هوش مصنوعی چیست؟ (۲ زیرمجموعه مهم آن کدامند؟)
هوش مصنوعی و تفاوت آن با یادگیری ماشین و یادگیری عمیق
امروزه، هوش مصنوعی همه جا خود را نشان میدهد. اما، ممکن است شما هم عبارات یادگیری ماشین و یادگیری عمیق را شنیده باشید. قصد دارم، با باز کردن تعریف این سه، تفاوت آنها و وجه اشتراکشان را برای شما باز کنم. پس، این مطلب را از دست ندهید.
هوش مصنوعی
Artificial Intelligence یا به اختصار AI، به توانایی تفکر و تصمیم گیری توسط ماشین گفته میشود. کلمه هوش، نشان دهنده امکان استدلال است و اینکه آیا هوش مصنوعی میتواند به توانایی استدلال دست یابد یا خیر، خود موجب اختلاف محققان است.
کتاب‌های هوش مصنوعی، این شاخه را به عنوان شاخه مطالعه بر روی عوامل هوشمند تعریف می‌کنند؛ هر سیستمی که محیط برنامه نویسی شده خود را درک کرده و اعمالی را انجام میدهد که شانسش را در دستیابی به اهدافش بیشتر میکند. برخی از منابع شناخته شده از اصطلاح هوش مصنوعی جهت توصیف ماشینی استفاده می‌کنند که عملکردهای شناختی را از روی ذهن انسان تقلید می‌کنند. همچون یادگیری و حل مسئله. با این حال این تعریف توسط محققان اصلی در زمینه AI رد شده است.
تاریخچه
هوش مصنوعی در سال ۱۹۵۶ میلادی تبدیل به شاخه‌ای آکادمیک شد. این علم، توسط فلاسفه و ریاضی دانانی نظیر جرج بول که اقدام به ارائه قوانین و نظریه‌هایی در مورد منطق نمودند، مطرح شده بود. با اختراع رایانه های الکترونیکی در سال ۱۹۴۳، هوش مصنوعی دانشمندان آن زمان را به چالشی بزرگ فراخواند. در این شرایط، چنین به‌نظر می‌رسید که این فناوری قادر به شبیه‌سازی رفتارهای هوشمندانه خواهد بود.
کلمه هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید. البته فعالیت در این زمینه از سال ۱۹۶۰ میلادی شروع شد. بیشتر زمینه های تحقیقاتی، بر روی انجام ماشینی بازی ها و نیز اثبات قضیه های ریاضی با کمک رایانه‌ها بود. در آغاز تصور بر این بود که، رایانه‌ها میتوانند این فعالیت ها را تنها با بهره گرفتن از تعداد بسیار زیادی کشف و جستجو برای مسیرهای حل مسئله و سپس انتخاب بهترین روش برای حل آنها به انجام رسانند.
آزمون تورینگ
این آزمون، آزمونی است که توسط آلن تورینگ در سال ۱۹۵۰ در نوشته‌ای به نام محاسبات ماشینی و هوشمندی مطرح شد. در این آزمون شرایطی فراهم میشود که شخصی با ماشینی تعامل برقرار کند و پرسش‌های کافی برای بررسی اقدامات هوشمندانه ماشین، از آن بپرسد. چنانچه، در پایان آزمایش نتواند تشخیص دهد که با انسان یا با ماشین در تعامل بوده‌است، آزمون با موفقیت انجام شده‌است. تاکنون هیچ ماشینی از این آزمون با موفقیت بیرون نیامده است.
تعریف و طبیعت هوش مصنوعی
اکثر تعریف‌هایی که در این زمینه ارائه شده‌اند، بر پایه یکی از ۴ باور زیر قرار می‌گیرند:
- سامانه‌هایی که به‌طور منطقی فکر می‌کنند.
- سامانه‌هایی که به‌طور منطقی عمل می‌کنند.
- سامانه‌هایی که مانند انسان فکر می‌کنند.
- سامانه‌هایی که مانند انسان عمل می‌کنند.
تاکنون دانشمندان به یک تعریف نرسیده‌اند و هریک تعریفی را ارائه نموده‌اند که در زیر نمونه‌ای از این تعاریف آمده‌است.
- هنر ایجاد ماشین‌هایی که وظایفی را انجام می‌دهند که انجام آنها توسط انسان‌ها نیاز به هوش دارد (کورزویل- ۱۹۹۰)
- مطالعه استعدادهای ذهنی از طریق مدل های محاسباتی (کارنیاک و مک درموت – ۱۹۸۵)
- مطالعه اینکه چگونه رایانه‌ها را قادر به انجام اعمالی کنیم که در حال حاضر، انسان آن اعمال را بهتر انجام میدهد. (ریچ و نایت -۱۹۹۱)
- خودکارسازی فعالیت‌هایی که ما آنها را به تفکر انسانی نسبت می‌دهیم. فعالیت‌هایی مثل تصمیم‌گیری، حل مسئله، یادگیری و … (بلمن -۱۹۷۸)
- تلاشی نو و مهیج برای اینکه رایانه‌ها را قادر به فکر کردن کنیم. ماشین‌هایی با فکر و حس تشخیص واقعی (هاگلند-۱۹۸۵)
- یک زمینه تخصصی که به دنبال توضیح و شبیه‌سازی رفتار هوشمندانه به وسیله فرایندهای رایانه‌ای است. (شالکوف -۱۹۹۰)
- مطالعه محاسباتی که درک، استدلال و عمل کردن را توسط ماشین‌ها را ممکن می‌سازد. (وینستون – ۱۹۹۲)
- توانایی دست یافتن به کارایی در حد انسان در همهٔ امور شناختی توسط رایانه (آلن تورینگ – ۱۹۵۰)
- هوش مصنوعی دانش و مهندسی ساخت ماشین‌های هوشمند و به خصوص برنامه‌های رایانه‌ای هوشمند است. هوش مصنوعی با وظیفه مشابه استفاده از رایانه‌ها برای فهم چگونگی هوش انسان مرتبط است، اما مجبور نیست خودش را به روش‌هایی محدود کند که بیولوژیکی باشند. (جان مک‌کارتی – ۱۹۸۰)
همچنین، خصوصیات زیر قابلیت‌های ضروری برای هوشمندی یا همان هوش است:
- پاسخ به موقعیت‌های از قبل تعریف نشده با انعطاف بسیار بالا و بر اساس بانک دانش
- معنا دادن به پیام‌های نادرست یا مبهم
- درک تمایزها و شباهت‌ها
- تجزیه و تحلیل اطلاعات و نتیجه‌گیری
- توانمندی آموختن و یادگرفتن
- برقراری ارتباط دوطرفه
به فرض اینکه تعاریف بالا را از هوشمندی بپذیریم، موارد زیر فهرستی است از وظایفی که از یک سامانه هوشمند انتظار می‌رود و تقریباً اکثر دانشمندان هوش مصنوعی بر آن اتفاق نظر دارند و بدین شرح است:
- تولید گفتار
- تشخیص و درک گفتار (پردازش زبان طبیعی انسان)
- دستورپذیری و قابلیت انجام اعمال فیزیکی در محیط طبیعی و مجازی
- استنتاج و استدلال
- تشخیص الگو و بازشناسی الگو برای پاسخ گویی به مسائل بر اساس دانش قبلی
- شمایلی گرافیکی یا فیزیکی جهت ابراز احساسات و عکس‌العمل‌های ظریف
- سرعت عکس‌العمل بالا
اتاق چینی
این اصطلاح، یک آزمایش ذهنی است که اولین بار در مقاله جان سرل به نام ذهن‌ها، مغزها و برنامه‌ها در سال ۱۹۸۰ منتشر شد. وی با این سؤال که آیا یک برنامه هوشمند مترجم که توانایی ترجمه از زبان چینی به زبان انگلیسی را دارد، ضرورتی برای فهم موضوع مورد ترجمه دارد یا خیر. و با تشبیه ذهن به یک برنامه هوشمند رایانه‌ای این استدلال را در برابر مواضع فلسفی کارکردگرایی و نظریه محاسباتی ذهن که در آنها، ذهن به عنوان یک محاسبه‌گر یا دستکاری کننده نماد، عمل میکند، قرار داد.
نتایج حاصل از آزمایش اتاق چینی حکایت از این دارد که هیچ برنامه‌ای نمی‌تواند به کامپیوتر، ذهن، فهم یا آگاهی بدهد. حال آن برنامه هر آنچه می‌خواهد هوشمند باشد و باعث شود کامپیوتر همچون انسان رفتار کند. اگر چه این آزمایش در اصل جوابی برای اظهارات محققان هوش مصنوعی بود، اما این ادعا در برابر اهداف تحقیقات هوش مصنوعی قرار نمی‌گیرد چرا که این موضوع حدی برای هوشمندی کامپیوتر قائل نیست. همچنین این آزمایش مختص رایانه‌های دیجیتال است و دامنه آن همه ماشین‌ها نیستند.
یادگیری ماشینی
Machine Learning یا به اختصار ML، علم مطالعه الگوریتم‌ها و مدل‌های آماری مورد استفاده سیستم‌های کامپیوتری است که به‌جای استفاده از دستورالعمل‌های واضح، از الگوها و استنباط برای انجام وظایف استفاده می‌کنند. این علم، باعث میشود رایانه‌ها بدون نیاز به یک برنامه صریح در مورد یک موضوع خاص یاد بگیرند. طیف پژوهش‌هایی که در یادگیری ماشین انجام میشود گسترده است.
یادگیری ماشینی، کمک فراوانی به صرفه جویی در هزینه‌های عملیاتی و بهبود سرعت عمل تجزیه و تحلیل داده‌ها میکند. به عنوان مثال در صنعت نفت و پتروشیمی با استفاده از یادگیری ماشین، داده‌های عملیاتی تمام حفاری‌ها اندازه‌گیری شده و با تجزیه و تحلیل داده‌ها، الگوریتم‌هایی تنظیم میشود که در حفاری‌های بعدی استخراج پُربازده و بهینه‌تری داشته باشیم.
یادگیری عمیق
یادگیری ژرف یا Deep Learning، یک زیر شاخه از یادگیری ماشین و بر مبنای مجموعه‌ای از الگوریتم‌ها است که در تلاشند تا مفاهیم انتزاعی سطح بالا در علم داده را مدل نمایند که این فرایند را با استفاده از یک گراف عمیق که دارای چندین لایه پردازشی متشکل از چندین لایه تبدیلات خطی و غیرخطی هستند، مدل می‌کنند.
یک نمونه آموزشی (برای نمونه: تصویر یک گربه) میتواند به صورت‌های گوناگون بسان یک بردار ریاضی پر شده از مقدار به ازای هر پیکسل و در دید کلی‌تر به شکل یک مجموعه از زیرشکل‌های کوچک‌تر (نظیر اعضای صورت گربه) مدل‌سازی شود. برخی از این روش‌های مدل‌سازی سبب ساده شدن فرایند یادگیری ماشین (برای نمونه: تشخیص تصویر گربه) می‌شوند. در یادگیری عمیق، امید به جایگزینی استخراج این ویژگی‌های تصویر به دست بشر (مانند اعضای گربه) با روش‌های کامل‌خودکار وجود دارد.
نتیجه
یادگیری ماشین و یادگیری عمیق، زیرشاخه های هوش مصنوعی هستند که خود دارای زیرشاخه های دیگری هستند که در آینده به آنها خواهم پرداخت. وجه اشتراک اساسی این سه، شبیه سازی سیستم یادگیری مغز انسان در ماشین است.
امیدوارم این مطلب برای شما مفید بوده باشد!
