توضیحات کامل در مورد هوش مصنوعی گوگل

هوش مصنوعی (AI)، توانایی یک کامپیوتر دیجیتال یا ربات کنترل کامپیوتری برای انجام وظایفی که معمولا با موجودات هوشمند مرتبط است.  این اصطلاح اغلب برای پروژه های توسعه سیستم هایی که از فرایندهای فکری مشخصه انسان استفاده می کنند، مانند توانایی تفکر، کشف معانی، تعمیم دادن یا یادگیری از تجربه گذشته استفاده می شود. از زمان توسعه کامپیوتر دیجیتال در دهه 1940 نشان داده شده است که رایانه ها می توانند برای انجام وظایف بسیار پیچیده برنامه ریزی شوند به عنوان مثال، کشف اثبات برای قضیه های ریاضی و یا بازی شطرنج با مهارت های عالی.

با این حال، علیرقم پیشرفت های پیش رو در سرعت پردازش کامپیوتری و ظرفیت حافظه، هنوز هیچ برنامه ای وجود ندارد که  بتواند انعطاف پذیری انسانی را در دامنه های وسیع تر و یا در وظایفی که نیاز به دانش روزمره ای دارد، مطابقت دهد. از سوی دیگر، برخی برنامه ها سطح کارایی کارشناسان و متخصصان انسانی را در انجام وظایف خاصی به دست آورده اند، به طوری که هوش مصنوعی در مورد برنامه های متنوع مانند تشخیص پزشکی، موتورهای جستجو در کامپیوتر و تشخیص صدا یا دست خط یافت می شود.

هوش چیست؟

همه چیز به جز ساده ترین رفتار انسان مربوط به هوش می شود، در حالی که حتی پیچیده ترین رفتار حشرات هرگز به عنوان نشانه ای از هوش به حساب نمی آید. تفاوت در چیست؟  رفتار زنبور را در نظر بگیرید . هنگامی که زنبور عسل غذا تهیه می کندو با غذا بر میگردد قبل از اینکه به داخل حفره اش برود اول آن را به درستی و با دقت بررسی می کند که حشره مزاحمی در آن نباشد و وقتی مطمئن شد که هیچ مزاحمی در حفره نیست سپس به داخل حفره می رود. رفتار غریزی او موجب این حرکت می شود.

روانشناسان به طور کلی هوش انسانی را تنها با یک رفتار مشخص نمیکنند،  بلکه ترکیبی از تواناییهای متنوع بسیاری است. تحقیق در مورد هوش مصنوعی عمدتا بر اجزای اطلاعاتی زیر تمرکز دارد : یادگیری، استدلال، حل مسئله، ادراک و استفاده از زبان.

تعریف - منظور هوش مصنوعی (AI) چیست؟

هوش مصنوعی (AI) محدوده ی علم رایانه بر ایجاد ماشینهای هوشمند است. که کار و واکنش مشابه انسانها را انجام می دهند. برخی از فعالیت های کامپیوتر با هوش مصنوعی طراحی شده اند که عبارتند از:

تشخیص گفتار ، یادگیری ، برنامه ریزی ، حل مشکل .

تکنوپدیا هوش مصنوعی را این گونه توضیح می دهد:

هوش مصنوعی شاخه ای از علوم رایانه ای است که هدف آن ایجاد ماشین های هوشمند است. این به بخش مهمی از صنعت فناوری تبدیل شده است.

تحقیقات مرتبط با هوش مصنوعی بسیار فنی و تخصصی است. مشکلات اصلی هوش مصنوعی شامل برنامه نویسی رایانه های برای مشخصه های خاص می باشد مانند:

دانش ، استدلال، حل مشکل، ادراک، یادگیری، برنامه ریزی، قابلیت دستکاری و حرکت اشیاء

مهندسی دانش بخش اصلی تحقیقات AI است. ماشین ها، در صورتی که اطلاعات فراوانی در رابطه با جهان داشته باشند، اغلب می توانند مانند انسان رفتار و واکنش نشان دهند. هوش مصنوعی باید به اشیا، دسته ها، خواص و روابط بین همه آنها دسترسی داشته باشد تا دانش مهندسی را پیاده سازی کند. ابتکار حس مشترک، استدلال و حل مسئله در ماشین ها یک رویکرد دشوار و خسته کننده است.

یادگیری ماشین یکی دیگر از بخش اصلی هوش مصنوعی است.  یادگیری بدون هر گونه نظارت نیازمند شناسایی الگوهای در جریان ورودی است  در حالی که یادگیری با نظارت کافی شامل طبقه بندی و رگرسیون های عددی می شود. طبقه بندی مشخص میکند که یک شی متعلق به کدام دسته است  و معاملات رگرسیون با به دست آوردن مجموعه ای از نمونه های ورودی یا خروجی عددی است. ریاضیات الگوریتم های یادگیری ماشین  و عملکرد آنها را  تجزیه تحلیل می کنند  که اغلب به عنوان تئوری یادگیری محاسباتی می باشد.

یادگیری

تعدادی از اشکال مختلف یادگیری برای هوش مصنوعی وجود دارد. ساده ترین راه یادگیری با آزمایش و خطا است. به عنوان مثال، یک برنامه کامپیوتری ساده برای حل مسائل شطرنج ، ممکن است به طور تصادفی تا زمانی که مات شود ، حرکت کند. برنامه کامپیوتر ممکن است راه حل آن موقعیت را ثبت کند که اگر در آینده دوباره با آن روبه رو شد بتواند آن را حل کند.  این به خاطر سپاری ساده از روش های شخصی به عنوان یادگیری ربات شناخته می شود، نسبتا آسان است تا در حافظه کامپیوتر ثبت شود تا در موقعیت مشابه دوباره اجرا شود. بیشتر چالش هایی که به وجود می آیند در استفاده از تعمیم هستند. تعمیم موقعیت های مشابهی در گذشته هستند.

استدلال

دلیل کشف نکات مناسب در مورد وضعیت. نتیجه گیری ها به صورت قیاسی یا استقرایی طبقه بندی می شوند. یک مثال قیاسی این است: " تام باید در موزه یا کافه باشد. او در کافه نیست بنابراین او در موزه است، "  و یک مثال استقرایی:"  تصادفات پیش از این ناشی ازخرابی وسایل بود؛ بنابراین این حادثه نیز ناشی از خرابی وسایل است. تفاوت بین این اشکال استدلال این است که در مورد استقرایی حقیقت فرضیه ، حقیقت نتیجه گیری را تضمین می کند، در حالی که در مورد استنتاجی  ، حقیقت فرضیه  ، حمایت از نتیجه گیری بدون تضمین مطلق استدلال انحصاری در علم رایج است.

استدلال استقرایی در ریاضیات و منطق رایج است،  در حالی که ساختارهای دقیق از قضیه های غیرقابل انکار از مجموعه ای از عناصر و قواعد پایه ساخته شده است.

موفقیت های قابل توجهی در برنامه نویسی کامپیوترها برای رسیدن نتیجه گیری ها، به ویژه نتیجه گیری های استنتاجی وجود دارد. با این حال، استدلال واقعی مستلزم بیش ازطر ح یک استنتاج می باشد.

حل مشکل

حل مسئله، به ویژه در هوش مصنوعی، ممکن است به عنوان یک جستجوی سیستماتیک از طریق طیف وسیعی از اقدامات ممکن به منظور دستیابی به برخی از اهداف یا راه حل پیشین مشخص شود. روش حل مسئله به اهداف خاص و اهداف کلی تقسیم می شود. روش اهداف خاص، برای یک مشکل خاص طراحی شده است و اغلب از ویژگی های بسیار خاصی از وضعیتی که مشکلی در آن تعبیه شده استفاده می شود. در مقابل، یک روش کلی در مورد انواع مختلفی از مشکلات کاربرد دارد. یکی از تکنیک های عمومی استفاده شده در هوش مصنوعی  تجزیه پایانی – گام به گام - یا افزایشی، کاهش تفاوت بین وضعیت فعلی و هدف نهایی می باشد. این برنامه اقدامات را از لیستی از ابزارها انتخاب می کند - در مورد یک ربات ساده که ممکن است شامل PICKUP، PUTDOWN، MOVEFORWARD، MOVEBACK، MOVELEFT، و MOVERIGHT باشد - تا زمانی که هدف برآورده شود.

بسیاری از مشکلات متنوع توسط برنامه های هوش مصنوعی حل شده است.  بعضی از نمونه ها یافتن حرکت برنده در یک بازی تخته ایجاد اثبات های ریاضی  و مهارت  در «اجزای مجازی» در یک دنیای کامپیوتری است.

ادراک

در ادراک ، محیط با استفاده از ارگان های مختلف حسی، واقعی یا مصنوعی اسکن می شود و منظره  به اهداف جداگانه در روابط فضایی مختلف تجزیه می شود .تجزیه و تحلیل هر چیزی ممکن است پیچیده باشد به عنوان مثال یک جسم ممکن است بسته به زاویه ای که از آن دیده می شود، متفاوت باشد، در کل ادارک هر چیزی بسته به شدت و زاویه نور و زاویه دید ما ممکن است متفاوت باشد.

در حال حاضر، ادراک مصنوعی به اندازه کافی پیشرفته می باشد به طور مثال برای فعال کردن سنسورهای نوری برای شناسایی افراد، وسایل نقلیه که با یک سرعت میانه در یک جاده باز در حال عبور و مرور هستند و یا ربات ها برای پرسه زدن در اطراف ساختمان ها برای جمع آوری قوطی نوشابه های خالی.  یکی از اولین سیستم های ادغام ادراک و عمل، freedy  بود. یک ربات ایستا با چشمان متحرک و دست های گاز انبری ، ساخته شده در دانشگاه ادینبورگ اسکاتلند، در سال های  1966-73 تحت هدایت دونالد میچی بود. FREDDY توانست انواع مختلفی از اشیا را شناسایی کند و می توانست از یک اجسام تصادفی  برای ساخت آثار ساده، مانند یک ماشین اسباب بازی استفاده کند.

زبان

یک زبان یک سیستم از آوا ها است که معنی آن را با هم ترکیب می کند. به این معنا که زبان نباید به گفتارهایی محدود باشد. برای مثال، علائم راهنمایی رانندگی را می توان به عنوان یک زبان کوچک در نظر گرفت که این زبان یک امر قراردادی در کشورها می باشد.  این زبان متمایز از زبانهایی است که واحدهای زبانشناختی از لحاظ توافق معنا دارند و معنای زبانشناختی بسیار متفاوت از معنای طبیعی است.

انواع هوش مصنوعی

هوش مصنوعی را می توان در هر تعداد از روش های طبقه بندی کرد، اما در اینجا دو نمونه است.

اولین سیستم های هوش مصنوعی  را به عنوان AI (artificial inteligence) ضعیف یا AI قوی طبقه بندی می کند. هوش مصنوعی ضعیف، همچنین به عنوان هوش مصنوعی محدود شناخته می شود، یک سیستم AI برای یک کار خاص طراحی و آموزش داده می شود.

هوش مصنوعی قوی، همچنین به عنوان هوش مصنوعی عمومی شناخته می شود، یک سیستم هوش مصنوعی با توانایی های شناختی انسانی عمومی است، به طوری که وقتی یک کار نا آشنا ارائه می شود اینقدر هوش دارد که دنبال راه حل باشد . تیوریتگ  تست، که توسط ریاضیدان آلن تورینگ در سال 1950 توسعه یافته است، یک روش است که تعیین می کند آیا یک کامپیوتر می تواند واقعا مثل انسان کار کند یا خیر. این روش یک روش متقاعد کننده است.

مثال دوم Arend Hintze، استادیار زیست شناسی مجتمع و علوم کامپیوتری و مهندسی در دانشگاه ایالتی میشیگان است. او AI را به چهار نوع تقسیم می کند. دسته های او به شرح زیر است:

• ماشین های انعطاف پذیر : برای مثال برنامه Deep Blue، برنامه شطرنجی آی بی ام است که گری کاسپاروف را در دهه 1990 ضرب کرده است. این برنامه می تواند مهره های شطرنج را شناسایی کند  و پیش بینی کند اما حافظه ای ندارد و نمی تواند از تجربیات گذشته برای اطلاع رسانی در مورد آینده استفاده کند.  حرکت های خود و حریف را شناسایی می کند و بررسی می کند و حرکت استراتژیک را حدس می زند. Deep Blue و AlphaGO گوگل برای اهداف محدود طراحی شده و به راحتی قابل استفاده برای وضعیت دیگری نیستند.
• نوع 2: حافظه محدود: این سیستم های هوش مصنوعی می توانند از تجارب گذشته برای اطلاع رسانی در مورد تصمیمات آینده استفاده کنند.  بعضی از توابع تصمیم گیری در وسایل نقلیه مستقل به این شیوه که طراحی می شوند ، برای مشاهدات آینده نه چندان دور استفاده می شوند مانند اتوموبیلی که مسیرش را در جاده تغییر می دهد این مشاهدات به طور دائمی ذخیره نمی شوند.
• نوع 3: نظریه ذهن : این یک اصطلاح روانشناسی است. این اشاره به درک این  دارد که  دیگران دارای عقاید، خواسته ها و نیت های خود را دارند که بر تصمیماتی که می گیرند تأثیر می گذارد.   این نوع هوش مصنوعی در حال حاضر وجود ندارد.
• نوع 4: خودآگاهی: سیستم های هوش مصنوعی در این دسته دارای حس خود آگاهی هستند. ماشین آلات با خودآگاهی، وضعیت فعلی خود را درک می کنند و می توانند از این اطلاعات استفاده می کنند تا نتیجه بگیرند که دیگران  چه احساسی دارند. این نوع AI هنوز وجود ندارد.

مثالهای تکنولوژی هوش مصنوعی

• اتوماسیون یک فرآیند است که پردازش عملکرد سیستم را خودکار میکند. برای مثال : اتوماسیون پردازش ربات می تواند عملکرد آن را برای انجام وظایف با حجم بالا و قابل تکرار که به طور معمول توسط انسان انجام شود را برنامه ریزی کند . RPA از اتوماسیون IT متفاوت است می تواند با شرایط در حال تغییر سازگار باشد.
• یادگیری ماشین علمی است که کامپیوتر را بدون دانستن دانش برنامه نویسی اجرا می کند. یادگیری عمیق، زیر مجموعه ای از یادگیری ماشین است که به وضوح ساده می تواند به عنوان اتوماسیون تجزیه و تحلیل پیش بینی مورد استفاده قرار گیرد. سه نوع الگوریتم یادگیری ماشین وجود دارد: یادگیری تحت نظارت، که در آن مجموعه داده ها برچسب گذاری می شوند به طوری که الگوها می توانند شناسایی و استفاده شوند تا مجموعه داده های جدید را برچسب گذاری کنند؛ یادگیری بدون نظارت، که در آن مجموعه داده ها برچسب گذاری نشده اند و با توجه به شباهت ها یا تفاوت ها طبقه بندی می شوند؛  یادگیری تقویتی، که در آن داده ها برچسب گذاری نشده اند، اما پس از انجام یک اقدام یا چندین اقدام، سیستم AI بازخوردی به دست می دهد.
• چشم انداز ماشین علم ساخت کامپیوترها است. چشم انداز ماشین ضبط و تجزیه و تحلیل اطلاعات بصری با استفاده از دوربین، تبدیل آنالوگ به دیجیتال و پردازش سیگنال دیجیتال است. این اغلب با قدرت دید انسان مقایسه می شود. اما چشم انداز ماشین به علم زیست شناسی محدود نمی شود و می تواند خارج از مرز ها برنامه ریزی شود . که شامل طیف وسیعی از درخواست ها از شناسایی امضا به تجزیه و تحلیل تصویر پزشکی استفاده می شود. چشم انداز کامپیوتر ، که بر روی پردازش تصویر مبتنی بر دستگاه متمرکز است، اغلب با چشم انداز ماشین ارتباط دارد.
• پردازش زبان طبیعی (NLP) پردازش زبان انسان است و نه کامپیوتر به وسیله یک برنامه کامپیوتری اجرا می شود. یکی از نمونه های قدیمی تر و شناخته شده NLP، شناسایی اسپم است که به خط موضوع و متن یک ایمیل نگاه می کند. رویکردهای فعلی به NLP مبتنی بر یادگیری ماشین است. وظایف NLP عبارتند از ترجمه متن، تحلیل احساسات و تشخیص گفتار.
• شناسایی الگو یک شاخه یادگیری ماشین است که بر شناسایی الگوها در داده تمرکز دارد. این اصطلاح امروزه تاریخ گذشته می باشد.
• رباتیک یک رشته مهندسی است که بر طراحی و ساخت روباتها تمرکز دارد. رباتها اغلب برای انجام وظایفی که برای انسانها مشکل است، مورد استفاده قرار می گیرند. آنها در خطوط مونتاژ برای تولید ماشین و یا توسط ناسا برای حرکت اشیاء بزرگ در فضا استفاده می شود. اخیرا محققان از یادگیری ماشین برای ساخت روبات هایی استفاده می کنند که می توانند در تنظیمات اجتماعی تعامل داشته باشند.

برنامه های کاربردی AI

• AI در مراقبت های بهداشتی. بزرگترین موضوع بر بهبود نتایج بیمار و کاهش هزینه ها است. شرکت ها از ماشین ها برای تشخیص بهتر و سریع تر از انسان استفاده می کنند. یکی از بهترین فن آوری های شناخته شده در زمینه مراقبت های بهداشتی، آی بی ام واتسون است که زبان طبیعی را درک می کند و قادر به پاسخگویی به سوالاتی است که از آن خواسته شده است می باشد. این سیستم اطلاعات بیمار و باقی منابع اطلاعاتی را حفر می کند تا یک فرضیه را ارائه  دهد . سایر برنامه های کاربردی هوش مصنوعی عبارتند از chatbots، یک برنامه کامپیوتری آنلاین برای پاسخ به سوالات و کمک به مشتریان،  کمک به برنامه ریزی مراحل پیگیری و یا کمک به بیماران از طریق روند صدور صورت حساب و کمک های بهداشتی مجازی که بازخورد اولیه پزشکی را فراهم می کنند.
• هوش مصنوعی در کسب و کار. اتوماسیون فرآیند روباتیک به کارهای بسیار تکراری که معمولا توسط انسان انجام می شود، اعمال می شود. الگوریتم های یادگیری ماشین برای تجزیه و تحلیل سیستم های CRM به منظور کشف اطلاعات در مورد چگونگی ارائه بهتر خدمات به مشتریان هستند. Chatbots در وب سایت ها برای ارائه خدمات فوری به مشتریان گنجانیده شده است.
• هوش مصنوعی در آموزش و پرورش. هوش مصنوعی می تواند طبقه بندی خود کار را انجام دهد . می تواند زمان بیشتری را برای مدرسین فراهم می کند . می تواند دانش آموزان را ارزیابی کند و با نیاز های آنها سازگار شود و به آنها کمک کند سرعت خود را بسنجند. آموزگاران AI می توانند دانشجویان را پشتیبانی بیشتری کنند . هوش مصنوعی می تواند مکان ویادگیری دانش آموزان را تغییر دهد ، شاید حتی برخی از معلمان را جایگزین کند.
• AI در امور مالی. AI برای برنامه های مالی شخصی مانند مالیات توربو یا مالیات استفاده می شود و می تواند توان مالی موسسات را افزایش دهد. برنامه های کاربردی می توانند اطلاعات شخصی را جمع آوری و مشاوره مالی ارائه دهند. برنامه های دیگر، آی بی ام واتسون هستند، برای روند خرید خانه اعمال شده است. امروزه، نرم افزار بسیاری از تجارت در وال استریت معامله می شود.
• AI در قانون. اتوماسیون سازی این پردازش از نظر زمان بندی بهتر است و فرآیندکارامد تری می باشد. شروع کننده ها همچنین دستیارهای رایانه ای پرسش و پاسخ را ایجاد می کنند که می توانند سوالات برنامه ریزی شده را به وسیله بررسی طبقه بندی و هستی شناسی مرتبط با پایگاه داده سوق دهند.