شاخه‌های هوش مصنوعی

شاخه‌های هوش مصنوعی

هوش مصنوعی، تمرینی برای کامپیوتر است که قابلیت شناسایی، استدلال و عمل کردن را دربر­می­گیرد. کلیت هوش مصنوعی درباره شبیه‌سازی رفتار انسان توسط یک کامپیوتر است که بخش مهمی از آن شامل یادگیری ماشین‌ها می­شود. با این حال هوش مصنوعی و یادگیری ماشین با یکدیگر مرتبط هستند. در آغاز این بلاگ، با اساسی ترین شاخه‌های هوش مصنوعی آشنا می‌شویم.

هوش مصنوعی می‌تواند با وظایفی که به شیوه هوشمند خود انجام می­دهد؛ دقت، انعطاف و بهره‌وری بسیار بالایی را برای سیستم فراهم آورد. کسب و کارهای حوزه تکنولوژی به دنبال راه‌هایی هستند که با استفاده از هوش مصنوعی بهره­وری سیستم خود را بالا برده و راندمان کسب و کارها را افزایش دهند و همچنین در نتیجه آن  ارزش قابل توجهی را بوجود آورند.

به طول مثال، هوش مصنوعی در صنعت رسانه در ابعاد گسترده­ای مانند: شبکه‌های اجتماعی، روزنامه‌نگاری خودکار و … استفاده می‌شود. مثال دیگر استفاده هوش مصنوعی، بانکداری است که از دستاوردهای این فناوری در سطوح مختلفی همچون چت‌بات‌ها، موبایل بانک، شناسایی کلاهبرداری و تعامل با مشتری استفاده می­شود.

جدا از این مسائل، هوش مصنوعی کاربردهای اساسی دیگری مثل پردازش زبان طبیعی (NLP)، بینایی ماشین، تشخیص گفتار، خودکارسازی، صنعت بازی ، امور مالی، فرآیند درمان و غیره دارد. و لازمه آن:

  • طراحی سیستم‌های پیشرفته مجهز به یادگیری هوشمند است که که بتواند برای کاربرانش در ایجاد دستیابی، آشکار نمودن، رمزگشایی کردن و توجیه کردن مفید واقع شود.
  • دسترسی به دستگاه‌های شبیه‌سازی که نتایج مسائل پیچیده و مشابه آنچه انسان‌ها انجام می‌دهند را شناسایی کند و آن‌ها را به شکل الگوریتم‌ها کامپیوتری ایجاد کند.

شاخه‌های هوش مصنوعی به عنوان قابلیت‌های آن #

تکنیک‌های مختلفی مثل زبان‌شناسی، بایاس، بینایی، برنامه‌ریزی، فرایند اتوماتیزه رباتیک، فرایند زبان طبیعی، علم تصمیم و غیره در حوزه هوش مصنوعی وجود دارد. اجازه دهید اطلاعاتی عمیق‌تر درمورد برخی از شاخه‌های هوش مصنوعی به دست آوریم:

1.یادگیری ماشین #

در بخش تکنولوژی­های پیشرفته، یکی از زمینه‌‎های مورد توجه، یادگیری ماشین است که هر روزه با محصولات جدیدی که توسط کمپانی‌های مختلف و با تکنیک‌های یادگیری ماشین و الگوریتم‌هایی که به شیوه‌ خلاقانه‌ای به مشتری ارائه می‌دهند، هیاهو برپا می‌کند.

یادگیری ماشین، قابلیتی است که پتانسیل یادگیری بدون نیاز به برنامه‌نویسی را به کامپیوترها می-دهد.

یادگیری ماشین بدون آنکه از آن اطلاع داشته باشیم؛ به شکل چشم­گیری در زندگی روزانه مورد استفاده قرار می‌گیرد. اساساً علمی است که ماشین‌ها را قادر به ترجمه، اعمال و بررسی اطلاعات جهان واقعی می‌کند.

با گسترش ریاضیات پیشرفته، برنامه‌نویسان الگوریتم‌هایی کدنویسی شده به زبان ماشین­ را طراحی کرده‌اند که به یادگیری ماشین کمک می­کند. یادگیری ماشین به ما توانایی انجام وظایفی چون دسته‌بندی، رمزگشایی و تخمین اطلاعات یک مجموعه داده‌ را می‌دهد.

در سال‌های اخیر، یادگیری ماشین کاربردهای بسیاری داشته که می­توان به اتومبیل‌های خودران، تشخیص تصویر و صوت، جستجوهای مفید اینترنت و کاربری‌های گسترده و مختلف دیگری اشاره کرد. اساساً یادگیری ماشین بر استفاده از تجربه، تصمیم‌گیری و دقت پیش‌بینی یک کامپیوتر در طول زمان استوار است.

علاوه بر آن، متخصصین حوزه داده در جهت پیش­بینی داده­ها، از انواع یادگیری ماشین استفاده می­کنند. انواع یادگیری ماشین عبارت است از:

  • یادگیری تحت نظارت
  • یادگیری بدون نظارت
  • یادگیری تقویت‌شده

2.شبکه عصبی #

شبکه عصبی شاخه­ای از هوش مصنوعی است که از پایه عصب‌شناسی (شاخه‌ای از زیست‌شناسی که به اعصاب و سیستم عصبی در مغز انسان می‌پردازد) استفاده می‌کند. شبکه عصبی ساختاری مشابه عملکرد مغز انسان دارد که شامل تعداد بیشماری نورون و کدگذاری نورون‌های سیستم یا ماشین می‌شود.

به زبان ساده، یک شبکه عصبی مجموعه‌ای از الگوریتم‌هایی است که با استفاده از فرایندی مشابه عملکرد مغز انسان، به یافتن ارتباطات بنیادی میان دسته‌های اطلاعات می‌پردازد.

بنابراین، یک شبکه عصبی به سیستمی از نورون‌های طبیعی یا مصنوعی اطلاق می‌شود که به نورون‌های مصنوعی، پرسپترون(perceptron) گفته می‌شود؛ که از «مدل کامل الگوریتم پرسپترون در شبکه عصبی» گرفته شده است.

یک نورون در شبکه عصبی، یک تابع ریاضی (مثل توابع فعالسازی) است که کارش، گردآوری و طبقه‌بندی اطلاعات براساس یک ساختار مشخص بوده است. و این شبکه، تکنیک‌های آماری مختلفی مثل تحلیل رگرسیون را برای انجام وظایف پیاده‌سازی می‌کند.

از پیش‌بینی وضع هوا تا مطالعات بازار، همه و همه به طور گسترده‌ای از شبکه عصبی بهره گرفته می­شود. همچنین در بخش­های مختلفی مانند شناسایی کلاهبرداری، تحلیل ریسک، پیش‌بینی بورس اوراق بهادار، پیش‌بینی فروش و … از شبکه عصبی استفاده می­شود.

3.رباتیک #

این شاخه، به موضوع داغ هوش مصنوعی تبدیل شده است. شاخه‌ای جذاب که عمدتاً به تحقیقات و توسعه طراحی و ساخت ربات‌ها می‌پردازد.

  • رباتیک شاخه‌ای میان‌رشته‌ای است که از ادغام مهندسی مکانیک، مهندسی برق، علوم کامپیوتر و شاخه‌های دیگری ایجاد شده است.
  • شاخه رباتیک هوش مصنوعی، بخش‌های طراحی، تولید، فعالسازی و استفاده از ربات‎ها را شامل می‌شود. این بخش با سیستم‌های کامپیوتری، نتایج هوشمند و تبدیل اطلاعات سروکار دارد.

ربات‌ها اغلب در وظایفی به کار گرفته می‌شوند که انجام پیوسته آن‌ها برای انسان پرزحمت است. بخشی از وظایف ربات‌ها در زمینه خطوط تولید کارخانجات، اتومبیل­های خودران و جابجایی اجسام بزرگ در فضا است. محققین هوش مصنوعی همچنین در حال توسعه ربات‌هایی هستند که با استفاده از یادگیری ماشین دارای قابلیت تعامل در سطوح مختلف اجتماعی باشند.

4.سیستم‌های خبره #

سیستم‌های خبره جز اولین مدل‌های نرم‌افزاری موفق هوش مصنوعی بودند. آن‌ها برای اولین بار در دهه 1970 طراحی شدند و پس از آن در دهه 1980 به اوج خود رسیدند.

در زیر چتر تکنولوژی هوش مصنوعی، یک سیستم خبره یک سیستم کامپیوتری است که مقلد هوش تصمیم‌گیریِ یک انسان متخصص است. سیستم این عمل را با نتیجه گرفتن از پایگاه اطلاعاتش با استدلال کردن و قوانینی برای فهم جستجوهای کاربران انجام می‌دهد.

تاثیر سیستم خبره کاملاً به دانشی بستگی دارد که در پایگاه اطلاعاتی جمع‌آوری شده است. هرچه اطلاعات جمع‌آوری شده در آن بیشتر باشد، بازدهی سیستم بهبود خواهد یافت. مثل سیستم خبره‌ای که املای کلامت و خطا در نوشتار آن‌ها را در موتور جستجوی گوگل پیشنهاد می‌دهد.

سیستم‌های خبره ایجاد شدند تا با مسائل پیچیده سروکار داشته باشند؛ که به شکل فرآیند استنتاج کردن و به خصوص از طریق قوانین If و Then بیان می‌‎شود. ویژگی‌های کلیدی سیستم‌های خبره عبارتند از: به شدت پاسخگو، قابل اتکا، قابل فهم و قابلیت اجرایی بالا.

5.منطق فازی #

در جهان واقعی، بعضی اوقات ما با شرایطی مواجه می‌شویم که تشخیص درستی یا غلط یک وضعیت یا مسئله کار سختی خواهد بود. در این شرایط منطق فازی انعطاف موردنظر را برای استدلال فراهم می‌کند که به شرایط غیردقیق و نامطمئن هر وضعیت نزدیک است.

به زبان ساده‌تر، منطق فازی تکنیکی است که اطلاعات نامشخص را با اندازه‌گیری درجه‌ای که نظریه ممکن اس درست باشد؛ بیان کرده و تغییر می‌دهد. همچنین منطق فازی در استنتاج درباره مفاهیمی که ذاتاً نامشخص هستند به کار می‌رود. منطق فازی برای پیاده‌سازی تکنیک‌های یادگیری ماشین و کمک به بازسازی تفکر انسان، تکنیکی راحت و منعطف است.

این شیوه به سادگی تعمیم منطق استاندارد است که در آن مفهوم با درجه ای بین صفر تا یک بیان می‌شود. اگر مفهوم به کلی درست باشد، در منطق استاندارد عدد یک نمایانگر آن خواهد بود و صفر برای مفاهیم کاملاً غلط به کار می‌رود. اما در منطق فازی مقادیر متوسطی وجود دارند برای شرایطی که در آن بخشی درست و بخشی غلط است.

6.پردازش زبان طبیعی #

پردازش زبان طبیعی(NLP) از زاویه دید یک کودک یا زبان آموزی که باید سال‌ها صرف آموختن یک زبان کند و همچمین یک داشنمند که قصد دارد مدلی برای پدیده‌ای ارائه دهد و یا برای مهندسی که قصد ساخت سیستم‌هایی برای ورود یا خروج زبان طبیعی دارد کار مشکلی به­نظر می­رسد. این وظایف به قدری سخت هستند که به راستی تورینگ ایجاد گفتگویی روان در زبان طبیعی را هسته مرکزی تست خودش برای هوش قرار می‌دهد.

عموماً، پردازش زبان طبیعی، بخشی از علوم کامپیوتر و هوش مصنوعی است که به برقراری ارتباط میان کامپیوتر و انسان توسط زبان طبیعی کمک می‌کند. تکنیک مورد استفاده در  پردازش زبان طبیعی، محاسبات زبان‌های انسانی است که به کامپیوتر قابلیت خواندن و درک اطلاعات را با تقلید از زبان طبیعی انسان می‌دهد.

پردازش زبان طبیعی متودی است که با جستجو کردن، آنالیز کردن، درک و استنتاج کردن اطلاعات از شکل متنیِ داده‌ها سروکار دارد. برای آموزش استخراج اطلاعات معنادار از داده‌های متنی به کامپیوترها، کتابخانه‌های پردازش زبان طبیعی وجود دارند که برنامه‌ نویسان از آن­ها استفاده کنند. یکی از مثال‌های معمول پردازش زبان طبیعی، تشخیص هرزنامه یا اسپم است، الگوریتم‌های موجود دائماً در حال بررسی این هستند که یک ایمیل به دردنخور است یا نه؟ تنها با نگاهی به موضوع یا یک خط یا متن آن ایمیل، سیستم می­تواند متوجه محتوای آن ایمیل شود.

پیاده‌سازی پردازش زبان طبیعی فواید مختلفی دارد مثل:

  • باعث بهبود دقت و کارایی اسناد می‌شود.
  • قابلیت ایجاد متن خلاصه‌ قابل خواندنی به شکل خودکار را دارد.
  • برای دستیارهای شخصی مثل الکسا بسیار مفید است.
  • باعث ایجاد توانایی دسته‌بندی چت‌بات‌ها در پشتیبانی مشتریان می‌شود.
  • تحلیل احساسات را ساده‌تر می‌کند.

بعضی از استفاده‌های پردازش زبان طبیعی عبارت است از: ترجمه متن، تحلیل احساسات و بازشناسی گفتار. به طور مثال توییتر از تکنیک پردازش زبان طبیعی برای فیلتر کردن لحن تروریستی در توییت‌های مختلف استفاده می‌کند. آمازون پردازش زبان طبیعی را برای تفسیر نظرات مشتریان و بهبود تجربه آن‌ها پیاده‌سازی کرده است.

نتیجه‌گیری #

قابلیت سیستم‌های هوش مصنوعی با افزایش اندازه و پیچیدگی‌شان بیشتر می­شود. به­گونه­ای که تحلیل‌گران هوش مصنوعی همواره در حال ساخت سیستم‌های نرم‌افزاری برای کاربردهای متنوع مثل یادگیری خودکار، زبان طبیعی و بازشناسی گفتار هستند.

بسته به عملکرد سیستم‌های هوش مصنوعی، ما شش شاخه از زیرمجموعه‌های حوزه هوش مصنوعی را مورد مطالعه قرار دادیم. این شش حوزه موضوع داغ امروزه در صنایع و سازمان‌ها هستند. شرکت‌های متعددی برای استفاده‌ از آن‌ها و ارائه خدمات بهتر به مردم در حال توسعه آن هستند.

منابع #

لینک کوتاه این مقاله:
امیرمحمد توحیدی
امیرمحمد توحیدی

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

نوشته های تازه
دسته ها
پر بازدیدها
آخرین دیدگاه ها