هوش مصنوعی چیست؟ هر آنچه لازم است درباره این فناوری بدانید

هوش مصنوعی دقیقا چه چیزی است؟ بیشتر ما وقتی اصطلاح هوش مصنوعی را‌‌ می‌‌شنویم، اولین چیزی که معمولاً به آن فکر‌‌ می‌‌کنیم، روبات‌های سخنگو هستند! تصوری که از  فیلم‌ها و رمان‌‌هایی درباره ماشین‌‌هایی شبیه به انسان‌‌ هستند به وجود آمده، که در آینده، قرار است ویرانگر بشر و زمین باشند! اما واقعیت این است که این داستان‌ها که روزمره ما را پر کرده‌اند، هیچ یک شباهتی به واقعیت فناوری هوش مصنوعی ندارند.

هوش مصنوعی اکنون به زندگی روزمره ما پا گذاشته و بخشی از فعالیت‌های ما را به عهده گرفته است. توسعه هوش مصنوعی با دسترسی به کلان‌داده‌ها و متناظر با توسعه رایانه‌ها و در دسترس بودن گسترده سیستم‌‌های کامپیوتری که‌‌ می‌‌توانند حجم عظیمی از داده‌ها را سریع‌تر و دقیق‌‌تر از انسان پردازش کنند، سرعت گرفته است. این هوش مصنوعی است که کلمات ما را حین تایپ کردن آنها تکمیل می‌کند، یا هنگامی که به یک راهنمای ترافیک نیاز داریم، با درخواستمان راه را برایمان روی نقشه ترسیم می‌کند. این برنامه‌‌های هوشمند به ما کمک می‌کنند کارهای مهم را سریع‌تر و با موفقیت بیشتر انجام دهیم.

هوش مصنوعی بر این اصل استوار است که هوش انسان را‌‌ می‌‌توان به گونه‌‌ای تعریف کرد که یک ماشین به‌راحتی از آن تقلید کند و با آن، مجموعه‌‌ای از وظایف را به صورت هوشمند انجام‌‌ ‌دهد؛ از ساده‌ترین‌ کارها گرفته تا ماموریت‌‌های پیچیده‌‌ای که از عهده انسان خارج است. با این تعریف، اهداف اصلی هوش مصنوعی شامل یادگیری، استدلال و ادراک است.

هوش مصنوعی چیست؟

امروزه با پیشرفت فناوری، معیارهای قبلی که هوش مصنوعی را تعریف‌‌ می‌‌کردند منسوخ‌‌ ‌‌شده‌اند. به عنوان مثال، ماشین‌‌هایی که عملکردهای اساسی را محاسبه‌‌ می‌‌کنند یا متن را از طریق شناسایی نوری تشخیص‌‌ می‌‌دهند، دیگر روبات‌های هوش مصنوعی در نظر گرفته نمی‌شوند، زیرا این عملکرد اکنون به عنوان یک فرایند ذاتی رایانه پذیرفته شده است.

هوش مصنوعی به زبان ساده شاخه‌ای وسیع از علوم رایانه است که انسان‌ها را قادر به ساخت و توسعه ماشین‌‌های هوشمندی می‌‌کند که همچون انسان‌ها بتوانند در هر شرایطی فکر کنند، داده‌ها را تحلیل کنند و تصمیماتی به‌جا و منطقی برای حل مسائل بگیرند. به بیانی دیگر، هوش مصنوعی وظایفی را به عهده می‌‌گیرد که به‌‌طور معمول به هوش انسان نیاز دارند.

---

تاریخچه هوش مصنوعی

در بین همه این صنایع و حوزه‌‌های دانش، فناوری هوش مصنوعی است که حرف اول را می‌‌زند. همانطور که ذکر شد، هدف هوش مصنوعی پیاده‌سازی هوش انسانی در ماشین‌ها برای ایجاد سیستم‌‌های هوشمندتر است. یکی از انگیزه‌‌های اصلی هوش مصنوعی این است که به رایانه‌ها هوشی شبیه انسان بدهد و در آن‌‌ها توانایی حل مشکلات، یادگیری و استدلال را ایجاد کند. به بیانی روشن‌‌تر، هوش مصنوعی مانند بسیاری از صنایع دیگر قرار است چشم‌انداز یادگیری و توسعه (L&D Learning and Development) را کاملاً تغییر دهد. اما قبل از اینکه درباره یادگیری و توسعه هوش مصنوعی بیاموزیم، بیایید با یک تاریخچه مختصر از هوش مصنوعی شروع کنیم.

سوالی که همه ما ممکن است تا امروز پرسیده باشیم این است که هوش مصنوعی چطور به وجود آمد؟ شاید جالب باشد بدانید که هوش مصنوعی همچون بسیاری از پیشرفت‌‌های تکنولوژیک، دارای سابقه‌ای طولانی است که ریشه در برنامه‌‌های کاربردی نظامی و آمار دارد و آمیخته با ریاضیات و علوم شناختی است. از ابتدای پیدایش این دانش، هدف اصلی هوش مصنوعی این بود که کامپیوترها بتوانند استدلال مستقل‌‌تری داشته باشند و بنابراین مفیدتر باشند.

---

1940-1960: تولد هوش مصنوعی در پی تحولات دنیای سایبرنتیک

دوره بین سال‌‌های 1940 و 1960 به شدت با تحولات تکنولوژیکی همراه بود که جنگ جهانی دوم نیز شتاب‌دهنده آن‌‌ها بود. دراین سال‌ها تمایل به درک نحوه ترکیب عملکرد ماشین‌ها و موجودات ارگانیک در میان دانشمندان علوم ریاضی و کامپیوتر قوت گرفت. از نظر نوربرت وینر، یکی از پیشگامان سایبرنتیک، هدف این بود که نظریه ریاضی، الکترونیک و اتوماسیون، به عنوان «یک نظریه کامل درباره کنترل و ارتباطات، در حیوانات و ماشین‌ها» یکپارچه شود. درست قبل از شکل‌گیری این چشم‌انداز، اولین مدل ریاضی و کامپیوتری نورو – بیولوژیک  توسط وارن مک کالچ و والتر پیتس در اوایل سال 1943 ایجاد شده بود.

در آغاز 1950، جان فون نویمان و آلن تورینگ بنیانگذاران همان فناوری بودند که بعدها با اصطلاح هوش مصنوعی در ذهن‌ها ماندگار شد. آن‌‌ها رایانه‌ها را که تا آن زمان با منطق اعشاری قرن نوزدهم (با مقادیر 0 تا 9) کار می‌‌کردند، متحول کردند و ماشین‌ها را به منطق دودویی (که متکی بر جبر بولین و زنجیره‌‌های کم و بیش مهم 0 یا 1 هستند) مجهز کردند.

بدین ترتیب، این دو محقق معماری رایانه‌‌های معاصر ما را ساختاری تازه بخشیدند و نشان دادند که رایانه یک ماشین جهانی است که قادر به اجرای وظایف‌‌های برنامه‌ریزی شده است. از سوی دیگر تورینگ در مقاله معروف خود در سال 1950 به نام «ماشین‌‌های محاسباتی و هوش» سوال هوش احتمالی یک ماشین را برای اولین بار مطرح کرد و «بازی تقلید» را توصیف کرد، جایی که یک انسان باید بتواند تشخیص دهد که در یک گفتگوی تله تایپی آیا با یک انسان صحبت می‌‌کند یا با یک ماشین!

---

اولین جرقه‌‌های هوش مصنوعی در روزهای گرم تابستان 1956

اصطلاح «هوش مصنوعی» را می‌‌توان به جان مک کارتی از موسسه فناوری ماساچوست (MIT Massachusetts Institute of Technology) نسبت داد، که ماروین مینسکی (از دانشگاه کارنگی ملون) آن را تعریف می‌‌کند:

[blockquote author=”” link=”” target=”_blank”]«ساخت برنامه‌‌های کامپیوتری که وظایفی را انجام می‌‌دهند که در حال حاضر به‌‌طور رضایت‌بخش‌‌تری توسط انسان انجام می‌‌شود»[/blockquote]

زیرا آن‌‌ها به فرایندهای ذهنی سطح بالایی مانند: یادگیری ادراکی، سازماندهی حافظه و استدلال انتقادی نیاز دارند. در حال حاضر، کنفرانس تابستانی 1956 در کالج دارتموث که توسط موسسه راکفلر تأمین مالی می‌‌شود، بنیانگذار رشته هوش مصنوعی محسوب می‌‌شود. خبر موفقیت‌آمیزی که از دل این کنفرانس بیرون آمد این بود که این گردهمایی نه فقط یک کنفرانس علمی ساده بود، بلکه در اصل یک کارگاه آموزشی برای شرکت‌کنندگان و پژوهشگران حاضر در دارتموث بود. نکته مهم این بود که فقط شش نفر، از جمله مک کارتی و مینسکی، در طول این کنفرانس که درباره تحول منطق رایانه‌ها بود، به‌‌طور مداوم حضور داشتند.

بدین ترتیب، اولین جرقه‌‌های پیدایش هوش مصنوعی را می‌‌توان در پروژه تحقیقاتی دارتموث در سال 1956 جستجو کرد. این پروژه موضوعاتی مانند حل مسئله و روش‌‌های نمادین را مورد بررسی قرار می‌‌داد. در دهه 1960، وزارت دفاع ایالات متحده علاقه زیادی به این نوع تحقیقات داشت و تمرکز خود را بر روی برنامه‌نویسی رایانه‌ها برای شبیه‌سازی و تقلید از قدرت استدلال مغز انسان افزایش داد. درهمین راستا، آژانس پروژه‌‌های تحقیقاتی پیشرفته دفاعی (DARPA) دستیارهای شخصی هوشمندی را در سال 2003 تولید کرد. این اتفاق مدت زمان زیادی پیش از آن بود که کمپانی‌‌هایی مانند اپل، آمازون یا گوگل در فکر هوش مصنوعی بیفتند و خود را در این حوزه توسعه دهند. با این حال، بیشتر ما وقتی از هوش مصنوعی حرفی به میان می‌‌آید، به یاد فیلمی «ادیسه فضایی  2001» ساخته استنلی کوبریک می‌‌افتیم که مفاهیم بسیاری را نسبت به قدرت این فناوری به ما آموخت.

جالب است بدانید در سال 1957 هربرت سیمون، اقتصاددان و جامعه شناس پیشگویی کرد که هوش مصنوعی موفق خواهد شد در 10 سال آینده انسان را در شطرنج شکست دهد. اما بعد از این دوره بود که هوش مصنوعی وارد اولین زمستان رکود پیشرفت‌ها شد و میان پیش‌بینی سیمون تا تحقق این رخداد در دنیای واقعی، 30 سال زمان افتاد!

---

1980-1990: عصر طلایی سیستم‌‌های خبره

با ظهور اولین ریزپردازنده‌ها در اواخر سال 1970، هوش مصنوعی دوباره شروع به درخشش کرد و وارد عصر طلایی سیستم‌‌های خبره شد. این مسیر در واقع در موسسه تکنولوژی ماساچوست MIT در سال 1965 با سیستم DENDRAL (سیستم متخصص در شیمی مولکولی) و در دانشگاه استنفورد در 1972 با سیستم MYCIN (سیستم تخصصی در تشخیص بیماری‌‌های خونی و داروهای تجویزی) هموار شد. این سیستم‌ها بر اساس «موتور استنتاج» کار می‌‌کردند که به عنوان آینه منطقی استدلال بشری شناخته می‌‌شوند. با وارد کردن داده‌ها، موتور استتتاج، پاسخ‌‌های پیشرفته‌ای را ارائه می‌‌داد.

این رویدادها پیشرفت‌‌های عظیمی را در هوش مصنوعی پیش‌بینی می‌‌کرد، اما روند این تحولات دوباره در پایان 1980  و اوایل 1990 سیری نزولی را تجربه کرد، چرا که برنامه‌ریزی برای بهره‌برداری از چنین دانشی، در واقع به تلاش زیادی نیاز داشت. از 200 تا 300 قانونی آموزش هوش مصنوعی، یک اثر «جعبه سیاه» وجود داشت که ابهام فرایند آموزش رایانه را بازگو می‌‌کرد. آنچه اثر جعبه سیاه می‌‌گوید این است که روشن نیست چگونه یک ماشین عملیات استدلال را انجام می‌‌دهد. بنابراین توسعه و نگهداری از سیستم‌‌های آموزش‌پذیر هوش مصنوعی، بسیار ساده‌تر و مهم‌تر از همه، سریع‌تر و در بسیاری از روش‌‌های کمتر پیچیده و ارزان‌تر امکان‌پذیر شد.

در ماه مه 1997 موفقیت هوش مصنوعی دیپ بلو(سیستم خبره IBM) در بازی شطرنج مقابل گری کاسپاروف، پیشگویی هربرت سیمون در 1957 را  30 سال بعد محقق کرد. عملکرد هوش مصنوعی دیپ بلو بر اساس یک الگوریتم سیستماتیک بود، که در آن تمام حرکات ممکن شطرنج‌باز مورد ارزیابی و وزن‌دهی قرار می‌‌گرفت. اگرچه شکست انسان در این رقابت در برابر هوش مصنوعی در تاریخ بشر به شکلی بسیار نمادین ماندگار شد، اما دیپ بلو در واقعیت تنها توانست قلمروی بسیار محدودی از قواعد بازی شطرنج را که بسیار دور از توانایی مدل‌سازی پیچیدگی جهان است، کشف کند.

---

سال 2010 به بعد: کلان داده و قدرت محاسباتی جدید، شکوفایی دیگری را پیش روی هوش مصنوعی قرار داد!

در سال 2010 دو عامل باعث رونق دوباره فناوری هوش مصنوعی شد: 1. کلان داده و 2. قدرت پردازش بالای پردازنده‌‌ها.

• اولین عامل، دنیای کلان داده و دسترسی به حجم عظیمی از داده‌هاست. برای درک بهتر آن، یک مثال ساده وجود دارد: برای اینکه بتوانید از الگوریتم‌‌هایی برای طبقه‌بندی تصویر و تشخیص یک شکل خاص استفاده کنید، قبلاً لازم بود خودتان از تک‌تک داده‌ها نمونه‌برداری کنید. اما امروزه به مدد کلان داده و هوش مصنوعی، با یک جستجوی ساده در گوگل میلیون‌ها نمونه از آنچه در حال جستجوی آن هستید، پیدا می‌‌کنید.
• عامل بعدی، کشف کارایی بسیار بالای پردازنده‌‌های کارت گرافیک رایانه‌ای برای تسریع در محاسبه الگوریتم‌‌های یادگیری است. پردازش به‌‌طور کلی، فرایندی بسیار پرتکرار است. پردازش کل نمونه‌ها ممکن است هفته‌ها طول بکشد. قدرت محاسباتی این کارت‌‌های پردازشی (با قابلیت انجام بیش از هزار میلیارد تراکنش در ثانیه) با هزینه مالی محدود (چیزی کمتر از 1000 یورو برای هر کارت) پیشرفت قابل ملاحظه‌ای را امکان‌پذیر کرد.

در میان تکنیک‌‌های یادگیری ماشین، یادگیری عمیق برای تعدادی از برنامه‌ها از جمله تشخیص صدا یا تشخیص تصویر، پیشرفت‌‌های امیدوارکننده‌ای داشت. در سال 2003، جفری هینتون از دانشگاه تورنتو، یوشوا بنگیو از دانشگاه مونترال و یان لکون از دانشگاه نیویورک تصمیم گرفتند یک برنامه تحقیقاتی را برای به‌روزرسانی شبکه‌‌های عصبی آغاز کنند. آزمایش‌‌هایی که همزمان در مایکروسافت، گوگل و‌ IBM با کمک آزمایشگاه تورنتو در هینتون انجام شد، نشان داد که این نوع یادگیری موفق به کاهش نصف خطاهای تشخیص گفتار می‌‌شود. در یک بررسی دیگر، نتایج مشابهی توسط تیم تشخیص تصویر هینتون به‌دست آمد.

یادگیری عمیق همچنین پیشرفت قابل ملاحظه‌ای در فناوری تشخیص متن ایجاد کرده است، اما به گفته کارشناسانی مانند یان لکون، هنوز راه زیادی برای تولید سیستم‌‌های درک متن باقی مانده است. برای درک بهتر می‌‌توان این نمونه را مثال زد که تلفن‌‌های هوشمند ما می‌‌دانند چگونه یک دستورالعمل را رونویسی کنند، اما نمی‌‌توانند آن را به‌‌طور کامل متن‌بندی کرده و مقاصد ما را تجزیه‌وتحلیل کنند.

در حال حاضر، هوش مصنوعی و یادگیری ماشین با استفاده از الگوریتم‌‌های شبکه عصبی هر روز تغییرات شگرفی را در صنایع ایجاد می‌‌کنند و این دستاورها در محصولات روزمره ما، گوشی‌‌های تلفن، دستیارهای هوشمند صوتی، چت‌بات‌ها، دوربین‌‌های تشخیص چهره، نرم‌‌افزارهای تشخیص دست خط و بسیاری دیگر از روبات‌‌های هوشمند اعلام حضور می‌‌کنند.

اکنون که درباره تاریخچه هوش مصنوعی و دستیاران مجازی و رایانه‌ها صحبت کردیم، بیایید نگاهی به بحث آموزش هوش مصنوعی بیندازیم.

---

هوش مصنوعی چه کاربردهایی دارد؟

هوش مصنوعی به طور مداوم در حال پیشرفت است تا صنایع گوناگون را از حضور خود بهره‌مند سازد. ماشین‌ها با استفاده از یک رویکرد میان‌رشته‌‌ای مبتنی بر ریاضیات، علوم کامپیوتر، زبانشناسی، روانشناسی و موارد دیگر به شکل یک ماشین هوشمند توسعه می‌یابند. الگوریتم‌ها اغلب نقش بسیار مهمی در ساختار هوش مصنوعی دارند. الگوریتم‌‌های ساده در برنامه‌‌های ساده استفاده‌‌ می‌‌شوند و پیچیده‌ترها به شکل‌بندی هوش مصنوعی پیچیده کمک‌‌ می‌‌کنند.

پیشرفت بشر در قرن 21 تکنولوژی‌‌های باورنکردنی زیادی را با خود به همراه آورده است. برخی از این فناوری‌ها تا پیش از این، فقط مختص فیلم‌‌های علمی تخیلی بود و برخی دیگر از آن‌‌ها حتی به تصور ما انسان‌ها نیز خطور نمی‌‌کرد. این فناوری یکی از موضوعات مورد بحث در همه سطوح دانش و در بسیاری از صنایع است. به‌طوری که می‌‌توان آن را در زمینه‌‌های گوناگون علم و تکنولوژی و صنعت ادغام کرد. در کل، کاربردهای هوش مصنوعی در صنایع و علوم گوناگون را می‌‌توان اینطور برشمرد:

---

هوش مصنوعی در بورس

هوش مصنوعی در بورس امکانات فراوانی را به وجود آورده است. نرم‌‌افزارهای مبتنی بر هوش مصنوعی می‌‌توانند «نمودارهای هوشمند» تولید کنند که حاوی پیش‌بینی‌‌هایی برای فرصت‌‌های تجاری سودآور است. یک معامله‌‌گر می‌‌تواند فرصت‌‌های تجاری خود را با داده‌‌های 27 ساله به بوته آزمایش گذارد. این امکان دسترسی به داده‌‌های کلان، به پیدا کردن و برنامه‌ریزی معاملات با کارایی بیشتر کمک می‌‌کند.

تجزیه‌وتحلیل بازار سهام می‌‌تواند یک کار بسیار پیچیده و چندبعدی باشد، اما با هوش مصنوعی و یادگیری ماشین کار چندان پیچیده و پرزحمتی نخواهد بود. هوش مصنوعی و یادگیری ماشینی می‌‌توانند به جمع‌آوری اطلاعات بی‌طرفانه، جمع‌آوری داده‌‌های تاثیرگذار، طبقه‌بندی داده‌ها، تجزیه‌وتحلیل سهام و تشخیص الگوی تغییرات بازار کمک کنند.

---

هوش مصنوعی در فینتک

هوش مصنوعی در فینتک پتانسیل بالابردن هوش انسانی برای تصمیم‌گیری بهتر مالی را داراست و همچنین می‌‌تواند فرایندهای داخل سازمانی را نیز بهبود بخشد. فینتک‌ها و برنامه‌‌های مالی سنتی می‌‌توانند از فناوری هوش مصنوعی تحول‌گرا که از یادگیری ماشین برای تقویت مزیت رقابتی خود استفاده می‌‌کند، بهره‌مند شوند. هوش مصنوعی در فینتک طی چند سال گذشته شاهد پیشرفت‌‌های مهمی بوده است. در نتیجه، فناوری هوش مصنوعی به سرعت شیوه کار صنایع مالی را تغییر داده است. در حال حاضر، فینتک‌ها و برخی از بازیگران سنتی صنعت مالی در طول بحران همه‌گیری کرونا قوی‌تر شده‌اند. بسیاری از شرکت‌‌های مالی تحت تأثیر این بیماری قرار گرفته‌اند و از کارزار رقابت با دیگران جا مانده‌اند، اما بسیاری دیگر نیز به سرعت خود را برای ارائه خدمات مالی متناسب با واقعیت جدید جهان وفق داده‌اند و از هوش مصنوعی بهترین استفاده را برای این هماهنگی کرده‌اند.

برخی از شرکت‌‌های صنعت مالی پیش از شروع وضعیت همه‌گیری، مدل‌‌های تجاری خود را با راه‌حل‌‌های پیشرفته و نوآورانه هایتک تقویت کرده بودند و این روند اکنون برای آن‌‌ها تسریع شده است. به‌‌طور خاص، هوش مصنوعی (AI Artificial Intelligence) و یادگیری ماشین (ML Machine Learning) در حال بازتعریف تسک‌ها و وظایفی هستند که در صنایع مالی انجام می‌‌شود. از آنجا که فعالیت‌‌های مالی در فینتک‌ها بیشتری از طریق نرم‌‌افزارها و اپلیکیشن‌ها انجام می‌‌شود، شرکت‌ها می‌‌توانند با به‌کارگیری این فناوری‌ها رویکرد‌‌های قدرتمندی را از طریق داده‌‌های جدید به‌دست آورند. این به نوبه خود به فناوری‌‌های تحولگرای جدید اجازه می‌‌دهد تا فرصت‌‌های زیادی را برای کاربران و شرکت‌ها ایجاد کنند.

با این حال، تقریباً همه تصور می‌‌کنند که استفاده از هوش مصنوعی و یادگیری ماشینی فقط منحصر به شرکت‌‌های بزرگ با متخصصان فناوری و منابع بزرگ سرمایه است در حالی که در عمل چنین نیست. واقعیت این است که شرکت‌‌های بزرگ و کوچک فینتک با هر مقیاسی که هستند، می‌‌توانند از فناوری‌‌های هوشمند در برنامه‌‌های خود استفاده کنند و برای انواع مختلف تسک‌ها هوش مصنوعی را به‌کار گیرند.

---

هوش مصنوعی در بانکداری

هوش مصنوعی در بانکداری در حال رشد و پیشرفت است و هر سال راه‌حل‌های پیچیده‌تری را برای فرایندهای بانکداری ایجاد می‌کند. اتخاذ راهکارهای هوش مصنوعی در پروسه بانکداری نسبت به پنج سال گذشته رایج‌تر شده است. اکثر شرکت‌های خدمات مالی اذعان دارند که این فناوری را در حوزه‌های تجاری مانند مدیریت ریسک (56 درصد) و درآمدزایی از طریق محصولات و فرایندهای جدید (52 درصد) پیاده‌سازی کرده‌اند.

بانک‌‌ها می‌‌توانند از هوش مصنوعی برای بهبود تجربه مشتریان استفاده کنند. این تغییرات می‌‌تواند با فعال کردن پلتفرم‌های هوشمند برای تعامل مداوم و 24 ساعته با صاحبان حساب‌های بانکی در بخش خدمات مشتریان اتفاق افتد. اما هوش مصنوعی در برنامه‌های بانکی فقط محدود به خدمات بانکداری خرد نیست. دفاتر سرمایه‌گذاری، بانکداری کلان و سایر خدمات مالی مربوط به آن نیز می‌‌توانند از فناوری هوش مصنوعی بهره‌مند شوند. سه کانال اصلی که بانک‌‌ها می‌‌توانند از هوش مصنوعی برای صرفه‌جویی در هزینه‌‌ها استفاده کنند عبارتند از: بانکداری تعاملی، تشخیص تقلب و مدیریت ریسک و پذیره‌نویسی.

---

هوش مصنوعی در پزشکی

هوش مصنوعی در پزشکی پتانسیل غیرقابل تصوری دارد و طی سال‌‌های آینده نیز انقلابی در همه زمینه‌‌های پزشکی و درمان ایجاد خواهد کرد. بحث خدمات سلامت دیجیتال در حال حاضر یکی از پرطرفدارترین موضوعات در حوزه علوم کامپیوتر و خدمات درمانی است. هوش مصنوعی در پزشکی داده‌‌های بیشتری را نسبت به گذشته به ما می‌‌دهد. هوش مصنوعی به ما کمک می‌‌کند تا آن را برای یافتن راهکار‌‌های جدید درمان بیماری‌ها، کاهش وظایف اداری کادر درمان، ساده‌سازی شیوه‌‌های پزشکی، بهینه‌سازی عملکرد پزشکان و بهبود سریع‌تر بیماران به کار بندیم.

طی سال‌‌های گذشته، تعداد مطالعات مرتبط با هوش مصنوعی در پزشکی، پروژه‌‌های تحقیقاتی، دوره‌‌های دانشگاهی و شرکت‌‌های ارائه‌دهنده خدمات سلامت دیجیتال در سراسر دنیا به‌‌طور تصاعدی افزایش یافته است. آنچه با اطمینان می‌‌توان گفت این است که هوش مصنوعی هرگز جایگزین متخصصان و پزشکان نخواهد شد. این فناوری به مثابه گوشی پزشکی قرن بیست و یکم خواهد بود و همکاری موفق بین انسان و فناوری می‌‌تواند تغییر مثبتی را در پزشکی برای همه ما به ارمغان آورد.

---

هوش مصنوعی در بازاریابی

هوش مصنوعی در بازاریابی به شرکت‌ها و سازمان‌ها کمک می‌‌کند تا مشتریان را بهتر بشناسند و تجربه مشتری را بهبود بخشند. بازاریابی مبتنی بر هوش مصنوعی، بازاریابان را قادر می‌‌سازد تا تجزیه‌وتحلیل و پیش‌بینی نیازهای مشتریان را با دقت بیشتری انجام دهند و سفر مشتری را هدفمندتر و منحصربه‌فرد طراحی کنند. از طریق فناوری هوش مصنوعی  و یادگیری ماشینی، بازاریابان می‌‌توانند بینش بهتری نسبت به بازار و خواسته‌‌های مشتریان هر صنف به‌دست آورند. این فناوری کمک می‌‌کند فعالان بازارهای سرمایه و بازاریابان نحوه گروه‌بندی هر بخش از بازار را بهتر بشناسند و مشتریان را به مرحله بعدی هدایت کنند تا بهترین تجربه را در خرید خود داشته باشند.

با تجزیه‌وتحلیل عمیق بینش مشتری و درک آنچه آن‌‌ها واقعاً نیاز دارند و از بازار می‌‌خواهند، بازاریابان می‌‌توانند بدون هدر دادن بودجه، تلاش‌‌های خود را در مسیری متمرکز کنند که به سوددهی بیشتر و بازگشت سرمایه منتج شود و در نتیجه، سرمایه خود را به حداکثر برسانند. بازاریابان همچنین می‌‌توانند از تمرکز روی کمپین‌‌های وقت گیر و پر هزینه که باعث آزار مشتریان می‌‌شود و چندان سودی هم برای شرکت‌ها ندارد، خودداری کنند.

---

هوش مصنوعی در امنیت

هوش مصنوعی در امنیت داده‌ها و امنیت اجتماعی نقشی بسیار پررنگ ایفا می‌‌کند. ابزارهای امنیتی هوشمند به ابزارها و تکنیک‌‌هایی اطلاق می‌‌شود که از هوش مصنوعی و بینایی ماشینی برای شناسایی خودکار و یا پاسخگویی به تهدیدات احتمالی مخل امنیت استفاده می‌‌کند. هوش مصنوعی در امنیت به این معناست که ماشین‌ها و رایانه‌ها به تنهایی و بدون راهنمایی انسان، بتوانند کارهای هوشمندانه‌ای را به عهده گیرند که به ایجاد امنیت بیشتر در زندگی روزمره ما می‌‌انجامد. به این ترتیب، امنیت هوش مصنوعی شامل استفاده از هوش مصنوعی برای شناسایی و توقف تهدیدات با دخالت کمتر نیروی انسانی است و از آنچه معمولاً با رویکردهای امنیتی سنتی انتظار می‌‌رود، مجزا و متفاوت است.

ابزارهای امنیتی هوش مصنوعی اغلب برای تشخیص رفتار «خوب» در مقابل رفتار «بد» و با مقایسه رفتارهای موجودات یک مجموعه با کسانی که در یک محیط مشابه هستند، استفاده می‌‌شود. این فرایند، سیستم را قادر می‌‌سازد تا تغییرات را به‌‌طور خودکار بیاموزد و نشان دهد. این روش که اغلب یادگیری بدون نظارت یا «الگوی زندگی» نامیده می‌‌شود، منجر به تعداد زیادی نتایج مثبت و منفی کاذب می‌‌شود. کاربردهای پیشرفته‌تر امنیت هوش مصنوعی می‌‌تواند فراتر از تشخیص رفتار خوب یا بد باشد و با تجزیه‌وتحلیل حجم وسیعی از اطلاعات، رفتار مشکوک افراد را تشخیص دهد. به این ترتیب، هوش مصنوعی در امنیت به شیوه‌ای شبیه به بهترین و توانمندترین تحلیلگر انسانی رفتار می‌‌کند.

---

هوش مصنوعی در صنعت

هوش مصنوعی در صنعت راهکارهای فناورانه‌ای را پیشنهاد کرده که می‌‌تواند نیروی ماشینی را جایگزین نیروی انسانی کند. در ساز و کار سنتی مدیریت صنایع، بخش تولید با چالش‌‌های متعددی روبه‌رو است؛ از جمله مشکلاتی همچون پیش‌بینی تقاضا، کمبود نیروی کار ماهر و هزینه نگهداری و کارکرد  تجهیزات.

صنایع و کارخانجات تولیدی داده‌‌های زیادی تولید می‌‌کنند، که باعث می‌‌شود به ابزار هوشمندی برای مدیریت تولید داده نیاز پیدا شود. بسیاری از سازمان‌ها قبلاً به این موضوع پی برده‌اند و راهکارهای تجاری مبتنی بر هوش مصنوعی را برای تقویت عملیات تولیدی و صنعتی خود آغاز کرده‌اند.

---

هوش مصنوعی در کشاورزی

استفاده از هوش مصنوعی در کشاورزی دسترسی کشاورزان به بازار محصولات، نهادهای حمایتی، مدیریت و پایش داده‌‌های مربوط به مزارع و زمین‌‌های کشاورزی، مشاوره درباره کاشت، داشت و برداشت محصول، استفاده از وام اعتبار و بیمه محصول کشاورزی را بهبود می‌‌بخشد. داده‌‌های به‌موقع و دقیق همراه با تجزیه‌وتحلیل هوشمندانه می‌‌تواند به ایجاد یک زنجیره تأمین کارآمد مبتنی بر تقاضا منجر شود. به‌‌طور خلاصه، استفاده بیشتر از هوش مصنوعی در کشاورزی بهره‌‌وری تولید و استفاده بهینه از منابع طبیعی را افزایش می‌‌دهد.

هوش مصنوعی در کشاورزی به‌‌طور پیوسته به عنوان بخشی از تکامل تکنولوژیک این صنعت در حال ایفای نقش است. فناوری هوش مصنوعی به تشخیص بیماری در گیاهان، مدیریت و از بین بردن آفات و برنامه‌ریزی برای تغذیه مناسب مزارع کمک می‌‌کند. حسگرهای هوش مصنوعی می‌‌توانند علف‌‌های هرز را شناسایی و هدف قرار دهند و سپس تصمیم بگیرند که کدام علف کش را در کدام منطقه استفاده کنند.

از الگوریتم‌‌های یادگیری ماشین در تصاویر ثبت شده توسط ماهواره‌ها و هواپیماهای بدون سرنشین استفاده می‌‌شود. فناوری‌‌های مجهز به هوش مصنوعی شرایط آب و هوا را پیش‌بینی می‌‌کنند، پایداری محصول را تجزیه‌وتحلیل می‌‌کنند و مزارع را از نظر وجود بیماری‌ها یا آفات و تغذیه نامناسب گیاهان در مزارع با داده‌‌هایی مانند دما، بارندگی ارزیابی می‌‌کنند.

---

آموزش هوش مصنوعی

آموزش هوش مصنوعی به زبان ساده به معنای یادگیری هوش مصنوعی از صفر است و دربردارنده موضوعاتی همچون تفاوت هوش مصنوعی و برنامه‌نویسی، تحقیق درباره هوش مصنوعی، برنامه‌نویسی هوش مصنوعی و دیگر موضوعات زیرمجموعه هوش مصنوعی می‌‌شود. هوش مصنوعی به معنای «ماشینی که یاد می‌‌گیرد!» است. پس به احتمال زیاد، مهم‌‌ترین اختراع بشریت به‌شمار می‌‌رود. آموزش هوش مصنوعی به دیگران یک ایده 60 ساله است که پنج سال پیش زمانی آغاز شد که تراشه‌‌های سریع محاسبات عظیم را فعال می‌‌کردند و حسگرها، دوربین‌ها و روبات‌ها از الگوریتم‌‌های تشنه داده تغذیه می‌‌کردند.

ما چند سالی است وارد عصر جدیدی شده‌ایم که در آن، یادگیری ماشین به عنوان زیرمجموعه‌ای از هوش مصنوعی، در حال متحول کردن همه بخش‌‌های صنایع است. در هر بخش، مجموعه بزرگی از داده‌ها وجود دارد که در پیکره‌ای یکپارچه به نام «کلان داده» به کارایی بهتر و بیشتر هوش مصنوعی کمک می‌‌کند. همه زمینه‌‌های علوم هر یک به طریقی در حال تاثیرپذیری از این فناوری هستند: خدمات بهداشتی و درمان، صنعت و تولید، حقوق و مردم‌شناسی، امور مالی و حسابداری، خرده‌فروشی و املاک، امنیت مرزها و کشورها، همه و همه به سرعت در حال هوشمند شدن هستند.

با توجه به این تغییرات مهم و سریع، به نظر می‌‌رسد، اکنون زمان مناسبی برای آموزش هوش مصنوعی به جوانان و نیروهای کارآمد در نظام آموزشی باشد. اما آنچه جوانان باید درباره هوش مصنوعی و فناوری اطلاعات بدانند، چیست؟ اول، همه باید بتوانند هوش مصنوعی و تأثیر آن بر افراد و سیستم‌ها را تشخیص دهند و به عنوان یک کاربر و شهروند فعال باشند. دوم، همه باید این فرصت را داشته باشند که از هوش مصنوعی و کلان داده برای حل مشکلات زندگی خود استفاده کنند. و سوم، جوانان علاقه‌‌مند به علوم کامپیوتر به عنوان یک حرفه باید راهی برای ایجاد هوش مصنوعی داشته باشند.

---

5 ایده برای دانشجویان و دانش آموزان درباره هوش مصنوعی

دانشمندان برجسته علوم کامپیوتر در ابتکاری ارزنده، پنج ایده بزرگ را که هر دانش‌آموز و دانشجویی باید درباره هوش مصنوعی بداند، شناسایی کرده‌اند:

1. رایانه‌ها جهان را با استفاده از حسگرها درک می‌‌کنند. به عنوان مثال می‌‌توان به تشخیص گفتار و بینایی رایانه‌ای اشاره کرد. مسائل نوظهوری همچون شناخت ماهیت هوش و محدودیت‌‌های ادراک انسان و رایانه، موضوعاتی است که در این زمینه باید به افراد آموزش داده شوند.
2. انسان‌ها وظیفه ایجاد هوش مصنوعی و توسعه و آموزش آن را بر عهده دارند و باید از امکانات علمی برای توسعه نیروی استدلال در ماشین‌ها استفاده کنند. در این میان، آموزش‌‌های لازم درباره انواع الگوریتم‌ها، کاربردهای هر یک و محدودیت‌‌های آن‌‌ها باید در سیستم آموزشی گنجانده شود و به دانشجویان آموزش داده شود.
3. کامپیوترها می‌‌توانند از داده‌ها یاد بگیرند و در فرایندهای تکرارشوند، خود را آموزش دهند. به عنوان مثال می‌‌توان انواع یادگیری ماشین را برای این حوزه نام برد. با این وجود نگرانی‌‌هایی در مورد موضوعاتی مانند سوگیری در داده‌‌های آموزشی نیز وجود دارد که راهکارهای موثر برای جلوگیری از این سوگیری‌ها، باید در برنامه درسی آموزشی قرار گیرد.
4. هوش مصنوعی برای تعامل طبیعی با انسان‌ها به انواع مختلفی از دانش نیاز دارد. به عنوان مثال می‌‌توان به تعامل با دستیاران دیجیتال، چت‌بات‌ها و روبات‌ها اشاره کرد. در این میان، ماهیت آگاهی و محدودیت‌‌های تعامل هوش مصنوعی موضوعاتی است که باید درباره آن‌‌ها به افراد آموزش داده شود.
5. برنامه‌‌های کاربردی هوش مصنوعی می‌‌توانند به دو صورت مثبت و منفی بر جامعه تأثیر بگذارند. استفاده از این برنامه‌ها، لزوم پایبندی به اخلاق و انصاف و شفافیت در استفاده از الگوریتم‌ها و شناخت تأثیرات احتمالی اجتماعی آن‌ها، موضوعاتی است که باید در برنامه درسی جوانان گنجانده شود و آموزش‌‌های لازم به آن‌‌ها داده شود.

در نهایت اینکه، هر فارغ‌التحصیلی از دبیرستان باید درک کند که چگونه هوش مصنوعی در حال تغییر اقتصاد و چشم‌انداز شغلی و کسب‌وکار ماست. همه افرادی که آموزش هوش مصنوعی را در برنامه درسی خود داشته‌اند، باید این شانس را داشته باشند که از ابزارهای هوشمند برای پرداختن به چالش‌‌های موردعلاقه خود استفاده کنند. همچنین اگر هر دانشجویی علاقه‌‌مند به حرفه‌ای در هوش مصنوعی و علم داده است، باید مسیرهایی برای او وجود داشته باشد که منجر به شکوفایی استعدادها و توانایی‌های وی و کار در آن حوزه با دستمزد بالا شود.

---

سطوح هوش مصنوعی

هوش مصنوعی احتمالاً یکی از پیچیده‌‌ترین و شگفت‌انگیزترین ساخته‌‌های دست بشریت است و در مسیر شناخت این فناوری نباید این واقعیت را نادیده گرفت که قابلیت‌ها و سطوح گوناگون این فناوری تا حد زیادی ناشناخته مانده است. در حقیقت، هر برنامه هوش مصنوعی شگفت‌انگیزی که امروز می‌‌بینیم، صرفاً نوک کوه یخ هوش مصنوعی را نشان می‌‌دهد. در حالی که این واقعیت ممکن است بارها بیان و بازنویسی شده باشد، هنوز نمی‌‌توان به‌‌طور جامع دیدگاه بالقوه‌ای درباره تاثیر بالقوه هوش مصنوعی در آینده به دست آورد. دلیل این امر تأثیر انقلابی است که هوش مصنوعی حتی در مراحل اولیه تکامل خود بر جامعه می‌‌گذارد.

رشد سریع هوش مصنوعی و قابلیت‌‌های بی‌شمار آن، مردم را درباره اجتناب‌ناپذیری استفاده از این فناوری و مجاورت با آن تا حدی کنجکاو کرده است. همچنین، تحول ایجاد شده توسط هوش مصنوعی در صنایع مختلف باعث شده است که رهبران کسب‌وکارها و عموم مردم فکر کنند که بشر به به اوج تحقیقات هوش مصنوعی دست یافته است و پتانسیل هوش مصنوعی را به حداکثر رسانده است. با این حال، به یافته‌‌های بشری هنوز نمی‌‌توان بسنده کرد و باید دانست که درک سطوح هوش مصنوعی و انواع گوناگون این فناوری، تصویر واضح‌‌تری از قابلیت‌‌های آن و راه طولانی پیش رو برای تحقیقات هوش مصنوعی ارائه می‌‌دهد.

---

آشنایی با انواع طبقه‌بندی هوش مصنوعی

تحقیقات هوش مصنوعی فرضیه‌ای را بیان می‌‌کند مبنی بر اینکه «ماشین‌ها از نظر عملکرد، در حال شبیه‌سازی عملکرد ذهن انسان‌ها هستند». بنابراین تعریف، درجه‌ای که یک سیستم هوش مصنوعی می‌‌تواند توانایی‌‌های انسان را تکرار کند، به عنوان معیاری برای تعیین سطوح هوش مصنوعی استفاده می‌‌شود. بنابراین، بسته به اینکه یک ماشین هوشمند، از نظر تنوع و عملکرد چگونه با انسان مقایسه می‌‌شود، هوش مصنوعی را می‌‌توان در میان انواع مختلف سطوح هوش طبقه‌بندی کرد. در چنین سیستمی، آن هوش مصنوعی که بتواند عملکردهای بیشتری شبیه به انسان با سطوح معادل مهارت انجام دهد، نوع پیشرفته‌‌تری از هوش مصنوعی در نظر گرفته می‌‌شود. در حالی که هوش مصنوعی با قابلیت و عملکرد محدود، نوع ساده‌‌تری و کمتر تکامل یافته تلقی می‌‌شود.

بر اساس این معیار، دو روش کلی طبقه‌بندی هوش مصنوعی وجود دارد. یک نوع بر اساس طبقه‌بندی ماشین‌‌های دارای هوش مصنوعی و شکل عملکرد آن‌‌ها و نوع دوم، بر اساس شباهت آن‌‌ها به ذهن انسان و توانایی آن‌‌ها در «فکر کردن» و حتی «احساس کردن» مانند انسان‌ها است. بر اساس این سیستم طبقه‌بندی، چهار نوع سیستم مبتنی بر هوش مصنوعی وجود دارد: ماشین‌‌های واکنشی، ماشین‌‌های حافظه محدود، نظریه ذهن و هوش مصنوعی خودآگاه.

1. ماشین‌های واکنشی

این سطح از هوش مصنوعی، شامل قدیمی‌‌ترین اشکال سیستم‌‌های هوش مصنوعی می‌‌شود که قابلیت‌‌های بسیار محدودی دارند. آن‌‌ها از توانایی ذهن انسان در پاسخ به انواع مختلف محرک‌ها تقلید می‌‌کنند. این ماشین‌ها از قابلیت‌‌های مبتنی بر حافظه برخوردار نیستند. این بدان معناست که چنین ماشین‌‌هایی نمی‌‌توانند از تجربیاتی که قبلاً به دست آورده‌اند، برای اطلاع از اقدامات فعلی خود استفاده کنند. یعنی این ماشین‌ها توانایی «یادگیری» ندارند، بلکه فقط می‌‌توانند برای پاسخ خودکار به مجموعه محدود یا ترکیبی از ورودی‌ها استفاده شوند. در نتیجه، نمی‌‌توان از آن‌‌ها با تکیه بر حافظه خود و بهبود عملکرد خود بر اساس همان داده‌ها استفاده کرد. یکی از نمونه‌‌های رایج دستگاه هوش مصنوعی واکنشی، سیستم دیپ بلو IBM است، دستگاهی که در سال 1997 توانست استاد بزرگ شطرنج «گری کاسپاروف» را شکست دهد.

2. ماشین‌‌های حافظه محدود

ماشین‌‌های حافظه محدود ماشین‌‌هایی هستند که علاوه بر داشتن قابلیت‌‌های ماشین‌‌های واکنشی، کاملاً قادر به یادگیری از داده‌‌های تاریخی خود برای تصمیم‌گیری‌‌های بعدی هستند. تقریباً همه برنامه‌‌های کاربردی موجود که ما می‌‌شناسیم، تحت این مجموعه از هوش مصنوعی قرار می‌‌گیرند. همه سیستم‌‌های هوش مصنوعی امروزی، اعم از سیستم‌‌هایی که از یادگیری عمیق استفاده می‌‌کنند، توسط حجم زیادی از داده‌‌های آموزشی که در حافظه خود ذخیره می‌‌شوند، آموزش داده می‌‌شوند تا یک مدل مرجع برای حل مشکلات آینده ایجاد کنند. به عنوان مثال، هوش مصنوعی تشخیص تصویر، با استفاده از هزاران عکس و برچسب‌‌های آن‌‌ها خود را آموزش می‌‌دهد تا برای اشیایی که اسکن می‌‌کند، نامگذاری مناسب انجام دهد. وقتی تصویری توسط چنین هوش مصنوعی اسکن می‌‌شود، از تصاویر آموزشی به عنوان مرجع برای درک محتویات تصویر ارائه شده به آن استفاده می‌‌کند و بر اساس «تجربه یادگیری»، تصاویر جدید را با دقت بیشتر برچسب گذاری می‌‌کند.

تقریباً همه برنامه‌‌های هوش مصنوعی امروزی، از چت‌بات‌ها و دستیاران مجازی گرفته تا وسایل نقلیه خودران، همه توسط هوش مصنوعی حافظه محدود هدایت می‌‌شوند.

3. نظریه ذهن

در حالی که دو نوع قبلی هوش مصنوعی به وفور یافت می‌‌شود و نمونه‌‌های فراوانی از آن‌‌ها وجود دارد، دو نوع بعدی هوش مصنوعی در حال حاضر یا وجود ندارند، یا به عنوان یک مفهوم یا در حال توسعه و ایجاد هستند! نظریه ذهن هوش مصنوعی، سطح بعدی سیستم‌‌های هوش مصنوعی است که محققان در حال حاضر مشغول نوآوری آن هستند.

نظریه هوش مصنوعی سطح ذهنی قادر خواهد بود با تشخیص نیازها، احساسات، باورها و فرایندهای فکری، نهادهایی را که با آن‌‌ها در تعامل است، بهتر درک کند. در حالی که هوش هیجانی مصنوعی در حال حاضر یک صنعت نوپا است و مورد توجه محققان برجسته هوش مصنوعی است، دستیابی به نظریه سطح هوش مصنوعی مستلزم توسعه در سایر شاخه‌‌های هوش مصنوعی نیز خواهد بود.

این امر به این دلیل است که برای درک واقعی نیازهای انسان، ماشین‌‌های هوش مصنوعی باید انسان‌ها را به عنوان افرادی که ذهن آن‌‌ها را می‌‌توان تحت عوامل متعددی شکل داد، درک کنند. به بیان ساده‌‌تر، در این سطح، هوش مصنوعی باید بتواند انسان‌ها را «درک» کند!

4. هوش مصنوعی خودآگاه

این آخرین مرحله توسعه هوش مصنوعی است که در حال حاضر تنها به صورت فرضی وجود دارد. هوش مصنوعی خودآگاه، به‌‌طور واضح، یک هوش برتر است که تاحدی شبیه مغز انسان تکامل یافته است و می‌‌تواند خودآگاهی را توسعه دهد. ایجاد این نوع هوش مصنوعی، اگر چندان دور از تحقق نباشد، ده‌ها سال  با دانش امروز بشر فاصله دارد ولی هدف نهایی همه تحقیقات هوش مصنوعی است و همیشه هدف نهایی خواهد بود.

این نوع هوش مصنوعی نه تنها قادر به درک و برانگیختن احساساتی است که با او ارتباط برقرار می‌‌کنند، بلکه دارای احساسات، نیازها، باورها و خواسته‌‌های بالقوه خود نیز هست. این همان نوع هوش مصنوعی است که طلایه داران ایجاد فن آوری‌‌های جدید، نسبت به آن احتیاط بیشتری به خرج می‌‌دهند! اگرچه توسعه خودآگاهی در ماشین‌ها می‌‌تواند پیشرفت ما را به عنوان یک تمدن افزایش دهد، اما همچنین می‌‌تواند به‌‌طور بالقوه منجر به فاجعه نیز بشود.

این امر به این دلیل است که وقتی هوش مصنوعی خودآگاه شود، می‌‌تواند ایده‌‌هایی مانند حفظ خود را داشته باشد که ممکن است به‌‌طور مستقیم یا غیرمستقیم پایان انسان را رقم بزند، زیرا چنین موجودی می‌‌تواند به‌راحتی از عقل هر انسانی پیشی بگیرد و نقشه‌‌های پیچیده‌ای را برای اتخاذ بر بشریت برنامه‌ریزی کند.

این تعاریف مختصری از سطح‌بندی هوش مصنوعی بود. اما سیستم جایگزین طبقه‌بندی که عموماً در اصطلاح فناوری استفاده می‌‌شود، سه دسته است: هوش مصنوعی محدود یا هوش مصنوعی جزئی یا باریک (، هوش مصنوعی عمومی یا عادی ( و هوش مصنوعی فوق العاده یا ابر هوش مصنوعی ( است.

5. هوش مصنوعی محدود (ANI)

این نوع هوش مصنوعی که با عنوان هوش مصنوعی باریک، هوش مصنوعی جزئی و هوش مصنوعی محدود شناخته می‌‌شود، نشان‌دهنده تمام انواع هوش مصنوعی است که تا امروز به وجود آمده است؛ از جمله حتی پیچیده‌‌ترین و توانمندترین هوش مصنوعی که تا کنون ایجاد شده در این محدوده قرار می‌‌گیرد. هوش مصنوعی محدود به سیستم‌‌های هوش مصنوعی اطلاق می‌‌شود که تنها می‌‌توانند با استفاده از قابلیت‌‌های شبیه به انسان، وظیفه خاصی را به صورت مستقل انجام دهند. این ماشین‌ها نمی‌‌توانند کاری بیشتر از آنچه برای انجام آن‌‌ها برنامه‌ریزی شده‌اند انجام دهند، و بنابراین محدوده بسیار محدود هستند یا بخشی جزئی از شایستگی‌‌های هوش انسان را دارند. حتی پیچیده‌‌ترین هوش مصنوعی که از یادگیری ماشینی و یادگیری عمیق برای آموزش خود استفاده می‌‌کند، در گروه ANI Artificial Narrow Intelligence قرار می‌‌گیرد.

6. هوش عمومی مصنوعی (AGI)

هوش مصنوعی عمومی (AGI Artificial general intelligence) توانایی یک عامل هوشمند برای یادگیری، درک و انجام عملکردهای کاملاً شبیه به یک انسان را شامل می‌‌شود. این سیستم‌ها قادر خواهند بود به‌‌طور مستقل صلاحیت‌‌های متعددی ایجاد کرده و ارتباطات و تعمیم‌‌هایی را در حوزه‌‌های مختلف ایجاد کرده و زمان مورد نیاز برای آموزش را به‌‌طور گسترده کاهش دهند. این امر با تکرار قابلیت‌‌های چند منظوره، سیستم‌‌های هوش مصنوعی را به اندازه انسان توانمند می‌‌سازد.

7. هوش مصنوعی (ASI)

توسعه هوش مصنوعی احتمالاً نقطه اوج تحقیقات هوش مصنوعی را مشخص می‌‌کند، زیرا هوش مصنوعی عمومی به مراتب به قوی‌‌ترین شکل‌‌های هوش روی زمین تبدیل خواهد شد. ابر هوش مصنوعی یا ASI Artificial Super Intelligence، علاوه بر تکرار هوش چندوجهی انسان‌ها، به دلیل حافظه بسیار بیشتر، قدرت پردازش بالاتر و توانایی تجزیه‌وتحلیل سریع‌تر اطلاعات و قابلیت‌‌های دقیق‌تر تصمیم‌گیری، در هر کاری که انجام دهد بسیار بهتر از انسان خواهد بود. توسعه AGI و ASI منجر به سناریویی می‌‌شود که بیشتر از آن به عنوان تکینگی یاد می‌‌شود. در حالی که پتانسیل داشتن چنین ماشین‌‌های قدرتمندی که در اختیار بشر باشد، ایده‌ای به غایت جذاب به نظر می‌‌رسد، اما نباید منکر این موضوع شد که این ماشین‌ها همچنین ممکن است وجود ما یا حداقل شیوه زندگی ما را تهدید کنند.

 

با این حال، واضح است که راه طولانی برای رسیدن به آن سطح از فناوری وجود دارد. برای کسانی که چشم‌انداز منفی برای آینده هوش مصنوعی دارند، باید خاطر نشان کرد که اکنون برای نگرانی در مورد تکینگی کمی زود است و هنوز در مرحله اطمینان از عملکرد بهینه این فناوری هستیم.

---

شاخه‌‌های هوش مصنوعی (بینایی ماشین، داده‌‌کاوی، پردازش زبان طبیعی و پردازش گفتار و …)

پیش از این گفتیم که هوش مصنوعی در یک تعریف ساده، توانایی یک ماشین یا دستگاه رایانه‌ای برای شبیه‌سازی هوش انسان و فرایندهای شناختی آن است. به این معنا که کسب تجربیات، تطبیق با آخرین اطلاعات و انجام فعالیت‌‌های مشابه انسان، طی فرایندهای خاصی به رایانه‌ها و ماشین‌ها منتقل شود. هوش مصنوعی با این تعاریف، می‌‌تواند وظایفی را به صورت هوشمند انجام دهد که در ایجاد دقت، سازگاری و بهره‌‌وری بالا برای کل سیستم موثر است.

تصمیم‌گیرندگان حوزه مدیریت دانش، به دنبال راهکارهای گوناگونی برای پیاده‌سازی مناسب فناوری‌‌های هوش مصنوعی در مشاغل خود هستند تا بتوانند تحولات این دانش را در صنایع مختلف به کار گیرند و ارزش هر صنعت را با هوش مصنوعی افزایش دهند. به عنوان مثال، هوش مصنوعی در برنامه‌‌های کاربردی همچون، اپلیکیشن‌‌های پرداخت هوشمند، چت‌بات‌ها، بانکداری با تلفن همراه، سامانه‌‌های تشخیص تقلب و احراز هویت و سامانه‌‌های هوشمند تعامل با مشتریان و غیره به کار گرفته می‌‌شود. به غیر از این موارد، هوش مصنوعی دارای برنامه‌‌های کاربردی مختلفی است که می‌‌تواند در حوزه‌‌هایی همچون پردازش زبان طبیعی، مراقبت‌‌های بهداشتی، خودروهای خودران، بازی‌‌های هوشمند، تشخیص گفتار، تشخیص متن، تشخیص امضا، مدیریت امور مالی و غیره مورد استفاده قرار گیرد. اما اصلی‌‌ترین تقسیم‌بندی مربوط به شاخه‌‌های هوش مصنوعی را می‌‌توان این طور بیان کرد:

---

1. یادگیری ماشین

یکی از زمینه‌‌های پرمخاطب هوش مصنوعی، حوزه یادگیری ماشین است. هر روز محصول جدیدی توسط شرکت‌‌هایی ظهور می‌‌کند که تکنیک‌ها و الگوریتم‌‌های یادگیری ماشینی را برای ارائه خلاقانه محصول خود به مصرف‌کننده به کار می‌‌گیرند. یادگیری ماشینی روشی است که به رایانه‌ها این امکان را می‌‌دهد که بدون استفاده از برنامه‌نویسی، آموزش ببینند و درباره موضوعات مختلف آزموده شوند. در حال حاضر از این فناوری به‌‌طور فعال در زندگی روزمره ما انسان‌ها استفاده می‌‌شود. به بیان ساده، یادگیری ماشینی علمی است که ماشین‌ها را قادر می‌‌سازد داده‌ها را برای حل مشکلات دنیای واقعی ترجمه، اجرا و بررسی کنند.

برنامه‌نویسان، با به‌کارگیری تخصصی دانش ریاضیات، الگوریتم‌‌های یادگیری ماشینی را طراحی می‌‌کنند که به زبان ماشین کدگذاری شده است. به این ترتیب، ML ما را قادر می‌‌سازد تا مجموعه‌ای از وظایف را برای دسته‌بندی، رمزگشایی و برآورد داده‌ها به یک ماشین هوشمند واگذار کنیم.

طی چند سال گذشته، این فناوری توانسته اتومبیل‌‌های خودران، تشخیص تصویر و گفتار، جستجوی مفید در وب و برنامه‌‌های کاربردی گسترده مختلف را در اختیار ما قرار دهد. علاوه بر این، متخصصان داده بسته به نوع داده‌‌های موجود، انواع الگوریتم‌‌های یادگیری ماشین را برای آنچه می‌‌خواهند از داده‌ها پیش‌بینی کنند، انتخاب می‌‌کنند. یادگیری ماشین چند زیرمجموعه دارد که به صورت مختصر بررسی می‌‌کنیم:

• یادگیری تحت نظارت یا یادگیری نظارتی

متخصصان داده در این نوع یادگیری، داده‌‌های آموزشی دارای برچسب را به الگوریتم‌ها می‌‌خورانند و متغیرها را برای دسترسی و یافتن همبستگی با الگوریتم‌ها تعریف می‌‌کنند. هر دو ورودی و خروجی الگوریتم در این نوع یادگیری به‌‌طور خاص تعریف شده است.

• یادگیری بدون نظارت

این نوع یادگیری شامل الگوریتم‌‌هایی است که بر روی داده‌‌های بدون برچسب آموزش می‌‌بینند، یک الگوریتم مجموعه داده‌ها را تجزیه‌وتحلیل می‌‌کند تا همبستگی‌ها یا استنباط‌‌های معناداری را ترسیم کند. به عنوان مثال، یک روش تجزیه خوشه‌ای است که از تجزیه‌وتحلیل داده‌‌های اکتشافی برای به‌دست آوردن الگوها یا گروه‌‌های پنهان یا گروه‌بندی در مجموعه داده‌ها استفاده می‌‌کند.

• یادگیری تقویتی

آموزش یک ماشین برای انجام یک فرایند چندمرحله‌ای که قوانین مشخصی دارد، با یادگیری تقویتی انجام می‌‌شود. در اینجا، برنامه‌نویسان الگوریتمی را برای انجام یک کار طراحی می‌‌کنند و به آن سیگنال مثبت و منفی می‌‌دهند تا به عنوان الگوریتم برای انجام کار عمل کند. گاهی اوقات، الگوریتم حتی به‌تنهایی تعیین می‌‌کند که برای پیشبرد اهداف تعریف‌شده، چه اقدامی انجام دهد.

---

2. پردازش گفتار

تشخیص گفتار یک دانش بینارشته‌ای از علوم رایانه و زبان‌شناسی محاسباتی است که روش‌ها و فناوری‌‌هایی را توسعه می‌‌دهد که تشخیص و ترجمه زبان گفتاری به متن توسط رایانه‌ها را امکان پذیر می‌‌کند. این حوزه دانش همچنین به عنوان تشخیص خودکار گفتار (ASR Automatic Speech Recognition)، تشخیص گفتار رایانه‌ای یا گفتار به متن (STT Speech-to-Text) نیز شناخته می‌‌شود که شامل دانش و تحقیقات در زمینه علوم کامپیوتر، زبان‌شناسی و مهندسی کامپیوتر است.

برخی از سیستم‌‌های تشخیص گفتار نیاز به «آموزش» دارند که در آن یک سخنران فردی متن یا واژگان جداگانه‌ای را در سیستم می‌‌خواند. این سیستم صدای خاص فرد را تجزیه‌وتحلیل کرده و از آن برای تنظیم دقیق تشخیص گفتار آن شخص استفاده می‌‌کند و در نتیجه دقت آن افزایش می‌‌یابد.

برنامه‌‌های کاربردی تشخیص گفتار شامل رابط‌‌های کاربری صوتی می‌‌شود؛ مانند شماره‌گیرنده‌‌های صوتی، مسیریابی تماس‌‌های تلفنی، کنترل لوازم خانگی با فرمان‌‌های صوتی، جستجو در منابع صوتی با کلمات کلیدی (به عنوان مثال جستجوی یک کلمه در مجموعه‌ای از پادکست‌ها)، ورود ساده اطلاعات (به عنوان مثال، وارد کردن شماره کارت اعتباری)، تهیه اسناد ساختاریافته (به عنوان مثال گزارش رادیولوژی)، پردازش گفتار به متن (به عنوان مثال، پردازشگر کلمات یا ایمیل) و غیره.

از منظر فناوری، تشخیص گفتار دارای سابقه طولانی با چندین موج نوآوری عمده است. اخیراً، این زمینه از هوش مصنوعی از پیشرفت‌‌های موجود در حوزه یادگیری عمیق و کلان داده نیز برای توسعه بیشتر بهره برده است.

---

3. داده‌‌کاوی

داده‌‌کاوی به فرایند استخراج و کشف الگوها در مجموعه کلان داده اطلاق می‌‌شود که شامل روش‌‌هایی مشترک میان فناوری یادگیری ماشین، آمار و سیستم‌‌های پایگاه داده است. داده‌‌کاوی یکی از زیرشاخه بینارشته‌ای علوم کامپیوتر و آمار است که با هدف کلی استخراج اطلاعات با روش‌‌های هوشمند از مجموعه داده و تبدیل اطلاعات به یک ساختار قابل درک برای استفاده بیشتر در ارتباط است. داده‌‌کاوی مرحله تجزیه‌وتحلیل فرایند «کشف دانش در پایگاه‌‌های داده» یا KDD است.

گذشته از مرحله تجزیه‌وتحلیل خام، شامل جنبه‌‌های دیگر مربوط به داده‌ها همچون مدیریت پایگاه داده، پیش‌پردازش داده‌ها، ملاحظات مدل و استنباط، ملاحظات پیچیدگی، فرایندهای ضروری پس از پردازش ساختارهای کشف شده، تجسم داده و به‌روزرسانی آنلاین است. بعضی معتقدند که اصطلاح «داده‌‌کاوی» یک نام اشتباه است؛ زیرا هدف داده‌‌کاوی استخراج الگوها و دانش از حجم زیادی از داده‌هاست، نه استخراج  خود داده‌‌ها.

کلان داده‌ها حوزه‌ای هستند که روش‌‌های تجزیه‌وتحلیل داده‌ها، استخراج سیستماتیک اطلاعات از دیتاسنترها، یا برخورد با مجموعه داده‌‌هایی که بسیار بزرگ یا پیچیده هستند و نمی‌‌توان با نرم‌‌افزارهای کاربردی سنتی پردازش داده‌ها مورد بررسی قرار داد را شامل می‌‌شوند. فعالیت‌‌های پیش روی داده‌‌کاوی شامل تجزیه‌وتحلیل داده‌‌های بزرگ شامل گرفتن داده‌ها، ذخیره داده‌ها، تجزیه‌وتحلیل داده‌ها، جستجو، اشتراک‌گذاری، انتقال، تجسم داده، واکاوی داده، به‌روزرسانی، حفظ حریم خصوصی اطلاعات و منبع داده است.

اندازه و تعداد مجموعه داده‌‌های موجود به سرعت در حال جمع‌آوری است، زیرا داده‌ها توسط دستگاه‌‌هایی مانند تلفن‌های همراه، بیشمار دستگاه‌‌ مجهز به اینترنت اشیاء، ماهواره‌های ثبت عکس‌های هوایی (سنجش از دور)، گزارش‌‌های نرم‌‌افزاری، دوربین‌ها، میکروفون‌ها و فرکانس‌های رادیویی جمع‌آوری می‌‌شوند. جالب است بدانید که ظرفیت سرانه تکنولوژیک جهان برای ذخیره اطلاعات از دهه 1980 هر 40 ماه تقریباً دو برابر شده است و تا سال 2012، روزانه 2.5 اگزابایت (2.5 × 260 بایت) داده تولید شده است. بر اساس یک پیش‌بینی که در گزارش IDC آمده است، حجم داده‌‌های جهانی پیش‌بینی شده تا سال 2025، به اندازه 163 زتابایت خواهد بود.

سیستم‌‌های مدیریت پایگاه داده و بسته‌‌های نرم‌‌افزاری آماری که برای تجسم داده‌ها استفاده می‌‌شوند، اغلب در پردازش و تجزیه‌وتحلیل داده‌‌های بزرگ مشکل دارند. پردازش و تجزیه‌وتحلیل داده‌‌های بزرگ ممکن است مستلزم «نرم‌‌افزارهای موازی انبوه در ده‌ها، صدها یا حتی هزاران سرور» باشد. در واقع، ارزش اصلی آنچه به عنوان «کلان داده» شناخته می‌‌شود، بسته به توانایی کسانی دارد که آن را تجزیه‌وتحلیل می‌‌کنند و ابزار آن‌‌ها با یکدیگر متفاوت است.

---

4. پردازش زبان طبیعی

پردازش زبان طبیعی NLP Natural Language Processing بخشی از علوم کامپیوتر و هوش مصنوعی است که می‌‌تواند به برقراری ارتباط بین کامپیوتر و انسان با زبان طبیعی کمک کند. این دانش، یک روش پردازش محاسباتی برای زبان‌‌های طبیعی است که انسان‌ها با آن گفتگو می‌‌کنند و معانی ذهنی خود را منتقل می‌‌نمایند. این دانش یک کامپیوتر را قادر می‌‌سازد تا داده‌ها را با تقلید از زبان طبیعی انسان بخواند و درک کند. در تعریفی دیگر، می‌‌توان گفت پردازش زبان طبیعی روشی است که به جستجو، تجزیه‌وتحلیل، درک و استخراج اطلاعات از فرم متنی داده‌ها می‌‌پردازد. برنامه‌نویسان NLP به منظور آموزش نحوه استخراج اطلاعات معنادار از داده‌‌های متنی، از کتابخانه‌‌های NLP استفاده می‌‌کنند. یک مثال رایج از NLP تشخیص هرزنامه است، الگوریتم‌‌های رایانه می‌‌توانند با نگاه کردن به موضوع یک خط یا متن یک ایمیل، دریابند که آیا یک ایمیل هرزنامه و اسپم است یا خیر.

مزایای پیاده سازی فناوری پردازش زبان طبیعی

پیاده‌سازی فناوری NLP مزایای مختلفی را ارائه می‌‌دهد:

• باعث افزایش دقت و کارایی اسناد می‌‌شود.
• این قابلیت را دارد که یک متن خلاصه را به‌صورت خودکار ایجاد کند.
• برای دستیاران شخصی مانند الکسا بسیار مفید است.
• به سازمان‌ها امکان می‌‌دهد تا ربات‌‌های چت را برای پشتیبانی مشتری انتخاب کنند و آموزش دهند.
• تجزیه‌وتحلیل احساسات متن و مقصود نویسنده را آسان‌تر می‌‌کند.

برخی از برنامه‌‌های NLP عبارتند از ترجمه متن، تجزیه‌وتحلیل احساسات و تشخیص گفتار. به عنوان مثال، توییتر از روش NLP برای فیلتر کردن زبان نویسندگان در توییت‌‌های مختلف استفاده می‌‌کند و آمازون از فناوری NLP برای تفسیر نظرات مشتریان و بهبود تجربه خرید آن‌‌ها استفاده می‌‌کند.

---

5. شبکه عصبی

شبکه عصبی شاخه‌ای از هوش مصنوعی است که از عصب‌شناسی (بخشی از زیست‌شناسی که مربوط به سیستم عصبی مغز انسان است) و ترکیبی از علوم شناختی برای انجام وظایف در ماشین‌ها بهره می‌‌گیرد. شبکه عصبی در هوش مصنوعی، کارکرد مغز انسان را در یک رایانه شبیه‌سازی می‌‌کند. مغز انسان از تعداد بیشماری نورون تشکیل شده است و کدگذاری نورون‌‌های مغزی روی یک سیستم یا یک ماشین همان چیزی است که در شبکه عصبی اتفاق می‌‌افتد. به زبان ساده، شبکه عصبی مجموعه‌ای از الگوریتم‌هاست که از فرایندهای مغز انسان تقلید می‌‌کنند تا روابط اساسی میان داده‌ها را درک کنند.

بنابراین، شبکه عصبی در هوش مصنوعی به سیستمی از نورون‌ها اطلاق می‌‌شود که ماهیتی شبیه‌سازی‌شده یا مصنوعی دارند. نورون‌‌های مصنوعی در این شبکه عصبی با عنوان پرسپترون شناخته می‌‌شوند. یک نورون در یک شبکه عصبی یک عملکرد ریاضی مانند توابع فعال‌سازی است که کار آن جمع‌آوری و طبقه‌بندی اطلاعات بر اساس یک ساختار خاص است. شبکه عصبی از تکنیک‌‌های مختلف آماری مانند تجزیه‌وتحلیل رگرسیون برای انجام وظایف و اجرا تسک‌ها استفاده می‌‌کند.

فناوری شبکه عصبی به‌‌طور گسترده‌ای برای تشخیص تقلب، تجزیه‌وتحلیل ریسک، پیش‌بینی بورس سهام، پیش‌بینی فروش، تحقیقات بازار و موارد دیگر استفاده می‌‌شود.

6. روباتیک

روباتیک به عنوان یک حوزه بسیار جذاب هوش مصنوعی شناخته می‌‌شود. روباتیک یک زمینه جالب تحقیق و توسعه است که عمدتا بر طراحی و ساخت روبات‌ها متمرکز است. این فناوری یک دانش بینارشته‌ای میان مهندسی مکانیک، مهندسی برق، علوم کامپیوتر و دیگر علوم مرتبط است. روباتیک در واقع طراحی، تولید، ارزیابی عملکرد ماشین‌ها و استفاده از روبات‌ها را شامل می‌‌شود. این سیستم با سیستم‌‌های کامپیوتری و برای کنترل آن‌‌ها و ارائه نتایج هوشمند سروکار دارد.

روبات‌ها اغلب برای عهده‌دار شدن وظایفی که انجام آن‌‌ها برای انسان‌ها دشوار است، به کار گرفته می‌‌شوند. عمده کارهای حوزه روباتیک شامل خط مونتاژ خودرو، جابه‌جایی اجسام بزرگ در پروژه‌‌های ساختمانی، پروژه‌‌های پژوهشی فضاپیماها و پروژه‌‌های امنیتی است. در حال حاضر، محققان هوش مصنوعی در حال توسعه روبات‌‌هایی با استفاده از یادگیری ماشینی برای ایجاد تعامل در سطوح مختلف اجتماعی هستند.

---

7. سیستم‌‌های خبره

سیستم‌‌های خبره به عنوان اولین مدل موفق نرم‌‌افزارهای هوش مصنوعی تعریف شده‌اند. این سیستم‌ها برای اولین بار در دهه 1970 طراحی شدند و پس از آن، روند توسعه آن‌‌ها در 1980 افزایش یافت. در زیر چتر فناوری هوش مصنوعی، یک سیستم خبره به یک سیستم کامپیوتری گفته می‌‌شود که از هوش تصمیم‌گیری یک متخصص انسانی تقلید می‌‌کند. سیستم خبره این کار را با استخراج دانش از پایگاه دانش خود و با اجرای قوانین استدلال در برابر پرسش‌‌های کاربر انجام می‌‌دهد.

اثربخشی سیستم خبره کاملاً متکی به دانش متخصص توسعه‌دهنده آن است که در یک پایگاه دانش جمع‌آوری شده است. هرچه اطلاعات جمع‌آوری شده در آن بیشتر باشد، سیستم کارایی خود را افزایش می‌‌دهد. به عنوان مثال، در حال حاضر سیستم خبره پیشنهادهایی را در زمینه اصلاح املای کلمات و اشتباهات رایج در نگارش و تایپ در موتور جستجوی گوگل به کاربران ارائه می‌‌دهد.

---

8. منطق فازی

در دنیای واقعی، گاهی اوقات با شرایطی روبه‌رو می‌‌شویم که تشخیص درست یا نادرست بودن شرایط دشوار است. منطق فازی آن انعطاف‌پذیری لازم برای استدلال را ارائه می‌‌دهد که مشکل عدم دقت و عدم قطعیت در هر شرایطی را حل می‌‌کند. به عبارت ساده‌‌تر، منطق فازی تکنیکی است که اطلاعات مبهم را با اندازه‌گیری میزان صحیح بودن فرضیه نشان می‌‌دهد و اصلاح می‌‌کند. منطق فازی همچنین برای استدلال در مورد مفاهیم غیرقطعی طبیعی استفاده می‌‌شود و برای پیاده‌سازی تکنیک‌‌های یادگیری ماشین و کمک به تقلید منطقی از اندیشه انسان مناسب است.

---

نمونه‌‌های هوش مصنوعی

نمونه‌‌های هوش مصنوعی در حال حاضر در همه اجزای زندگی ما و اطراف ما موجود است و هر روز در حال انجام وظایفی است که به عهده‌اش گذاشته شده است.

• سیری Siri

همه ما با دستیار شخصی اپل با عنوان سیری آشنا هستیم. او رایانه هوشمندی است که با صدا فعال می‌‌شود و ما روزانه با او ارتباط برقرار می‌‌کنیم. او به ما در یافتن اطلاعات کمک می‌‌کند، به دستورات ما گوش می‌‌دهد، رویدادها را به تقویم ما اضافه می‌‌کند، به ما در ارسال پیام و دیگر کارها یاری می‌‌رساند. سیری یک دستیار شخصی دیجیتال شبه هوشمند است. او از فناوری یادگیری ماشین استفاده می‌‌کند تا باهوش‌تر و بهتر بتواند سوالات و درخواست‌‌های زبان طبیعی ما را پیش‌بینی و درک کند.

• الکسا

الکسا از زمان ظهور تا امروز تبدیل به قطب خانه‌‌های هوشمند ما شده است. هنگامی که آمازون الکسا را ​​برای اولین بار معرفی کرد، سیلی از واکنش‌‌های نگران‌کننده سراسر جهان را در بر گرفت. با این حال، مفید بودن و توانایی شگفت‌انگیز این دستیار هوشمند برای رمزگشایی گفتار انسان از هر نقطه اتاق، آن را به یک محصول انقلابی تبدیل کرد که می‌‌تواند به ما در جستجوی اطلاعات در وب، خرید روزانه، برنامه‌ریزی قرارها، تنظیم زنگ هشدارها و میلیون‌ها کار دیگر کمک کند. اما الکسا همچنین به کسانی که ممکن است محدودیت‌‌های حرکتی یا معلولیت‌‌های حاصل از سالمندی داشته باشند نیز قدرت بخشیده است.

• تسلا

خودروهای خودران تسلا احتمالاً یکی از بهترین ماشین‌‌های هوشمند خودرانی هستند که تا به حال ساخته شده‌اند. نه تنها به دلیل این که بسیار مورد تقدیر و استقبال کاربران و رانندگان قرار گرفته‌اند، بلکه به دلیل قابلیت‌‌های پیش‌بینی‌کننده، ویژگی‌‌های منحصربه‌فرد آن و هوشمندی محض سیستم راهبری آن. هرکسی که به فناوری و خودروها علاقه دارد احتمالا تجربه رانندگی با تسلا را در گوشه‌ای از ذهن خود خواهد داشت.

• کوگیتو Cogito

کوگیتو احتمالاً یکی از قوی‌‌ترین نمونه‌‌های سازگاری رفتار هوش مصنوعی است که امروزه در بازار وجود دارد. این شرکت ترکیبی از یادگیری ماشین و علوم رفتاری را برای بهبود تعامل با مشتری برای متصدیان تلفن ایجاد کرده است. این هوش مصنوعی در میلیون‌ها میلیون تماس صوتی که روزانه انجام می‌‌شود، حضور دارد و ایفای وظیفه می‌‌کند.

• آمازون

هوش مصنوعی معاملاتی آمازون چیزی است که در حوزه خرید آنلاین به وجود آمده و به مالکان آمازون اجازه می‌‌دهد تا از طریق اینترنت مبالغ نجومی کسب کند. هوش مصنوعی آمازون با پیشرفت هرچه بیشتر الگوریتم‌‌های خود، این شرکت را به پردرآمدترین شرکت دنیا تبدیل کرده است. این هوش مصنوعی بر اساس رفتار آنلاین ما، به پیش‌بینی دقیق آنچه که ما علاقه‌‌مند به خرید آن هستیم می‌‌پردازد.

• نتفلیکس Netflix

هوش مصنوعی نتفلیکس میلیاردها پرونده را تجزیه‌وتحلیل می‌‌کند تا فیلم‌‌هایی را که ممکن است دوست داشته باشید را به شما نشان دهد. این هوش مصنوعی بر اساس واکنش کاربران به هر فیلم و نیز بر اساس عکس‌العمل‌‌های قبلی شما و انتخاب فیلم‌‌هایی که دوست داشته‌اید، لیست بسیار دقیقی را برای تماشای فیلم به شما پیشنهاد می‌‌کند. این فناوری هر ساله با افزایش مجموعه داده‌‌های خود، هوشمندتر می‌‌شود.

• نست Nest

اکثر مردم با هوش مصنوعی نست آشنا هستند. ترموستات نست که می‌‌تواند توسط الکسا کنترل شود، از الگوریتم‌‌های رفتاری برای پیش‌بینی نیازهای گرمایشی و سرمایشی استفاده می‌‌کند. نست با استفاده از هوش مصنوعی دمای خانه یا محل کار شما را بر اساس نیازهای شخصی شما پیش‌بینی و تنظیم می‌‌کند. همچنین در حال حاضر مجموعه‌ای از دیگر محصولات نست مانند دوربین‌‌های هوشمند نیز به خدمات نست اضافه شده‌اند.

---

هوش مصنوعی در ایران

هوش مصنوعی در ایران نیز قله‌‌های موفقیت را یکی پس از دیگری فتح می‌‌کند. شرکت‌‌های دانش‌بنیان با به‌کارگیری تیم‌‌های متخصص پژوهشی و تحقیقاتی، هر روز فناوری تازه‌ای را به صنایع ایران معرفی می‌‌کنند و راهکارهای چابک مبتنی بر هوش مصنوعی را به صاحبان صنایع و سرمایه‌گذاران ارائه می‌‌دهند. سیستم‌‌های هوش مصنوعی با افزایش اندازه و پیچیدگی قادر به توسعه بیشتر می‌‌شوند. تحلیلگران هوش مصنوعی در ایران به‌‌طور مداوم در حال تلاش برای ایجاد سیستم‌‌های نرم‌‌افزاری برای برنامه‌‌های مختلف مانند یادگیری خودکار، داده‌پردازی، پردازش زبان طبیعی، تشخیص گفتار، شبکه عصبی و دیگر زمینه‌‌های پرکاربرد هوش مصنوعی هستند.

بسته به عملکرد سیستم‌‌های هوش مصنوعی، ایران نیز در حال تبدیل شدن به قطب هوش مصنوعی و‌‌ های‌تکنولوژی در خاورمیانه و آسیاست و فاصله چندانی با قدرت‌‌های برتر جهانی در حوزه هوش مصنوعی ندارد. اکنون به‌کارگیری هوش مصنوعی در صنایع و سازمان‌‌های ایرانی به عنوان راهکاری پرسود و اثرگذار شناخته می‌‌شود و شرکت‌‌های متعددی از این فناوری برای ارائه خدمات بهتر به مردم استفاده می‌‌کنند.

هوش مصنوعی در جهان

حالا شاید دلیل سرمایه‌گذاری‌های عظیم کشورهای مختلف در حوزه هوش مصنوعی بیشتر قابل درک شده باشد. هوش مصنوعی آینده جهان را تعریف خواهد کرد و همین امروز نیز می‌توانیم جرقه‌هایی از این آینده را ببینیم. ظرفیت‌های بسیار بالایی که هوش مصنوعی دارد، این امکان را ایجاد کرده تا از آن در عرصه‌های گوناگون استفاده شود. با اطمینان می‌توان گفت که کمتر حوزه‎ای را می‌توان یافت که در آن بهره ای از هوش مصنوعی وجود نداشته باشد. همین ظرفیت‌های بسیار بالاست که کشورهای مختلف را جذب این حوزه کرده است. هر کشور با توجه به نیازها و توانمندی‌هایی که دارد، برخی از بخش‌های فناوری‌های هوش مصنوعی را در اولویت قرار داده و روی آن سرمایه‌گذاری‌‌های فراوانی کرده است.

در عصر کنونی، در میان کشورهای پیشرفته جهان رقابت شدیدی برای پیشتازی در عرصه هوش مصنوعی برقرار است و بسیاری از کشورها دست به تدوین استراتژی ملی در حوزه هوش مصنوعی زده‌اند. برای مثال، کانادا نخستین کشوری است که استراتژی ملی خود در عرصه AI را در سال2017 منتشر کرد. بنابراین سند، کانادا در طرحی پنج ساله 125 میلیون دلار به پژوهش و جذب نخبگان هوش مصنوعی اختصاص داده است.

سرمایه‌گذاری روی هوش مصنوعی تنها مختص به کشورهای پیشرفته و صنعتی جهان نیست. بسیاری از کشورهای در حال توسعه نیز به اهمیت این فناوری نوظهور پی برده‌اند و به‌سمت تدوین استراتژی‌‌های جامع و برنامه‌های کارآمد در این حوزه حرکت کرده‌اند. برای مثال، هندوستان یک برنامه یکپارچه دو مرحله‌ای در هوش مصنوعی طرح‌ریزی کرده که بر اساس آن، قرار است میزان پژوهش‌ها در حوزه AI در این کشور افزایش یابد. در مرحله اول این برنامه، بیشتر تمرکز بر روی تحقیقات بنیادین است و در مرحله دوم قرار است هوش مصنوعی به‌عنوان خدمات‌دهنده و تغذیه‌کننده حوزه‌های گوناگونی چون بهداشت و درمان، کشاورزی، شهر هوشمند و حمل‌ونقل عمل کند.

کشورهای منطقه خاورمیانه نیز از این قافله عقب نمانده‌اند. امارات نخستین کشور جهان است که وزارتخانه‌ای به هوش مصنوعی اختصاص داده است. این کشور نیز در عرصه هوش مصنوعی استراتژی ملی و یکپارچه‌ای دارد که بر اساس آن قرار است از AI برای افزایش کارایی دولت استفاده شود. دولت امارات در بخش‌های مختلفی از هوش مصنوعی سرمایه‌گذاری کرده است، از جمله حمل‌ونقل، سلامت، هواوفضا، انرژی‌های تجدیدپذیر، آب، فناوری، آموزش، محیط‌زیست و ترافیک.

در مثال‌هایی که آوردیم نقش دولت‌ها در سرمایه‌گذاری در بازار هوش مصنوعی بسیار مشهود است. این امر بیش از آنکه اتفاقی باشد، نشان‌دهنده واقعیتی است که به ماهیت بازار هوش مصنوعی برمی‌گردد. بخش تحقیق و توسعه از بخش‌های اساسی بسیاری از کسب‌وکارهای دانش‌بنیان است و این بخش در هوش مصنوعی نیازمند هزینه بسیار زیادی است که بدون کمک دولت‌ها در اغلب موارد تامین هزینه‌های آن ممکن نیست. از سوی دیگر، ورود دولت‌ها به این حوزه به‌نوعی نشان‌دهنده اهمیت هوش مصنوعی در سیاست‌های کلان کشورهاست و خود این امر باعث دلگرمی و تشویق سرمایه‌گذاران برای ورود به این حوزه می‌شود.

---

هوش مصنوعی در آینده

هوش مصنوعی در آینده قلمروهای وسیع‌‌تری را به خود اختصاص خواهد داد. طبق برآوردها، تا سال 2025 هوش مصنوعی با انجام برخی از کارهای پیچیده امروزی با کارایی زیاد، زندگی روزمره ما را به میزان قابل توجهی بهبود خواهد داد. البته نمی‌‌توان از این حقیقت چشم‌پوشی کرد که پیش‌بینی پیشرفت‌‌های هوش مصنوعی پس از پنج سال بسیار دشوار است و پیشرفت نمایی این فناوری، عدم قطعیت پیش‌بینی‌‌های آینده آن را بیشتر می‌‌کند.

پیش‌بینی می‌‌شود تا سال 2025، زیرساخت‌‌های لازم برای فناوری هوش مصنوعی در بیشتر صنایع در سراسر دنیا پیاده‌سازی شوند و سازمان‌ها در تمام بخش‌‌های اقتصادی به نهاد‌‌های مبتنی بر داده تبدیل شوند. در اواخر سال 2025 استفاده از هوش مصنوعی و روباتیک به مناطق روستایی می‌‌رسد تا بر بخش کشاورزی نیز تأثیر بگذارد. واقعیت افزوده و واقعیت مجازی (AR/VR Augmented reality and Virtual reality) با افزایش استفاده از 5G و فناوری هولوگرافی مورد استفاده قرار می‌‌گیرد. هوش مصنوعی و فناوری یادگیری عمیق پیشرفت‌‌های چشمگیری در اقتصاد جهان ایجاد می‌‌کند و این فناوری به هسته اصلی همه سازمان‌ها و همه بخش‌‌های اقتصاد تبدیل خواهد شد.

---

جدول اصطلاحات رایج هوش مصنوعی

 

سوالات متداول درباره هوش مصنوعی

[accordion title=”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”هوش مصنوعی چیست؟“]

هوش مصنوعی یکی از حوزه‌‌های علوم رایانه است که بر ایجاد ماشین‌های هوشمندی که مانند انسان‌‌ها کار می‌کنند و واکنش نشان می‌دهند متمرکز است.[/accordion_item][/accordion][accordion title=”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”شبکه‌‌های عصبی هوش مصنوعی چیست؟“]شبکه‌‌های عصبی هوش مصنوعی می‌توانند نحوه عملکرد مغز بیولوژیک بشری را به‌صورت ریاضی مدل‌‌سازی کنند و به دستگاه اجازه می‌دهند تا مانند انسان فکر کند و یاد بگیرد. شبکه‌‌های عصبی مثل مغز برای انسان، هوش مصنوعی را قادر به تشخیص پدیده‌‌های شناختی مانند گفتار، تشخیص اشیاء و حیوانات می‌کند.[/accordion_item][/accordion][accordion title=”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”در چه زمینه‌هایی می‌توان از هوش مصنوعی استفاده کرد؟“]

از هوش مصنوعی می‌توان در بسیاری از زمینه‌‌ها مانند محاسبات پیچیده، تشخیص گفتار، بیوانفورماتیک، روبات‌‌های انسان‌نما، نرم‌افزارهای کامپیوتر، فضا و هوانوردی و غیره استفاده کرد.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”کدام زبان برنامه‌‌نویسی معمولاً برای هوش مصنوعی استفاده نمی‌شود؟“]معمولاً از زبان برنامه‌‌نویسی Perl برای هوش مصنوعی استفاده نمی‌شود.[/accordion_item][/accordion][accordion title=”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”چگونه می‌‌توان از هوش مصنوعی در تشخیص تقلب استفاده کرد؟“]هوش مصنوعی با استفاده از الگوریتم‌‌های یادگیری ماشین برای تشخیص ناهنجاری‌‌ها و مطالعه الگوهای پنهان در داده‌‌ها در مشکلات تشخیص کلاهبرداری استفاده می‌‌شود.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”کدام روش جستجو حافظه کمتری می‌گیرد؟“]روش «جستجوی عمیق» حافظه کمتری می‌گیرد.[/accordion_item][/accordion][accordion title=”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”Prolog در هوش مصنوعی چیست؟“]در هوش مصنوعی، Prolog یک زبان برنامه‌‌نویسی مبتنی بر منطق است.[/accordion_item][/accordion][accordion title=”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”یادگیری ماشین چگونه با هوش مصنوعی مرتبط است؟“]

هوش مصنوعی فناوری است که ماشین‌ها را قادر می‌سازد تا رفتار و عملکرد انسان را تقلید کنند. در حالی که یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی است. یادگیری ماشین یک علم است که کامپیوترها را با داده‌ها تغذیه می‌کند و به آنها اجازه می‌دهد پس از یادگیری فرایندها، به‌تنهایی و بدون نیاز به برنامه‌ریزی توسط انسان و کاملا متکی به خود، عمل کنند. بنابراین یادگیری ماشین روشی است که برای پیاده‌سازی فناوری هوش مصنوعی روی ماشین‌ها استفاده می‌شود[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”درباره تفاوت بین هوش مصنوعی قوی و هوش مصنوعی ضعیف توضیح دهید؟“]هوش مصنوعی قوی ادعا می‌کند که می‌توان رایانه‌‌ها را در سطحی برابر با انسان تصور کرد؛ در حالی که هوش مصنوعی ضعیف به سادگی پیش‌بینی می‌کند که برخی از ویژگی‌‌های شبیه به هوش انسان را می‌توان در رایانه ادغام کرد تا ابزارهای مفیدتری باشند.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”تفاوت بین هوش مصنوعی آماری و هوش مصنوعی کلاسیک را ذکر کنید؟“]هوش مصنوعی آماری بیشتر به تفکر «استقرایی» مانند مجموعه‌‌ای از الگوها، روندها و غیره توجه دارد. در حالی که هوش مصنوعی کلاسیک بیشتر به تفکر «قیاسی» که به عنوان مجموعه‌‌ای از محدودیت‌‌ها ارائه می‌شود توجه دارد.[/accordion_item][/accordion][accordion title=”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”یادگیری عمیق چیست؟“]

یادگیری عمیق تکنیکی است که از عملکرد مغز ما برای آموزش رایانه‌ها تقلید می‌کند. بدین ترتیب، رایانه‌ها با تکنیک یادگیری عمیق از تجربیات آموزشی خود یاد می‌گیرند. یادگیری عمیق از مفاهیم شبکه‌های عصبی برای حل مسائل پیچیده استفاده می‌کند.[/accordion_item][/accordion][accordion title=”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”شبکه‌‌های بیزی چیست؟“]یک شبکه بیزی یک مدل آماری است که مجموعه‌ای از متغیرها و وابستگی‌های مشروط آنها را در قالب یک نمودار غیرچرخه‌ای جهت دار نشان می‌دهد. در صورت وقوع یک رویداد، با شبکه‌های بیزی می‌توان پیش‌بینی کرد که یکی از چندین علت شناخته‌شده، احتمال دارد عامل تاثیرگذار آن رویداد باشد.[/accordion_item][/accordion][accordion title=”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”نظریه بازی و هوش مصنوعی چگونه با هم ارتباط دارند؟“]در زمینه هوش مصنوعی و سیستم‌های یادگیری عمیق، نظریه بازی برای فعال کردن برخی از قابلیت‌های کلیدی موردنیاز در محیط‌های چندعاملی که در آنها برنامه‌های مختلف هوش مصنوعی نیاز به تعامل یا رقابت دارند، ضروری است.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”بهترین راه برای حل برای یک بازی چیست؟“]رویکرد اکتشافی بهترین راه برای پیروزی در یک بازی است، زیرا از تکنیک مبتنی بر حدس هوشمند استفاده می‌کند. به عنوان مثال، در بازی شطرنج بین انسان‌‌ها و رایانه‌‌ها، هوش مصنوعی صدها هزار موقعیت را که می‌تواند منجر به پیروزی شود، بررسی می‌کند.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”الگوریتم A* بر اساس کدام روش جستجو است؟“]الگوریتم A* بر اساس بهترین روش اول جستجو است، زیرا ایده بهینه‌‌سازی و انتخاب سریع مسیر را ارائه می‌دهد و همه ویژگی‌‌ها در الگوریتم A* نهفته است.[/accordion_item][/accordion][accordion title=”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”یک شبکه بیزی ترکیبی شامل چه مواردی است؟“]یک شبکه بیزی ترکیبی شامل متغیرهای گسسته و پیوسته است.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”عامل در هوش مصنوعی چیست؟“]هر چیزی محیط خود را با حسگرها درک می‌کند و بر محیطی اثر می‌گذارد، عامل نامیده می‌شود. عامل شامل روبات‌‌ها، برنامه‌ها، انسان‌‌ها و غیره است.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”دو نوع گام متفاوت که می‌توانیم در ساختن یک برنامه هوش مصنوعی برداریم کدام‌اند؟“]

الف) اضافه کردن اپراتور (اقدام)

ب) اضافه کردن محدودیت سفارش بین اپراتورها[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”شبکه عصبی در هوش مصنوعی چیست؟“]در هوش مصنوعی، شبکه عصبی در حقیقت شبیه‌‌سازی یک سیستم عصبی بیولوژیک است که داده‌‌ها را دریافت می‌کند، آن‌‌ها را پردازش می‌کند و بر اساس الگوریتم و داده‌‌های تجربی خروجی می‌دهد.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”چه زمانی یک الگوریتم هوش مصنوعی تکمیل شده تلقی می‌شود؟“]

یک الگوریتم زمانی تکمیل می‌شود که در صورت وجود یک راه‌حل، مشکل خاتمه یابد.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”تابع ابتکاری، اکتشافی یا هیوریستیک چیست؟“]

یک تابع ابتکاری یا اکتشافی یا هیوریستیک جایگزین‌‌ها را در الگوریتم‌‌های جستجو در هر مرحله انشعاب بر اساس اطلاعات موجود تعیین می‌کند تا تصمیم بگیرد کدام شاخه را دنبال کند.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”وظیفه جزء سوم سیستم برنامه‌ریزی چیست؟“]در یک سیستم برنامه‌ریزی، عملکرد مولفه سوم، تشخیص زمانی است که راه‌حلی برای یک مسئله پیدا شده است.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”مفهوم «عام» در هوش مصنوعی چیست؟“]

مفهوم عام یا عمومیت اشاره به میزان سهولتی دارد که می‌توان با آن، یک الگوریتم هوش مصنوعی را در حوزه‌‌های مختلف کاربردی تطبیق داد.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”زبان FOPL شامل چه مواردی است؟“]

• مجموعه‌‌ای از نمادهای ثابت
• مجموعه‌‌ای از متغیرها
• مجموعه‌‌ای از نمادهای محمول
• مجموعه‌‌ای از نمادهای تابع
• اتصال منطقی
• معیارسنج جهانی و معیار موجود
• رابطه دوتایی ویژه برابری[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”در هوش مصنوعی چه زمانی می‌توانیم از قانون بیز استفاده کنیم؟“]

در هوش مصنوعی برای پاسخگویی به سوالات احتمالی مشروط به یک شاهد، می‌توان از قانون بیز استفاده کرد.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”برای پاسخ به هرگونه پرسش، چگونه می‌توان از شبکه بیزی استفاده کرد؟“]

اگر یک شبکه بیزی نماینده توزیع مشترک باشد، با جمع‌بندی تمام ورودی‌‌های مشترک مربوط به آن، می‌تواند هرگونه پرسش را پاسخ دهد.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”چه چیزی روش‌‌های استقرایی را با قدرت نمایش درجه اول ترکیب می‌کند؟“]

برنامه‌‌نویسی منطقی استقرایی روش‌‌های استقرایی را با قدرت نمایش درجه اول ترکیب می‌کند.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”در برنامه‌‌نویسی منطقی استقرایی چه چیزی نیاز به رضایت داشت؟“]

هدف برنامه‌‌نویسی منطقی استقرایی ارائه مجموعه‌‌ای از جملات برای یک فرضیه است، به گونه‌‌ای که محدودیت‌های مورد نظر برآورده شود.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”کدام الگوریتم یک استراتژی وضوح کامل را معکوس می‌کند؟“]

الگوریتم «وضوح معکوس» وضوح کامل را معکوس می‌کند، زیرا یک الگوریتم کامل برای یادگیری نظریه‌‌های مرتبه اول است.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”در فرایند تشخیص گفتار از چه نوع سیگنالی استفاده می‌شود؟“]

در فرایند تشخیص گفتار از سیگنال صوتی برای شناسایی دنباله‌‌ای از کلمات استفاده می‌شود.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”در تشخیص گفتار کدام مدل احتمال هر کلمه را در پی هر کلمه می‌دهد؟“]

مدل بیاگرام احتمال تشخیص هر یک از کلمات را در تشخیص گفتار نشان می‌دهد.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”مدل مخفی مارکوف (HMM) چیست؟“]

مدل‌‌های مخفی مارکوف یک ابزار برای مدل‌‌سازی داده‌‌های سری زمانی یا مدل‌‌سازی رفتار توالی هستند. آن‌‌ها تقریباً در تمام سیستم‌‌های تشخیص گفتار فعلی استفاده می‌شوند.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”در مدل مخفی مارکوف، وضعیت فرایند چگونه توصیف می‌شود؟“]

وضعیت فرایند در مدل HMM توسط «متغیر تصادفی مجزا» توصیف می‌شود.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”در HMM، متغیر اضافی کجا اضافه می‌شود؟“]

هنگام ماندن در شبکه HMM، متغیرهای حالت اضافی را می‌توان به یک مدل زمانی اضافه کرد.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”در هوش مصنوعی، تحلیل‌‌های معنایی برای چه مواردی استفاده می‌شود؟“]

در هوش مصنوعی، برای استخراج معنا از گروه جملات از تحلیل معنایی استفاده می‌شود.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”منظور از معناشناسی ترکیب‌بندی در هوش مصنوعی چیست؟“]

فرایند تعیین معنی P* Q از P، Q و* به عنوان معناشناسی ترکیبی شناخته می‌شود.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”کدام فرایند در هوش مصنوعی باعث می‌شود بیان منطقی مختلف، به‌صورت یکسان به نظر برسد؟“]

فرایند «وحدت» عبارات منطقی مختلف را یکسان می‌کند. استنباط‌‌های طولانی مستلزم یافتن جایگزینی است که بتواند یک عبارت متفاوت را یکسان جلوه دهد. به این فرایند «وحدت» گفته می‌شود.[/accordion_item][/accordion][accordion =”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”کدام روش ساده‌ترین روش برای برنامه‌ریزی الگوریتم است؟“]

جستجوی فضایی حالت، ساده‌ترین رویکرد برای برنامه‌ریزی الگوریتم است، زیرا همه چیز را برای یافتن راه‌حل در نظر می‌گیرد.[/accordion_item][/accordion][accordion title=”” open1st=”0″ openAll=”0″ style=””][accordion_item title=”کدام الگوریتم برای حل استدلال احتمالی زمانی استفاده می‌شود؟“]برای حل استدلال احتمالی زمانی، از HMM (مدل پنهان مارکوف)، مستقل از مدل‌گذار و سنسور استفاده می‌شود[/accordion_item][/accordion]

 

[yasr_visitor_votes size=”medium”]