همچنین میتوان با بهرهمندی از فناوری پردازش زبان طبیعی اطلاعات دارویی را به متن تبدیل کرد و با ایجاد ساختار برای اطلاعات بیماران، بررسی آن را برای پزشکان راحتتر کرد. 3. پردازش زبان طبیعی: (NLP) شاخهای از هوش مصنوعی به حساب میآید که به رایانهها در فهمیدن، تفسیر و دستکاری زبان انسان کمک میکند. صنعت بهداشت و درمان: هوش مصنوعی در صنعت بهداشت و درمان میتواند در تشخیص داروهای مناسب یا خواندن تصاویر اشعه ایکس استفاده شود. اما فناوری جدیدتر تلویزیونهای ۴K و ۸K هستند که رزولوشن یا کیفیت تصویر فوقالعادهای دارند. اما این تمام ماجرا نیست. هوش مصنوعی بدون آموزش انسانی قادر به تشخیص چیزی نیست و از منطق کاملا متفاوتی برای معنیسازی برخوردار است. او بعد از خواندن زندگینامه برتراند راسل، متخصص منطق انگلیسی، از مطالعه روانشناسی و آمار الهام گرفت. در واقع تحقیق در خصوص هوش مصنوعی، از high level symbol manipulation و GOFAI جدا گشته و به مدلهایی تبدیل شده که گرایش بیشتری به capture کردن منطق ناخود آگاه ما دارند.
با استفاده از مجموعههای راداری با فرکانس بالا از دریاها امکان جمعآوری دادههای دقیق از سطح دریاها فراهم میشود و حرکت پویای آن با هوش ماشینی پیشبینیکننده امکانپذیر میشود. لیبرالیسم نیز بهدنبال هدایت و گسترش گزارههای خود در سطح جهان است. امروزه بروز و ظهور انقلابهایی در حوزه دیجیتال و هوش مصنوعی شیوه زندگی، کار و ارتباطات مردم جهان را بهطورکلی تغییر داده است. اما امروزه با توجه به قدرت شگفتانگیز توان پردازشی و نیز کلان دادهها این قضیه کاملا تغییر یافته است. هوش مصنوعی بیشترین استفاده را از دادهها میبرد. الگوریتم یکی دیگر از اصطلاحات متداول در دنیای هوش مصنوعی است. هدف یادگیری ماشین، توسعه سیستمهایی است که از دادهها میآموزند، الگوها را شناسایی میکند و با حداقل دخالت انسانی، تصمیمگیری میکنند. هدف گسترده هوش مصنوعی سوالات و بحث های زیادی را به وجود آورده است، به حدی که هیچ تعریف واحدی از این رشته به طور کلی پذیرفته نشده است. شما برای آموزش مدلهای یادگیری عمیق، به دادههای بسیار زیادی نیاز دارید. در این مقاله، من، حمیدرضا تائبی، بر مبنای چشماندازههای این حوزه، آگهیهای استخدام منتشر شده در سایتهای کاریابی و نرخ ورود دانشجویان به رشته هوش مصنوعی مهمترین کاربردهای هوش مصنوعی که آیندهدار هستند و به شما در پیدا کردن مشاغل خوب کمک میکنند را معرفی خواهم کرد.
کلمه عمیق در یادگیری عمیق، به تعداد لایههای موجود در شبکه عصبی اشاره دارد. شکل نمودار ۷ نشان میدهد که تعداد انتشارات در این حوزه همواره صعودی بوده و از سال ۲۰۱۵، به بعد نیز این روند سرعت بیشتری به خود گرفته است. یک شبکهی مصنوعی یادگیری عمیق که دادههای آموزشی آن برای دستیابی به عملکرد فوری محدود شده است دیدگاهی ساده اما مملو از نژادپرستی و کلیشههای جنسیتی از خود نشان میدهد. مانند آن چیزی که در ربات های سریال Westworld میبینیم. علاوه بر داشتن کاربرد های کلیدی در بسیاری بخش ها، هوش مصنوعی می تواند موارد استفاده ی بسیاری در تجارت و سازمان های بزرگ داشته باشد ؛ به عنوان مثال ،هوش مصنوعی می تواند خدمات مشتری ، جلوگیری از کلاهبرداری، راه حل های امنیتی زیرساختی ، مدیریت زنجیره ی تامین را بهبود بخشد و زمینه را برای ربات های چت مانند Siri و… دانشکده امپریال لندن: این دانشکده در ماه جولای سال ۱۹۰۷ با تمرکز بر رشتههای علوم، مهندسی و پزشکی تاسیس شد و در سالهای بعد رشتههای علوم انسانی و تجارت هم به آنها اضافه شد. هوش مصنوعی، هوشمندی را به محصولات فعلی اضافه میکند.
چرا استفاده از هوش مصنوعی مهم است؟ اما چرا هوش مصنوعی تا این اندازه مهم است؟ تکینگی که به آن تکینگی فناورانه (Technological Singularity) میگویند، ایده تئوری پس از هوش مصنوعی عمومی است. در فصل سوم درس هوش مصنوعی ، پرداختن به حل مسئله با تعریف دقیق مسئله و جواب آن آغاز شده است و مثالهای بسیاری برای به تصویر کشیدن این تعاریف ارائه میشود. در پایان نیز، فیلمها و دورههای آموزشی مرتبط با درس هوش مصنوعی معرفی شدهاند. خب من همه اینا رو کار نکردم و نمیتونم برای همش منبع معرفی کنم. هرچه بشر به این نقطه نزدیک و نزدیکتر بشود، تکینگی فناوری بیشتر در زندگی بشری تنیده میشود تا به نقطهای برسد که به مفهومی عادی برای نوع بشر مبدل شود. تکینگی نقطهای است که مدلها از رده خارج میشوند و واقعیت جدیدی حکمرانی میکند. با این اوصاف، هرچه بیشتر این مدلها خودهدایتگر شوند، برای دانشمندان رایانه دشوارتر خواهد بود تشخیص اینکه چطور این الگوریتمهای خود-آموخته به راهحلهایشان میرسند.
به همین دلیل برخی منابع از اصطلاح شبکههای عصبی مصنوعی برای توصیف این فناوری استفاده میکنند، زیرا شبکههای عصبی غیر مصنوعی در واقع همان شکبههای عصبی هستند که در مغز انسانها و سایر موجودات وجود دارد. شبکههای عصبی دارای لایههای پنهانی هستند و هوش مصنوعی میتواند با استفاده از این شبکهها، به گونهای عمیقتر و گستردهتر، دادهها را تحلیل کند. «منطق فازی» (Fuzzy Logic): سیستمهایی هستند که میتوانند دادهها را به جای الگوهای «باینری یا دودویی» (Binary) مبتنی بر مقادیر «حد میانه» (Middle-Ground) مانند «سیاه و سفید» یا «درست و غلط» دستهبندی کنند. بطور مثال مغز انسان میتواند اشیاء مشابه را طبقه بندی یا دستهبندی نماید.
از این رو مقوله فناوری ممکن است عجیب جلوه کند اما در واقع اینگونه نیست حتی در واقع میتوان گفت عامل تبدیل منابع طبیعی سرمایه و نیروی انسانی به کالا و خدمات است. و از همه مهمتر هدف اصلی هوش مصنوعی این است که به هوش عمومی (General AI) تبدیل شود که این هوش توانایی انجام هرکاری را دارد و کاملا هوشمند عمل میکند. هوشمندی به معنای توانایی کسب و بهکارگیری دانش و مهارت برای رسیدن به یک هدف مشخص است. این اتوماسیون برای رسیدن به نتیجه با ارزیابی داده ها، باعث صرفه جویی در وقت انسانی برای کسب و کارها می شود و به آنها کمک می کند تا تصمیم بهتری بگیرند. با خوراک دادن حجم انبوهی از دادهها به الگوریتم، الگوریتمها میتوانند خود را تطبیق دهند و به طور مداوم بهبود پیدا کنند (و بنابراین، یاد بگیرند).
بهاینترتیب ابزارهای مجهز به هوش مصنوعی میتوانند نحوه برقراری ارتباط و تبادل واقعی با انسانها را یاد بگیرند. چالشهای استفاده از هوش مصنوعی کدام است؟ با توجه به اینکه، یک ماشین فوق هوشمند میتواند به سرعت یاد بگیرد و خودش را ارتقا دهد، عمق عواقب آن را نمیتوان از پیش سنجید. اگر چه هوش مصنوعی در حال تاثیرگذاری گسترده بر تمام صنایع است؛ اما ما باید محدودیتهای آن را بشناسیم. بنابراین، هوش مصنوعی محدود یا ضعیف، هوش مصنوعی محسوب میشود که اغلب افراد به صورت روزمره با آن مواجه میشوند و آن را تجربه میکنند. هوش مصنوعی به پیشرفت و موفقیت افراد کمک میکند و مشکلات سیستمهای سنتی را که پیش از آن در حال استفاده بود را مشخص میکند.
هر دستگاه اندرویدی یا هوش مصنوعی فقط تا زمانی که از آن استفاده میکنیم هوشمند است. برنامه نویسی نداره و فقط ریاضیات قضیه رو خیلی ساده توضیح میده. برنامه های تلفن های هوشمند می توانند از GPS یا بلوتوث برای ایجاد گزارش افرادی که به تازگی با یکدیگر ملاقات کرده اند، استفاده کنند. ابزارهای یادگیری ماشینی و هوش مصنوعی نفع ویژهای به زندگی اجتماعی، زندگی شغلی و سیستم بهداشت و درمان رساندهاند به این معنی که ابعاد مختلف زندگی انسانها با استفاده از هوش مصنوعی رشد پیدا کرده است. یادگیری ماشین یکی از مهمترین شاخههای هوش مصنوعی است که خود زیرشاخههای مختلفی دارد. امروزه در دنیای هوش مصنوعی با اصطلاحات مختلفی مثل هوش مصنوعی محدود، هوش مصنوعی عمومی، یادگیری ماشین، شبکههای عصبی، یادگیری عمیق و تکنیگی روبرو میشویم که در عمل تفاوتهای زیادی با یکدیگر دارند. دستیارهای هوشمندی مثل Siri یا Alexa که برای تعامل با انسانها از یادگیری ماشین (Machine Learning) استفاده میکنند.
تکنولوژی در آموزش زبان این امکان را به وجود آورده تا زبان آموزان بتوانند در قالب پلتفرم های اختصاصی مانند پلتفرم آموزشی ایران اروپا اقدام به ارسال تکالیف شان برای استاد نمایند و استاد همان لحظه فیدبک یا بازخورد خود را در مورد تکالیف سایت 1biti مطرح کند. اما امروزه سیستم هدایت خودکار از چندین حسگر، تکنولوژی GPS، تشخیص تصویر، تکنولوژی جلوگیری از برخورد، رباتیک و پردازش زبان طبیعی برای هدایت و مسیریابی هواپیما در آسمان و اطلاع رسانی به خلبان استفاده میکند. زنان بیشتر به سراغ رشته های هنری و علوم اجتماعی می روند و کمتر در رشته های علوم طبیعی و مهندسی وارد می شوند. در برخی از موارد هوش مصنوعی وظایف را بهتر از انسانها انجام میدهد بهویژه هنگام انجام کارهای تکراری و پر از جزئیات مانند تجزیهوتحلیل دادهها، ابزار هوش مصنوعی تمام این وظایف را با سرعت بیشتر و خطای کمتر انجام میدهد. در واقع وقتی فضای مجازی جایگزین فضای فیزیکی شود، هزینههای مالی و زمانی هم کمتر میشود. انجام کارهایی که موجب افزایش کارایی و بازدهی سازمان شود، نوآوری در فرایند میباشد. از دیگر مزایای آن میتوان به افزایش سطح اطمینان و کاهش زمان حسابرسی اشاره کرد.
اندرو انجی (Andrew Ng)، دانشمند ارشد مرکز تحقیقات بایدو (Baidu)، پروژهی Google Brain که در پروژه توسعه یادگیری عمیق در سرویسهای گوگل مسئولیت دارد در این خصوص میگوید: «یادگیری عمیق یا به عبارت دقیقتر شبیهسازیهای مغز انسان برای بهتر کردن و سادهسازی استفاده الگوریتمهای یادگیری و ایجاد پیشرفتهای انقلابی در زمینه هوش مصنوعی و یادگیری ماشین استفاده میشود. Oliver Schabenberger معاون اجرایی و مدیر ارشد فناوری SAS میگوید هوش مصنوعی کمک میکند که ماشینها هوشمندانهتر عمل کنند ولی این فناوری قادر نیست جهان را به قبضه خود در آورد. اگر ماشینها میتوانند خاطرات را یاد بگیرند یا پردازش کنند، آنها میتوانند رویاپردازی هم کنند، توهم ببینند، غیر ارادی بیاد بیاورند یا بین رویاهای چند نفر ارتباط برقرار کنند؟ نکته مهمی که متخصصان هوش مصنوعی باید به آن دقت کنند این است که پروژههای هوشمند بیشتر به یادآوری و انتقال دانش میپردازند و در حوزه هنرهای بصری باید به این نکته دقت کنید که خاطرات ایستا نیستند بلکه تفسیرهای در حال تغییر از وقایع گذشته هستند. انسانها افکار و احساسات، خاطرات یا الگوهای مغزی دارند که رفتار آنها را هدایت می کند و بر آنها تأثیر می گذارد. در اینصورت، این الگوریتم به یک دستهبندیکننده (Classifier) یا پیشگو تبدیل میشود.
یادگیری ماشینی هنوز در مراحل اولیه در سراسر جهان میباشد و پروژه های زیادی وجود دارد که باید انجام شود و کارهای بسیاری نیز برای بهبود وجود دارد .زمانی که شروع به کار بر روی ایده های خود در پروژه های ماشین لرنینگ می کنید ، نه تنها می توانید نقاط قوت و ضعف خود را آزمایش کنید ، بلکه در معرض دید قرار می گیرید وهمینطور میتواند فرصت مناسبی جهت تقویت شغل شما باشد. این الگوریتمها، این قابلیت را دارند که بدون دریافت دستورالعملهای صریح از جانب برنامهنویس و یا خبره، عملکرد خود را بهبود بخشند. توی این پک فوق العاده، صفر تا صد متلب رو جوری یاد میگیری که تو هیچ کلاس آموزشی یا پک دیگه ای نه دیدی نه شنیدی! هوشمند تورنتو به گونه ای راه اندازی شده است که دولت 100 درصد خدمات خود را مبتنی بر آن ارائه می دهد. نوعی هوش مصنوعی است که در آن یک فناوری نسبت به انسان در وظیفه تعریف شده خاص عملکرد بهتری دارد. چرا و چگونه هوش مصنوعی یاد بگیریم ؟
این در حالی است که برای مثال، واژهای مثل الگوریتم توسط افراد زیادی شنیده شده، اما در تعریف عملکرد دقیق این فناوری نیز با مشکل روبرو هستند. سیستمی که پوکر بازی میکند، قادر به انجام شطرنج نیست؛ سیستمِ تقلبیاب نمیتواند خودرو را به حرکت در آورد یا به افراد مشاوره حقوقی بدهد. مسلما افزایش سطح امنیت ملی و خطرات امنیتی معضلی عمومی بشمار میرود و از آنجا که مهاجمان میتوانند از انواع سیستمهای محافظت نشده برای حملات خود استفاده کنند، این امر باعث می شود که هر کسی بخواهد نقش خود را بازی کند. 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.
بر اساس این معیار، دو روش کلی طبقهبندی هوش مصنوعی وجود دارد. هوش مصنوعی عمومی تواناییهای شناختی و درک تجربی کلی از محیطهایی که در آن قرار دارد را به همراه توانایی پردازش این دادهها با سرعت بسیار بیشتر از انسانها دارد. در حالی که بیشتر مردم دید کلی پیرامون فناوری هوش مصنوعی دارند، اما اگر از آنها سوال کنید که تعریف کوتاهی از هوش مصنوعی ارائه کنند، به سختی قادر به انجام اینکار هستند. در این مقاله قصد داریم تعاریف بسیار کوتاهی از برخی از اصطلاحات متداول هوش مصنوعی ارائه کنیم، اما قبل از پرداختن به اصطلاحات متداول هوش مصنوعی بهتر است نگاهی کوتاه به مفهوم هوشمندی داشته باشیم و در ادامه به سراغ این اصطلاحات برویم. این نوع سیستم هوش مصنوعی دنیا را به صورت مستقیم درک میکند و به آنچه که میبیند عمل میکند و به مفهوم درونی جهان کاری ندارد.
اولین پژوهشگران هوش مصنوعی، الگوریتمهایی را ساخته و توسعه دادند که فرآیند استدلالی که انسانها هنگام حل پازل یا استنتاج منطقی بهکار میبرند را بهصورت گامبهگام تقلید میکرد. دارد. اصطلاح هوش مصنوعی اولین بار در سال 1956 بهشکل گستردهای مورد توجه قرار گرفت و کسبوکارها به فاصله کوتاهی از ارایه مفاهیم تئوری تصمیم گرفتند این فناوری را بهشکل گسترده در فرایندهای تجاری استفاده کنند. اولین استفاده از واژه تکینگی در این معنا، توسط ریاضیدان جان فون نویمان بود. این برنامه از رویکردی تکرارشونده برای جمعآوری بازخورد درمورد اینکه موثرترین داروها، دوزها و درمانها کدام هستند، استفاده میکند. همین که درمان پیشرفت میکند و برنامه بازخورد بیشتری دریافت میکند، میتواند به طور مداوم برنامه را برای هر بیمار بهروز کند. به عنوان مثال، هنگامی که برنامه یادگیری بدون ناظر ما گروههای بیمارن مشابه را مییابد، بتواند آن داده ها را به یک برنامه یادگیری با نظارت ارسال کند. سیستم هوش مصنوعی توسعهدهنده سیستمهای کامپیوتری است وظایفی را برعهده دارند که برای انجام آن به هوش انسانی است. دقت کنید که یک الگوریتم ضرورتی ندارد یک برنامه کامپیوتری باشد، با اینحال، امروزه، این دو مفهوم با یکدیگر عجین شدهاند.