7 شاخه اصلی هوش مصنوعی به زبان ساده

فهرست محتوا

• یادگیری ماشین
• پردازش زبان طبیعی
• بینایی ماشین
• رباتیک
• شبکه عصبی
• الگوریتم ژنتیک
• سیستم های متخصص

اگر روحیه ی راحت طلبانه ایی داشته باشید احتمالا با شنیدن کلمه ی هوش مصنوعی رباتی در ذهن شما نمایان  می شود که در حال انجام کار های شخصی و خانگی شماست و شما روی کاناپه لم داده و تلویزیون تماشا می کنید هر از گاهی هم دستوری می دهید که در دم اطاعت می شود. اگر روحیه ی جنگاوری داشته باشید احتمالا ربات غول پیکری را متصور خواهید شد که در حال جنگیدن با ابزار های پلید انسانی است که  در حال نابودی دنیا هستند و یا همراه ربات رفیق و شفیق خود به دنبال نابودی آدم فضایی های متجاوز هستید. خب حالا فانتزی های خود را کنار بگذارید تا کمی درباره ی حقیقت هوش مصنوعی صحبت کنیم.

در واقع این علم عجیب و غریب خیلی دور از آن چه تصور کرده اید نیست و بسیاری از اختراعات جدید بشری به هوش مصنوعی وابسته است. اما هوش مصنوعی شاخه های بسیار متعددی دارد و در واقع نمی توان یک تعریف واضح و روشن برای تمام شاخه های هوش مصنوعی به کاربرد اما در مجموع هر دستگاه، ماشین، یا رایانه ای که توانایی فعالیت با شانس موفقیت بالا و درک محیط پیرامون را داشته باشد هوش مصنوعی تلقی می شود. در واقع هوش مصنوعی برای کامپیوتر ها و ماشین هایی به کار می رود که فعالیت های انسانی را به خوبی انجام می دهند.

هوش مصنوعی در واقع شاخه ای از حوزه ی علوم کامپیوتر است و بر خلاف تصور عده ای تنها به ربات ها مربوط نمی شود. در ادامه شاخه های کاربردی هوش مصنوعی را بررسی خواهیم کرد که به شناخت هر چه بهتر این علم منجر شود و شما بتوانید حوزه ی مورد علاقه ی خود را  پیدا کرده و به آن ورود کنید.

1. یادگیری ماشین

یکی از شاخه های بسیار کاربردی هوش مصنوعی، یادگیری ماشین است. در حال حاضر ما در عصر داده زندگی می کنیم به طوری که حجم داده ها روز به روز در حال افزایش است. یادگیری ماشین با یادگیری داده ها و تحلیل آن ها، این امکان را به انسان می دهد تا اطلاعات مفیدی را برای حل مشکلات پیش رو در حوزه های مختلف به دست آورد چرا که تلاش انسان در طول تاریخ همواره در جهت رفع موانع زندگی خود بوده است. یادگیری ماشین با فراگیری داده های در دسترس، انسان را برای رویارویی با شرایطی که در آینده رخ خواهد داد راهنمایی می کند.

ساخت یک مدل داده چیزی شبیه تربیت یک حیوان خانگی می باشد. از طریق آموزش های تخصصی، به عنوان مثال سگ یاد می گیرد که در شرایط مختلف چه عکس العمل هایی از خود نشان دهند. مشابه آن، مدل های یادگیری ماشین را می توان آموزش داد تا بر اساس تجربه گذشته در موقعیت های جدید تصمیم گیری کند. شما در حوزه ی یادگیری ماشین می بایست به رایانه یا ماشین یاد بدهید که مسائل را خودش حل کند. در گذشته های نه چندادن دور! برنامه نویس ها برای حل مسئله ای برنامه ای می نوشتند که آن برنامه قادر بود تنها همان پارامتر های تعریف شده در برنامه را بگیرد و خروجی  مورد نظر را تحویل بدهد.

اما برای ادامه این روند نیاز بود که برنامه نویس های بسیاااار زیادی همواره در حال نوشتن برنامه های بسیار پیچیده تر باشند چرا که با پیشرفت علم و فناوری، مسائلی که پیش روی انسان قرار می گیرند پیچیده تر می شوند. برنامه های پیچیده تر به تبع مشکلات زیادتری  به همراه دارند. برای مثال نیاز به دقت بسیار بالا تر، رایانه های قوی تر دارند. برای حل این مشکل حوزه ی یادگیری ماشین سربرآورد.

بدین گونه که ماشین (همان رایانه سابق!) اطلاعات بسیار زیادی را بگیرد. مسئله را بشناسد و خود قادر به حل مسئله باشد. اما یاد دادن به ماشین کار انسان است. برای اینکه بهتر متوجه ماجرا شوید یک متخصص را در نظر بگیرید که سال هاست از روی عکس سی تی اسکن ریه و آزمایشات مربوط به آن، سرطان ریه را تشخیص می دهد. اکنون باید شغل شریف خود را دو دستی تقدیم رایانه کند.

به این صورت که  اطلاعات مربوط به میلیون ها عکس و آزمایش تشخیص سرطان را به رایانه نشان می دهند و به او آموزش می دهند که کدام یک ازین حالات مربوط به سرطان ریه است. اکنون ماشین یاد می گیرد از روی عکس و آزمایشات، سرطان ریه را تشخیص دهد! از دیگر کاربرد های رایج یادگیری ماشین شناسایی تصویر است. که بهترین مثال آن تشخیص چهره است. از یادگیری ماشین در تشخیص دست خط در نوشته های معمولی یا نسخ خطی چاپ شده نیز استفاده می‌شود.

یکی از مسائل بسیار مهم در امور اقتصادی به دست آوردن استراتژی درست برای خرید و فروش اوراق بهادار است. برای بدست آوردن این استراتژی‌ها رایانه از الگوریتم‌های معاملاتی برای خرید و فروش اوراق بهادار بر اساس عواملی مانند متغیرهای عمومی اقتصادی متمرکز و همبستگی های تاریخی استفاده می‌کند. یادگیری ماشین می‌تواند برای بدست آوردن این استراتژی ها بسیار کاربردی باشد. هوش مصنوعی اینگونه به کمک انسان می شتابد.

به زبان ساده شما برای آموزش به ماشین می بایست الگوریتم دیتا های خود را پیدا کرده و سپس دیتا ها را به ماشن یا مدل تزریق کنید. یادگیری ماشین شامل صد الگوریتم آماری می باشد و انتخاب الگوریتم مناسب و یا ترکیب الگوریتم ها برای انجام یک کار، چالشی همیشگی برای تمام فعالین این حوزه است. اما یادگیری ماشین شامل سه دسته است.

یادگیری با نظارت

دریادگیری نظارت شده سیستم می کوشد بر اساس نمونه های در دسترس و مثال های داده شد که در اختیار دارد بیاموزد. در واقع بیشترین تعداد الگوریتم ها، مربوط به یادگیری با نظارت می شود. در حقیقت در یادگیری نظارتی دو نوع متغیر وجود دارد. متغیر های مستقل که در واقع اطلاعات ما محسوب می شوند، و متغیر های وابسته که هدف را تشکیل می دهند.

به عنوان مثال اگر بخواهیم از یادگیری ماشین به منظور پیش بینی خرید یک کالا توسط یک مشتری استفاده کنیم؛ متغیر وابسته همان پیش بینی خرید یک کالاست و متغیر های مستقل اطلاعاتی است که در دسترس داریم با بهتر بگویم، اطلاعاتی که نیاز داریم. این متغیر های مستقل شامل سن مشتری و تحصیلات و میزان درآمد و وضعیت تاهل و… است. حال زمان یافتن ارتباط بین متغیر های مستقل و وابسته است که این مرحله، فرایند آموزش نامیده می شود. برای فهم دقیق تر  به مثال بعدی توجه کنید.

یکی از مثال های مرسوم در یادگیری با نظارت تشخیص و فیلتر کردن اسپم ها میان پیام ها است. ابتدا تمامی ایمیل ها به دو دسته سالم و اسپم تقسیم می شوند. البته با توجه به اینکه پیام اسپم خصوصیات خاص خود را دارد و پیام سالم ویژگی های خاص خود. و سپس ماشین آن ها را با مثال های موجود می آموزد به این گونه که پیامی با فلان مشخصات اسپم می باشد؛ این کار در اصطلاح برچسب گذاری نامیده می شود.

در نهایت از او امتحان گرفته می شود و امتحان به این منظور تلقی می شود که شما ایمیل جدیدی که تا به حال ندیده است را به آن بدهید، سپس رایانه تشخیص دهد که سالم یا اسپم است. برای آموزش سیستم، شما باید تعداد زیادی نمونه یا به عبارتی داده، در اختیار سیستم بگذارید. هر چه اطلاعات دقیق تر باشد پیش بینی سیستم با خطای کمتری روبه رو است.

یادگیری بدون نظارت  

در یادگیری بدون نظارت، ماشین بدون استفاده از داده های برچسب گذاری شده و بدون هیچ معلمی می آموزد. در یادگیری نظارت نشده، ماشین باید خود به تنهایی به‌دنبال ساختارهای جالب موجود در داده‌ها باشد. به بیان ریاضی، یادگیری نظارت نشده مربوط به زمانی است که در مجموعه داده فقط متغیرهای ورودی یا همان مستقل  وجود داشته باشند و هیچ متغیر خروجی یا وابسته موجود نباشد.

به این نوع یادگیری، نظارت نشده گفته می‌شود زیرا برخلاف یادگیری نظارت شده، هیچ پاسخ صحیح داده شده‌ای وجود ندارد و ماشین خود باید به دنبال پاسخ باشد. به بیان دیگر، هنگامی که الگوریتم برای کار کردن از مجموعه داده‌ای بهره گیرد که فاقد داده‌های برچسب‌دار (متغیرهای خروجی) است، از مکانیزم دیگری برای یادگیری و تصمیم‌گیری استفاده می‌کند.

آیا تا به حال از بخش خبری گوگل استفاده کرده‌اید؟ بخش خبری گوگل وظیفه جالبی را بر عهده دارد. الگوریتم یادگیری نظارت نشده تمام خبرهایی که در سطح دنیا و در خبرگزاری‌های مختلف قرار دارند را بررسی می‌کند. در ادامه موضوع اصلی خبرها را تشخیص می‌دهد و آن‌ها را برای مخاطبان در کنار هم نمایش می‌دهد. با توجه به حجم عظیم اطلاعات در دنیای امروز، گوگل این کار را با کارمندان خود انجام نداده‌ است!

یادگیری تقویتی

یادگیری تقویتی  گونه‌ای از روش‌های یادگیری ماشین است که ماشین را قادر می سازد که در محیطی تعاملی با استفاده از آزمون و خطاها و استفاده از بازخوردهای اعمال و تجربیات خود آموزش ببیند. تفاوت یادگیری تقویتی با روش های دیگر یادگیری ماشین، اینست که در یادگیری تقویتی، هیچ گاه به رایانه یا ماشین گفته نمی‌شود که کار درست در هر وضعیت کدام است، به عبارت بهتر متغیر های مستقل و وابسته به ماشین معرفی نمی شوند بلکه به وسیله‌ی معیاری فهمانده می شود که یک عمل به چه میزان خوب و یا به چه میزان بد می باشد.

این وظیفه‌ ماشین است که با داشتن این اطلاعات، تعیین کند که بهترین عمل در هر وضعیت کدام است. بنابراین یادگیری‌تقویتی نیازمند حجم زیادی از داده‌ها است. به عنوان مثال یادگیری تقویتی در ساخت هوش مصنوعی برای انجام بازی‌های کامپیوتری مورد استفاده قرار می‌گیرد.

جامعه اتوماسیونه و تهدید شغل انسان ها

2. پردازش زبان طبیعی

یکی از حوزه های هوش مصنوعی به تعامل کامپیوتر و زبان انسان می پردازد که به معنی ایجاد توانایی در کامپیوتر برای فهم زبان انسانی یا طبیعی است. یکی از اهداف مهم هوش مصنوعی، تولید برنامه هایی است که برای درک و ایجاد زبان بشری توانمند باشد. باید توجه داشت که توانایی استفاده و درک زبان طبیعی تنها هدف بنیادی هوش بشری نیست اما عدم ایجاد ارتباط موفق بین رایانه و انسان، از قابلیت استفاده و سودمندی رایانه ها به شدت می کاهد.

متخصصان این حوزه در جهت نوشتن برنامه هایی که زبان طبیعی را درک کنند، تلاش بسیار زیادی انجام داده اند. اما تا کنون نتوانسته اند سیستم هایی را طراحی و تولید کنند که بتوانند زبان طبیعی را با انعطاف پذیری و عمومیتی که بشر صحبت کنند درک کنند.

3. بینایی ماشین

این حوزه از هوش مصنوعی بسیار گسترده است. به زبان ساده، بینایی ماشین از طریق پردازش دو بعدی، دنیای سه بعدی را بازسازی می کند. به این معنا که رایانه ها بتوانند جهان را به کمک دوربین ببیند و بفهمند. بخشی از بینایی ماشین به گسترش تئوری سیستم های هوشمندی می پردازد که دیتا ها را از تصاویر استخراج کند. برای مثال از بینایی ماشین در صنایعی استفاده می شود که نیاز به بررسی چشمی به صورت شبانه روزی، سرعت بالا، بزرگ نمایی و تکرار پذیری دارد.

امروزه کارخانه ها و صنایع پیشرفته‌ای وجود دارد که برای کنترل کیفیت محصولات از برنامه‌های هوشمند بینایی ماشین استفاده می کنند . خطای بسیار کم، سرعت زیاد، هزینه نگهداری بسیار پایین، عدم نیاز به حضور  ٢۴ ساعته اپراتور و خیلی مزایای دیگر باعث شده که صنایع و کارخانه‌ها به‌سرعت به پردازش تصویر و بینایی ماشین روی بیاورند. مثلا در حال حاضر دستگاهی تولید ‌شده که می تواند نان‌های پخته را از نان‌هایی که نیاز به پخت مجدد دارند، تمییز دهد.

4. رباتیک

بیشتر مردم کم و بیش با شاخه ی رباتیک هوش مصنوعی آشنایی دارند. حوزه ای که به طراحی، ساخت، راه‌اندازی و استفاده از ربات‌ها می‌پردازد و هدف آن ساخت تجهیزات و ربات‌های پیشرفته، برای راحت‌تر کردن زندگی انسان در بخش‌های مختلف است. ربات‌ها با توسعه فناوری مدام کامل‌تر، سریع‌تر، دقیق‌تر و مطمئن‌تر می‌شوند. بنابراین،  ساخت ربات‌ نیاز به داشتن نوعی هوش و قدرت برنامه‌ریزی و تحلیل فرآیندی که قرار است انجام دهد باشد.

دستگاه های رباتیک امروز در مکان های ثابتی، در کارخانه ها وجود دارند و در فرآیند ساخت و تولید یک محصول یا تعمیر یک وسیله با کمک کامپیوتر، اعمال قابل انعطاف ولی اکثراً محدودی را انجام می دهند.  برخی از آنها سیستم های پیچیده تری دارند که به طور همزمان چند کار را انجام می دهند؛ برای مثال، دستگاهی اجسام را برداشته و در مکان مناسب قرار می دهد، کالای ساخته شده معیوب را تشخیص می دهد و …. .

5. شبکه عصبی

این سیستم از شمار زیادی عناصر پردازشی فوق‌العاده بهم‌ پیوسته با نام نورون تشکیل شده که برای حل یک مشکل یا مسئله با هم هماهنگ عمل می‌کنند و توسط ارتباطات الکترومغناطیسی اطلاعات را انتقال می دهند. هدف شبکه ی عصبی مصنوعی در واقع مدل کردن و شبیه سازی ویژگی های پردازشی مغز انسان و جانوران است. به عبارت دیگر شبکه هاي عصبي مصنوعي يک روش مناسب براي تشخيص الگوهاي ناشناخته در داده ها و اطلاعات مي باشد که يکي از کاربردهاي آن پيش بيني است. شبکه های عصبی مدل های مختلفی دارند که بخشی از قابلیت های یادگیری و تطبیق مغز انسان را هدف قرار داده و تقلید نموده اند.

چگونه Google Earth VR سفر مجازی را به واقعیت تبدیل می کند؟

6. الگوریتم ژنتیک

به طور کلی هدف اصلی هوش مصنوعی همان گونه که در خلال مطالب گفته شد، شبیه تر شدن به انسان است. و ژنتیک انسان برای تکامل و بقا همواره در حال تغییر کردن است. مثال بارز و سطحی آن، تفاوت ظاهری و هوشی انسان های زمان حال و 200 سال پیش است. علت این امر این است که انسان به طور ذاتی متناسب با محیط تغییر می کند که این تغییر بر پایه ی سازگار شدن با محیط پیرامون است.

در واقع با ورود اطلاعات به مغز انسان، DNA همواره تغییر می کند و جهش رخ می هد. حال هدف اصلی این شاخه از هوش مصنوعی یعنی الگوریتم ژنتیک دقیقا همین است. به زبان ساده یعنی سیستم می کوشد توسط نوعی تکنیک بهینه سازی، متناسب با محیط، اطلاعات سودمند تر را برگزیده و متناسب با آن خود را بهبود ببخشد. در واقع از نحوه ی تکامل انسان ایده می گیرد.

7. سیستم های متخصص

اگر دقت کرده باشید تمامی شاخه های هوش مصنوعی که تاکنون بررسی شد بر روی داده ها عمل می کنند. اما سیستم های متخصص نرم افزار هایی هستند که  دانش انسانی را در پایگاه  دانش خود ذخیره می کنند. سیستم متخصص در حقیقت می توانند به کاربران توصیه کارشناسانه کنند. یکی دیگر از ویژگی های این ابزار، استفاده از روش های ابتکاری به جای روش های الگوریتمی است.

سیستم های متخصص به منظور تصمیم گیری می بایست دانش کسب شده را در قالب مناسبی نمایش داده و مدیریت کند. بنابریان دانش موجود باید اعتبار سنجی شود زیرا در صورت داده های اشتباه، سیستم به نتایج اشتباهی خواهد رسید. همچنین این سیستم ها می توانند دلایل خود را در رسیدن به نتیجه شرح دهند.

منبع: