفاق بدی برای جامعه هستند. با این وجود، افراد دید بهتری نسبت به ایده استفاده از هوش مصنوعی برای شناسایی میزان گستردگی اطلاعات غلط در رسانه‌های اجتماعی داشتند و نزدیک به 40 درصد از آن‌ها، این امر را به چشم یک اتفاق خوب می‌دیدند.

جنبه اخلاقی و توضیح‌پذیری

با اینکه ابزارهای AI طیف گسترده‌ای از عملکردها را برای کسب‌وکارها شامل می‌شوند، اما استفاده از این علم به‌خاطر تقویت آنچه را که فراگرفته است، سوال‌هایی را برمی‌انگیزد. مثلا، از آنجایی که الگوریتم‌های یادگیری ماشینی که البته زیربنای بسیاری از ابزارهای پیشرفته هوش مصنوعی محسوب می‌شوند، تنها به‌اندازه داده‌های دریافتی‌شان در حین دوره آموزش هوشمندی دارند، گستردگی استفاده از آن‌ها مشکل‌ساز می‌شود.

بنابراین هر فرد یا سازمانی که به‌دنبال استفاده از ماشین لرنینگ به‌عنوان بخشی از سیستم‌های تولیدی دنیای واقعی است، باید اخلاق را در فرآیندهای آموزشی هوش مصنوعی خود لحاظ کرده و درصدد جلوگیری از سوگیری‌ها باشد. این امر به ویژه در هنگام استفاده از الگوریتم‌های ای آی که ذاتا در اپلیکیشن‌های یادگیری عمیق و شبکه‌های متخاصم مولد (GAN) غیرقابل توضیح هستند، صدق می‌کند.

قابلیت توضیح (که در این مطلب نیز به‌عنوان یکی از جنبه‌های مهم اصول توسعه هوش مصنوعی مسئولیت‌پذیر از نظر مایکروسافت معرفی کردیم)، یکی از موانع بالقوه هنگام استفاده از Artificial Intelligence در صنایعی است که تحت قوانین انطباقی سخت‌گیرانه فعالیت می‌کنند. مثلا، موسسات مالی آمریکایی تحت قوانینی قرار دارند که آن‌ها را به توضیح تصمیمات اعتباردهی به مشتریان ملزم می‌سازد. بنابراین مثلا زمانی که تصمیمی در خصوص رد اعتبار توسط یک برنامه ای آی گرفته می‌شود، توضیح نحوه این تصمیم‌گیری به‌خاطر استفاده ابزارها از هزاران متغیر و دستکاری همبستگی بین‌شان، دشوار خواهد بود. حال زمانی که نتوان فرآیند تصمیم‌گیری را توضیح داد، به برنامه مربوطه اصطلاحا «ای آی جعبه سیاه» گفته می‌شود.

مورد اخلاقی دیگر، نتایج مختل‌کننده استفاده از شبکه‌های عصبی برای تولید تصاویر واقع‌گرایانه توسط ابزارهایی نظیر DALL-E 2 و Bing ست. این ابزارها قادر به تقلید صدا یا ساخت ویدیوهای دیپ فیک با استفاده از تصویر افراد هستند که تهدیدی برای اصل بودن محتوا محسوب می‌شوند.

مسئله اخلاقی دیگر، تشخیص چهره و نظارت توسط هوش مصنوعی و نحوه دخالت ابزارهای مرتبط با این حوزه در حریم خصوصی افراد است. به همین خاطر، بسیاری از خبرگان به‌دنبال ممنوعیت کامل این نوع ابزارها هستند.

جنبه قانونی و حاکمیتی

علی‌رغم وجود ریسک‌های بالقوه، در حال حاضر تعداد کمی قانون برای استفاده از ابزارهای AI وضع شده است و آنجایی هم که قانون وجود دارد، معمولا به‌صورت غیر مستقیم به هوش مصنوعی اشاره می‌کند. مثلا همانطور که در بخش قبل گفتیم، قوانین وام‌دهی منصفانه ایالات متحده، موسسات مالی را به توضیح درباره تصمیمات اعتباردهی به مشتریان بالقوه ملزم می‌کنند. این قانون، گستره اینکه وام‌دهان تا چه اندازه قادر به استفاده از الگوریتم‌های یادگیری عمیق که ذاتا دارای ابهام و عدم قابلیت توضیح هستند را محدود می‌کند.

در دیگر مناطق جهان مثلا اروپا، مقررات عمومی حفاظت از داده اتحادیه اروپا (European Union’s General Data Protection Regulation) درصدد قانون‌گذاری ای آی است. محدودیت‌های سختگیرانه GDPR در خصوص نحوه استفاده شرکت‌ها از داده‌های مصرف‌کنندگان، به‌خودی خود باعث محدودیت عملکرد و فرآیند آموزش بسیاری از برنامه‌های هوش مصنوعی سمت مشتری می‌شود.

قانون‌گذاران ایالات متحده هنوز به جمع‌بندی در خصوص قوانین حوزه Artificial Intelligence نرسیده‌اند، اما احتمال تغییر این وضعیت به‌زودی وجود دارد. راهنمایی به‌نام “Blueprint for an AI Bill of Rights” که در اکتبر سال 2022 (مهر 1401) توسط دفتر سیاست علم و فناوری کاخ سفید (OSTP) منتشر شد، کسب‌وکارها را در نحوه پیاده‌سازی سیستم‌های ای آی به‌صورتی اخلاق‌مدارانه راهنمایی می‌کند. اتاق بازرگانی (Chamber of Commerce) ایالات متحده نیز در گزارشی در مارس 2023 (اسفند 1401)، از نیاز به وضع قوانین برای این حوزه سخن گفته بود.

تکامل سریع فناوری‌های مبتنی بر هوش مصنوعی به‌دلیل نبود شفافیتی که باعث دشوار شدن درک نحوه تولید نتیجه توسط الگوریتم‌ها می‌شود نیز یکی دیگر از موانع ایجاد قوانین معنادار است. علاوه بر این، پیشرفت‌های فناورانانه و اپلیکیشن‌های بدیع نظیر چت‌جی‌پی‌تی و دال‌ای می‌توانند باعث بیهوده شدن قوانین موجود شوند. از طرف دیگر، قوانینی که دولت‌ها برای نظارت بر ای آی وضع می‌کنند هم باعث جلوگیری از استفاده مجرمان از ابزارهای این حوزه برای مقاصد خرابکارانه نمی‌وشود.

به‌طور خلاصه، چالش‌ها و موانع بر سر راه پیشرفت هوش مصنوعی را می‌توان به سوءگیری، به‌خاطر الگوریتم‌های دارای آموزش نامناسب و جهت‌گیری‌های انسانی، سوءاستفاده، به‌خاطر فیشنگ و دیپ فیک‌ها، نگرانی‌های حقوقی از جمه مشکلات افترا و کپی‌رایت، حذف مشاغل و نگرانی‌های مربوط به حریم خصوصی داده، خصوصا در حوزه بانکداری، سلامت و حقوق اشاره کرد.

هوش مصنوعی غیرمتمرکز، راهکاری برای رفع نگرانی‌ها

سوای افزایش آگاهی افراد نسبت به AI و خصوصا انواع مختلف آن شامل ضعیف و قوی فوق‌العاده و حتی روش‌هایی نظیر ماشین لرنینگ و دیپ لرنینگ که بسیاری از شرکت‌های برا توضیح رویکردهای خود نسبت به پیاده‌سازی این علم استفاده می‌کنند، نگرانی‌هایی در خصوص تاثیرگذاری آن بر زندگی روزمره ما وجود دارد که در بخش قبل نیز به آن اشاره کردیم.

پتانسیلی که آینده توسط پیشرفت‌های هوش مصنوعی به‌همراه دارد، برای افراد فعال در حوزه وب3 جذاب‌تر است. مثلا ایرینا جادالله (Irina Jadallah)، هم‌بنیان‌گذار راه‌حل صدور بلیت توکن غیر مثلی و سرویس استریمینگ غیر متمرکز رویدادهای ورزشی به‌نام Ticketmeta، در مصاحبه‌ای گفته:

ای آی با سرعت بالایی در حال تبدیل شدن به خبر مهم قرن است. از چت جی‌پی‌تی گرفته تا سیری و الکسا و میلیون‌ها اپلیکیشن و ابزار و دیگر، تقریبا تمام مسائل پیرامون ما از جمله متاورس، تحت تاثیر هوش مصنوعی قرار گرفته‌اند. این علم با تسهیل تعاملات شناختی و طبیعی‌تر بین کاربران و اتفاقات مجازی پیرامون ما، پتانسیل منقلب کردن نحوه تعامل ما با دیگر دنیاهای مجازی را دارد.

البته تاثیر AI تنها به متاورس محدود نیست و همانطور که در بخش‌های مختلف این مطلب نیز اشاره کردیم، توانایی منقلب کردن حوزه‌های مختلف نظیر بازاریابی و امور مالی را نیز دارد.

تاثیر تمرکزگرایی و تمرکززدایی بر ای آی

مشابه هر چیزی، تمرکزگرایی ذاتا چیز بدی نیست، اما در خصوص ای آی مشکلاتی را به‌همراه دارد. زمانی که تنها تعداد محدودی از سازمان‌ها قادر به استفاده از هوش مصنوعی باشند، قدرت کنترل پیشرفت‌های آن را نیز در اختیار خواهند داشت که باعث به‌خاطر افتادن هر آنچیزی می‌شود که در حال حاضر مردم از آن ترس دارند.

این نگرانی در خصوص متمرکز بودن AI یکی از آن مواردی است که بسیاری از افراد فعال در این حوزه نسبت به آن هشدار می‌دهند. مارسلو ماری (Marcello Mari)، بنیان‌گذار شرکت مدیریت دارایی SingularityDAO که از ای‌آی برای مدیریت استراتژی‌های معاملاتی استفاده می‌کند، در مصاحبه‌ای گفته:

اگر از طریق سازمان‌هایی که از ای آی برای اهداف بازاریابی، نظامی یا امور مالی متمرکز استفاده می‌کنند و این کارشان به معنای کشتن کارآمدتر انسان‌ها، فروش محصولاتی که نیاز ندارید و پولدارتر کردن افراد ثروتمند است، به توسعه آن پشت درهای بسته ادامه دهیم، احتمالا نسل بعدی هوش مصنوعی نیز همین ارزش‌ها را منعکس خواهد کرد، درست است؟

در مقابل، ای آی غیر متمرکز می‌تواند در عین فراهم‌آوری مدل‌های متنوع‌تر برای انتخاب، قدرت نظردهی بیشتر در خصوص محصولاتی که افراد استفاده می‌کنند را به آن‌ها بدهد. به گفته آقای ماری:

اصلا به همین خاطر است که ما شرکتمان را در سال 2017 تاسیس کردیم، چون فکر کردن به اینکه AGI یا هوش مصنوعی فوق‌العادده بعدی چه شکلی خواهد بود، اهمیت بسیار زیادی دارد. برای اینکه ای آی خیرخواهانه باشد، باید یک لایه غیر متمرکز مضاعف داشت تا همه جامعه قادر به تاثیرگذاری بر آن و نسبت به توسعه‌های AGI دلگرم باشند.

حالا هوش مصنوعی غیر متمرکز می‌تواند از فناوری بلاک چین که در حال حاضر شهرت خوبی از نظر امنیت و شفافیت دارد، استفاده کند. به گفته آنا ایوانچنکو (Anna Ivanchenko)، هم‌بنیان‌گذار و مدیر عامل Ticketmeta:

تکنولوژی بلاک چین یک سیستم امن و باز برای نظارت بر اطلاعات و تضمین تغییر تاپذیری آن است. از بلاکچین برای ایجاد اعتبار و اعتماد استفاده می‌شود.

افراد به‌خاطر کنترل بلاک چین‌های عمومی توسط جامعه و نه یک مقام مرکزی، استفاده از آن‌ها را ترجیح می‌دهند. در این حالت، کدها به قانون تبدیل شده و سطحی از عدم نیاز به اعتماد را که در دیگر صنایع مشاهده نمی‌کنیم، اضافه می‌کنند.

به استناد کوین گکو (CoinGecko)، در حال حاضر، بیش از 50 شرکت هوش مصنوعی مبتنی بر بلاک چینی وجود دارند و انتظار می‌رود این رقم طی سال‌های آتی به‌صورت نمایی افزایش یابد. از جمله این کمپانی‌ها می‌توان رندر (RNDR)، فچ ای آی (FET) و سینگولاریتی نت (AGIX) را نام برد که سردمدار پیشرفت‌ها در سال 2023 بوده‌اند.

شرکت SingularityDAO از جمله نمونه‌هایی است که در حال حاضر به‌طور دموکراتیک گونه‌ای توسط جامعه اداره می‌شود. اینکه افرادی دارای قدرت نظردهی باشند، عامل اصلی تمایز بین هوش مصنوعی متمرکز و غیرمتمرکز است. با ای آی متمرکز، کاربران عادی تاثیر ناچیزی بر نحوه عملکرد مدل‌های AI خواهند داشت.

البته مشابه هر فناوری جدیدی، کار کردن با Decentralized AI آسان نیست. این حوزه نیز چالش‌های مشابه ای آی متمرکز را دارد که به آن “Black Box” می‌گویند. همانطور که در خصوص «هوش مصنوعی قابل توضیح» در این مطلب گفتیم، رویداد «جعبه سیاه» یعنی نبود شفافیت در خصوص نحوه عملکرد مدل‌های ای‌آی در دستیابی به نتایج مورد انتظار.

مزایای هوش مصنوعی غیر متمرکز

ای آی غیر متمرکز به طرق مختلفی باعث بهبود امنیت می‌شود. مثلا، با استفاده از فناوری بلاک چین که رمزگذاری و تغییر ناپذیری را فراهم می‌کند، می‌توان امنیت و عدم تغییر داده‌ها را تضمین کرد. این نوع AI همچنین ناهنجاری‌ها یا الگوهای مشکوک در داده را حذف کرده و به‌عنوان یک سیستم هشداردهنده در برابر رخنه‌های بالقوه عمل می‌کند.

نیاز به ای‌آی غیرمتمرکز از ماهیت طراحی آن نشات می‌گیرد؛ به‌جای داشتن یک نقطه تکی آسیب‌پذیری، داده‌ها میان چندین نود توزیع می‌شوند که دستکاری یا دسترسی غیر مجاز آن را بسیار چالش‌برانگیز می‌کند.

هوش مصنوعی غیرمتمرکز حامی شفافیت و اعتماد در دنیایی است که هر روزه به داده‌ها وابسته‌تر می‌شود. سیستم‌های سنتی Artificial Intelligence غالبا دارای فرآیندهای تصمیم‌گیری مبهم هستند که مشکل اعتماد و پاسخگویی را به‌دنبال دارد. با این وجود، سیستم‌های ای آی غیر متمرکز نظیر SingularityNET به شفافیت ذاتی خود شناخته شده و هر تراکنش و تصمیمی را روی بلاک چین ثبت می‌کنند.

با اینکه Decentralized AI هنور در مراحل اولیه عمر خود به‌سر می‌برد، اما به‌خاطر شفافیتی که در ازای استفاده از فناوری بلاکچین در آن حاصل می‌شود، امیدها به رفع مشکل «بلک باکس» را افزایش داده است.

آینده هوش مصنوعی؛ آیا AI روزی جایگزین مشاغل و نیروی کار انسانی خواهد شد؟

احتمال جایگزینی نیروی کار امروزی با سیستم‌های هوش مصنوعی یک احتمال برای آینده AI نزدیک است. با اینکه ای آی معمولی جایگزین تمامی مشاغل نخواهد شد، اما مسئله قطعی، تغییر ماهیت کار توسط این علم و باقی موارد، مربوط به سرعت و میزان تغییر فضای کاری توسط اتوماسیون است.

با این وجود، AI نمی‌تواند به خودی خود کار کند و با اینکه بسیاری از مشاغل دارای داده‌ی روتین و تکراری هستند که امکان خودکارسازی آن‌ها وجود دارد، اما کارمندان دیگر مشاغل با استفاده از ابزارهای ای آی مولد قادر به افزایش بهره‌وری و کارایی فعالیت‌های خود هستند.

البته متخصصان در خصوص سرعت عبور سیستم‌های هوش مصنوعی از توانایی‌های انسان نظر متفاوتی دارند. مثلا اتومیبل‌های کاملا خودران هنوز به واقعیت تبدیل نشده‌اند، اما بر اساس پیش‌بینی‌ها، صنعت حمل و نقل خودران به تنهایی جای بیش از 500,000 شغل در ایالات متحده را خواهد گرفت.

با این وجود، هزینه توسعه و پیاده‌سازی Artificial Intelligence در تمامی کسب‌وکارها یکی از موانع پیش‌روی عملی کردن جایگزینی ای آی با نیروی کار انسانی است. علاوه بر این، از دید مثبت، هوش مصنوعی خود قادر به ایجاد مشاغلی است که برخی از آن‌ها حتی در حال حاضر وجود هم ندارند. بنابراین، با توسعه هر چه بیشتر این حوزه، باید اثرات مثبت آن بر شغل‌آفرینی را نیز در نظر گرفت.

سخن پایانی

هوش مصنوعی AI یک علم و مهندسی است که علاقه‌مندان زیادی را به تحقیق در این حوزه جلب کرده است. هوش مصنوعی انواع مختلفی از نظر ماهیت و یادگیری شامل Strong AI و Weak AI و Super AI و همچنین انواع دیگری از نظر عملکرد شامل ماشین‌های واکنشی (Reactive Machines)، حافظه محدود (Limited Memory)، نظریه ذهن (Theory of Mind) و خودآگاه (Self-aware) دارد که دستیابی به همه آن‌ها با توجه به فناوری‌های فعلی موجود امکان‌پذیر نیست و هنوز راه طولانی در پیش داریم. در این مطلب، تعریف ای آی از نظر متخصصان، دانشمندان، محققان و شرکت‌های مختلف و همچنین تاریخچه تکامل آن از دهه 40 میلادی تا سال 2023 را بررسی کردیم.

تهیه شده در بیت 24