پدیده‌ای به‌ نام هوش مصنوعی

حتما شما برای یک‌بار هم که شده نام هوش مصنوعی یا AI را شنیده‌اید و یا از آن استفاده کرده‌اید. هوش‌مصنوعی اکنون یکی از درخشان‌ترین و ترند‌ترین اخبار حال در جهان است و بسیاری از فناوری‌های پیچیده و پیشرفته، در مدار این تکنولوژی می‌چرخد.

اما هوش مصنوعی یا همان AI Artificial Intelligence چیست؟
 

این فناوری نام‌های متفاوتی دارد و از جمله این نام‌ها می‌توان به Machine Learning (ماشین یادگیری)، Artificial Neural Network (شبکه عصبی مصنوعی) و .... دارد که دقیقا هرکدام از این‌ موارد دقیقا یکی از قابلیت‌های هوش مصنوعی را بیان می‌کند.

هوش‌ مصنوعی
 

هوش مصنوعی همانند درختی است که مفاهیم را تا رسیدن به‌یک نتیجه کامل ادامه می‌دهد.
برای مثال یادگیری تقویتی (Reinforcement Learning) گونه‌ای از یادگیری ماشین و در عین حال، زیر مجموعه هوش مصنوعی است، هرچند هوش مصنوعی لزوما یادگیری تقویتی نیست. اگر این رابطه والد فرزندی را درک کنید، بسیاری از مفاهیم پیش‌رو قابل درک خواهد بود.
البته هیچ نظری برای تعریف معنای خود هوش مصنوعی وجود ندارد و بسیاری موافق هستند که هوش‌مصنوعی، وادار کردن کامپیوتر‌ها به‌انجام کاری است که در شرایط عادی توسط یک انسان هوشمند انجام می‌شود.

این استدلال برای اولین بار در سال 1956 در دانشگاه دارتموث ارائه شد. در حال حاضر بحث اصلی بر روی هوش مصنوعی نمی‌باشد؛ بلکه بر روی تمایز میان هوش مصنوعی محدود (ضعیف) و هوش مصنوعی عمومی (قوی) است. مورد دوم هنوز در دسترس قرار نگرفته و محققات گفته‌اند که این مورد را در آینده نزدیک می‌بینند.

هوش مصنوعی نمادین
 

امروز در مورد هوش‌مصنوعی نمادین چیزی نمی‌شنوید.
این هوش مصنوعی در حول یک مراحل منطقی با رویکرد سطح بالا ساخته شده است. برای پیاده‌سازی این هوش مصنوعی باید قوانین و قواعد بسیاری را به این هوش مصنوعی وارد کنید. بعد‌ها متوجه شدیم که این هوش مصنوعی، تنها در زمانی که تمام داده‌ها فراهم است (همانند آزمایشگاه‌ها) می‌تواند عملکرد خوبی داشته باشد و در زمان تعریف یک داده نامنظمم ممکن است در یک چرخه بینهایت گیر کند.

یادگیری ماشین
 

اگر در جهان امروز دریابه موفقیت‌های عظیم یک سیستم‌ هوش‌مصنوعی بشنوید، احتمالا پشت آن یادگیری یک ماشین قرار گرفته است. همان‌طور که از نام آن انتظار می‌رود، منظور از یادگیری ماشین، این است که یک ماشین را وادار به‌یادگیری کنیم. همانند مفهوم اصلی هوش مصنوعی، یادگیری ماشین نیز چندین زیر مجموعه دارد اما همه آن‌ها در توانایی برای برداشتن داده و نهادن الگوریتم‌ بر روی آن مشترک است.

شبکه‌های عصبی مصنوعی
 

شبکه‌های عصبی سیستم‌هایی با الهام از مغز هستند که برای تکرار روش عملکرد مغز در یادگیری طراحی شده‌اند.
شبکه‌های عصبی کد خود را برای پیدا کردن ارتباط بین ورودی و خروجی یا همان علت و معلول در شرایطی که روابط پیچیده می‌باشد تغییر می‌دهد و اصلاح می‌کنند. مفهوم شبکه‌های عصبی مصنوعی، به‌ دوران دهه 40 باز می‌گردد اما آن‌ها در طی چند دهه گذشته در جهان ظاهر شده‌اند و به‌ واقعیت وارد شده‌اند.
شبکه‌های عصبی مصنوعی در این دهه از یادگیری عمیق (Deep Learning) سود زیادی بردند که در آن لایه‌های مختلف شبکه، ویژگی‌های متفاوتی را تا زمانی که چیزی که دنبالش هستند را تشخیص دهند، استخراج می‌کنند. داخل خود شبکه‌های عصبی نیز مدل‌های مختلف از شبکه‌های بالقوه جود دارند که از جمله آن‌ها می‌توان به شبکه عصبی پیش‌خور و شبکه عصبی پیچ‌شی اشاره کرد.

یادگیری تقویتی
 

این موتور، مورد دیگری از یادگیری ماشین است.
این حوزه به‌ شدت از روانشناسی رفتارگرا الهام گرفته و برهمین اساس برنامه ریزی شده است. وظیفه این هوش مصنوعی استفاده از یادگیری تقویتی بود تا به‌ حداکثر میزان برسد، پس باید بازی را از طریق آزمون و خطا پیش ببرد تا به‌ اهداف دست‌یابد. برخلاف سایر موتور‌های هوش مصنوعی این موتور نیاز به انسان ندارد و این هوش سعی دارد تا تمام موارد موجود را خود یاد بگیرد.

الگوریتم فرگشتی
 

این الگوریتم از شهرت بالایی برخوردار است و اکثر مردم حتی خارج از حوزه کامپیوتر آن‌ را می‌شناسند. در عین‌حال ما این‌جا به‌ نوع دیگری از یادگیری ماشین اشاره می‌کنیم که می‌تواند انتخاب‌های طبیعی را تقلید کرده و برروی کامپیوتر پیاده‌سازی کند.

عرفان صابونیها