دیکشنری وبستر تکنولوژی را اینگونه تعریف می کند: شعبه ای از دانش که با دانش سایت 1biti کاربردی،مهندسی،صنعتی،هنر و… سیستمهای فازی، نمونهای از سیستمهای مبتنیبر قانون (Rule-based) هستند که مقادیر متغیرهای مسئله را به یک بازه پیوستگی از مقادیر بین 0 و 1 نگاشت میکنند. این سیستمها، هنوز در مرحله تحقیق قرار دارند و تاکنون، نمونهای از چنین سیستمهایی ساخته نشده است. «سیستمهای خبره» (Expert Systems)، نمونهای از ابزارهای مبتنی بر منطق و دانش هستند. در اوایل سال ۱۹۸۰، پژوهشهای هوش مصنوعی با کسب موفقیتهای تجاری در «سیستمهای خبره» (expert systems)، حیاتی دوباره یافتند. این تکنولوژی با دریافت دادههای جدید خودش را دوباره برنامه ریزی میکند و وظیفهاش را هربار با دقت بیشتری انجام میدهد. با وجود نظرات انتقادی و مخالفتهایی که با هوش مصنوعی شده و میشود، در قرن بیست و یکم، روشهای مورد استفاده در این دانش به واسطه مزایای پیشرفتهای که در قدرت محاسباتی، پردازش حجم انبوه دادهها، و درک مباحث نظری داشتند، حیاتی دوباره گرفتند؛ و در حال حاضر هوش مصنوعی بخشی اساسی از صنعت فناوری است که به حل چالشهای گوناگون در علوم رایانه کمک میکند.
به عبارت دیگر، اینترنت اشیا به این معنی است که می توان با استفاده از تلفن هوشمند یا سایر دستگاه های متصل، تجهیزات مبتنی بر فناوری را از هر کجا که هستیم، کنترل کنیم. وظیفه این ربات یک تنی، انتقال وسایل از غلطک به سایر نقاط بود. سهولت در دسترسی آنلاین به خدمات دولتی و ترجمه اتوماتیک برای بسیاری از خدمات به طور ویژه برای خارجیانی که به تازگی به این کشور سفر کرده اند بسیار مفید بوده است. «ادراک» (Perception): قابلیت تبدیل کردن ورودیهای خام حس شده (نظیر تصویر، صدا و سایر موارد) به اطلاعات مفید و قابل استفاده برای حل مسائل.
به طور کلی، روشهای پردازش زبان طبیعی برای پردازش و تحلیل ویژگیهای «لغوی» (Lexical)، «معنایی» (Semantic)، «نحوی» (Syntactical)، «ساختاری» (Structural) و گفتاری (Speech) مورد استفاده قرار میگیرند. این دستگاهها، فعالیتهای خود را بر اساس استخراج، پردازش و تحلیل تصاویر دیجیتالی انجام میدهند. چنین روشهایی، امکان پیادهسازی سیستمهایی را میدهند که میتوانند در شرایط «عدم قطعیت» (Uncertainty) نیز تصمیمگیری کنند. چنین سیستمهایی از یک جمعیت متشکل از عاملهای ساده تشکیل شدهاند که به صورت محلی و در محیط عملیاتی خود با یکدیگر در حال تعامل هستند. عاملهای مبتنی بر دانش میتوانند وظایف جدید را در قالب اهداف صریحاً توصیف شده بپذیرند. سیستمهای مبتنی بر تکنولوژیهای جدید مانند یادگیری عمیق میتوانند کیفیت «تصمیمگیری» (Decision-Making) کسب و کارها را بهبود دهند. سومین رویکرد، که استفاده از آن در کسبوکارها بسیار مرسوم است، بهرهگیری از روشهای قیاسی مانند ماشین بردار پشتیبان و نزدیکترین همسایگی است. فهم زبان طبیعی، همان هوش مصنوعی است که توسط نرمافزارهای کامپیوتری استفاده میشود تا بتوانند متون و هر نوع داده غیر ساخت یافته را تفسیر کنند. تولید زبان طبیعی، فرایندی نرمافزاری است که داداههای ساخت یافته را به محتوای زبان طبیعی تبدیل میکند.
۱۳۸۸: گوگل شروع به ساخت یک خودرو خودران میکند. به این صورت که پژوهشگران با ساخت یک وسیله فوق العاده نازک که به ضخامت چند اتم است، توانستند فرکانس های بسیار پایین را هم به شارژ الکتریکی تبدیل کنند. در حال حاضر تسلا با عرضه انواع خودروهای هیبرید و الکتریکی که تنها با یک بار شارژ شدن شما را مایلها همراهی میکنند، پیش قدم است. اما اگر به فکر مسافتهای بیشتری هستید، باید به باتریهای 116.79 کیلو وات ساعتی فکر کنید که در هر بار شارژ، 680 کیلومتر دوام میآورند. آنها به طور استراتژیک، انتزاعی و خلاقانه فکر میکنند و توانایی انجام طیفی از وظایف پیچیده را دارند.
مثلا اگر کریستف کلمب قاره آمریکا را کشف نکرده بود و امکانات ارتباطی مدرن هم نبود، کرونا قطعا از چین به آمریکا نمیرسید! اما در مدرنیته، تمام روابطِ مستحکم «از هم گسسته میشوند و روابطِ تازهشکلگرفته هم پیش از اینکه مستحکم شوند، از رده خارج خواهند شد». برای مثالی از گستردگی موضوعات قابل انجام در هوش مصنوعی میتوان به تشخیص کاراکتر اپتیکی اشاره کرد که معمولا خارج از مباحث هوش مصنوعی مطرح میشود و به یک فناوری معمول مبدل شده است. سیستمهای محاسبات حسی میتوانند به عنوان سیستمهای «تعامل انسان-کامپیوتر» (Human-Computer Interactions) نیز عمل کنند؛ یعنی، قابلیت تشخیص شرایط احساسی کاربران انسانی و دیگر محرکها را داشته و از این طریق، به تعامل با کاربران مشغول شوند. گفته میشود اپل قصد دارد در سری جدید تلویزیونهای این کمپانی٬ همین قابلیت را جایگزین کنترلهای تلویزیون کند٬ تا کاربران برای عوض کردن کانالها یا کم و زیاد کردن صدا٬ هر بار مجبور نباشند دنبال کنترل بگردند. دیود ساطع نور کوانتومی یا تلویزیونهای QLED یکی از محبوبترین انواع تلویزیون در بازار فعلی است.
ریچارد رودز در کتاب خود یعنی «رویا و تصوراتی از فناوری: یک قرن بحث حیاتی در مورد ماشینآلات سیستمهای جهانی» که در سال 1999 چاپ شد، به تعاریف فوقالعادهای در مورد تکنولوژی و پیشرفت آن در ابتدای قرن بیستم پرداخته است. همانطور که پیش از این به سطح دشواری هوش مصنوعی پرداخته شد، این مهارت دارای سطح دشواری بالایی است. در فصل اول، مفهوم «عاملهای منطقی» به عنوان رویکرد محوری درس هوش مصنوعی تعیین شد، حال در فصل دوم، بر این فرضیه تاکید بیشتری شده است. در روش اول، فناوری های هوش مصنوعی بر اساس قابلیتها، نحوه کاربرد و دامنه مسائلی که میتواند در آن اقدام به حل مسأله کنند، دستهبندی میشوند. تفاوت محاسبات حسی با «تحلیل احساسات» (Sentiment Analysis) این است که مورد اول، انواع مختلف احساسات را شناسایی میکند، در حالی که مورد دوم، فقط «قطبیت» (Polarity) دادههای متنی حاوی زبان طبیعی را میسنجد. این حوزه، استفاده از الگوریتمهای کامپیوتری و فناوری های هوش مصنوعی را برای ترجمه دادههای متنی از یک زبان به زبان دیگر، مطالعه و بررسی میکند. ROSS می تواند داده های مربوط به حدود یک میلیارد اسناد متنی را استخراج کند ، اطلاعات را تجزیه و تحلیل کند و پاسخ های دقیقی را برای سؤالات پیچیده در کمتر از سه ثانیه ارائه دهد.
بنا نهادن یادگیرنده برمبنای نظریات بد و بیش از اندازه پیچیده منجر به برازش نامناسب دادههای آموزش میشود که به آن بیشبرازش میگویند. در علوم کامپیوتر به انجام پژوهش در زمینه «هوش مصنوعی»، مطالعه «عاملهای هوشمند» نیز میگویند. به شکستهایی که در زمینه ارتقا این دانش به وقوع پیوسته، اصطلاحا «زمستان هوش مصنوعی» میگویند. محور افقی، «الگوهای هوش مصنوعی» (Artificial intelligence Paradigms) را نمایش میدهد. «هوش مصنوعی جامع» (Artificial General Intelligence): این نوع جامع، به عنوان هوش مصنوعی عمیق یا قوی نیز شناخته میشود. این زیربخشهای موضوعی بر مبنای ملاحظات فنی مانند اهداف خاص (برای مثال، رباتیک و یادگیری ماشین)، استفاده از ابزارهای مشخص (منطق یا شبکههای عصبی)، یا تفاوتهای عمیق فلسفی تعیین شدهاند. در این کتابخانه از کدهای تنسورفلو نیز استفاده شده است.
کتابخانهها کدهای از قبل نوشته شده هستند که توسط سایر توسعه دهندگان ایجاد شده اند. در ادامه کدهای این تست مجدد نمایش داده شدهاند. شبکههای عصبی مصنوعی، از مجموعهای از واحدهای به هم متصل به نام «نرونهای مصنوعی» (Artificial Neurons) تشکیل شدهاند. در این مدلسازی، سیستم در قالب مجموعهای از موجودیتهای تصمیمگیرنده خودگردان تعریف میشود. در این روزها شاید شما هم از افرادی بودید که با پزشک خود به طور آنلاین در ارتباط بودید. چطور میتوانیم تجربه بهتری برای شما بسازیم؟ این تجربه به خصوص برای افرادی که ناراحتیهای قلبی دارند و یا زنان باردار میتواند خطرات بسیاری داشته باشد.
هوش مصنوعی (artificial intelligence) به شبیه سازی پردازش های انجام شده توسط هوش انسانی گفته می شود که توسط ماشین ها و به خصوص سیستم های کامپیوتری انجام می شود. ما امروز قادریم حجم بالایی از اطلاعات مختلف را ذخیره سازی کنیم و آن ها را پردازش کنیم. به عنوان نمونه، در شرکتهای تجاری و سازمانها، از چنین روشهایی جهت تولید محتوای زبان طبیعی، برای بهکارگیری در گزارشهای سازمانی تولید شده به صورت خودکار استفاده میشود. یادگیری ماشین، مطالعه علمی الگوریتمها و مدلهای احتمالی است که کامپیوترها، برای انجام وظایف محول شده، از آنها استفاده میکنند. مطالعه در زمینه استدلال رسمی یا مکانیکی به آثار دوران باستان فلاسفه و ریاضیدانان باز میگردد. زمینه هوش مصنوعی یا AI در گامی فراتر، نه تنها در تلاش برای رسیدن به درک و فهم است، بلکه سعی در ایجاد عوامل هوشمند دارد.
این نمونه از هوش مصنوعی با بهرگیری از الگوریتمهای هوش مصنوعی، یادگیری ماشینی، یادگیری عمیق و پردازش زبان طبیعی قادر به درک و فهم متنها است. هوش مصنوعی یک شاخه جداییناپذیر از حوزه علوم کامپیوتر به حساب میآید که هدف آن شبیهسازی هوش انسانی در ماشینها و سیستمها است. در این زیر شاخه از فناوری های هوش مصنوعی، فناوریهایی قرار دارند که از طریق مشاهده عملکرد انسانها در انجام مجموعهای از وظایف خاص، لیستی از قوانین و عملیات مورد نیاز برای انجام این وظایف توسط ماشین را استخراج میکنند. در نظریه محاسبات، سیستم قوانین تغییر دادهها در حالتی تورینگ کامل نامیده میشود که بتوان برای شبیهسازی آنها از ماشین تورینگ تک نواری استفاده کرد. فناوری عبارت است از کاربرد علوم در صنایع با استفاده از رویهها و مطالعات منظم و جهتدار.
برخی از سیستمهای هوش مصنوعی به طور ضمنی یا صریح از چند مورد از این رویکردها در کنار بسیاری از دیگر الگوریتمهای هوش مصنوعی و غیر هوش مصنوعی (روشهای آماری و دیگر موارد) استفاده میکنند. برخی از یادگیرندگان براساس مبانی «تیغ اوکام» کار میکنند که براساس آن سادهترین نظریه برای تشریح دادهها، محتملترین آنها است. آنها به بازاریابان غیر فنی کمک میکنند تا اقدامات، برنامهها و تجربیات مشتری را بهتر انجام دهند و بهطور مؤثری از نرمافزار و داده استفاده کنند و به مدیریت انواع جدید ارتباطات فنی که بازاریابی با آژانسها و ارائهدهندگان خدمات انجام میدهد کمک میکنند. در حالت مرسوم روشهای برنامهنویسی احتمالی، برنامهنویس انسانی برای تصمیمگیری در مواجهه با عدم قطعیت، یک برنامه احتمالی بیزی تولید کرده و از ان برای حل مسأله استفاده میکند. برخی از قابلیتهای تصمیمگیری موجود در «اتومبیلهای خودران» (Self-Driving Automobiles)، به این شکل طراحی شدهاند. روشهای شبکه تصمیم، علاوه بر حل مسائل استنتاج احتمالی، توانایی مدلسازی و حل مسائل تصمیمگیری (Decision Making Problems) را نیز دارند. در این روشها، از تکنیک «پسانتشار» (BackPropagation) برای آموزش هر دو شبکه استفاده میشود؛ از این طریق، شبکه مولد تصاویر بهتری تولید میکند و شبکه تمایزی، عملکرد خود را در شناسایی تصاویر سنتز شده بهبود میبخشد.
روش بیان شده مشابه با راهکاری است که از آن با عنوان «پرورش گزینشی» یاد میشود؛ در این شیوه هدف توسعه صفاتی خاص در برخی از حیوانات، مانند سگها است به شکلی که این صفات در نسلهای بعدی آنها به صورت غریزی وجود داشته باشد. به لحاظ تئوری میتوان گفت برخی از «یادگیرندگان» (الگوریتمهای هوش مصنوعی) شامل شبکههای بیزی، درختهای تصمیم و نزدیکترین همسایگی میتوانند در صورت در اختیار داشتن داده، زمان و حافظه نامحدود بیاموزند که هر تابعی، از جمله هرگونه ترکیبی از توابع ریاضی، را تخمین بزنند تا جهان (منظور محیط پیرامون عامل هوشمند است) را به بهترین شکل توصیف کنند. شبکههایی بیزی، برای حالتهایی که یک رویداد خاص اتفاق افتاده باشد و سیستم بخواهد احتمال اینکه کدام یک از علتهای ممکن شناخته شده، عامل تاثیرگذار در این رویداد بوده را پیشبینی کند، بسیار ایدهآل هستند. در این دسته از الگوهای برنامهنویسی، برنامههای احتمالی بیزی، به طور خودکار، برنامههای بیزی جدید تولید میکنند. مردم حاکم میشوند و فیلسوفان و اندیشمندان ساکت، تا خود فردانیتها بر بستری از آگاهی و شعور جدید خلق شده و اخلاق جهانی متکثر در فضای مملو از مفاهیمی برای حاکم کردن ناخودآگاهی که دارای منطق خودجوش است وارد عمل شود.
این ناحیه را می توان متعلق به ربات های دارای هوش مصنوعی دانست. اگرچه تاکنون تحقیقات زیادی در این زمینه انجام شده است، اما، تاکنون این دسته از فناوری های هوش مصنوعی، به واقعیت مبدل نشدهاند. ترجمه ماشینی، زیر شاخهای از «زبانشناسی محاسباتی» (Computational Linguistics)، هوش مصنوعی و پردازش زبان طبیعی است. نمایش نتایج جستجو، ارائه پیشنهادات، تشخیص افراد و اشیا در تصاویر، ترجمه لحظهای و شناسایی اسپم تنها بخشی از کاربردهای هوش مصنوعی است. به عقیده ما بهترین وسادهترین راه برای تفسیر عبارت هوشمند، ترجمه آن به عبارت “انعطافپذیر” است. کینکت، که یک رابط سهبُعدی تشخیص حرکت-بدن برای Xbox 360 و Xbox 1 فراهم میکند و همچنین دستیارهای شخصی دیجیتال به کار رفته در گوشیهای هوشمند، از ادغام الگوریتمهای هوش مصنوعی که طی سالهای طولانی پژوهش در این حوزه کشف شدند، حاصل شده است. مزارع هوشمند، لباسها و هرآنچه که فکرش را نمیکنید در آینده نزدیک به اینترنت متصل است. از آنجایی که حریصانه نیستند، تقریب نزدیک از جواب بهینه سراسری را نیز به عنوان جواب بهینه میپذیرند. مشاهدات انجام شده و اطلاعات بهدست آمده از وضعیتهای پیشین، در تصمیمگیریهایی که در آینده اتخاذ میشوند، دخیل هستند (نظیر تعویض خطوط رانندگی توسط اتومبیل). مشاهدات انجام شده، به طور دائم ذخیره نمیشوند.
دانش یاد شده، در زمره علوم کامپیوتر، ریاضیات، روانشناسی، زبانشناسی، فلسفه و بسیاری از دیگر علوم میگنجد. با افزایش توانمندی ماشینها، دیگر صحبت از انجام وظایف نیازمند «هوشمندی» نیست؛ و این منجر به ایجاد پدیدهای به نام «اثر هوش مصنوعی» (AI effect) میشود. در جای دیگر تکنیک روش و فن انجام دادن کار بهعنوان روش و سلیقه خاص در اجرای جزئیات یک امر بخصوص در هنرهای ایجادی نام برده شده است. خروجی هر کدام از نرونها، از طریق یک واحد خاص به نام «تابع انتقال» (Transfer Function) یا «تابع فعالسازی» (Activation Function) محاسبه میشود. شبکههای عصبی نظیر «شبکههای عصبی پیچشی» (Convolutional Neural networks) و «شبکههای حافظه کوتاه مدتِ بلند» (Long Short-Term Memory Networks)، از جمله مهمترین الگوریتمهای یادگیری عمیق هستند. یادگیری عمیق دارای انواع و روشهای مختلفی برای بازتولید عملکرد مغز انسان است. همانطور که در زندگی روزمره مشخص است، امروزه بیشتر سیستمها، سازمانها و حتی وسایل مورد استفاده بشر دارای هوش مصنوعی هستند و روز به روز استفاده از سیستمهای هوش مصنوعی در حال افزایش است. هوش مصنوعی حداکثر استفاده را از دادهها میکند. معمولاً در پروژههای هوش مصنوعی هنگام آموزش دادهها چندین بار (دوره) این کار انجام میشود تا در نهایت بتوان به نتیجه قابل قبولی رسید.
سرل از این مقدمه نتیجه میگیرد كه دستكاری نمادها هرگز برای پدید آمدن فهم كافی نیست. این حوزه، یکی از زیر شاخههای پردازش زبان طبیعی و فناوری های هوش مصنوعی محسوب میشود و با مفهوم «درک مطلب ماشینی» (Machine Reading Comprehension) سر و کار دارد. سادهترین شکل فناوری توسعه ابزارهای اساسی زندگی و استفاده از آنهاست. با داشتن یک دسته از علائم خاص، از شبکه بیزی میتوان برای محاسبه احتمالات وجود بیماریهای مختلف در بیماران استفاده کرد. 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 عنوان نمونه، در پردازش تصویر، لایههای پایانتر شبکه ممکن است ویژگیهایی نظیر «لبه» (Edge) را در تصویر شناسایی کنند، در حالی که در لایههای بالاتر، ویژگیهای سطح بالاتر نظیر رقم، حروف و یا صورت استخراج میشود.