هوش مصنوعی

هوش مصنوعی معمولاً شامل مجموعه‌ای از کارهای رو به رشد در فناوری پیشرفته است که هدف آن آموزش فناوری برای تقلید دقیق یا – در برخی موارد – فراتر از توانایی‌های انسان است.

الگوریتم‌های قدیمی‌تر، زمانی که عادی می‌شوند، می بایست جایگزین شوند. به عنوان مثال، رونویسی صدای انسان به کلمات زمانی یک حوزه تحقیقاتی فعال برای دانشمندانی بود که هوش مصنوعی را بررسی می کردند. اکنون این یک ویژگی رایج است که در تلفن ها، اتومبیل ها و لوازم خانگی تعبیه شده است و اغلب با این اصطلاح توصیف نمی شود.

امروزه، هوش مصنوعی اغلب در چندین زمینه تحقیقاتی به کار می رود:

بینایی ماشین: که به رایانه ها کمک می کند موقعیت اشیاء در جهان را از طریق نورها و دوربین ها درک کنند.
یادگیری ماشینی (ML): مشکل کلی آموزش کامپیوترها در مورد جهان با مجموعه ای از نمونه های آموزشی.
پردازش زبان طبیعی (NLP): درک دانش رمزگذاری شده در زبان های انسانی.
رباتیک: طراحی ماشین‌هایی که می‌توانند با درجاتی از استقلال برای کمک به وظایف، به ویژه کارهایی که انسان‌ها نمی‌توانند انجام دهند، زیرا ممکن است تکراری، سخت یا خطرناک کار کنند.
طیف وسیعی از کاربردهای عملی برای کار هوش مصنوعی وجود دارد. برخی از کارها به خوبی درک شده اند و الگوریتم های حل آنها قبلاً به خوبی توسعه یافته و در نرم افزار ارائه شده است. آنها ممکن است دور از ایده آل باشند، اما برنامه به خوبی تعریف شده است. به عنوان مثال، یافتن بهترین مسیر برای سفر، اکنون به طور گسترده از طریق برنامه های ناوبری در خودروها و گوشی های هوشمند در دسترس است.

حوزه های دیگر بیشتر فلسفی هستند. نویسندگان داستان های علمی تخیلی دهه هاست در مورد رایانه هایی می نویسند که نگرش ها و احساسات انسان گونه را توسعه می دهند و برخی از محققان هوش مصنوعی در حال بررسی این امکان هستند. در حالی که ماشین‌ها به طور فزاینده‌ای قادر به کار مستقل هستند، سوالات عمومی مربوط به احساس، آگاهی یا خودآگاهی باز و بدون پاسخ قطعی باقی می‌مانند.

محققان هوش مصنوعی اغلب از سلسله مراتبی از توانایی و آگاهی صحبت می کنند. وظایف هدایت شده در پایین اغلب “هوش مصنوعی باریک” یا “هوش مصنوعی واکنشی” نامیده می شوند. این الگوریتم‌ها می‌توانند مسائل کاملاً تعریف شده را حل کنند، گاهی اوقات بدون جهت‌گیری زیاد از سوی انسان. بسیاری از بسته های هوش مصنوعی کاربردی در این دسته قرار می گیرند.

مفهوم “هوش مصنوعی عمومی” یا “هوش مصنوعی خودگردان” در مورد نرم افزارهایی اعمال می شود که می توانند مانند یک انسان فکر کنند و برنامه هایی را خارج از یک چارچوب کاملاً تعریف شده آغاز کنند. در حال حاضر هیچ نمونه خوبی از این سطح از هوش مصنوعی وجود ندارد، اگرچه برخی از توسعه دهندگان گاهی اوقات می خواهند پیشنهاد کنند که ابزارهای آنها شروع به نشان دادن بخشی از این استقلال کرده اند.

فراتر از این ایده “فوق هوش مصنوعی” است، بسته ای که می تواند در استدلال و ابتکار عمل بهتری از انسان ها داشته باشد. اینها عمدتاً توسط محققان پیشرفته و نویسندگان داستان های علمی تخیلی به صورت فرضی مورد بحث قرار می گیرند.

در دهه گذشته، ایده های بسیاری از آزمایشگاه هوش مصنوعی خانه هایی را در محصولات تجاری پیدا کرده اند. با ظهور صنعت هوش مصنوعی، بسیاری از شرکت های پیشرو در فناوری، محصولات هوش مصنوعی را از طریق ترکیبی از خرید و توسعه داخلی مونتاژ کرده اند. این محصولات طیف گسترده ای از راه حل ها را ارائه می دهند و بسیاری از کسب و کارها در حال آزمایش استفاده از آنها برای حل مشکلات خود و مشتریان خود هستند.

شرکت‌های بزرگ چگونه به هوش مصنوعی نزدیک می‌شوند؟

شرکت های پیشرو سرمایه گذاری زیادی روی هوش مصنوعی کرده اند و طیف گسترده ای از محصولات را با هدف توسعه دهندگان و کاربران نهایی توسعه داده اند. خطوط تولید آنها به طور فزاینده ای متنوع است زیرا شرکت ها با سطوح مختلف راه حل برای طیف گسترده ای از مشکلات کاربردی آزمایش می کنند. برخی از آنها صیقلی تر هستند و کاربران معمولی رایانه را هدف قرار می دهند. هدف دیگر برنامه نویسان دیگری است که هوش مصنوعی را در نرم افزار خود ادغام می کنند تا آن را تقویت کنند. بزرگ‌ترین شرکت‌ها اکنون ده‌ها محصول ارائه می‌کنند و خلاصه کردن گزینه‌های متنوع و فزاینده آنها دشوار است.

IBM مدت‌هاست که یکی از پیشتازان تحقیقات هوش مصنوعی بوده است. رقیب مبتنی بر هوش مصنوعی آن در بازی تلویزیونی Jeopardy، واتسون، با غلبه بر انسان ها در سال 2011، به افزایش علاقه اخیر به هوش مصنوعی کمک کرد و نشان داد که این نرم افزار چقدر می تواند در رسیدگی به سوالات عمومی تر مطرح شده در زبان انسان ماهر باشد.

از آن زمان، IBM مجموعه گسترده‌ای از الگوریتم‌های هوش مصنوعی کاربردی را با نام تجاری Watson ساخته است که می‌تواند تصمیم‌گیری را در طیف گسترده‌ای از برنامه‌های تجاری مانند مدیریت ریسک، انطباق، گردش کار تجاری و توسعه خودکار انجام دهد. این راه‌حل‌ها بر ترکیبی از پردازش زبان طبیعی و یادگیری ماشین برای ایجاد مدل‌هایی تکیه می‌کنند که می‌توانند تصمیم‌گیری در مورد تولید بگیرند یا ناهنجاری‌ها را بررسی کنند. به عنوان مثال، در یک مطالعه موردی از برنامه های کاربردی آن، محصول IBM Safer Payments از کلاهبرداری کارت اعتباری به ارزش 115 میلیون دلار جلوگیری کرد.

مثال دیگر، پلتفرم هوش مصنوعی مایکروسافت طیف گسترده ای از الگوریتم ها را هم به عنوان محصولات و هم به عنوان خدمات در دسترس از طریق Azure ارائه می دهد( لنزهای صنعتی آزور). این شرکت همچنین برنامه های کاربردی یادگیری ماشین و بینایی کامپیوتر را هدف قرار داده است و مایل است چگونگی جستجوی اسرار ابزارهای آنها در مجموعه داده های بسیار بزرگ را برجسته کند. به عنوان مثال، مدل تولید زبان طبیعی مگاترون-تورینگ (MT-NLG)، دارای 530 میلیارد پارامتر برای مدل‌سازی تفاوت‌های ظریف ارتباطات انسانی است. مایکروسافت همچنین در حال کار بر روی کمک به فرآیندهای کسب و کار است که از خودکار شدن به خودمختاری با افزودن هوش بیشتر برای مدیریت تصمیم‌گیری تغییر کنند. به عنوان مثال، بسته‌های مستقل آن هم برای مشکلات باریک کارکرد روان خطوط مونتاژ و هم برای چالش‌های گسترده‌تر ناوبری هواپیماهای بدون سرنشین اعمال می‌شوند.

گوگل مجموعه ای قوی از الگوریتم های یادگیری ماشین و بینایی کامپیوتری را توسعه داده است که برای هر دو پروژه داخلی نمایه سازی وب و همچنین فروش مجدد خدمات از طریق پلت فرم ابری خود استفاده می کند. این پیشگام در برخی از محبوب‌ترین پلتفرم‌های یادگیری ماشین منبع باز مانند TensorFlow بوده و همچنین سخت‌افزار سفارشی برای سرعت بخشیدن به مدل‌های آموزشی در مجموعه داده‌های بزرگ ساخته است. به عنوان مثال، محصول Vertex AI گوگل، بسیاری از کارهای تبدیل یک مجموعه داده به یک مدل کارآمد را خودکار می کند که می تواند سپس به کار گرفته شود. این شرکت همچنین تعدادی مدل از پیش آموزش دیده را برای کارهای رایج مانند تشخیص کاراکتر نوری یا هوش مصنوعی مکالمه ای ارائه می دهد که ممکن است برای یک نماینده خدمات مشتری خودکار استفاده شود.

علاوه بر این، آمازون همچنین از مجموعه‌ای از روال‌های هوش مصنوعی به صورت داخلی در وب‌سایت خرده‌فروشی خود استفاده می‌کند، در حالی که همان ابزارهای پشتیبان را برای کاربران AWS بازاریابی می‌کند. محصولاتی مانند Personalize برای ارائه توصیه های شخصی به مشتریان در مورد محصولات بهینه شده اند. Rekognitition الگوریتم های بینایی ماشینی از پیش توسعه یافته را برای تعدیل محتوا، تشخیص چهره و تشخیص و تبدیل متن ارائه می دهد. این الگوریتم‌ها همچنین دارای مجموعه‌ای از پیش ساخته‌شده از مدل‌های افراد مشهور هستند که ابزاری مفید برای شرکت‌های رسانه‌ای است. توسعه‌دهندگانی که می‌خواهند مدل‌های خود را ایجاد و آموزش دهند، می‌توانند به محصولاتی مانند SageMaker نیز روی بیاورند که بسیاری از حجم کار را برای تحلیلگران تجاری و دانشمندان داده خودکار می‌کند.

acebook همچنین از هوش مصنوعی برای کمک به مدیریت جریان بی پایان تصاویر و پست های متنی استفاده می کند. الگوریتم‌های بینایی کامپیوتر تصاویر آپلود شده را طبقه‌بندی می‌کنند و الگوریتم‌های متنی کلمات را در به‌روزرسانی‌های وضعیت تجزیه و تحلیل می‌کنند. در حالی که این شرکت یک تیم تحقیقاتی قوی دارد، این شرکت به طور فعال محصولات مستقلی را برای استفاده دیگران ارائه نمی دهد. تعدادی از پروژه های منبع باز مانند NeuralProphet را که چارچوبی برای تصمیم گیری است به اشتراک می گذارد.

علاوه بر این، اوراکل در حال ادغام برخی از محبوب‌ترین ابزارهای منبع باز مانند Pytorch و Tensorflow در سلسله مراتب ذخیره‌سازی داده‌های خود است تا تبدیل اطلاعات ذخیره‌شده در پایگاه‌های داده اوراکل به مدل‌های کارآمد را آسان‌تر و سریع‌تر کند. آنها همچنین مجموعه ای از ابزارهای هوش مصنوعی از پیش ساخته شده را با مدل هایی برای مقابله با چالش های رایج مانند تشخیص ناهنجاری یا پردازش زبان طبیعی ارائه می دهند.

استارت آپ ها چگونه به هوش مصنوعی نزدیک می شوند؟

شرکت‌های جدید هوش مصنوعی تمایل دارند بر روی یک کار خاص متمرکز شوند، جایی که الگوریتم‌های کاربردی و تمرکز مشخص چیزی متحول کننده ایجاد می‌کنند. به عنوان مثال، یک چالش کنونی گسترده، تولید خودروهای خودران است. استارت‌آپ‌هایی مانند Waymo، Pony AI، Cruise Automation و Argo چهار استارت‌آپ بزرگ با بودجه قابل توجه هستند که در حال ساختن نرم‌افزار و سیستم‌های حسگر هستند که به خودروها اجازه می‌دهد در خیابان‌ها حرکت کنند. الگوریتم ها شامل ترکیبی از یادگیری ماشین، بینایی کامپیوتر و برنامه ریزی هستند.

بسیاری از استارت‌آپ‌ها الگوریتم‌های مشابهی را در حوزه‌های محدودتر یا قابل پیش‌بینی‌تری مانند انبار یا کارخانه‌های صنعتی اعمال می‌کنند. شرکت‌هایی مانند Nuro، Bright Machines و Fetch تنها برخی از شرکت‌هایی هستند که می‌خواهند انبارها و فضاهای صنعتی را خودکار کنند. Fetch همچنین می خواهد از بینایی ماشین و الگوریتم های برنامه ریزی برای انجام کارهای تکراری استفاده کند.

تعداد قابل توجهی از استارت‌آپ‌ها نیز مشاغلی را هدف قرار می‌دهند که برای انسان خطرناک است یا انجام آن‌ها غیرممکن است. در مقابل این پس‌زمینه، Hydromea در حال ساخت پهپادهای زیر آب مستقل است که می‌توانند دارایی‌های غوطه‌ور شده مانند سکوهای نفتی یا ابزارهای معدن را ردیابی کنند. شرکت دیگری به نام Solinus ربات هایی را برای بازرسی لوله های باریک می سازد.

بسیاری از استارت‌آپ‌ها نیز در حوزه‌های دیجیتالی کار می‌کنند، تا حدی به این دلیل که این منطقه زیستگاه طبیعی الگوریتم‌ها است، زیرا داده‌ها از قبل به شکل دیجیتال هستند. برای مثال، ده‌ها شرکت برای ساده‌سازی و خودکارسازی وظایف معمولی که بخشی از گردش کار دیجیتالی شرکت‌ها هستند، کار می‌کنند. این ناحیه که گاهی اتوماسیون فرآیند رباتیک (RPA) نامیده می‌شود، به ندرت شامل ربات‌های فیزیکی می‌شود، زیرا با کاغذهای دیجیتال یا چیت کار می‌کند. با این حال، این یک راه محبوب برای شرکت‌ها برای ادغام روتین‌های اولیه هوش مصنوعی در پشته نرم‌افزاری است. برای مثال، پلتفرم‌های خوب RPA، اغلب از تشخیص کاراکترهای نوری و پردازش زبان طبیعی برای درک فرم‌های آپلود شده استفاده می‌کنند تا حجم کار اداری را ساده‌تر کنند.

بسیاری از شرکت ها نیز با مشارکت گسترده به پروژه های نرم افزاری منبع باز وابسته هستند. پروژه هایی مانند Tensorflow یا PyTorch در سراسر سازمان های تحقیق و توسعه در دانشگاه ها و آزمایشگاه های صنعتی استفاده می شوند. برخی از پروژه‌ها مانند DeepDetect، ابزاری برای یادگیری عمیق و تصمیم‌گیری، همچنین شرکت‌هایی را ایجاد می‌کنند که ترکیبی از پشتیبانی و خدمات را ارائه می‌دهند.

همچنین صدها پروژه منبع باز موثر و شناخته شده وجود دارد که توسط محققان هوش مصنوعی استفاده می شود. برای مثال OpenCV مجموعه بزرگی از الگوریتم‌های بینایی کامپیوتری را ارائه می‌دهد که می‌توانند با پشته‌های دیگر سازگار و ادغام شوند. اغلب در روباتیک، پروژه‌های پزشکی، برنامه‌های امنیتی و بسیاری از کارهای دیگر که بر درک جهان از طریق یک تصویر دوربین یا ویدیو تکیه دارند استفاده می‌شود.

آیا کاری هست که هوش مصنوعی نتواند انجام دهد؟

برخی از زمینه ها وجود دارد که هوش مصنوعی نسبت به سایرین موفقیت بیشتری پیدا می کند. طبقه بندی آماری با استفاده از یادگیری ماشینی اغلب بسیار دقیق است، اما اغلب با وسعت داده های آموزشی محدود می شود. این الگوریتم‌ها اغلب زمانی که از آنها خواسته می‌شود در موقعیت‌های جدید تصمیم‌گیری کنند یا پس از اینکه محیط به طور قابل‌توجهی از مجموعه آموزشی جابه‌جا شده است، شکست می‌خورند.

بسیاری از موفقیت یا شکست به میزان دقت مورد نیاز بستگی دارد. زمانی که اشتباهات گاه و بیگاه قابل تحمل باشد، هوش مصنوعی موفق‌تر است. اگر کاربران بتوانند طبقه‌بندی اشتباه یا پاسخ‌های نادرست را فیلتر کنند، از الگوریتم‌های هوش مصنوعی استقبال می‌شود. به عنوان مثال، بسیاری از سایت‌های ذخیره‌سازی عکس، استفاده از الگوریتم‌های تشخیص چهره را برای مرتب‌سازی عکس‌ها بر اساس افرادی که در آن‌ها ظاهر می‌شوند، پیشنهاد می‌کنند. نتایج خوب هستند اما کامل نیستند، اما کاربران می توانند اشتباهات را تحمل کنند. این رشته تا حد زیادی یک بازی آماری است و زمانی موفق می شود که بر اساس درصد قضاوت شود.

تعدادی از موفق‌ترین برنامه‌ها به الگوریتم‌های هوشمندانه یا پیچیده‌ای نیاز ندارند، بلکه به مجموعه داده‌های بزرگ و به خوبی سازمان‌دهی‌شده توسط ابزارهایی که اکنون قابل مدیریت هستند، بستگی دارند. این مشکل زمانی به دلیل گستردگی غیرممکن به نظر می رسید، تا اینکه تیم های بزرگ به اندازه کافی با آن مقابله کردند. برنامه‌های ناوبری و نقشه‌برداری مانند Waze فقط از الگوریتم‌های جستجوی ساده برای یافتن بهترین مسیر استفاده می‌کنند، اما این برنامه‌ها بدون یک مدل بزرگ و دیجیتالی از طرح‌بندی خیابان‌ها موفق نمی‌شوند.

پردازش زبان طبیعی با ایجاد تعمیم در مورد احساس یا معنای اصلی در یک جمله نیز موفق است، اما اغلب توسط نو شناسی، عامیانه یا تفاوت های ظریف مورد استفاده قرار می گیرد. همانطور که زبان تغییر می کند یا فرآیند می شود، الگوریتم ها می توانند سازگار شوند، اما فقط با بازآموزی اشاره کرد. آنها همچنین زمانی شروع به شکست می کنند که چالش ها خارج از یک مجموعه آموزشی بزرگ باشد.

رباتیک و اتومبیل های خودران می توانند در مناطق محدود یا فضاهای کنترل شده کاملاً موفق باشند، اما در صورت ظاهر شدن چالش های جدید یا موانع غیرمنتظره نیز با مشکل مواجه می شوند. برای آنها، هزینه های سیاسی شکست می تواند قابل توجه باشد، بنابراین توسعه دهندگان لزوما در ترک پاکت محتاط هستند.

در واقع، تعیین اینکه آیا یک الگوریتم قادر است یا ناموفق است اغلب به معیارهایی بستگی دارد که از نظر سیاسی تعیین می شوند. اگر مشتریان به اندازه کافی از پاسخ راضی باشند، اگر نتایج به اندازه کافی قابل پیش بینی باشد که مفید باشد، الگوریتم ها موفق می شوند. همانطور که آنها بدیهی می شوند، نام هوش مصنوعی را از دست می دهند.

اگر این اصطلاح به طور کلی برای موضوعات و اهدافی به کار می رود که دور از دسترس هستند، اگر هوش مصنوعی همیشه برای حذف راه حل های ساده و کاملاً درک شده مجدداً تعریف شود، هوش مصنوعی همیشه به سمت افق فناوری حرکت می کند. ممکن است در حال حاضر 100٪ موفقیت آمیز نباشد، اما زمانی که در موارد خاص اعمال شود، می تواند به طرز وسوسه انگیزی نزدیک باشد.