راهنمای نهایی تکنولوژی

در گوشی های جدید به محض اینکه به وایرلس متصل شوید ، اینترنت سیم کارت شما قطع می شود ( سیستم عامل های android , iOS , Windows Phone , Blacberry اینگونه اند ) . صرف اینکه موضوع جالبی است و فرصتهای بسیاری را پیش روی شما قرار میدهد دلیل نمیشود که به سراغ آن بروید. برای اینکه با مباحث و فناوریهای این حوزه در حد عناوین آشنا شوید بد نیست به چند مورد از فناوریهای مهم این شاخه از AI اشاره کنیم: حوزههای پردازش گفتار مانند سیستم تشخیص گفتار، سنتز گفتار، شناسایی گوینده، چت بات، تحلیل معنایی متون، تحلیل احساسات، جستوجوگر معنایی. اگر شما این مقاله آموزنده را دوست داشتید و می خواهید اطلاعات بیشتری در مورد یک بیتی لطفا از سایت ما دیدن کنید.

این شبکه ها در یک زمان، یک لایه آموزش دیده اند. در طی چند سال گذشته، پیشرفت ها در زمینه الگوریتم های یادگیری ماشینی و سخت افزار کامپیوتر منجر به ایجاد روش های کارآمدتر برای آموزش شبکه های عصبی عمیق شده است که لایه های بسیاری از واحدهای پنهان غیر خطی و یک لایه ی خروجی بسیار بزرگ را در بر می گیرد. این الگوریتم ها ممکن است به عنوان الگوریتم “تپه نوردی” (hill climbing) در نظر گرفته شوند: جست و جو را از نقطه ای تصادفی در دورنما آغاز کرده و سپس با پرش ها یا قدم ها، حدس های خود را به طرف قله تپه حرکت می دهیم (با اصلاحات تدریجی) تا نهایتاً به قله برسیم(جایی که دیگر نمی توان اصلاحی را انجام داد). پس نمی توان به طور قطعی گفت که برای تمامی تلفن های همراه به یک صورت است.

در اوایل دهه 2000 میلادی در یک کاربرد صنعتی، شبکه های عصبی کانولوشن حدود 10 تا 20 درصد از تمامی چک نوشته های ایالات متحده را پردازش کردند. مطالعه غیر یادگیری شبکه های عصبی مصنوعی در دهه پیش از پایه گذاری تحقیقات هوش مصنوعی با اقدامات والتر پیتز و وارن مک کالو آغاز گردید. نخستین پایه و اساس”شبکه های یادگیری عمیق” توسط “آلکسی گریگورویچ ایواخننکو” و “لاپا” در سال 1965 منتشر گردید. این الگوریتم از سال 1970 به عنوان حالت معکوس “تمایز خودکار” توسط “سپو لیناینما” منتشر شده و توسط “پال ورباس” به شبکه های عصبی معرفی شد. کامپیوتر از کاربر برای تکمیل یک تست ساده سؤال کرده و نمره ای را برای این تست قرار می دهد. امروزه از هوش مصنوعی برای کشف روش های کارامدتر برای مقابله با آفات و علف های هرز، پیش بینی زمان دقیق برداشت محصولات و تجزیه و تحلیل آن ها، نظارت بر محصولات و خاک و به کارگیری ربات های کشاورزی استفاده می شود.

برای مثال الگوریتم satplan روشی برای یادگیریست که از منطق برای طرح ریزی و برنامه ریزی منطق استنتاجی (inductive logic programming) استفاده می کند. شمارهگیری کنید. پس از این کار منتظر پیامک اطلاعرسانی و موفقیتآمیز بودن عملیات باشید.در صورتیکه در جایی احتیاج به استفاده از اینترنت بهصورت موقت و بدون بسته را داشتید میتوانید این طرح را دوباره فعال کنید. این لپ تاپی که شما انتخاب کردین علاوه بر رم و پردازنده ی مناسبی که داره یک حافظه ی 128 گیگابایتی از نوع SSD هم داره که همین مقدار کافیه برای برنامه نویسی اندروید. هاست ابر آراز دارای انواع گوناگونی است که با توجه به نیاز خود قادر به انتخاب از بین آن ها خواهید بود. هوش ازدحامی یا گروهی (swarm intelligence)(مثل کلونی مورچه ها یا بهینه سازی ازدحام ذرات) و الگوریتم های تکاملی (مثل الگوریتم های ژنتیک، برنامه ریزی بیان ژن و برنامه ریزی ژنتیک) از انواع محاسبات تکاملی هستند.

کاربرد محاسبات نرم در هوش مصنوعی همزمان با ظهور رشته هوش محاسباتی مورد مطالعه قرار گرفت. علاوه بر این می توان هوش مصنوعی را در مسائل ویژه ای همچون مشکلات کوچک در شیمی، تشخیص دستخط و بازی ها مورد ارزیابی قرار داد. شیشهای: شیشه مورد استفاده در بدنه تلفن همراه هوشمند نوعی شیشه تقویت شده شیمیایی از جنس سدیم سیلیکات است که با مبادله یونهای سدیم و یونهای پتاسیم مستحکم و مقاوم میشود. چندین شکل مختلف از منطق در تحقیقات هوش مصنوعی استفاده می شود. ساب سمبولیک در پایین دست و سمبولیک در بالادست این پل قرار دارد، جایی که وقفه در آن جواز طراحی و مدلینگ دنیا را محدود می کند. این تکنولوژی جدید در حال حاضر برای ثبت معاملات ارزهای اینترنتی مانند بیت کوین استفاده میشود؛ اما کاربردهای تجاری بلاکچین آن بسیار بیشتر است. منطق مرتبه اول یا منطق محمولات (first order logic) اجازه استفاده از سورها (quantifiers) و محمول ها (predicates) را داده و قادر به بیان واقعیت اشیاء، ویژگی های آنها و روابط آنها با یکدیگر است.

تکنولوژی های وب، زبانهای نشانه گذاری و بسته های چندرسانه ای هستند که رایانه ها برای برقراری ارتباط با یکدیگر از آنها استفاده می کنند. شبکه های عصبی برگشتی را می توان توسط گرادیان نزولی (gradiant descent) آموزش داد اما از مشکل “شیب محو”(vanishing gradient problem) لطمه می بینند. بسیاری از مسائل در هوش مصنوعی را می توان با بررسی هوشمندانه راه حل های ممکن، حل کرد: استدلال می تواند تبدیل به یک جست و جو شود. شبکه های عصبی مثالی از محاسبات نرم هستند، و راه حل مسائلی هستند که با قطعیت منطقی نمی توان آنها را حل کرد و نیز جایی کاربرد دارد که راه حلی تقریبی کفایت می کند. برای مثال، با اختراع ارزشمند ماشین حساب، انسانها دیگر بدون فکر کردن و انجام محاسبات ذهنی کارهای خود را انجام می­دهند و حافظه خود را کمتر درگیر محاسبات خواهند کرد.

محاسبات تکاملی از نوعی جست و جوی بهینه بهره می برد. سیستم های فازی می توانند برای استدلال غیر قطعی استفاده شوند و به طور گسترده ای در سیستم های کنترل محصول (product control system) و صنعتی مدرن استفاده می شوند. بسیاری از الگوریتم های یادگیری از الگوریتم های جست و جوی مبتنی بر بهینه سازی استفاده می کنند. تکنیک غیر مستدل جست و جوی راه حل ها را به فضای نمونه ای کوچک تری محدود می کند. مشکلات کوچک تر اهداف قابل دسترس تری ارائه می دهند، و نتایج مثبت روز به روز در حال فزایش هستند. خبر خوب این است که منابع بسیار زیادی در دسترس شما هستند که میتوانید به سراغ آنهای بروید و یادگیری هوش مصنوعی را شروع کنید. به طور سنتی، دانش آموزان مجبور بودند منتظر بمانند تا سر کلاس حاضر شوند یا معلمان در دسترس باشند تا سولات یا مشکلات خود را برطرف کنند.

الگوریتم های روباتیک برای حرکت دست و پا و به دست گرفتن اشیاء از الگوریتم جست و جوی محلی (local searches) در تشخیص مکان استفاده می کنند. امروزه بسیاری از فناوریها در نتیجه پژوهش به دست میآیند و پژوهشگاههای فناوری زیادی در سراسر جهان بر پا شدهاست. علاوه بر این، پارادایم به محققان زبانی را ارائه می دهد که قادر به ایجاد ارتباط با دیگر رشته ها باشند (مثل نظریه تصمیم گیری و اقتصاد) و نیز از مفاهیم عامل انتزاعی بهره گیرند. در سال 1950، آلن تورینگ روشی کلی برای تست هوش یک عامل پیشنهاد کرد که اکنون به عنوان “تست تورینگ” شناخته می شود. با این وجود “تست تورینگ” چالشی بسیار دشوار است که تا کنون تمامی عامل ها در آن شکست خورده اند. قبل از ایجاد یادگیری ماشین خودکار، دانشمندان علوم داده باید مدلهای پیشبینی را دستی میساختند، ترکیبهای مختلفی از الگوریتمها را آزمایش و سپس پیشبینیها را با نتایج واقعی مقایسه میکردند که این کار به صرف زمان و هزینه بالا نیاز داشت و همچنین امکان خطا در آن بود.

برای بیشتر مشکلات واقعی جهان، کاوش های ساده و دقیق، کافی نیستند: فضای جست و جو (تعداد مکان هایی که جست و جو می شوند) با سرعت و به صورت نجومی در حال افزایش است. الگوریتم های طراحی از طریق درخت های اهداف و ابر اهداف جست و جو می کنند و در تلاش جهت یافتن راهی برای رسیدن به هدف هستند، فرآیندی که آنالیز means-ends نام دارد. بعنوان مثال اثبات منطقی می تواند بعنوان جست و جوی راهی که از کبری و صغری چینی به نتیجه منجر می شود مد نظر قرار گیرد، جایی که هر مرحله از آن یکی از قواعد استنتاج است. تنها راهی که ما میتوانیم برا ی یافتن چنین قوانینی پیش گیریم، مشاهدات علمی است و هنگامی که در یافتیم هیچگونه شرایطی تحت این عنوان وجود ندارد میتوانیم بگوییم: «ما به اندازهٔ کافی جستجو کردیم و چنین قوانینی وجود ندارند».

محققان هوش مصنوعی برای حل این مشکل با بکارگیری روش هایی از نظریه احتمال و اقتصاد، ابزارهای قدرتمندی را ابداع کرده اند. فرانک روزنبلات “پرسپترون” را ابداع کرد. نمونه هایی از این نوع ارزیابی ها در اواخر سال های 1990 میلادی تست های هوشمندی را با بهره گیری از اندیشه هایی از “ابهام کولموگروف” (Kolmogrov complexity) و “فشرده سازی داده ها” (data compression) ابداع کردند. کاملاً واضح و روشن است که در این رابطه میتوان برنامهای نوشت که ماشین، گزارشهایی را از درون خویش بدهد. از جملهی مشخصات این گوشی میتوان به نمایشگر ال سی دی که از رفرش ریت ۱۲۰ هرتزی پشتیبانی میکند و تراشهی پردازندهی اسنپدراگون ۶۸۰ اشاره کرد. شرکتهای سازنده بازیهای ویدئویی نیز نقشی پیشرو را در این زمینه ایفا میکنند.

علاوه بر این، هوش مصنوعی میتواند برای اتخاذ تصمیمات استراتژیک نیز به شرکتهای رسانهای کمک کند. علاوه بر این، زبان اشتراکی در ریاضی مجال همکاری با رشته های به ثبات رسیده را به وجود آورد (مانند: ریاضیات، اقتصاد یا تحقیق در عملیات). گوگل علاوه بر این از LSTM برای بهبود ترجمه ماشینی، الگوبرداری زبان و پردازش زبان چند زبانه استفاده کرده است. یادگیری عمیق در شبکه های عصبی مصنوعی با لایه های زیاد، بسیاری از زیر شاخه های هوش مصنوعی را دگرگون کرده است، زیر شاخه هایی هم چون: بینایی کامپیوتری، بازشناسی گفتار، پردازش زبان طبیعی و … مقاله سال 1971 ایواخننکو یادگیری یک پرسپترون چندلایه ی پیش نگر عمیق با 8 لایه را شرح داد، که بسیار عمیق تر از شبکه های بعد از آن بود.

شبکه های عصبی پیش نگر عمیق (deep feedforward neural networks) همراه با یادگیری تقویتی (reinforcement learning) که در آلفا گو (برنامه deepmind گوگل) به کار گرفته شده بود توانست یک بازیکن حرفه ای در بازی گو را شکست دهد. شبکه های غیر مدور یا پیش نگر عصبی (feedforward neural networks)(که در آن سیگنال تنها در یک جهت عبور می کند) و شبکه های عصبی بازگشتی (recurrent neural networks) ( که اجازه بازخورد و حافظه های کوتاه مدت رویدادهای ورودی پیشین را می دهد) از عمده دسته های شبکه ها هستند. زمانیکه یک مشاهده جدید دریافت شد، آن مشاهده بر اساس تجربیات پیشین طبقه بندی می شود. اغلب زمانیکه یک تکنیک به استفاده روزمره می رسد، دیگر به عنوان هوش مصنوعی تلقی نمی شود، که این پدیده به عنوان “اثر هوش مصنوعی” (AI effect) شرح داده می شود. سیستمهای ایجاد شده بر پایه این نوع، قدیمیترین سیستمهای هوش مصنوعی هستند و تواناییهای آنها بهشدت محدود است.

منتقدان چنین ابراز می کنند که این تکنیک ها (با چند استثنا) بر روی مسائل ویژه، بیش از حد متمرکز شده و در رسیدن به اهداف بلند مدت هوش عمومی باز مانده اند. شما می توانید سرویس اینترنت همراه اول (GPRS) را با ارتباط با یکی از درگاه­های زیر فعال نمایید. هوش مصنوعی در ارتباط با هر کار فکریست. فرآیند یادگیری با مشاهدات یا دادهها آغاز میشود تا الگویی از بین آنها استخراج شود و سپس برای ارائه تصمیم بهتر مورداستفاده قرار بگیرد. سیستم ۲۰۱۸ بخشی از یک پروژه در حال پیشرفت گوگل به نام اتوML است، که همچنین از NAS برای تولید تصفیهخانه استفاده کردهاست، یک خانواده از مدلهای یادگیری عمیق که کارآمدتر از مدلهای طراحیشده توسط انسان هستند، و به سطوح بالایی از دقت در وظایف تشخیص تصویر با مدلهای کوچکتر و سریعتر دست یافتهاند.

LSTM همراه با CNNs سبب بهبود زیر نویس کردن تصویر و کثرت دیگر اپلیکیشن ها شده است. کارشناس تکنولوژی پرتوشناسی پس از گرفتن عکس باید عکس ها را چک کند تا اگر کیفیت لازم را ندارند، دوباره عکس برداری کنند. این زبان برای کارها و وظایف ساده مفید است، همچنین نیازی نیست هنگام انتقال آنها به برنامههای پیشرفتهتر همه کدها ارتقا پیدا کنند و تغییری در آنها ایجاد شود. این زبان به شکلی طراحی شده که فوقالعاده کاربر پسند است و یادگیری و استفاده از آن بسیار آسان است، جای تعجب نیست که این زبان برنامه نویسی “بهترین دوست برنامه نویس” نامیده می شود. منطق برای نمود دانش و حل مسائل استفاده می شود، اما می تواند برای دیگر مسائل نیز به کار گرفته شود.

یکی از جذابترین موارد استفاده از اتومبیلهای خودران، درزمینهی اتومبیلهای اشتراکی است که پتانسیل زیادی را برای ایجاد تغییر و تحول گسترده در صنعت حملونقل دارد. در دهه 1990 پارادایم عامل هوشمند دربسیاری از موارد پذیرفته شد. همچنین با وقوع این انقلاب و پیشرفت خدمات تجاری وابسته به اینترنت از جمله خدمات مالی که توسط پلتفرمهای دیجیتال صورت میگیرد، تاثیر عمدهای بر دنیای اقتصاد ایجاد شده است. در واقع این امر در خرید گوشی، کاملا به سلیقه و میزان راحتی شما با هر کدام از این سیستمعاملها بستگی دارد. رشتههای تغذیهکننده آن دسته از رشتههای علمی هستند که دستاوردهای ابزاری آنها بهطور مستقیم در رشته تکنولوژی آموزشی استفاده میشود. در حال حاضر محققان زیادی از انواع یک نوع یادگیری عمیق شبکه های عصبی بازگشتی به نام شبکه “حافظه بلند مدت کوتاه مدت (long short term memory(LSTM)) که توسط هاچ ریتر و شمیدهابر در سال 1997 معرفی گردیده است، استفاده می کنند.