علوم کامپیوتری, مقالات
هوش مصنوعی (AI) چیست؟ سطوح، انواع و شاخه ها
تیر
در این مقاله قصد داریم در مورد هوش‌مصنوعی (AI)، سطوح، انواع مختلف و شاخه‌های آن صحبت کنیم.
فهرست مطالب
1- مقدمه
2- هوش‌مصنوعی چیست؟
3- سطوح هوش‌مصنوعی
4- انواع هوش‌مصنوعی
5- شاخه‌های هوش‌مصنوعی
————————————————–
1- مقدمه
هوش‌مصنوعی (AI) جامعه را به گونه‌ای بازتعریف‌می‌کند که انسان هرگز آن را پیش‌بینی نمی‌کرد.
امروزه، فناوری نقش برجسته‌ای در همه مراحل زندگی انسان، از باز کردن قفل گوشی‌های هوشمند‌گرفته تا فعالیت‌های روزمره، خرید آنلاین، خودروهای هوشمند، ربات‌های مستقل و غیره، دارد.
مفهوم هوش‌مصنوعی برای اولین بار در اوایل دهه 1950 مورد بحث قرار گرفت، و مبنایی برای یادگیری رایانه و فرآیندهای پیچیده تصمیم گیری بود.
اخیرا پیشرفت سریع در این حوزه از فناوری، موجب شده‌است که برای پردازش مقادیر عظیم داده ها از هوش‌مصنوعی استفاده‌شود. از این رو قصد داریم در ادامه با نگاهی عمیق‌تر به جزئیات این فناوری بپردازیم.
————————————————–
2- هوش‌مصنوعی چیست؟
در ساده‌ترین عبارت، AI که مخفف هوش‌مصنوعی (Artificial Intelligence)است، به سیستم‌ها یا ماشین‌هایی اطلاق‌می‌شود که هوش انسان را برای انجام وظایفی تقلید می‌کنند و می‌توانند بر اساس اطلاعاتی که جمع‌آوری می‌کنند، خود را به طور مکرر بهبود بخشند.
هوش‌مصنوعی به اشکال مختلفی ظاهر‌می‌شود. چند نمونه از این اشکال عبارتند از:
- چت بات‌ها؛ که از هوش‌مصنوعی برای درک سریعتر مشکلات مشتری و ارائه پاسخ‌های کارآمدتر استفاده‌می‌کنند.
- دستیاران هوشمند؛ از هوش‌مصنوعی برای تجزیه و تحلیل اطلاعات مهم از مجموعه داده‌های بزرگ برای بهبود زمان‌بندی استفاده‌می‌کنند.
- سیستم‌های توصیه گر؛ که می‌توانند توصیه‌های خودکاری را برای نمایش‌های تلویزیونی بر اساس عادات تماشای کاربران ارائه دهند.
اگرچه هوش‌مصنوعی تصاویری از ربات‌های انسان مانند با عملکرد بالا را ارائه‌می‌کند که جهان را تحت کنترل خود دارند، اما هوش‌مصنوعی جایگزین انسان نیست.
این فناوری می‌تواند به طور قابل توجهی توانایی‌ها و مشارکت‌های انسانی را افزایش دهد. که این ویژگی، آن را به یک دارایی تجاری بسیار ارزشمند تبدیل کرده‌است.
————————————————–
3- سطوح هوش‌مصنوعی
فناوری‌های هوش‌مصنوعی بر اساس ظرفیت تقلید ویژگی‌های انسان، فناوری‌هایی که برای انجام این کار استفاده‌می‌کنند، کاربردهای دنیای واقعی و تئوری ذهن، دسته‌بندی می‌شوند.
با استفاده‌از این ویژگی‌ها به عنوان مرجع، تمام سیستم‌های هوش‌مصنوعی – واقعی و فرضی – در یکی از سه نوع قرار‌می‌گیرند که عبارتند از:
- 1) هوش‌مصنوعی ضعیف (ANI) که دارای طیف محدودی از توانایی‌ها‌است.
- 2) هوش‌مصنوعی عمومی (AGI) که همتراز با توانایی‌های انسانی‌است.
- 3) هوش‌مصنوعی بسیار قدرتمند (ASI) که از یک انسان توانایی بیشتری دارد.
1) هوش‌مصنوعی ضعیف (ANI)
هوش‌مصنوعی ضعیف (ANI) که به آن هوش‌مصنوعی باریک نیز گفته‌می‌شود، تنها نوع هوش‌مصنوعی است‌که تا به امروز با موفقیت به آن دست یافته‌ایم.
هوش‌مصنوعی ضعیف هدف گرا‌است و برای انجام وظایف منحصر به فرد مانند تشخیص چهره، تشخیص گفتار/ دستیاران صدا، رانندگی با ماشین یا جستجو در اینترنت طراحی شده‌است و در تکمیل کار خاصی که برای انجام آن برنامه ریزی شده‌است، بسیار هوشمند‌است.
اگرچه این ماشین‌ها ممکن‌است هوشمند به نظر برسند، اما تحت مجموعه‌ای از محدودیت‌ها کار می‌کنند، به همین دلیل‌است که این نوع از هوش‌مصنوعی معمولاً به عنوان هوش‌مصنوعی ضعیف شناخته‌می‌شود.
هوش‌مصنوعی ضعیف، هوش انسانی را تقلید یا تکرار نمی‌کند، بلکه صرفاً رفتار انسان را بر اساس طیف محدودی از پارامترها و زمینه‌ها شبیه سازی می‌کند.
تشخیص گفتار و زبان دستیار مجازی Siri در آیفون، تشخیص دید خودروهای اتو-ران و همچنین موتورهای توصیه گر را در نظر بگیرید که بر اساس سابقه خرید محصولاتی که شما می‌سازید، سایر محصولات را پیشنهاد می‌کنند.
این سیستم‌ها فقط می‌توانند برای تکمیل وظایف خاص، یاد بگیرند یا آموزش داده‌شوند.
هوش‌مصنوعی ضعیف در دهه گذشته پیشرفت‌های متعددی را تجربه کرده‌است که توسط دستاوردهای یادگیری ماشین و یادگیری عمیق تقویت شده‌است.
به عنوان مثال، امروزه از سیستم‌های هوش‌مصنوعی در پزشکی برای تشخیص سرطان و سایر بیماری‌ها با دقت بسیار بالا از طریق تکرار شناخت و استدلال انسانی، استفاده‌می‌شود.
هوش‌مصنوعی
هوش‌مصنوعی ضعیف، از استفاده‌از پردازش زبان طبیعی (NLP) برای انجام وظایف، ناشی‌می‌شود.
پردازش زبان طبیعی، در چت بات‌ها و فناوری‌های مشابه هوش‌مصنوعی مشهود‌است.
این فناوری طوری برنامه ریزی شده‌است که با درک گفتار و متن به زبان طبیعی، با انسانها به شیوه‌ای طبیعی و شخصی‌شده، تعامل داشته‌باشد.
هوش‌مصنوعی ضعیف می‌تواند به صورت فعال و واکنشی عمل کند یا حافظه محدودی داشته‌باشد.
هوش‌مصنوعی واکنشی بسیار اساسی و بنیادی‌است.
هیچ حافظه یا قابلیت ذخیره‌سازی داده‌ای ندارد و توانایی ذهن انسان برای پاسخگویی به انواع مختلف محرک‌ها را بدون تجربه قبلی تقلیدمیکند.
هوش‌مصنوعی حافظه محدود، پیشرفته‌تر‌است و مجهز به قابلیت‌های ذخیره و یادگیری داده‌است که ماشین‌ها را قادر می‌سازد از داده‌های تاریخی برای تصمیم‌گیری استفاده‌کنند.
از هوش‌مصنوعی با حافظه محدود، بیشتر در شرایطی که ماشین‌ها از حجم زیادی از دادهها برای یادگیری عمیق استفاده‌می‌کنند، استفاده‌می‌شود.
یادگیری عمیق، تجربیات هوش‌مصنوعی شخصی سازی شده را امکان پذیر می‌کند، به عنوان مثال، دستیاران مجازی یا موتورهای جستجو که داده‌های شما را ذخیره‌می‌کنند، می‌توانند تجربیات آینده شما را شخصی‌سازی کنند.
برخی از نمونه‌های متداول هوش‌مصنوعی ضعیف عبارتند از:
- جستجوی گوگل
- siri توسط اپل، الکسا توسط آمازون، کورتانا توسط مایکروسافت، و دستیاران مجازی دیگر
- نرم افزار تشخیص چهره / تصویر
- ابزارهای نقشه‌برداری
- پیش‌بینی بیماری
- ربات‌های پهپاد
- فیلترهای هرزنامه ایمیل / ابزارهای نظارت بر رسانه‌های اجتماعی برای محتوای خطرناک
- توصیه‌های محتوای سرگرمی یا بازاریابی بر اساس رفتار تماشا،گوش‌دادن و خرید
- ماشین‌های اتو-ران
2) هوش‌مصنوعی عمومی (AGI)
هوش‌مصنوعی عمومی (AGI) که به آن هوش‌مصنوعی قوی یا هوش‌مصنوعی عمیق نیز گفته‌می‌شود، مفهوم ماشینی با هوش عمومی‌است که هوش و یا رفتار انسان را تقلیدمیکند و علاوه بر این، توانایی یادگیری و به کارگیری هوش خود را، برای حل هر مشکلی دارد.
هوش‌مصنوعی عمومی می‌تواند در هر موقعیتی به گونه‌ای فکر کند، بفهمد و عمل‌کند که از انسان قابل تشخیص نباشد.
محققان و دانشمندان هوش‌مصنوعی هنوز به هوش‌مصنوعی قوی دست پیدا نکرده‌اند.
برای موفقیت در دستیابی به هوش‌مصنوعی قوی، محققان باید برای آگاه کردن ماشین‌ها راهی بیابند و مجموعه‌ای کامل از توانایی‌های شناختی را برایشان برنامه‌ریزی کنند.
ماشین‌ها باید یادگیری تجربی را به سطح بعدی برسانند، نه اینکه فقط کاراییشان را در تکالیف منفرد بهبود بخشند.
همچنین باید توانایی به کارگیری دانش تجربی را برای طیف وسیع‌تری از مسائل مختلف به دست آورند.
هوش‌مصنوعی قوی از چارچوب هوش‌مصنوعی تئوری ذهن استفاده‌می‌کند که به توانایی تشخیص نیازها، احساسات، باورها و فرآیندهای فکری سایر حقوق هوشمند، اشاره دارد.
تئوری هوش‌مصنوعی در سطح ذهن در مورد تکرار یا شبیه سازی نیست، بلکه در مورد آموزش ماشین‌ها برای درک واقعی انسان‌است.
هوش‌مصنوعی
وقتی در نظر بگیرید که مغز انسان مدلی برای ایجاد هوش عمومی‌است، چالش عظیم دستیابی به هوش‌مصنوعی قوی تعجب آور نیست.
فقدان دانش جامع در مورد عملکرد مغز انسان، محققان را در تلاش برای تکرار عملکردهای اساسی بینایی و حرکت قرار داده‌است.
یکی از سریع‌ترین ابررایانه‌ها به نام K که توسط فوجیتسو ساخته شده‌است، از برجسته‌ترین تلاش‌ها برای دستیابی به هوش‌مصنوعی قوی‌است،
اما با توجه به اینکه 40 دقیقه طول کشید تا یک ثانیه فعالیت عصبی در این ابر رایانه شبیه‌سازی‌شود، تعیین اینکه آیا هوش‌مصنوعی قوی در آینده در دست خواهد‌بود یا خیر، دشوار‌است.
البته با پیشرفت فناوری تشخیص چهره و تصویر، به احتمال زیاد شاهد بهبود توانایی ماشین‌ها برای یادگیری و دیدن خواهیم‌بود.
3) هوش‌مصنوعی بسیار قدرتمند (ASI)
هوش‌مصنوعی بسیار قدرتمند یا ابر هوش‌مصنوعی (ASI)، هوش‌مصنوعی فرضی‌است که فقط هوش و رفتار انسان را تقلید یا درک نمی‌کند، بلکه جایی‌است که ماشین‌ها خودآگاه می‌شوند و از ظرفیت هوش و توانایی انسان فراتر می‌روند.
ابر هوش مدت‌هاست که الهام بخش داستان‌های علمی تخیلی بوده‌است که در آن ربات‌ها بشریت را زیر پا می‌گذارند، سرنگون می‌کنند و/یا به بردگی می‌کشند.
مفهوم ابر هوش‌مصنوعی، هوش‌مصنوعی را چنان شبیه به احساسات و تجربیات انسانی می‌داند که نه تنها آنها را درک‌می‌کند، بلکه احساسات، نیازها، باورها و خواسته‌های خود را برمی‌انگیزد.
علاوه بر پیشرفت هوش چندوجهی انسان ها، ابر هوش‌مصنوعی از نظر تئوری در هر کاری که انجام می‌دهیم اعم از ریاضیات، علوم، ورزش، هنر، پزشکی، سرگرمی‌ها، روابط عاطفی، همه چیز، بسیار بهتر خواهد‌بود.
ابر هوش‌مصنوعی حافظه بیشتر و توانایی سریع تری برای پردازش و تجزیه و تحلیل دادهها و محرک‌ها خواهد‌داشت.
در نتیجه، توانایی‌های تصمیم گیری و حل مسئله موجودات فوق هوشمند بسیار برتر از انسانها خواهد‌بود.
پتانسیل داشتن چنین ماشین‌های قدرتمندی در اختیار ما، ممکن‌است جذاب به نظر برسد، اما این مفهوم خود پیامدهای ناشناخته زیادی دارد.
————————————————–
4- انواع هوش‌مصنوعی
بر اساس عملکرد سیستم‌های مبتنی بر هوش‌مصنوعی، هوش‌مصنوعی را می‌توان به انواع زیر دسته‌بندی کرد:
- 1) هوش‌مصنوعی ماشین واکنش گرا
- 2) هوش‌مصنوعی با حافظه محدود
- 3) تئوری ذهن هوش‌مصنوعی
- 4) هوش‌مصنوعی خودآگاه
1) هوش‌مصنوعی ماشین واکنش گرا
ماشین‌های واکنشی ساده ترین سطح ربات هستند.
آنها قادر به ایجاد خاطرات یا استفاده از اطلاعات آموخته‌شده برای تأثیرگذاری بر تصمیمات آینده نیستند و فقط می‌توانند به موقعیت‌های فعلی واکنش نشان‌دهند.
دیپ بلو IBM، ماشینی که برای بازی شطرنج در برابر انسان طراحی‌شده‌است، نمونه ای از این نوع هوش‌مصنوعی‌است.
دیپ بلو مهره‌های روی صفحه شطرنج را ارزیابی‌می‌کند و بر اساس استراتژی‌های شطرنج از پیش کدگذاری‌شده به آنها واکنش نشان‌می‌دهد. این ماشین، در حین بازی یاد نمی‌گیرد یا بهبود نمی‌یابد، از این رو، یک ماشین هوشمند «واکنشی»است.
2) هوش‌مصنوعی با حافظه محدود
یک ماشین حافظه محدود، همانطور که از نام آن مشخص‌است، می‌تواند برخی از اطلاعات بدست‌آمده از مشاهده رویدادها یا داده‌های قبلی را حفظ‌کند و دانش را با استفاده از حافظه خود در ارتباط با داده‌های از پیش برنامه‌ریزی‌شده ایجاد‌کند.
به‌عنوان مثال، خودروهای اتو-ران، داده‌های از پیش برنامه‌ریزی‌شده مانند علامت‌گذاری خطوط و نقشه‌ها، مشاهده اطلاعات اطراف مانند سرعت و جهت خودروهای مجاور، یا حرکت عابران پیاده را ذخیره‌می‌کنند.
این وسایل نقلیه می‌توانند محیط اطراف خود را ارزیابی‌کرده و رانندگی خود را در صورت لزوم تنظیم‌کنند.
پیشرفت‌ها در یادگیری ماشین به وسایل نقلیه اتو-ران کمک‌می‌کند تا به یادگیری نحوه رانندگی مشابه انسانها، از طریق تجربه در طول زمان، ادامه دهند.
3) تئوری ذهن هوش‌مصنوعی
انسانها افکار و احساسات، خاطرات یا الگوهای مغزی دارند که رفتار آنها را هدایت‌می‌کند و بر آنها تأثیر می‌گذارد. براین اساس محققان نظریه ذهن، امیدوارند کامپیوترهایی را توسعه‌دهند که بتوانند از مدل‌های ذهنی انسان تقلید‌کنند. یعنی ماشین‌هایی که می‌توانند درک‌کنند که مردم و حیوانات، افکار و احساساتی دارند که می‌تواند بر رفتار آنها تأثیر بگذارد.
این نظریه ذهن است که به انسان اجازه می‌دهد تا تعاملات اجتماعی داشته باشد و جوامع را تشکیل دهد.
ماشین‌های تئوری ذهن نیز باید از اطلاعات به دست آمده از افراد استفاده‌کنند و از آنها بیاموزند، بدین ترتیب نحوه ارتباط یا واکنش ماشین در موقعیت‌های مختلف شکل می‌گیرد.
یک نمونه معروف اما هنوز بسیار ابتدایی از این فناوری، ربات مشهور جهانی به نام سوفیا‌است که توسط Hanson Robotics ساخته‌شده‌است.
در حالی که ربات سوفیا به طور ذاتی قادر به تعیین یا درک احساسات انسانی نیست، می‌تواند یک مکالمه اساسی، همراه تشخیص تصویر و توانایی پاسخ دادن به تعاملات با انسانها با حالت چهره مناسب و همچنین ظاهری فوق العاده شبیه انسان را داشته‌باشد.
با این حال، محققان هنوز واقعاً نظریه فناوری ذهن را توسعه نداده‌اند، به‌عنوان مثال، یکی از انتقاداتی که به ربات سوفیا وارد می‌شود، این‌است که او صرفاً «یک ربات چت با چهره»است.
4) هوش‌مصنوعی خودآگاه
ماشین‌های هوش‌مصنوعی خودآگاه پیچیده‌ترین ماشین‌هایی هستند که ممکن‌است بتوانیم تصور کنیم و توسط برخی به عنوان هدف نهایی هوش‌مصنوعی توصیف می‌شوند.
این نوع از ماشین‌های خودآگاه، ماشین هایی هستند که آگاهی در سطح انسانی دارند و وجود خود را در جهان درک می‌کنند.
آنها فقط چیزی را که نیاز دارند درخواست نمی‌کنند، بلکه می فهمند که به چه چیزی نیاز دارند؛ به عنوان مثال «من یک لیوان آب می‌خواهم» با «می‌دانم که یک لیوان آب می‌خواهم» بسیار متفاوت است. به عنوان یک موجود آگاه، این ماشین نه تنها از وضعیت درونی خود‌آگاه‌است، بلکه می‌تواند احساسات دیگران را در اطراف خود پیش‌بینی کند.
به عنوان مثال، به عنوان یک انسان، اگر کسی بر سر ما فریاد بزند، تصور می‌کنیم که آن شخص عصبانی‌است، زیرا درک می‌کنیم که این احساس با فریاد زدن بروز داده‌می‌شود.
بدون نظریه ذهن، ما نمی‌توانیم این استنتاج‌ها را از انسان‌های دیگر انجام دهیم.
ماشین‌های خودآگاه در حال حاضر یک اثر علمی تخیلی هستند، نه چیزی که وجود دارند – و در واقع ممکن‌است هرگز وجود نداشته‌باشد.
ما احتمالا بیشترین تمرکز را برروی توسعه یادگیری ماشین در هوش‌مصنوعی خود داریم.
ماشینی که حافظه دارد و می‌تواند از رویدادهای حافظه خود بیاموزد و آموزش ببیند و آموخته‌های خود را در تصمیمات آینده به کار گیرد، خط پایه تکامل در هوش‌مصنوعی‌است.
توسعه این امر، منجر به نوآوری هوش‌مصنوعی می‌شود که می‌تواند جامعه را به سمت خود‌برگرداند، نحوه زندگی روزمره ما را به طور تصاعدی بهبود بخشد و حتی زندگی را نجات دهد.
————————————————–
6- شاخه‌های هوش‌مصنوعی
هوش‌مصنوعی را می‌توان برای حل مشکلات دنیای واقعی با اجرای فرآیندها/تکنیک‌های زیر مورد‌استفاده قرار‌داد:
1) یادگیری ماشین
2) شبکه‌های عصبی
3) رباتیک
4) سیستم‌های خبره
5) منطق فازی
6) پردازش زبان طبیعی
در ادامه به توضیح هریک از این تکنیک‌ها می پردازیم.
1) یادگیری ماشین
یادگیری ماشین یک برنامه کاربردی از هوش‌مصنوعی (AI)است که توانایی یادگیری خودکار و بهبود تجربه را بدون برنامه‌ریزی صریح به سیستم‌ها می‌دهد.
یادگیری ماشین بر توسعه برنامه‌های رایانه‌ای که می‌توانند به دادهها دسترسی داشته‌باشند و از آن برای یادگیری‌خود استفاده‌کنند، متمرکز‌است.
فرآیند یادگیری با مشاهدات یا داده‌هایی مانند نمونه‌ها و مثال‌ها، تجربه مستقیم یا دستورالعمل آغاز می‌شود،
تا با جستجوی الگو در دادهها بر اساس مثال‌های ارائه‌شده، تصمیمات بهتری در آینده اتخاذ‌شود.
هدف اصلی این است که به کامپیوترها اجازه داده‌شود تا به طور خودکار بدون دخالت یا کمک انسان یاد بگیرند و بر اساس آن اقدامات لازم را تنظیم کنند.
اما در‌استفاده از الگوریتم‌های کلاسیک یادگیری ماشین، متن و نوشته به عنوان دنباله ای از کلمات کلیدی در نظر گرفته‌می‌شود.
در این رویکرد که رویکرد مبتنی بر تحلیل معنایی نام دارد، توانایی انسان برای درک معنای یک متن تقلید‌می‌شود.
در بخش یادگیری ماشین چهار دسته وجود دارد:
1) الگوریتم‌های یادگیری ماشین تحت نظارت، که می‌توانند با استفاده از مثال‌های برچسب‌گذاری‌شده، آنچه را که در گذشته آموخته‌اند، روی داده‌های جدید اعمال کنند تا رویدادهای آینده را پیش‌بینی کنند.
با شروع از تجزیه و تحلیل یک مجموعه داده آموزشی شناخته‌شده، الگوریتم یادگیری یک تابع استنباط‌شده برای پیش بینی مقادیر خروجی تولید‌می‌کند.
این سیستم قادر‌است پس از آموزش کافی، اهدافی را برای هر ورودی جدید ارائه‌دهد.
الگوریتم یادگیری همچنین می‌تواند خروجی‌خود را با خروجی صحیح و مورد نظر مقایسه کند و خطاها را بیابد تا مدل را مطابق با آن اصلاح‌کند.
هوش‌مصنوعی
2) الگوریتم‌های یادگیری ماشین بدون نظارت، زمانی استفاده‌می‌شوند که اطلاعات مورد‌استفاده برای آموزش نه طبقه‌بندی شده و نه برچسب‌گذاری شده، باشند.
یادگیری بدون نظارت می‌آموزد که چگونه سیستم‌ها می‌توانند تابعی را برای توصیف یک ساختار پنهان از داده های بدون برچسب استنتاج کنند.
اگرچه سیستم، خروجی درستی را پیدا نمی‌کند، اما دادهها را بررسی‌می‌کند
و می‌تواند استنتاج‌هایی را از مجموعه دادهها برای توصیف ساختارهای پنهان از داده‌های بدون برچسب استخراج کند.
3) الگوریتم‌های یادگیری ماشین نیمه‌نظارت‌شده، جایی بین یادگیری نظارت‌شده و بدون نظارت قرار می‌گیرند.
زیرا از داده‌های برچسب‌دار و بدون برچسب (معمولاً مقدار کمی از داده‌های برچسب‌دار و مقدار زیادی از داده‌های بدون برچسب) برای آموزش استفاده‌می‌کنند.
سیستم‌هایی که از این روش استفاده‌می‌کنند، می‌توانند دقت یادگیری را به میزان قابل توجهی بهبود بخشند.
معمولاً یادگیری نیمه نظارتی زمانی انتخاب‌می‌شود که داده‌های برچسب‌گذاری‌شده به‌دست‌آمده به منابع مرتبط نیاز داشته‌باشند تا بتوانند آن را آموزش دهند یا از آن بیاموزند.
در غیر این صورت، به دست‌آوردن داده های بدون برچسب معمولاً به منابع اضافی نیاز ندارد.
4) الگوریتم‌های یادگیری ماشین تقویتی، یک روش یادگیری‌است که با اقدامات و کشف خطا یا پاداش با محیط‌خود در تعامل‌است.
جستجوی آزمون و خطا و پاداش، مرتبط ترین ویژگی های یادگیری تقویتی هستند.
این روش به ماشین‌ها و عوامل نرم‌افزار اجازه می‌دهد تا به طور خودکار رفتار ایده‌آل را در یک زمینه خاص تعیین کنند تا عملکرد آن را به حداکثر برسانند.
فیدبک پاداش برای عامل، جهت فهمیدن اینکه کدام عمل بهترین‌است، بسیار مهم‌است. این سیگنال به عنوان سیگنال تقویتی شناخته‌می‌شود.
2) شبکه‌های عصبی
شبکه عصبی، شاخه‌ای از هوش‌مصنوعی است‌که با ترکیب علوم شناختی و ماشین‌ها برای انجام وظایف، از عصب شناسی (بخشی از زیست شناسی که به سیستم عصبی و عصبی مغز انسان مربوط می‌شود) استفاده‌می‌کند.
یک شبکه عصبی، مغز انسان را تکثیر‌می‌کند.
مغز انسان از تعداد بی نهایت نورون تشکیل شده‌است و کدگذاری نورون های مغز به یک سیستم یا ماشین، کاری است‌که شبکه عصبی به آن عمل‌می‌کند.
به زبان ساده، شبکه عصبی مجموعه‌ای از الگوریتم‌ها است‌که برای یافتن روابط عنصری در میان دسته‌ای از دادهها از طریق پروسه‌ای که فرآیند عملکرد مغز انسان را تقلیدمیکند، استفاده‌می‌شود.
بنابراین، شبکه عصبی به سیستمی از نورون‌ها اطلاق می‌شود که ماهیت اصلی یا مصنوعی دارند، که در آن نورون‌های مصنوعی به عنوان پرسپترون شناخته‌می‌شوند.
در اینجا نیز به عنوان مدل کامل پرسپترون در شبکه عصبی شناخته‌می‌شود.
نورون در شبکه عصبی، یک تابع ریاضی (مانند توابع فعال سازی)است که کار آن جمع آوری و طبقه بندی اطلاعات بر اساس یک ساختار خاص‌است.
شبکه عصبی، تکنیک‌های آماری مختلفی مانند تحلیل رگرسیون را برای انجام وظایفی مانند پیش بینی و تحقیقات بازار، کشف تقلب، تجزیه و تحلیل ریسک، پیش بینی بورس اوراق بهادار، پیش بینی فروش و بسیاری موارد دیگر، پیاده‌سازی‌می‌کند.
3) رباتیک
رباتیک، به عنوان یک زمینه بسیار هیجان انگیز از هوش‌مصنوعی پدیدار شده‌است.
یک زمینه جالب تحقیق و توسعه عمدتاً بر روی طراحی و ساخت ربات‌ها متمرکز‌است.
ربات، محصول حوزه رباتیک‌است، جایی که ماشین‌های قابل برنامه‌ریزی که می‌توانند به انسان کمک‌کنند یا اعمال انسان را تقلید کنند، ساخته‌می‌شوند.
ربات‌ها در ابتدا برای انجام کارهای یکنواخت (مانند ساخت ماشین در خط مونتاژ) ساخته‌شده‌بودند، اما از آن زمان به بعد بسیار فراتر از کاربردهای اولیه‌خود برای انجام کارهایی مانند اطفاء حریق، تمیز کردن خانه‌ها و کمک به جراحی‌های فوق العاده پیچیده گسترش یافته‌اند.
هر ربات دارای سطح متفاوتی از استقلال است، از ربات‌های کنترل‌شده توسط انسان که وظایفی را انجام می‌دهند. که یک انسان کنترل کامل روی آنها دارد تا ربات‌های کاملاً مستقل که وظایف را بدون هیچ گونه تأثیر خارجی انجام می‌دهند.
رباتیک، یک رشته میانه ای از علم و مهندسی است که با مهندسی مکانیک، مهندسی برق، علوم کامپیوتر و بسیاری دیگر ترکیب شده‌است.
علم رباتیک، طراحی، تولید، بهره برداری و استفاده از ربات‌ها را تعیین می‌کند و با سیستم‌های کامپیوتری برای تبدیل اطلاعات، کنترل و نتایج هوشمند سروکار دارد.
عمده وظایف رباتیک شامل خط مونتاژ برای تولید خودرو و جابجایی اجسام بزرگ در فضا توسط ناسا است.
محققان هوش‌مصنوعی همچنین در حال توسعه ربات‌هایی با استفاده از یادگیری ماشین برای تنظیم تعاملات در سطوح اجتماعی هستند.
4) سیستم‌های خبره
سیستم‌های خبره به عنوان اولین مدل موفق نرم افزار هوش‌مصنوعی در نظر گرفته شده‌اند.
این فناوری برای اولین بار، در دهه 1970 طراحی‌شد و پس از آن در دهه 1980 پیشرفت کرد و استفاده از آن افزایش یافت.
تحت چتر فناوری هوش‌مصنوعی، یک سیستم خبره به یک سیستم رایانه‌ای اطلاق می‌شود که هوش تصمیم‌گیری یک متخصص انسانی را تقلید می‌کند.
این کار را با استخراج دانش از پایگاه دانش‌خود، با اجرای قواعد استدلال و بینش بر حسب پرسش‌های کاربر انجام می‌دهد.
اثربخشی سیستم خبره کاملاً متکی به دانش متخصص‌است که در یک پایگاه دانش انباشته شده‌است.
هر چه اطلاعات جمع آوری‌شده در آن بیشتر باشد، سیستم کارایی آن را بیشتر می‌کند.
به عنوان مثال، سیستم خبره پیشنهاداتی را برای املا و اشتباهات در موتور جستجوی گوگل ارائه می‌دهد.
سیستم‌های خبره برای مقابله با مشکلات پیچیده، از طریق استدلال بوسیله ویژگی های مهارتی، ساخته شده‌اند.
ویژگی های کلیدی سیستم‌های خبره عبارتند از: پاسخگویی خوب، قابل اعتماد بودن، قابل درک بودن و عملکرد و اجرای بالا.
5) منطق فازی
در دنیای واقعی، گاهی اوقات ما با شرایطی روبرو هستیم که تشخیص درست بودن یا نبودن شرط دشوار است. منطق فازی با انعطاف‌پذیری مناسب برای استدلال ها، منجر به عدم دقت و عدم قطعیت هر شرطی می‌شود.
به عبارت ساده تر، منطق فازی تکنیکی است که اطلاعات نامطمئن را با اندازه گیری میزان درستی فرضیه نشان می‌دهد و اصلاح می‌کند.
منطق فازی همچنین برای استدلال در مورد مفاهیم غیر قطعی طبیعی نیز استفاده می‌شود.
علاوه بر این، این فناوری برای پیاده سازی تکنیک های یادگیری ماشین، آسان و انعطاف پذیر است و به تقلید منطقی فکر انسان کمک می‌کند.
در واقع، عملکرد منطق فازی تعمیم منطق استاندارد است که در آن یک مفهوم درجه ای از صدق را بین 0 تا 1 نشان می‌دهد.
اگر مفهوم کاملاً درست باشد، منطق استاندارد برابر با یک و برای مفهوم کاملاً نادرست برابر با صفر‌است.
اما در منطق فازی یک مقدار میانی نیز وجود دارد که تا حدی درست و تا حدی نادرست است.
6) پردازش زبان طبیعی
به عبارت ساده تر، پردازش زبان طبیعی بخشی از علوم کامپیوتر و هوش‌مصنوعی است‌که می‌تواند به برقراری ارتباط بین کامپیوتر و انسان با زبان طبیعی کمک کند.
در واقع پردازش زبان طبیعی، یک تکنیک پردازش محاسباتی زبان انسانی‌است. که کامپیوتر را قادر می سازد
تا با تقلید از زبان طبیعی انسان، داده ها را بخواند و درک کند.
اجرای پردازش زبان طبیعی مزایای مختلفی دارد که عبارتند از:
– دقت و کارایی اسناد را بهبود می بخشد.
– این قابلیت را دارد که به صورت خودکار متن خلاصه خوان را بسازد.
– برای دستیاران شخصی بسیار سودمند‌است و سازمان‌ها را قادر می‌سازد تا چت بات‌ها را برای پشتیبانی مشتری انتخاب کنند.
– تجزیه و تحلیل احساسات را آسان تر می‌کند.
برخی از برنامه‌های پردازش زبان طبیعی عبارتند از ترجمه متن، تجزیه و تحلیل احساسات و تشخیص گفتار.
به عنوان مثال، توییتر از تکنیک پردازش زبان طبیعی برای فیلتر کردن زبان تروریستی از توییت‌های مختلف استفاده می‌کند؛ آمازون نیز پردازش زبان طبیعی را برای تفسیر نظرات مشتریان و افزایش تجربه آنها پیاده‌سازی می‌کند.
در صورت علاقه به این موضوع، پیشنهاد می‌شود مقاله هوش‌مصنوعی (AI) چیست؟ اجزاء، اهداف، چالش ها و مزایا و معایب را مطالعه کنید.