کاربردهای هوش مصنوعی

  از هوش مصنوعی در نواحی متعددی استفاده می شود و هر روز بیشتر از این تکنولوژی در جهت سهولت و سرعت بخشیدن به زندگی بهره برداری می شود. از این رو دانشمندان در حال کار مستمر روی تکنیک های این فن آوری هستند و به سرعت شاهد پیشرفت های فراوان در این شاخه از علم هستیم. عمده حوزه هایی که امروزه هوش مصنوعی در آنها کاربد دارد عبارتند از:

 1-5-1 بازیها

  یعنی کامپیوتر را طوری برنامه ریزی کنیم تا بازیهایی مثل شطرنج یا چکرز را انجام دهند. در تئوری بازی، کامپیوتر باید از میان تعدادی از احتمالات موجود، حرکت بعدی را  انتخاب کند. این نوع انتخاب قابل مقایسه با انتخاب های بازیکن شطرنجی است که در پاسخ به حریفش حرکتی را انتخاب می کند.

  در سال 1948 آلن تورینگ، ریاضی دان انگلیسی، یک الگوریتم شطرنج را برای استفاده در ماشین حساب ها ساخت. این الگوریتم در یک مسابقه از یک بازیکن آماتور شکست خورد.10  سال بعد کلود شانن[1]، ریاضی دان امریکایی، دوالگوریتم بازی شطرنج را طراحی کرد: 1- الگوریتمی که در آن تمام حرکتها و نتایجشان تا جایی که امکان دارد پیش بینی شده اند. 2- حالتی که در آن فقط حرکتهایی که احتمالشان بیشتر است و نتایج نزدیک تر آنها ارزیابی شده اند. درسال 1988، های-تک[2]–  برنامه ای که در دانشگاه کیمجی- ملون[3]  ساخته شد، توانست قهرمان سابق امریکا را شکست دهد. یک سال بعد گری کاسپاروف، دیپ تاوت[4] ، برنامه ای که توسط مرکز آی بی ام ساخته شده بود، را در دو مسابقه شکست داد. کاسپاروف در 1996 از دیپ بلو[5]،که توسط مرکز آی بی ام ساخته شده بود شکست خورد. دیپ بلو از رویکرد شماره 1 پیروی می کرد و در هر نوبت بیش از 100 بیلیون حالت را ارزیابی می کرد و در عین حال به 6 حرکتی که پیش رویش قرار داشت نگاه می کرد.

  1-5-2 سیستم های خبره

   یک کلاس دیگر از برنامه های هوش مصنوعی  سیستم های خبره نامیده می شوند که تلاش می کنند تا بوسیله بدست آوردن و متحد کردن دانشی که انسانهای متخصص دارند اموری را به انجام برسانند. استفاده از هوش مصنوعی در پزشکی، حکومت و دیگر کارهایی که از نظر اجتماعی اهمیت دارند ،امروزه رواج زیادی دارد. چنین سیستم هایی می توانند به کارکنان آموزش دهند و در تصمیم گیری کمک کنند. میسین[6]، برنامه ای است که در سال 1976 در دانشگاه استنفورد ساخته شد و در تشخیص بیماریهای عفونی خونی تخصص دارد و معالجاتی را پیشنهاد می کند و استدلال خود را به زبان انگلیسی توضیح می دهد. برنامه هایی وجود دارند برای پیش بینی قیمت سهام در بورس و همچنین برای تشخیص اعتبار کارتهای اعتباری، ساخت موسیقی، مکان یابی رسوبات معدنی مثل طلا یا نفت، طراحی متوالی مسیر برای رانندگان، آموزش موضوعاتی مثل جغرافی یا الکترونیک به دانش آموزان و بسیاری برنامه های دیگر.

  شرکت نرم افزاری کالیفرنیا سایبرنتیک برنامه ای به نام برین میکر[7]( مغز ساز) تهیه کرده است که پزشکان با استفاده از آن به سرعت می توانند بر اساس داده های آنزیمی خطر حملات قلبی را تشخیص دهند، و از روی تصاویر، سلول های سرطانی را طبقه بندی کنند.

  شرکت مالی “ال بی اس کاپیتال منیجمنت[8]“، از نرم افزار برین میکر، برای پیش بینی استفاده می کند.پیش گویی آنها به صورت ” یک روز جلوتر”[9] و ” یک هفته جلوتر”[10] ، شیوه های سنتی مبتنی بر فرمول را به کلی منسوخ کرده است.

  1-5-3 درک کامپیوتر

  یک نمونه از هوش مصنوعی درک کامپیوتر است. این درک تشکیل دهنده یک نمود درونی است که برای پردازش هوشمند مناسب است. گرچه انواع مختلفی از سیگنال های حساس وجود دارند، اما درک کامپیوتر بر بینایی و کلام متمرکز است. این درک ممکن است از هوش متمایز باشد، زیرا توزیع متوالی انرژیهایی را در بر دارد که زمان را عوض می کنند و بر نمود الفاظ سمبلیک تقدم دارند.

  درک کامپیوتر، توانایی تشخیص الگوها در یک تصویر و جدا کردن اشیا از زمینه با همان سرعت مغز است. در دهه 1990، تکنولوژی های نظامی که در ابتدا کارش تحلیل تصاویری بود که از ماهواره جاسوسی به دستش می رسید، راهش را به سوی کاربردهای تجاری پیدا کرد، از جمله نظارت بر خطوط هیأت های قانونگذاری، تولید دوربین های دیجیتالی و سیستم های تصویر ساز اتوماتیک. درک کامپیوتر، مستلزم آن است که یک برنامه ریز تعیین کند که برخی از ویژگیهای ورودی های حساس که از یک دوربین ویدیویی یا یک میکروفن ایجاد می شوند، مهم هستند. برای مثال برای تشخیص صورت، برنامه باید قسمتهای مرکزی چشم ها، بینی و دهان را شناسایی کند و سپس سایز این ها و فاصله بین آنها را اندازه گیری کند. این اندازه گیریها برای مجموعه ای از صورتها در یک پایگاه اطلاعاتی و هر کدام از آنها باهم برای شناسایی صورت بکار می روند. بنابراین زمانی که صورتی که در این مجموعه آشناست روبروی دوربین قرار می گیرد، کامپیوتر نزدیکترین حالتی را که مناسب اندازه هایی است که در پایگاه اطلاعاتی ذخیره شده را پیدا می کند و می تواند صورت را شناسایی کند. به همین ترتیب ویژگیهای صدا و صدای کلمات هم در پایگاه های اطلاعاتی ذخیره می شوند تا کامپیوتر بتواند تشخیص نهایی را داشته باشد. امروزه یک نوع ماشین اتوماتیک پرداخت پول به نام “میدوس”[11] وجود دارد که با استفاده از یک نرم افزار که توسط شرکت کوچک “نیو اینگلند “[12]ساخته شده است، چهره مشتری را تشخیص می دهد. این ماشین با استفاده از دو دوربین یک تصویر سه بعدی از مشتری می گیرد، بنابراین نمی توان با قرار دادن عکس یک نفر دیگر بر روی صورت خود ، ماشین را فریب داد!

  1-5-4 پردازش زبان طبیعی

  توانایی برقراری ارتباط بین انسانها از طریق زبان نوشتاری یا طبیعی، یکی از مهم ترین نتایج پیشرفت انسان است. تا هنگامی که کامپیوترها نتوانند از این توانایی بهره برند نمی توانند کارهای روزمره انسان را انجام دهند. پردازش زبان طبیعی به معنای برنامه ریزی کامپیوترها برای فهم زبان طبیعی انسان است. پردازش زبان طبیعی از بالاترین میزان ارزش بالقوه برخوردار است، زیرا مردم را قادر می سازد تا بدون نیاز به هیچ دانشی  با کامپیوترها تعامل داشته باشند. شما می توانید به سادگی به سمت یک کامپیوتر بروید و با او صحبت کنید. متأسفانه برنامه ریزی کامپیوترها برای فهم زبان طبیعی بسیار سخت تر از تفکر واقعی است. بعضی از سیستم های خیلی ابتدایی ترجمه که یک زبان را به زبان دیگر ترجمه می کنند، هم اکنون موجودند. اما آنها به خوبی انسانهای مترجم نیستند. همچنین سیستمها ی تشخیص صدا هم موجودند که می توانند صداهای گفتاری را به کلمات نوشتاری برگردانند، اما آنها نمی فهمند که چه می نویسند، در ضمن بسیار محدود هم هستند، شما باید به آرامی و به طور واضح حرف بزنید.

  مشکل برنامه نویس برای یک برنامه پردازش زبان طبیعی، پیدا کردن قواعدی است که  بین جملاتی مثل

He broke a window with a ston

و

He broke a window with a curtain

تمایز قائل شوند. این امر مستلزم ذخیره سازی لیست بلندی از کلمات است که نشان می دهند که آیا آنها وسیله هستند (مثل سنگ) و یا جزء تزئینات هستند(مثل پرده)، تا اینکه هماگونه که آنها در جمله ظاهر می شوند معنای درست را هم بتوان به آنها نسبت داد. پیشرفت های مهمی برای مثال در تشخیص کلمات کلیدی و ساختار گرامری ایجاد شده اند. برنامه های AI  حتی می توانند با تفریحات و لطیفه های نوجوانانه و محترمانه هماهنگ باشند. اما جملات و لطیفه های زیادی هستند که ملزم به داشتن دانش جهانی گسترده ای هستد، از جمله دانستن اطلاعات مربوط به  یک فرهنگ خاص درباره ورزش، مد، سیاست، و غیره. این فهرست از نظر ادبیاتی پایان ناپذیر است. احتمال کمی وجود دارد که یک سیستم AI  واقعی به خوبی ما بتواند از زبان استفاده کند، زیرا آماده کردن و ساختاربندی چنین دانشی سخت است( بیشتر آن دانش تلویحی است و وارد کردن آن به حوزه آگاهی بسیار سخت است). در اینجا به یک تئوری روانشناسانه نیازمندیم که توضیح دهد این ظرفیت های انسانی چگونه ممکن هستند.

 1-5-5 شبکه های عصبی

  الگوی شبکه های عصبی تلاشی است برای تقلید از ساختار محاسباتی نورون ها یا اعصاب مغز انسان که در واقع در جستجوی بازتولید معماری مغز انسان است. ما با مجموعه ای از داده ها شروع می کنیم که بیانگر مسئله ای هستند که باید حل شود. مثلاً این داده ها ممکن است مجموعه ای از پیکسل ها باشند که تصویری را که باید شناخته شود را بیان می کنند. این داده ها به طور اتفاقی به لایه ای از نورون های شبیه سازی شده ارسال می شوند. هر یک از این نورون های شبیه سازی شده می توانند برنامه رایانه ای ساده ای باشند که یک الگوی عصب را در نرم افزار شبیه سازی می کند، یا اینکه این نورون ها می توانند ابزارهای الکترونیکی باشند.

  فرض کنیم مسئله بر سر تشخیص یک تصویر چاپی باشد. ابتدا این مسئله به لایه ورودی ارسال می شود و بعد نورون های خروجی پاسخ را فراهم می کنند. در مورد طیف وسیعی از مسائل، پاسخ دقیق است. اما در واقع پاسخ ها ابداً دقیق نیستند. در آغاز خروجی ها به صورت کاملاً اتفاقی هستند. گام مهمی که وجود دارد، آن است که شبکه عصبی موضوع مورد نظر را بیاموزد. شبکه عصبی درست مثل مغز پستانداران که شبکه بر مبنای الگوی آن ساخته شده، در آغاز نادان است. معلم شبکه عصبی-که می تواند یک انسان، یک برنامه رایانه ای یا یک شبکه عصبی دیگر و پخته تر باشد- وقتی جواب دانش آموز خود را صحیح ببیند به او پاداش می دهد و وقتی پاسخش غلط باشد، او را تنبیه می کند. شبکه عصبی از این بازخورد استفاده می کند تا قدرت اتصالهای بین نورونی را تنظیم کند. اتصالاتی که پاسخ صحیح را فراهم می کنند قوی تر می شوند. به مرور زمان شبکه چنان خود را سازمان میدهد که بدون معلم پاسخ های صحیح ارائه می کند.

  امروزه اکثر برنامه های رایانه ای شبکه عصبی، الگوهای نورونی خود را در نرم افزار شبیه سازی می کنند. این بدان معنی است که رایانه ها یک روند طویل را روی ماشینی شبیه سازی می کنند که هر بار فقط یک محاسبه انجام می دهد.

  در حال حاضر عده زیادی از محققان به دنبال این هدف هستند که شبکه های عصبی را مطابق الگوهای طبیعت بسازند: یعنی شبکه ای طویل که برای هر نورون یک رایانه کوچک اختصاص یافته است. مؤسسه تحقیقاتی ارتباطات پیشرفته (ای تی آر[13])  که یک مرکز تحقیقی معتبر  در کیوتوی ژاپن است، در حال ساخت این مغز مصنوعی با یک میلیارد نورون الکترونیکی است، اما این نورون ها با سرعت الکترونیکی عمل خواهند کرد که حدوداً یک میلیون بار سریع تر از نورون های انسان است.

  1-5-5-1الگوهای ژنتیکی:

  الگوهایی هستند که در آنها طراحان برنامه، مستقیماً برنامه یک راه حل را نمی نویسند، بلکه راه حل مسئله از طریق روند تکراری و شبیه سازی شده رقابت و بهبود، پدید می آید. الگوهای ژنتیکی همانند شبکه های عصبی، شیوه ای از بهره برداری و کاربرد الگوهای ظریف اما عمیقی هستند که در داده های بی نظم وجود دارند. منبع اصلی لازم، نمونه های متعدد مسائلی است که باید حل شود. در زمینه مسائل مالی، قطعاً کمبودی از لحاظ اطلاعات بی نظم وجود ندارد -هر ثانیه از معاملات مالی و تجاری بر روی اینترنت موجود و در دسترس است. الگوهای ژنتیکی بخصوص در حل مسائلی کارا هستند که متغیرهای آنها بیش از حد زیاد است و لذا محاسبه راه حل های تحلیلی دقیق برای آنها دشوار است. به عنوان مثال طراحی موتور یک هواپیمای جت بیش از یکصد متغیر را شامل می شود و نیازمند برآورده ساختن دهها شرط و قید است. الگوهای ژنتیکی امروز که از طریق آنها اثر انگشت، خصوصیات چهره و دستخط را تشخیص می دهند، ظاهراً بر الگوی شبکه عصبی ارجحیت دارند.

  شبکه های عصبی والگوهای ژنتیکی را “شیوه های نامنتظر” خود سازمان ده[14]– می خوانند، زیرا نتیجه کار قابل پیش بینی نیست ودر واقع اغلب برای طراحان خود این برنامه هم غافلگیرکننده است.

 1-5-5-2 یادگیری

  “یادگیری عبارت است از تغییری در عملکرد یک فرد در رابطه با شرایط  بخصوص که پس از تجربیات مکرر در آن شرایط بدست می آید.، البته به این شرط که این تغییر رفتار را نتوان بر اساس تمایلات واکنشی ذاتی، بلوغ یا وضعیت های موقتی فرد( مثل خستگی، مصرف داروهای مخدر و غیره) توجیه نمود.”[15]

  یادگیری ماشین از ابتدا امری محوری در AI بوده است. یادگیری که تحت کنترل نباشد یعنی توانایی پیدا کردن الگوها از بین داده ها. یادگیری تحت کنترل هم شامل طبقه بندی می شود هم شامل استدلال. استدلال کردن مستلزم مجموعه ای از نمونه های عددی است و تلاش می کند تا یک کارکرد ممتد را پیدا کند که این کارکرد، خروجی ها را از ورودی ها استخراج کند. جستجوی مداوم در حوزه دانش، خودکارکردن روند یادگیری است، بطوریکه ماشینها بتوانند به جهان بیرون بروند (یا در مورد مبتدیان به درون شبکه وب) و اطلاعات  جمع آوری کنند. این همان چیزی است که شبکه های عصبی آن را ممکن می سازند. هرگاه این شبکه به بهترین راه حل دست یابد الگوهای اتصالات عصبی مبین شکلی از دانش می شوند که آن را می توان برای استفاده در آینده ذخیره کرد.

[1] – Claud Shannan

[2] – Hi tech

[3]– Camegie-Mellon

[4] – DEEP THOUGHT

[5] – DEEP BLUE

[6] – MYCIN

[7] – Brain Maker

[8] – LBS capital management

[9] – A Day Ahead

[10] – A Week Ahead

[11] – Midos

[12] – New England

[13] – ATR

[14] -ری کورویل، عصر ماشین های معنوی-وقتی رایانه ها از هوش انسان پیشی می گیرند،ص:138

[15] – ایلین ریچ، هوش مصنوعی، ترجمه و تألیف دکتر مهرداد فهیمی،چاپ چهارم،تهران:جلوه 1383، ص494

 

 

بر روی هر تصویر کلیک کنید تا توضیحات کامل هر قسمت را مشاهده فرمایید

 

 

 

 

 

 

 

 

 

 

 

 

 

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.