درآمدی بر آنچه سرگذشت انسان را متحول می‌کند
هوش مصنوعی چیست؟
مهدی ایل‌بیگي. مدیرهوش مصنوعي سرزمین هوشمند پاد
مقدمه: هوش مصنوعي کلمه‌اي ترکيبي است که اين روز‌ها خيلي آن را مي‌شنويم، اما شايد با مفهوم، کاربرد و نحوه عملکرد آن خيلي آشنا نباشيم. در اين نوشتار برآنيم تا درآمدي بر اين مفهوم جذاب و کاربردي، براي کساني که شايد پيشينه چنداني هم از مباحث رايانه‌اي نداشته، اما علاقه‌مند به فناوري‌هاي جديد هستند، ارائه شود.
تعاريف مختلفي از هوش مصنوعي ارائه شده است. راسل و نورويگ در يکي از تعاريف ساده و روان آورده‌اند که «واژه هوش مصنوعي اغلب براي توصيف يک ماشين يا رايانه که به تقليد فرايندهاي شناختي و هوشمندانه انسان‌ها مي‌پردازد، تعلق مي‌گيرد. يادگيري و حل مسئله نمونه‌اي از اين فرايندهاي شناختي هستند». البته هرکدام از اين تعاريف از جنبه خاصي به هوش مصنوعي مي‌نگرند و هرکدام تا اندازه‌اي درست بوده و مي‌توانند داراي نقطه‌ضعف‌هايي نيز باشند؛ به‌عنوان‌مثال در تعريف فوق تنها اشاره شده که هوش مصنوعي به تقليد فرايندهاي شناختي انسان‌ها مي‌پردازد که اين‌طور نيست، بلکه هوش مصنوعي به دنبال بهره‌گيري از هر رفتار هوشمندانه‌اي است که در جهان آفرينش وجود دارد، ازهمين‌رو يکي از زيرمجموعه‌هاي علم هوش مصنوعي، الگوريتم‌هاي الهام گرفته‌شده از طبيعت (Bio-Inspired Algorithms) است مانند:
الگــوريـتم ژنتيک(Genetic Algorithm)، کلوني مورچگان (Ant Colonies)، ازدحام پرندگان (Bird Flocking) و رشد باکتري (Bacterial Growth).
از تعاريف و نظريات که بگذريم، مهم‌ترين جنبه هوش مصنوعي براي ما اين خواهد بود که اين علم قرار است چه مسائلي را براي ما در دنياي واقعي حل کند يا قرار است به ما چه کمکي بکند. هوش مصنوعي به‌عنوان يکي از مهم‌ترين شاخه‌هاي علوم رايانه، گستره وسيعي از نيازمندي‌هاي دنياي واقعي بشر را مورد هدف قرار داده و بر آن است تا در شئون مختلف زندگي بشر وارد شود و به او ياري رساند، به‌نحوي‌که مي‌توان گفت آينده در سيطره هوش مصنوعي خواهد بود! در ادامه برخي از کاربردهاي هوش مصنوعي در حوزه‌هاي مختلف معرفي مي‌شود.
کاربردهاي هوش مصنوعي
براي روشن‌ترشدن اهميت هوش مصنوعي در زندگي روزمره انسان‌ها، ابتدا به سراغ معرفي کاربردهاي اين علم در زمينه‌هاي مختلف مي‌رويم. در ادامه 20 زمينه منتخب از کاربردهاي هوش مصنوعي بيان مي‌شود. البته به منظور اختصار تنها به سه کاربرد در هر زمينه اکتفا شده است.
1. کاربرد در بانکداري و بورس:
شناسايي جلوگيري از کلاهبرداري‌هاي مالي و پول‌شويي
(Fraud and Money-Laundering)
پيش‌بيني شاخص بورس و ارائه پيشنهاد براي سرمايه‌گذاري
بخش‌بندي مشتريان و ارائه خدمات سفارش‌شده به آنها
2. حمل‌ونقل:
ارائه خودروهاي هوشمند بدون راننده
کاهش بار ترافيک با استفاده از تحليل ترافيک و مسيريابي هوشمند
جلوگيري کامل از هرگونه تصادف رانندگي با استفاده از تعامل هوشمند بين خودروها در بستر شبکه ويژه خودروها
(Vehicular Ad-hoc Networks (VANETs)
3. خرده‌فروشي:
تحليل بسته‌هاي پرخريد کاربران و ارائه پيشنهادهاي تخفيف سفارشي بر اساس نيازهاي هر کاربر
چينش هوشمند اقلام در فروشگاه‌ها و حتي چينش هوشمند محتويات سايت‌هاي فروشگاه‌هاي اينترنتي
پيش‌بيني ميزان فروش و انبارداري هوشمند
4. آموزش و پرورش و دانشگاه‌ها:
برگزاري کلاس‌هاي هوشمند با استفاده از تعامل در محيط مجازي
تشخيص تقلب و دزدي ادبي و علمي به صورت هوشمند
ارزيابي و نمره‌دهي هوشمند و خودکار
5. مخابرات و ارتباطات:
ترجمه برخط گفتار مکالمه‌کننده که باعث مي‌شود همه افراد در سراسر دنيا بتوانند با يکديگر به راحتي مکالمه کنند!
سيستم‌هاي پاسخ‌گويي هوشمند به تماس‌هاي تلفني و ايميل‌ها
تشخيص و حذف تماس‌هاي مزاحم تلفني و هرزنامه‌هاي در صندوق ايميل
6. بازي‌هاي رايانه‌اي:
هوشمند‌سازي بازي‌هاي رايانه‌اي به‌نحوي‌که از رفتار کاربران ياد گرفته و در هر مرحله، الگوريتم بازي رفتار هوشمندانه‌تري از خود نشان خواهد داد.
تعامل با محيط بازي‌هاي رايانه‌اي با استفاده از حرکات بدن و حتي تفکرات کاربران!
راهنمايي و آموزش کاربران توسط مربي هوشمند مجازي
7. رسانه:
ارائه روزنامه‌هاي هوشمند که به طور خودکار و هوشمند محتويات آنها آماده شده و به صورت تعاملي و بر اساس نياز کاربران تغيير نيز مي‌کنند!
روزنامه‌نگار هوشمند مجازي!
تحليل هوشمند خبرها و ارائه آمار و اطلاعات تحليلي از اخبار موجود
8. هتل‌داري:
ارائه روبات‌هاي دربان و پاسخ‌گو براي راهنمايي مسافران
اتاق‌هاي هوشمند! (کمک به برنامه‌ريزي سفر و آماده‌سازي اتاق به صورت هوشمند)
مشتري‌يابي هوشمند و خودکار
9. صنايع سرگرمي:
پيشنهاد فيلم و موزيک به کاربران بر‌اساس سليقه آنها
توليد موسيقي و نقاشي به صورت هوشمند و خودکار
توليد فيلم‌هاي ساختگي از روي چهره و فيلم‌هاي کاربران!
10. صنعت:
ارائه روبات‌هاي صنعتي براي ساخت همه توليدات کارخانه‌اي اعم از خودرو، وسايل ديجيتالي و... .
پايش هوشمند و خودکار ايمني کارکنان در محيط‌هاي کارخانه‌اي
بهينه‌سازي مصرف مواد اوليه در کارخانه‌ها و حتي کاهش مصرف انرژي به صورت هوشمند و خودکار
11. ورزش:
تحليل رفتار و کارايي ورزشکاران به صورت هوشمند
کارگرداني هوشمند پخش زنده مسابقات
داور هوشمند مجازي
12. صنعت هواپيمايي:
خلبان هوشمند!
پيش‌بيني هوشمند آب‌وهوا
مسيريابي هوشمند براي همه پروازها
13. فروشگاه‌های اینترنتی:
ارائه اتاق‌هاي تعويض لباس مجازي!
ارائه پيشنهادها براي خريد به کاربران به صورت هوشمند
ارائه چت‌بات‌هاي هوشمند براي خريد و پشتيباني از مشتريان
14. حوزه سلامت:
روبات‌هاي جراح که با کمترين خطا و جراحت، تخصصي‌ترين جراحي‌ها را انجام مي‌دهند و همچنين نانو روبات‌ها براي باز‌کردن رگ‌ها و از‌بين‌بردن تومورها!
تشخيص هوشمند بيماري‌ها و ارائه بهترين تجويز‌ها
ارائه اعضاي مصنوعي روباتيک و ابزارهاي پوشيدني پايش سلامت و جلوگيري‌کننده از حملات قلبي، صرع و... .
15. کشاورزي:
ماشين‌ها و روبات‌هاي هوشمند براي برداشت محصول
پايش سلامت محصولات و سم‌پاشي و آبياري هوشمند
تحليل پيشگويانه براي کاشت بهترين محصولات براي برداشت بیشترين محصول بر‌اساس شرايط آب‌وهوا و... .
16. شبکه‌هاي اجتماعي:
جست‌وجوي افراد با استفاده از تصوير و صداي آنها
پيشنهاد هوشمند روابط دوستي و يافتن دوستان قديمي
ارسال اخبار و محتويات مختلف بر‌اساس علايق و رفتار کاربران
17. صنايع نظامي:
ارائه ارتش روباتيک، شامل پهپادها، کشتي‌ها و سربازان روباتيک هوشمند!
ارائه بازي جنگ و شبيه‌سازي و آموزش سربازان
اتخاذ استراتژي و تصميمات نظامي به صورت خودکار و هوشمند و تحقق فرماندهي کنترل هوشمند مجازي
18. زندگي شهروندي:
ارائه خانه‌هاي هوشمند (Smart Home) براي دستوردهي به همه ابزارهاي خانه اعم از وسايل سرمايشي-گرمايشي تا ابزارهاي امنيتي
ارائه شهر هوشمند براي ارائه خدمات هوشمند به شهروندان
مديريت انرژي مصرفي به صورت هوشمند و بهينه
19. صنعت بيمه:
تحليل ريسک در صنعت بيمه به صورت هوشمند
قيمت‌گذاري سبد بيمه به صورت سفارشي براي هر کاربر
پشتيباني از کاربران به صورت هوشمند و خودکار
20. سياست و دولت:
پايش هوشمند افکار عمومي
پيش‌بيني نتايج انتخابات و ايجاد هدفمند کمپين‌هاي سياسي
پيش‌بيني خرابي زيرساخت‌ها و پايش و نگهداري از آنها
اهميت سرمايه‌گذاري در حوزه هوش مصنوعي:
با توجه به کاربردهاي متنوع و راه‌گشاي علم هوش مصنوعي در زمينه‌هاي مختلف زندگي بشر، اهميت و جايگاه سرمايه‌گذاري و پرداختن به اين علم و بهره‌برداري از دستاوردهاي آن، بيش‌ازپيش آشکار مي‌شود؛ ازاينرو در دنيا سرمايه‌گذاري‌هاي فراواني در اين زمينه شده است و در آينده نيز اين سرمايه‌گذاري‌ها روند فزاينده‌اي خواهد داشت؛ اما برخي از کشورها اين اهميت را بيشتر دريافته‌اند و سرمايه‌گذاري بسيار جدي‌تري در مقایسه با کشورهاي ديگر در اين زمينه انجام داده‌اند. دو کشور برتر در سرمايه‌گذاري در حوزه فناوري‌هاي هوش مصنوعي به ترتيب چين و آمريکا هستند؛ به‌طوري‌که چين 48 درصد و آمريکا 38 درصد کل سرمايه‌گذاري‌هاي کشورهاي دنيا را بر هوش مصنوعي به خود اختصاص داده‌اند. 13 درصد باقي‌مانده نيز سهم دیگر کشورها است.
درک اهميت سرمايه‌گذاري و برنامه‌ريزي براي استفاده از فناوري‌هاي هوش مصنوعي در جاي‌جاي زندگي بشر، حتي به جايي رسيده است که کشوري مانند امارات متحد عربي نيز در سال 2017 وزارت هوش مصنوعي را راه‌اندازي کرده و وزير هوش مصنوعي خود را به دنيا معرفي مي‌کند! به هر ترتيب، سرمايه‌گذاري در حوزه فناوري‌هاي هوش مصنوعي، به‌قدري پراهميت است که همه کشورهاي توسعه‌يافته، برنامه‌ريزي‌هايی بسيار جدي در اين زمينه تدوين کرده‌اند. پيش‌بيني‌ها از درآمدهاي بازار هوش مصنوعي در آينده به‌گونه‌اي است که سرمايه‌گذاري در اين زمينه را بسيار منطقي و اجتناب‌ناپذير مي‌کند.
شاخه‌هاي هوش مصنوعي
در علم هوش مصنوعي شاخه‌هاي (Branch) گوناگوني وجود دارد که براي حل مسائل مختلف از يک يا چند تا از اين شاخه‌ها استفاده مي‌شود. در کل اين شاخه‌بندي چندان علمي نيست؛ اما مي‌تواند براي ايجاد تصويري کلي از رويکردهاي هوش مصنوعي براي حل مسائل محل استفاده قرار گيرد. برخي از اين شاخه‌ها عبارت‌اند از:
1. يادگيري ماشين (Machine Learning):
يادگيري ماشين به‌عنوان يکي از شاخه‌هاي اصلي، وسيع و پرکاربرد هوش مصنوعي، به تنظيم و اکتشاف شيوه‌ها و الگوريتم‌هايي مي‌پردازد که بر اساس آنها رايانه‌ها و سامانه‌ها، توانايي تعلم و يادگيري پيدا مي‌کنند. در تعريف يادگيري ماشين آمده است که «يادگيري ماشين فرايندي است که تجربه را به دانش تبديل مي‌کند. اين فرايند به سيستم اين توانايي را مي‌دهد که الگوها و قوانين را با سرعتي که همواره در حال افزايش است، شناسايي کند».
شما احتمالا چندين‌بار در روز از يادگيري ماشين استفاده مي‌کنيد، حتي بدون آنکه بدانيد. هر بار که شما يک جست‌وجوي اينترنتي در گوگل يا بينگ انجام مي‌دهيد، يادگيري ماشيني انجام مي‌شود؛ چراکه نرم‌افزار يادگيري ماشيني آنها، با استفاده از کلمات جست‌وجوي شما و سپس کليک‌هاي شما روي نتايج، ياد مي‌گيرد چگونه نتايج را بهتر رتبه‌بندي کند! هر بار که ايميل خود را چک مي‌کنيد و فيلتر هرزنامه شما را از داشتن مجدد هزاران هرزنامه (Spam) خلاص مي‌کند نيز يکي از کاربردهای يادگيري ماشين است؛ زيرا رايانه شما آموخته است که هرزنامه را از غير هرزنامه تشخيص دهد. اين علمي است که باعث مي‌شود رايانه‌ها بدون نياز به يک برنامه صريح، درباره يک موضوع خاص ياد بگيرند!
2. شبکه عصبي مصنوعي (Artificial Neural Networks):
شبکه‌هاي عصبي مصنوعي (به اختصار شبکه عصبي) در حقيقت يک شبيه‌سازي از مغز انسان هستند که از مجموعه‌اي از نرون‌هاي متصل به يکديگر براي تقليد فرايند يادگيري انسان استفاده مي‌کنند! نورون کوچک‌ترين واحد پردازشگر اطلاعات است که اساس عملکرد شبکه‌هاي عصبي را تشکيل مي‌دهد. يک شبکه عصبي مجموعه‌اي از نورون‌هاست که با قرارگرفتن در لايه‌هاي مختلف، معماري خاصي را بر مبناي ارتباطات بين نورون‌ها در لايه‌هاي مختلف تشکيل مي‌دهد. نورون مي‌تواند يک تابع رياضي غيرخطي باشد، در نتيجه يک شبکه عصبي که از اجتماع اين نورون‌ها تشکيل مي‌شود نيز مي‌تواند يک سامانه کاملا پيچيده و غيرخطي باشد. در شبکه عصبي هر نورون به‌طور مستقل عمل مي‌کند و رفتار کلي شبکه، برايند رفتار نورون‌هاي متعدد است. به عبارت ديگر، نورون‌ها در يک روند همکاري، يکديگر را تصحيح مي‌کنند.
يک شبکه عصبي مصنوعي از سه لايه ورودي، خروجي و مخفي (لايه پردازش) تشکيل مي‌شود. خود لايه مخفي مي‌تواند چندين لايه در درون خود داشته باشد. هر لايه شامل گروهي از سلول‌هاي عصبي (نورون) است که عموما با همه نورون‌هاي لايه‌هاي ديگر در ارتباط هستند؛ مگر در معماري‌هاي خاص از شبکه‌هاي عصبي. برای نمونه، روش‌هاي يادگيري عميق
(Deep Learning) يکي از روش‌هاي پرطرفدار يادگيري است که بر اساس شبکه‌هاي عصبي کار مي‌کند. در حقيقت شالوده اصلي يادگيري عميق، شبکه‌هاي عصبي (Neural Networks) است. بسياري از کاربردهاي امروزي هوش مصنوعي بر پايه يادگيري عميق هستند. به لطف امکان گسترش‌دادن سريع طراحي شبکه‌هاي عصبي و تبديل‌کردن آنها به سيستم‌هايي پيچيده‌تر و قوي‌تر با لايه‌هاي جديد، مقياس يادگيري عميق را مي‌توان به‌سادگي تغيير داد و آن را با کاربردهاي بسيار زيادي
منطبق کرد.
3. بينايي ماشين (Machine Vision):
بينايي ماشين يکي از شاخه‌هاي جذاب علم هوش مصنوعي است که شامل روش‌هاي مربوط به دستيابي تصاوير، پردازش، آناليز و درک محتواي آنهاست. معمولا اين پردازش‌ها، تصاوير توليدشده در دنياي واقعي را به‌عنوان ورودي دريافت و داده‌هايي عددي يا سمبوليک را به‌عنوان خروجي توليد مي‌کنند. اين داده‌هاي عددي و سمبوليک مي‌توانند نماينده رده (کلاس) اشيای مشاهده‌شده در تصوير يا فيلم باشند يا حتي توصيفی از آنچه در تصوير يا فيلم رخ داده است، باشند. در نتيجه يکي از شاخه‌هاي بينايي ماشين، به شبيه‌سازي توانايي بينايي انسان مي‌پردازد.
البته بينايي ماشين به مسائل مختلفي ازجمله استخراج داده از عکس، فيلم، مجموعه چند عکس از زواياي مختلف و همچنين پردازش تصاوير پزشکي نيز مي‌پردازد. معمولا ترکيبي از روش‌هاي مربوط به پردازش تصاوير (Image Processing) و ابزارهاي يادگيري ماشيني (Machine Learning) و علم آمار و احتمال براي حل مسائل مختلف در اين شاخه استفاده مي‌شود.
4. سيستم‌هاي خِبره (Expert System):
سامانه‌هاي خِبره يا سيستم‌هاي خِبره به دسته‌اي خاص از نرم‌افزارهاي رايانه‌اي اطلاق مي‌شود که در راستاي کمک به کاردانان و متخصصان انساني يا جايگزيني آنان در زمينه‌هاي تخصصي تلاش دارند! اين‌گونه سامانه‌ها، در واقع، نمونه‌هايي از فناوري پيشرفته سامانه‌هاي دانش‌بنيان (Knowledge-Based Systems) به‌شمار مي‌آيند. مطلب مهمي که در تعريف سيستم‌هاي خبره آمده، اين است که «دقت يک سيستم خبره در يک زمينه خاص، حداقل بايد برابر با کاربر خبره انساني در آن زمينه باشد». در نتيجه هدف نهايي اين سامانه‌ها ارائه خبره‌هاي هوشمند است که بتوانند در زمينه‌هاي تخصصي يا معادل با خبره انساني عمل کنند يا بهتر از آنها!
اين سامانه‌ها معمولا اطلاعات را به شکل واقعيت‌ها (Facts) و قواعد (Rules) در پايگاه‌هايي به نام پايگاه دانش به شکل ساختارمند ذخيره مي‌کنند. سپس با بهره‌گيري از روش‌هاي خاص استنتاج، از اين داده‌ها نتايج مورد نياز حاصل مي‌شود. در حقيقت به‌واسطه الگوبرداري اين سامانه‌ها از نظام منطق و استدلال انسان و نيز يکسان‌بودن منابع دانش مورد استفاده آنها، پيامد کار يک سامانه خبره مي‌تواند تصميماتي باشد که در حوزه‌ها و قلمروهاي گوناگون قابل استفاده، مورد اطمينان و تأثيرگذار هستند. بسياري بر اين باورند که سامانه‌هاي خبره بيشترين پيشرفت را در «هوش مصنوعي» به وجود آورده‌اند! برای مثال سامانه‌هاي هوشمند کنترل موشک و سامانه‌هاي پدافند موشکي و سامانه‌هاي هوشمند کنترل و مديريت نيروگاه‌هاي هسته‌اي، نمونه‌هايي از کاربردهاي سيستم‌هاي خبره هستند.
5. پردازش زبان طبيعي
(Natural Language Processing (NLP:
پردازش زبان‌هاي طبيعي يکي از زيرشاخه‌هاي بااهميت در حوزه گسترده هوش مصنوعي است که يکي از اهداف آن تعامل بين رايانه و انسان با استفاده از زبان‌هاي طبيعي (انساني) است؛ بنابراين پردازش زبان‌هاي طبيعي بر فهم زبان‌هاي طبيعي که انسان‌ها براي تعامل از آنها استفاده مي‌کنند، متمرکز است. پس چالش اصلي و عمده در اين زمينه درک زبان طبيعي و ماشيني‌کردن فرايند درک و برداشت مفاهيم بيان‌شده با يک زبان طبيعي انساني است.
به تعريف دقيق‌تر، پردازش زبان‌هاي طبيعي عبارت است از استفاده از رايانه براي پردازش زبان گفتاري و زبان نوشتاري؛ به این معني که رايانه‌ها را قادر سازيم که گفتار يا نوشتار توليدشده در قالب و ساختار يک زبان طبيعي را تحليل و درک کرده يا آن را توليد کنند. از کاربردهاي فراوان پردازش زبان طبيعي مي‌توان به ترجمه زبان‌ها توسط رايانه، استفاده از صفحات وب و بانک‌هاي اطلاعاتي نوشتاري برای پاسخ‌دادن به پرسش‌هاي کاربران، ايجاد سامانه‌هاي پرسش و پاسخ هوشمند و جست‌وجوهاي محتوامحور در داده‌هاي متني، اشاره کرد. اينها تنها مثال‌هايي از کاربردهاي متنوع پردازش زبان‌هاي طبيعي هستند.
هدف اصلي در پردازش زبان طبيعي، ايجاد تئوري‌هايي محاسباتي از زبان، با استفاده از الگوريتم‌ها و ساختارهاي داده‌اي موجود در هوش مصنوعي است. بديهي است که در راستاي تحقق اين هدف، به دانشي وسيع از زبان نياز است و علاوه بر محققان هوش مصنوعي، به دانش زبان‌شناسان نيز در اين حوزه نیاز داریم. با پردازش اطلاعات زباني مي‌توان اطلاعات مورد نياز براي کار با زبان طبيعي را استخراج کرد. کاربردهاي پردازش زبان طبيعي به دو دسته کلي قابل تقسيم است: کاربردهاي نوشتاري و کاربردهاي گفتاري.
از کاربردهاي نوشتاري آن مي‌توان به استخراج اطلاعاتي خاص از يک متن، ترجمه يک متن به زباني ديگر يا يافتن مستنداتي خاص در يک پايگاه داده نوشتاري (مثلا يافتن کتاب‌هاي مرتبط به هم در يک کتابخانه) اشاره کرد. نمونه‌هايي از کاربردهاي گفتاري پردازش زبان عبارت‌اند از: سيستم‌هاي پرسش و پاسخ انسان با رايانه، سرويس‌هاي اتوماتيک ارتباط با مشتري از طريق تلفن، سيستم‌هاي آموزش به فراگيران و سيستم‌هاي کنترلي توسط فرمان‌هاي صوتي کاربر. در سال‌هاي اخير اين حوزه تحقيقاتي توجه دانشمندان را به خود جلب کرده و تحقيقات قابل ملاحظه‌اي در اين زمينه شده است.
6. محاسبات تکاملي يا فرگشتي
(Evolutionary Computation):
محاسبات تکاملي يا فرگشتي (رايانش فرگشتي)، شاخه‌اي از هوش مصنوعي است که شامل مسائل بهينه‌سازي ترکيبي مي‌شود. از لحاظ فني اين الگوريتم‌ها متعلق به حل‌کننده‌هاي آزمون و خطا هستند و مي‌توان آنها را از روش‌هاي بهينه‌سازي کلي با ماهيت فراابتکاري يا بهينه‌سازي تصادفي قلمداد کرد که به‌وسيله استفاده از جمعي از راه‌حل‌هاي پيشنهادي (به‌جاي تکرارکردن يک روش در فضاي جست‌وجو) متمايز مي‌شوند. بسياري از الگوريتم‌هاي محاسبات تکاملي بر آن هستند تا با الهام از جهان آفرينش و فرايندهايي که موجودات زنده در حل مسئله از آنها استفاده مي‌کنند، براي حل مسائل استفاده کنند؛ برای مثال الگوريتم‌هاي کلوني مورچگان (Ant Colonies)، ازدحام پرندگان (Bird Flocking) و کلوني زنبورها (Bee Colonies) نمونه‌هايي از اين الگوريتم‌ها هستند.
به عنوان مثالي ديگر، الگوريتم ژنتيک (Genetic Algorithm) يک نمونه از الگوريتم‌هايي است که در زيرمجموعه محاسبات تکاملي قرار دارد و براي يافتن راه‌حل تقريبي براي بهينه‌سازي و مسائل جست‌وجو استفاده مي‌شود. الگوريتم ژنتيک نوع خاصي از الگوريتم‌هاي تکاملي است که از تکنيک‌هاي زيست‌شناسي تکاملي مانند وراثت، جهش زيست‌شناسي و اصول انتخابي داروين براي يافتن فرمول بهينه، برای پيش‌بيني يا تطبيق الگو استفاده مي‌کند.
در مدل‌سازي، الگوريتم ژنتيک يک تکنيک برنامه‌نويسي است که از تکامل ژنتيکي به‌عنوان يک الگوي حل مسئله استفاده مي‌کند. مسئله‌اي که بايد حل شود، ورودي‌هايي دارد که در يک فرايند الگوبرداري‌شده از تکامل ژنتيکي، به راه‌حل‌ها تبديل مي‌شود. سپس راه‌حل‌ها، به‌عنوان کانديداهايي توسط تابع ارزياب (Fitness Function)، ارزيابي می‌شوند و چنانچه شرط خروج مسئله فراهم شده باشد، الگوريتم خاتمه مي‌يابد. به‌طورکلي اين الگوريتم، الگوريتمي مبتني بر تکرار است که اغلب بخش‌هاي آن به‌صورت فرايندهاي تصادفي انتخاب مي‌شوند.
7. روباتيک (Robotic):
روباتيک شاخه‌اي میان‌رشته‌ای از مهندسي و علم است که شامل مهندسي مکانيک، مهندسي برق و علوم رايانه و چند رشته ديگر مي‌شود. روباتيک شامل طراحي، ساخت، راه‌اندازي و استفاده از روبات‌هاست. همچنين مانند سيستم‌هاي رايانه‌اي، کنترل، بازخورد حسگرها و پردازش اطلاعات نيز در اين گروه قرار مي‌گيرند. يکي از مهم‌ترين بخش‌هاي علم روباتيک مربوط به نرم‌افزارهاي هوشمند براي راه‌اندازي روبات‌هاست که در واقع مانند روحي در کالبد فيزيکي روبات‌ها عمل مي‌کند و به روبات‌ها زندگي مي‌بخشد!
اين همان‌جايي است که هوش مصنوعی وارد مبحث روباتيک مي‌شود. اين فناوري‌ها با يکديگر استفاده مي‌شوند تا ماشين‌ها را به‌گونه‌اي ارتقا دهند که جايگزين انسان شوند. روبات‌ها مي‌توانند در هر موقعيت و براي هر منظوري به کار بروند ولي امروزه بسياري از آنها در محيط‌هاي خطرناک (مانند تشخيص و غيرفعال‌سازي بمب‌ها)، فرايندهاي توليد يا مکان‌هايي که انسان قادر به حيات نيست، استفاده مي‌شوند. روبات‌ها مي‌توانند به هر شکل و قيافه‌اي باشند ولي بعضي از آنها طراحي مي‌شوند تا شبيه انسان به نظر برسند که به آنها روبات‌هاي انسان‌نما (Humanoid) مي‌گويند. گفته مي‌شود اين کار انجام می‌شود تا رفتارهاي اين روبات‌ها که از مردم عادي تقليد مي‌شود، بيشتر مورد قبول قرار گيرد و انسان‌ها بتوانند با آنها راحت‌تر تعامل داشته باشند.
تلاش مي‌شود که روبات‌هاي انسان‌نما بتوانند راه‌رفتن، حرف‌زدن، شناختن و مخصوصا هر چيزي را که انسان مي‌تواند انجام دهد، تقليد کنند. يکي از نمونه‌هاي استفاده از اين روبات‌هاي انسان‌نما، استفاده از آنها به‌عنوان پيش‌خدمت يا کارکنان راهنما در هتل‌ها يا همايش‌ها است.
ظاهر و توانمندي‌هاي بسياري از روبات‌هاي امروزي از طبيعت الهام گرفته است. ازاينرو اين روبات‌ها در پهنه روبات‌هاي مقلدِ موجودات زنده قرار مي‌گيرند. اما يکي از نگران‌کننده‌ترين استفاده‌ها از روبات‌ها، استفاده از آنها در حوزه فعاليت‌هاي نظامي است. درحال‌حاضر بسياري از پيشرفته‌ترين روبات‌ها در حوزه نظامي استفاده مي‌شوند. اکثر سرمايه‌گذاري‌هاي روباتيک کشورهايي چون آمريکا نيز در زمينه روبات‌هاي نظامي است؛ به‌نحوي‌که در سال 2030 ارتش روباتيک آمريکا آماده‌به‌کار خواهد شد! اين در حالی است که در حوزه نظامي از تمامي انواع روبات‌ها مانند روبات‌هاي پرنده (پهپادها)، روبات‌هاي انسان‌نما، روبات‌هاي حيوان‌نما و حتي نانو روبات‌ها (Nanorobots) استفاده مي‌شود.
8. سيستم‌هاي فازي (Fuzzy Systems): سيستم‌هاي فازي، سيستم‌هايي هستند که بر اساس منطق فازي (Fuzzy Logic) کار مي‌کنند. منطق فازي شکلي از منطق‌هاي چندارزشي بوده که در آن مقادير درستي متغيرها ممکن است هر عدد حقيقي بين 0 و 1 و خود صفر یا يک باشد. اين منطق به‌منظور به‌کارگيري مفهوم درستي جزئي بنا شده است؛ به‌طوري‌که مقادير هر متغير فازي مي‌تواند برای مثال به‌جاي درست و غلط، با مقاديري بين کاملا درست و کاملا غلط مقداردهي شود. اصطلاح منطق فازي اولين بار در پي تنظيم نظريه مجموعه‌هاي فازي به‌وسيله پروفسور لطفي‌زاده (۱۹۶۵ م) در صحنه محاسبات نو ظاهر شد. واژه فازي که از کلمه فارسي فوژ گرفته شده،
به معني درهم‌تنيده است.
کاربرد اين بخش در علوم نرم‌افزاري را مي‌توان به‌طور ساده اين‌گونه تعريف کرد: منطق فازي از منطق ارزش‌هاي «صفر و يک» نرم‌افزارهاي کلاسيک فراتر رفته و درگاهي جديد براي دنياي علوم نرم‌افزاري و رايانه‌ها مي‌گشايد. زيرا فضاي شناور و نامحدود بين اعداد صفر و يک را نيز در منطق و استدلال‌هاي خود به کار برده و به چالش مي‌کشد. منطق فازي از فضاي بين دو ارزش «برويم» يا «نرويم»، ارزش‌هاي جديد «شايد برويم» يا «مي‌رويم اگر» يا حتي «احتمال دارد برويم» را استخراج کرده و به کار مي‌گيرد. به‌اين‌ترتیب برای مثال مدیر بانک پس از بررسی رایانه‌ای بیلان اقتصادی یک بازرگان می‌تواند فراتر از منطق «وام می‌دهیم» یا «وام نمی‌دهیم» رفته و بگوید: «وام می‌دهیم اگر...» یا «وام نمی‌دهیم ولی...». در حقیقت منطق فازی و استنتاج فازی به‌دنبال دریافت و حل مسائل دنیای واقعی به نحوی است که بیشترین شباهت را به استنتاج انسان‌ها برای فهم و حل این مسائل، داشته باشد.
جمع‌بندی
علم هوش مصنوعی شاخه‌ای گسترده و مهم از علوم رایانه است که نقش بسیار مهمی در زندگی روزمره ما ایفا می‌کند. از طرف دیگر در آینده بسیار نزدیک، نقش هوش مصنوعی در زندگی بشر به‌قدری حیاتی می‌شود که زندگی در دنیای متمدن را بدون استفاده از فناوری‌های هوش مصنوعی، غیرممکن خواهد کرد. این به‌این دلیل است که فناوری‌های هوش مصنوعی در تمامی ارکان زندگی بشر، از کمک در انجام کارهای روزمره، آموزش کودکان و حتی متخصصان، حوزه صنعت و تولید، حوزه اقتصادی و مالی، حوزه سیاست، حوزه امنیت و نظامی و حتی حوزه سلامت و درمان وارد شده و به‌صورت بی‌بدیل نقش‌آفرینی می‌کند.
در نتیجه اهمیت پرداختن و برنامه‌ریزی و سرمایه‌گذاری در حوزه هوش مصنوعی کاملا واضح و مبرهن است. به همین دلیل در دنیا برنامه‌ریزی‌ها و سرمایه‌گذاری‌های فراوانی در این زمینه شده و کشور ما نیز باید در این حوزه به فعالیت و سرمایه‌گذاری جدی بپردازد. البته از نظر تحقیقاتی در زمینه هوش مصنوعی، جایگاه کشور عزیزمان جایگاه خوبی است. در گزارشی که اخیرا در نشریه نیچر چاپ شده است، ایران یکی از کشورهای پرتولید مقالات علمی دنیا در هوش مصنوعی معرفی شده است. در این گزارش آمده است که بر اساس اطلاعات سال 1997 تا 2017 ایران رتبه 14 دنیا در حوزه هوش مصنوعی را در اختیار دارد و تعداد مقالات ایران در این مدت 34 هزار و 28 مورد بوده است. در نتیجه حالا زمان آن فرارسیده که این تحقیقات علمی با سرمایه‌گذاری‌های دولتی و خصوصی تبدیل به تکنولوژی‌های قابل استفاده در زندگی روزمره هم‌وطنانمان بشوند.
از طرف دیگر جنبه‌های ترسناکی از کاربردهای هوش مصنوعی وجود دارد که انسان را درباره آینده و دستاوردهای این علم به تفکر وامی‌دارد. استفاده گسترده از هوش مصنوعی در حوزه نظامی و حتی حاکمیت روبات‌ها و نرم‌افزارهای هوشمند در آینده (که فیلم‌های علمی تخیلی فراوانی درباره آنها نیز ساخته شده است)، می‌تواند بسیار نگران‌کننده باشد. حال باید از خودمان این سؤال را بپرسیم که «آیا ما باید درباره آینده نگران باشیم؟».
مقدمه: هوش مصنوعي کلمه‌اي ترکيبي است که اين روز‌ها خيلي آن را مي‌شنويم، اما شايد با مفهوم، کاربرد و نحوه عملکرد آن خيلي آشنا نباشيم. در اين نوشتار برآنيم تا درآمدي بر اين مفهوم جذاب و کاربردي، براي کساني که شايد پيشينه چنداني هم از مباحث رايانه‌اي نداشته، اما علاقه‌مند به فناوري‌هاي جديد هستند، ارائه شود.
تعاريف مختلفي از هوش مصنوعي ارائه شده است. راسل و نورويگ در يکي از تعاريف ساده و روان آورده‌اند که «واژه هوش مصنوعي اغلب براي توصيف يک ماشين يا رايانه که به تقليد فرايندهاي شناختي و هوشمندانه انسان‌ها مي‌پردازد، تعلق مي‌گيرد. يادگيري و حل مسئله نمونه‌اي از اين فرايندهاي شناختي هستند». البته هرکدام از اين تعاريف از جنبه خاصي به هوش مصنوعي مي‌نگرند و هرکدام تا اندازه‌اي درست بوده و مي‌توانند داراي نقطه‌ضعف‌هايي نيز باشند؛ به‌عنوان‌مثال در تعريف فوق تنها اشاره شده که هوش مصنوعي به تقليد فرايندهاي شناختي انسان‌ها مي‌پردازد که اين‌طور نيست، بلکه هوش مصنوعي به دنبال بهره‌گيري از هر رفتار هوشمندانه‌اي است که در جهان آفرينش وجود دارد، ازهمين‌رو يکي از زيرمجموعه‌هاي علم هوش مصنوعي، الگوريتم‌هاي الهام گرفته‌شده از طبيعت (Bio-Inspired Algorithms) است مانند:
الگــوريـتم ژنتيک(Genetic Algorithm)، کلوني مورچگان (Ant Colonies)، ازدحام پرندگان (Bird Flocking) و رشد باکتري (Bacterial Growth).
از تعاريف و نظريات که بگذريم، مهم‌ترين جنبه هوش مصنوعي براي ما اين خواهد بود که اين علم قرار است چه مسائلي را براي ما در دنياي واقعي حل کند يا قرار است به ما چه کمکي بکند. هوش مصنوعي به‌عنوان يکي از مهم‌ترين شاخه‌هاي علوم رايانه، گستره وسيعي از نيازمندي‌هاي دنياي واقعي بشر را مورد هدف قرار داده و بر آن است تا در شئون مختلف زندگي بشر وارد شود و به او ياري رساند، به‌نحوي‌که مي‌توان گفت آينده در سيطره هوش مصنوعي خواهد بود! در ادامه برخي از کاربردهاي هوش مصنوعي در حوزه‌هاي مختلف معرفي مي‌شود.
کاربردهاي هوش مصنوعي
براي روشن‌ترشدن اهميت هوش مصنوعي در زندگي روزمره انسان‌ها، ابتدا به سراغ معرفي کاربردهاي اين علم در زمينه‌هاي مختلف مي‌رويم. در ادامه 20 زمينه منتخب از کاربردهاي هوش مصنوعي بيان مي‌شود. البته به منظور اختصار تنها به سه کاربرد در هر زمينه اکتفا شده است.
1. کاربرد در بانکداري و بورس:
شناسايي جلوگيري از کلاهبرداري‌هاي مالي و پول‌شويي
(Fraud and Money-Laundering)
پيش‌بيني شاخص بورس و ارائه پيشنهاد براي سرمايه‌گذاري
بخش‌بندي مشتريان و ارائه خدمات سفارش‌شده به آنها
2. حمل‌ونقل:
ارائه خودروهاي هوشمند بدون راننده
کاهش بار ترافيک با استفاده از تحليل ترافيک و مسيريابي هوشمند
جلوگيري کامل از هرگونه تصادف رانندگي با استفاده از تعامل هوشمند بين خودروها در بستر شبکه ويژه خودروها
(Vehicular Ad-hoc Networks (VANETs)
3. خرده‌فروشي:
تحليل بسته‌هاي پرخريد کاربران و ارائه پيشنهادهاي تخفيف سفارشي بر اساس نيازهاي هر کاربر
چينش هوشمند اقلام در فروشگاه‌ها و حتي چينش هوشمند محتويات سايت‌هاي فروشگاه‌هاي اينترنتي
پيش‌بيني ميزان فروش و انبارداري هوشمند
4. آموزش و پرورش و دانشگاه‌ها:
برگزاري کلاس‌هاي هوشمند با استفاده از تعامل در محيط مجازي
تشخيص تقلب و دزدي ادبي و علمي به صورت هوشمند
ارزيابي و نمره‌دهي هوشمند و خودکار
5. مخابرات و ارتباطات:
ترجمه برخط گفتار مکالمه‌کننده که باعث مي‌شود همه افراد در سراسر دنيا بتوانند با يکديگر به راحتي مکالمه کنند!
سيستم‌هاي پاسخ‌گويي هوشمند به تماس‌هاي تلفني و ايميل‌ها
تشخيص و حذف تماس‌هاي مزاحم تلفني و هرزنامه‌هاي در صندوق ايميل
6. بازي‌هاي رايانه‌اي:
هوشمند‌سازي بازي‌هاي رايانه‌اي به‌نحوي‌که از رفتار کاربران ياد گرفته و در هر مرحله، الگوريتم بازي رفتار هوشمندانه‌تري از خود نشان خواهد داد.
تعامل با محيط بازي‌هاي رايانه‌اي با استفاده از حرکات بدن و حتي تفکرات کاربران!
راهنمايي و آموزش کاربران توسط مربي هوشمند مجازي
7. رسانه:
ارائه روزنامه‌هاي هوشمند که به طور خودکار و هوشمند محتويات آنها آماده شده و به صورت تعاملي و بر اساس نياز کاربران تغيير نيز مي‌کنند!
روزنامه‌نگار هوشمند مجازي!
تحليل هوشمند خبرها و ارائه آمار و اطلاعات تحليلي از اخبار موجود
8. هتل‌داري:
ارائه روبات‌هاي دربان و پاسخ‌گو براي راهنمايي مسافران
اتاق‌هاي هوشمند! (کمک به برنامه‌ريزي سفر و آماده‌سازي اتاق به صورت هوشمند)
مشتري‌يابي هوشمند و خودکار
9. صنايع سرگرمي:
پيشنهاد فيلم و موزيک به کاربران بر‌اساس سليقه آنها
توليد موسيقي و نقاشي به صورت هوشمند و خودکار
توليد فيلم‌هاي ساختگي از روي چهره و فيلم‌هاي کاربران!
10. صنعت:
ارائه روبات‌هاي صنعتي براي ساخت همه توليدات کارخانه‌اي اعم از خودرو، وسايل ديجيتالي و... .
پايش هوشمند و خودکار ايمني کارکنان در محيط‌هاي کارخانه‌اي
بهينه‌سازي مصرف مواد اوليه در کارخانه‌ها و حتي کاهش مصرف انرژي به صورت هوشمند و خودکار
11. ورزش:
تحليل رفتار و کارايي ورزشکاران به صورت هوشمند
کارگرداني هوشمند پخش زنده مسابقات
داور هوشمند مجازي
12. صنعت هواپيمايي:
خلبان هوشمند!
پيش‌بيني هوشمند آب‌وهوا
مسيريابي هوشمند براي همه پروازها
13. فروشگاه‌های اینترنتی:
ارائه اتاق‌هاي تعويض لباس مجازي!
ارائه پيشنهادها براي خريد به کاربران به صورت هوشمند
ارائه چت‌بات‌هاي هوشمند براي خريد و پشتيباني از مشتريان
14. حوزه سلامت:
روبات‌هاي جراح که با کمترين خطا و جراحت، تخصصي‌ترين جراحي‌ها را انجام مي‌دهند و همچنين نانو روبات‌ها براي باز‌کردن رگ‌ها و از‌بين‌بردن تومورها!
تشخيص هوشمند بيماري‌ها و ارائه بهترين تجويز‌ها
ارائه اعضاي مصنوعي روباتيک و ابزارهاي پوشيدني پايش سلامت و جلوگيري‌کننده از حملات قلبي، صرع و... .
15. کشاورزي:
ماشين‌ها و روبات‌هاي هوشمند براي برداشت محصول
پايش سلامت محصولات و سم‌پاشي و آبياري هوشمند
تحليل پيشگويانه براي کاشت بهترين محصولات براي برداشت بیشترين محصول بر‌اساس شرايط آب‌وهوا و... .
16. شبکه‌هاي اجتماعي:
جست‌وجوي افراد با استفاده از تصوير و صداي آنها
پيشنهاد هوشمند روابط دوستي و يافتن دوستان قديمي
ارسال اخبار و محتويات مختلف بر‌اساس علايق و رفتار کاربران
17. صنايع نظامي:
ارائه ارتش روباتيک، شامل پهپادها، کشتي‌ها و سربازان روباتيک هوشمند!
ارائه بازي جنگ و شبيه‌سازي و آموزش سربازان
اتخاذ استراتژي و تصميمات نظامي به صورت خودکار و هوشمند و تحقق فرماندهي کنترل هوشمند مجازي
18. زندگي شهروندي:
ارائه خانه‌هاي هوشمند (Smart Home) براي دستوردهي به همه ابزارهاي خانه اعم از وسايل سرمايشي-گرمايشي تا ابزارهاي امنيتي
ارائه شهر هوشمند براي ارائه خدمات هوشمند به شهروندان
مديريت انرژي مصرفي به صورت هوشمند و بهينه
19. صنعت بيمه:
تحليل ريسک در صنعت بيمه به صورت هوشمند
قيمت‌گذاري سبد بيمه به صورت سفارشي براي هر کاربر
پشتيباني از کاربران به صورت هوشمند و خودکار
20. سياست و دولت:
پايش هوشمند افکار عمومي
پيش‌بيني نتايج انتخابات و ايجاد هدفمند کمپين‌هاي سياسي
پيش‌بيني خرابي زيرساخت‌ها و پايش و نگهداري از آنها
اهميت سرمايه‌گذاري در حوزه هوش مصنوعي:
با توجه به کاربردهاي متنوع و راه‌گشاي علم هوش مصنوعي در زمينه‌هاي مختلف زندگي بشر، اهميت و جايگاه سرمايه‌گذاري و پرداختن به اين علم و بهره‌برداري از دستاوردهاي آن، بيش‌ازپيش آشکار مي‌شود؛ ازاينرو در دنيا سرمايه‌گذاري‌هاي فراواني در اين زمينه شده است و در آينده نيز اين سرمايه‌گذاري‌ها روند فزاينده‌اي خواهد داشت؛ اما برخي از کشورها اين اهميت را بيشتر دريافته‌اند و سرمايه‌گذاري بسيار جدي‌تري در مقایسه با کشورهاي ديگر در اين زمينه انجام داده‌اند. دو کشور برتر در سرمايه‌گذاري در حوزه فناوري‌هاي هوش مصنوعي به ترتيب چين و آمريکا هستند؛ به‌طوري‌که چين 48 درصد و آمريکا 38 درصد کل سرمايه‌گذاري‌هاي کشورهاي دنيا را بر هوش مصنوعي به خود اختصاص داده‌اند. 13 درصد باقي‌مانده نيز سهم دیگر کشورها است.
درک اهميت سرمايه‌گذاري و برنامه‌ريزي براي استفاده از فناوري‌هاي هوش مصنوعي در جاي‌جاي زندگي بشر، حتي به جايي رسيده است که کشوري مانند امارات متحد عربي نيز در سال 2017 وزارت هوش مصنوعي را راه‌اندازي کرده و وزير هوش مصنوعي خود را به دنيا معرفي مي‌کند! به هر ترتيب، سرمايه‌گذاري در حوزه فناوري‌هاي هوش مصنوعي، به‌قدري پراهميت است که همه کشورهاي توسعه‌يافته، برنامه‌ريزي‌هايی بسيار جدي در اين زمينه تدوين کرده‌اند. پيش‌بيني‌ها از درآمدهاي بازار هوش مصنوعي در آينده به‌گونه‌اي است که سرمايه‌گذاري در اين زمينه را بسيار منطقي و اجتناب‌ناپذير مي‌کند.
شاخه‌هاي هوش مصنوعي
در علم هوش مصنوعي شاخه‌هاي (Branch) گوناگوني وجود دارد که براي حل مسائل مختلف از يک يا چند تا از اين شاخه‌ها استفاده مي‌شود. در کل اين شاخه‌بندي چندان علمي نيست؛ اما مي‌تواند براي ايجاد تصويري کلي از رويکردهاي هوش مصنوعي براي حل مسائل محل استفاده قرار گيرد. برخي از اين شاخه‌ها عبارت‌اند از:
1. يادگيري ماشين (Machine Learning):
يادگيري ماشين به‌عنوان يکي از شاخه‌هاي اصلي، وسيع و پرکاربرد هوش مصنوعي، به تنظيم و اکتشاف شيوه‌ها و الگوريتم‌هايي مي‌پردازد که بر اساس آنها رايانه‌ها و سامانه‌ها، توانايي تعلم و يادگيري پيدا مي‌کنند. در تعريف يادگيري ماشين آمده است که «يادگيري ماشين فرايندي است که تجربه را به دانش تبديل مي‌کند. اين فرايند به سيستم اين توانايي را مي‌دهد که الگوها و قوانين را با سرعتي که همواره در حال افزايش است، شناسايي کند».
شما احتمالا چندين‌بار در روز از يادگيري ماشين استفاده مي‌کنيد، حتي بدون آنکه بدانيد. هر بار که شما يک جست‌وجوي اينترنتي در گوگل يا بينگ انجام مي‌دهيد، يادگيري ماشيني انجام مي‌شود؛ چراکه نرم‌افزار يادگيري ماشيني آنها، با استفاده از کلمات جست‌وجوي شما و سپس کليک‌هاي شما روي نتايج، ياد مي‌گيرد چگونه نتايج را بهتر رتبه‌بندي کند! هر بار که ايميل خود را چک مي‌کنيد و فيلتر هرزنامه شما را از داشتن مجدد هزاران هرزنامه (Spam) خلاص مي‌کند نيز يکي از کاربردهای يادگيري ماشين است؛ زيرا رايانه شما آموخته است که هرزنامه را از غير هرزنامه تشخيص دهد. اين علمي است که باعث مي‌شود رايانه‌ها بدون نياز به يک برنامه صريح، درباره يک موضوع خاص ياد بگيرند!
2. شبکه عصبي مصنوعي (Artificial Neural Networks):
شبکه‌هاي عصبي مصنوعي (به اختصار شبکه عصبي) در حقيقت يک شبيه‌سازي از مغز انسان هستند که از مجموعه‌اي از نرون‌هاي متصل به يکديگر براي تقليد فرايند يادگيري انسان استفاده مي‌کنند! نورون کوچک‌ترين واحد پردازشگر اطلاعات است که اساس عملکرد شبکه‌هاي عصبي را تشکيل مي‌دهد. يک شبکه عصبي مجموعه‌اي از نورون‌هاست که با قرارگرفتن در لايه‌هاي مختلف، معماري خاصي را بر مبناي ارتباطات بين نورون‌ها در لايه‌هاي مختلف تشکيل مي‌دهد. نورون مي‌تواند يک تابع رياضي غيرخطي باشد، در نتيجه يک شبکه عصبي که از اجتماع اين نورون‌ها تشکيل مي‌شود نيز مي‌تواند يک سامانه کاملا پيچيده و غيرخطي باشد. در شبکه عصبي هر نورون به‌طور مستقل عمل مي‌کند و رفتار کلي شبکه، برايند رفتار نورون‌هاي متعدد است. به عبارت ديگر، نورون‌ها در يک روند همکاري، يکديگر را تصحيح مي‌کنند.
يک شبکه عصبي مصنوعي از سه لايه ورودي، خروجي و مخفي (لايه پردازش) تشکيل مي‌شود. خود لايه مخفي مي‌تواند چندين لايه در درون خود داشته باشد. هر لايه شامل گروهي از سلول‌هاي عصبي (نورون) است که عموما با همه نورون‌هاي لايه‌هاي ديگر در ارتباط هستند؛ مگر در معماري‌هاي خاص از شبکه‌هاي عصبي. برای نمونه، روش‌هاي يادگيري عميق
(Deep Learning) يکي از روش‌هاي پرطرفدار يادگيري است که بر اساس شبکه‌هاي عصبي کار مي‌کند. در حقيقت شالوده اصلي يادگيري عميق، شبکه‌هاي عصبي (Neural Networks) است. بسياري از کاربردهاي امروزي هوش مصنوعي بر پايه يادگيري عميق هستند. به لطف امکان گسترش‌دادن سريع طراحي شبکه‌هاي عصبي و تبديل‌کردن آنها به سيستم‌هايي پيچيده‌تر و قوي‌تر با لايه‌هاي جديد، مقياس يادگيري عميق را مي‌توان به‌سادگي تغيير داد و آن را با کاربردهاي بسيار زيادي
منطبق کرد.
3. بينايي ماشين (Machine Vision):
بينايي ماشين يکي از شاخه‌هاي جذاب علم هوش مصنوعي است که شامل روش‌هاي مربوط به دستيابي تصاوير، پردازش، آناليز و درک محتواي آنهاست. معمولا اين پردازش‌ها، تصاوير توليدشده در دنياي واقعي را به‌عنوان ورودي دريافت و داده‌هايي عددي يا سمبوليک را به‌عنوان خروجي توليد مي‌کنند. اين داده‌هاي عددي و سمبوليک مي‌توانند نماينده رده (کلاس) اشيای مشاهده‌شده در تصوير يا فيلم باشند يا حتي توصيفی از آنچه در تصوير يا فيلم رخ داده است، باشند. در نتيجه يکي از شاخه‌هاي بينايي ماشين، به شبيه‌سازي توانايي بينايي انسان مي‌پردازد.
البته بينايي ماشين به مسائل مختلفي ازجمله استخراج داده از عکس، فيلم، مجموعه چند عکس از زواياي مختلف و همچنين پردازش تصاوير پزشکي نيز مي‌پردازد. معمولا ترکيبي از روش‌هاي مربوط به پردازش تصاوير (Image Processing) و ابزارهاي يادگيري ماشيني (Machine Learning) و علم آمار و احتمال براي حل مسائل مختلف در اين شاخه استفاده مي‌شود.
4. سيستم‌هاي خِبره (Expert System):
سامانه‌هاي خِبره يا سيستم‌هاي خِبره به دسته‌اي خاص از نرم‌افزارهاي رايانه‌اي اطلاق مي‌شود که در راستاي کمک به کاردانان و متخصصان انساني يا جايگزيني آنان در زمينه‌هاي تخصصي تلاش دارند! اين‌گونه سامانه‌ها، در واقع، نمونه‌هايي از فناوري پيشرفته سامانه‌هاي دانش‌بنيان (Knowledge-Based Systems) به‌شمار مي‌آيند. مطلب مهمي که در تعريف سيستم‌هاي خبره آمده، اين است که «دقت يک سيستم خبره در يک زمينه خاص، حداقل بايد برابر با کاربر خبره انساني در آن زمينه باشد». در نتيجه هدف نهايي اين سامانه‌ها ارائه خبره‌هاي هوشمند است که بتوانند در زمينه‌هاي تخصصي يا معادل با خبره انساني عمل کنند يا بهتر از آنها!
اين سامانه‌ها معمولا اطلاعات را به شکل واقعيت‌ها (Facts) و قواعد (Rules) در پايگاه‌هايي به نام پايگاه دانش به شکل ساختارمند ذخيره مي‌کنند. سپس با بهره‌گيري از روش‌هاي خاص استنتاج، از اين داده‌ها نتايج مورد نياز حاصل مي‌شود. در حقيقت به‌واسطه الگوبرداري اين سامانه‌ها از نظام منطق و استدلال انسان و نيز يکسان‌بودن منابع دانش مورد استفاده آنها، پيامد کار يک سامانه خبره مي‌تواند تصميماتي باشد که در حوزه‌ها و قلمروهاي گوناگون قابل استفاده، مورد اطمينان و تأثيرگذار هستند. بسياري بر اين باورند که سامانه‌هاي خبره بيشترين پيشرفت را در «هوش مصنوعي» به وجود آورده‌اند! برای مثال سامانه‌هاي هوشمند کنترل موشک و سامانه‌هاي پدافند موشکي و سامانه‌هاي هوشمند کنترل و مديريت نيروگاه‌هاي هسته‌اي، نمونه‌هايي از کاربردهاي سيستم‌هاي خبره هستند.
5. پردازش زبان طبيعي
(Natural Language Processing (NLP:
پردازش زبان‌هاي طبيعي يکي از زيرشاخه‌هاي بااهميت در حوزه گسترده هوش مصنوعي است که يکي از اهداف آن تعامل بين رايانه و انسان با استفاده از زبان‌هاي طبيعي (انساني) است؛ بنابراين پردازش زبان‌هاي طبيعي بر فهم زبان‌هاي طبيعي که انسان‌ها براي تعامل از آنها استفاده مي‌کنند، متمرکز است. پس چالش اصلي و عمده در اين زمينه درک زبان طبيعي و ماشيني‌کردن فرايند درک و برداشت مفاهيم بيان‌شده با يک زبان طبيعي انساني است.
به تعريف دقيق‌تر، پردازش زبان‌هاي طبيعي عبارت است از استفاده از رايانه براي پردازش زبان گفتاري و زبان نوشتاري؛ به این معني که رايانه‌ها را قادر سازيم که گفتار يا نوشتار توليدشده در قالب و ساختار يک زبان طبيعي را تحليل و درک کرده يا آن را توليد کنند. از کاربردهاي فراوان پردازش زبان طبيعي مي‌توان به ترجمه زبان‌ها توسط رايانه، استفاده از صفحات وب و بانک‌هاي اطلاعاتي نوشتاري برای پاسخ‌دادن به پرسش‌هاي کاربران، ايجاد سامانه‌هاي پرسش و پاسخ هوشمند و جست‌وجوهاي محتوامحور در داده‌هاي متني، اشاره کرد. اينها تنها مثال‌هايي از کاربردهاي متنوع پردازش زبان‌هاي طبيعي هستند.
هدف اصلي در پردازش زبان طبيعي، ايجاد تئوري‌هايي محاسباتي از زبان، با استفاده از الگوريتم‌ها و ساختارهاي داده‌اي موجود در هوش مصنوعي است. بديهي است که در راستاي تحقق اين هدف، به دانشي وسيع از زبان نياز است و علاوه بر محققان هوش مصنوعي، به دانش زبان‌شناسان نيز در اين حوزه نیاز داریم. با پردازش اطلاعات زباني مي‌توان اطلاعات مورد نياز براي کار با زبان طبيعي را استخراج کرد. کاربردهاي پردازش زبان طبيعي به دو دسته کلي قابل تقسيم است: کاربردهاي نوشتاري و کاربردهاي گفتاري.
از کاربردهاي نوشتاري آن مي‌توان به استخراج اطلاعاتي خاص از يک متن، ترجمه يک متن به زباني ديگر يا يافتن مستنداتي خاص در يک پايگاه داده نوشتاري (مثلا يافتن کتاب‌هاي مرتبط به هم در يک کتابخانه) اشاره کرد. نمونه‌هايي از کاربردهاي گفتاري پردازش زبان عبارت‌اند از: سيستم‌هاي پرسش و پاسخ انسان با رايانه، سرويس‌هاي اتوماتيک ارتباط با مشتري از طريق تلفن، سيستم‌هاي آموزش به فراگيران و سيستم‌هاي کنترلي توسط فرمان‌هاي صوتي کاربر. در سال‌هاي اخير اين حوزه تحقيقاتي توجه دانشمندان را به خود جلب کرده و تحقيقات قابل ملاحظه‌اي در اين زمينه شده است.
6. محاسبات تکاملي يا فرگشتي
(Evolutionary Computation):
محاسبات تکاملي يا فرگشتي (رايانش فرگشتي)، شاخه‌اي از هوش مصنوعي است که شامل مسائل بهينه‌سازي ترکيبي مي‌شود. از لحاظ فني اين الگوريتم‌ها متعلق به حل‌کننده‌هاي آزمون و خطا هستند و مي‌توان آنها را از روش‌هاي بهينه‌سازي کلي با ماهيت فراابتکاري يا بهينه‌سازي تصادفي قلمداد کرد که به‌وسيله استفاده از جمعي از راه‌حل‌هاي پيشنهادي (به‌جاي تکرارکردن يک روش در فضاي جست‌وجو) متمايز مي‌شوند. بسياري از الگوريتم‌هاي محاسبات تکاملي بر آن هستند تا با الهام از جهان آفرينش و فرايندهايي که موجودات زنده در حل مسئله از آنها استفاده مي‌کنند، براي حل مسائل استفاده کنند؛ برای مثال الگوريتم‌هاي کلوني مورچگان (Ant Colonies)، ازدحام پرندگان (Bird Flocking) و کلوني زنبورها (Bee Colonies) نمونه‌هايي از اين الگوريتم‌ها هستند.
به عنوان مثالي ديگر، الگوريتم ژنتيک (Genetic Algorithm) يک نمونه از الگوريتم‌هايي است که در زيرمجموعه محاسبات تکاملي قرار دارد و براي يافتن راه‌حل تقريبي براي بهينه‌سازي و مسائل جست‌وجو استفاده مي‌شود. الگوريتم ژنتيک نوع خاصي از الگوريتم‌هاي تکاملي است که از تکنيک‌هاي زيست‌شناسي تکاملي مانند وراثت، جهش زيست‌شناسي و اصول انتخابي داروين براي يافتن فرمول بهينه، برای پيش‌بيني يا تطبيق الگو استفاده مي‌کند.
در مدل‌سازي، الگوريتم ژنتيک يک تکنيک برنامه‌نويسي است که از تکامل ژنتيکي به‌عنوان يک الگوي حل مسئله استفاده مي‌کند. مسئله‌اي که بايد حل شود، ورودي‌هايي دارد که در يک فرايند الگوبرداري‌شده از تکامل ژنتيکي، به راه‌حل‌ها تبديل مي‌شود. سپس راه‌حل‌ها، به‌عنوان کانديداهايي توسط تابع ارزياب (Fitness Function)، ارزيابي می‌شوند و چنانچه شرط خروج مسئله فراهم شده باشد، الگوريتم خاتمه مي‌يابد. به‌طورکلي اين الگوريتم، الگوريتمي مبتني بر تکرار است که اغلب بخش‌هاي آن به‌صورت فرايندهاي تصادفي انتخاب مي‌شوند.
7. روباتيک (Robotic):
روباتيک شاخه‌اي میان‌رشته‌ای از مهندسي و علم است که شامل مهندسي مکانيک، مهندسي برق و علوم رايانه و چند رشته ديگر مي‌شود. روباتيک شامل طراحي، ساخت، راه‌اندازي و استفاده از روبات‌هاست. همچنين مانند سيستم‌هاي رايانه‌اي، کنترل، بازخورد حسگرها و پردازش اطلاعات نيز در اين گروه قرار مي‌گيرند. يکي از مهم‌ترين بخش‌هاي علم روباتيک مربوط به نرم‌افزارهاي هوشمند براي راه‌اندازي روبات‌هاست که در واقع مانند روحي در کالبد فيزيکي روبات‌ها عمل مي‌کند و به روبات‌ها زندگي مي‌بخشد!
اين همان‌جايي است که هوش مصنوعی وارد مبحث روباتيک مي‌شود. اين فناوري‌ها با يکديگر استفاده مي‌شوند تا ماشين‌ها را به‌گونه‌اي ارتقا دهند که جايگزين انسان شوند. روبات‌ها مي‌توانند در هر موقعيت و براي هر منظوري به کار بروند ولي امروزه بسياري از آنها در محيط‌هاي خطرناک (مانند تشخيص و غيرفعال‌سازي بمب‌ها)، فرايندهاي توليد يا مکان‌هايي که انسان قادر به حيات نيست، استفاده مي‌شوند. روبات‌ها مي‌توانند به هر شکل و قيافه‌اي باشند ولي بعضي از آنها طراحي مي‌شوند تا شبيه انسان به نظر برسند که به آنها روبات‌هاي انسان‌نما (Humanoid) مي‌گويند. گفته مي‌شود اين کار انجام می‌شود تا رفتارهاي اين روبات‌ها که از مردم عادي تقليد مي‌شود، بيشتر مورد قبول قرار گيرد و انسان‌ها بتوانند با آنها راحت‌تر تعامل داشته باشند.
تلاش مي‌شود که روبات‌هاي انسان‌نما بتوانند راه‌رفتن، حرف‌زدن، شناختن و مخصوصا هر چيزي را که انسان مي‌تواند انجام دهد، تقليد کنند. يکي از نمونه‌هاي استفاده از اين روبات‌هاي انسان‌نما، استفاده از آنها به‌عنوان پيش‌خدمت يا کارکنان راهنما در هتل‌ها يا همايش‌ها است.
ظاهر و توانمندي‌هاي بسياري از روبات‌هاي امروزي از طبيعت الهام گرفته است. ازاينرو اين روبات‌ها در پهنه روبات‌هاي مقلدِ موجودات زنده قرار مي‌گيرند. اما يکي از نگران‌کننده‌ترين استفاده‌ها از روبات‌ها، استفاده از آنها در حوزه فعاليت‌هاي نظامي است. درحال‌حاضر بسياري از پيشرفته‌ترين روبات‌ها در حوزه نظامي استفاده مي‌شوند. اکثر سرمايه‌گذاري‌هاي روباتيک کشورهايي چون آمريکا نيز در زمينه روبات‌هاي نظامي است؛ به‌نحوي‌که در سال 2030 ارتش روباتيک آمريکا آماده‌به‌کار خواهد شد! اين در حالی است که در حوزه نظامي از تمامي انواع روبات‌ها مانند روبات‌هاي پرنده (پهپادها)، روبات‌هاي انسان‌نما، روبات‌هاي حيوان‌نما و حتي نانو روبات‌ها (Nanorobots) استفاده مي‌شود.
8. سيستم‌هاي فازي (Fuzzy Systems): سيستم‌هاي فازي، سيستم‌هايي هستند که بر اساس منطق فازي (Fuzzy Logic) کار مي‌کنند. منطق فازي شکلي از منطق‌هاي چندارزشي بوده که در آن مقادير درستي متغيرها ممکن است هر عدد حقيقي بين 0 و 1 و خود صفر یا يک باشد. اين منطق به‌منظور به‌کارگيري مفهوم درستي جزئي بنا شده است؛ به‌طوري‌که مقادير هر متغير فازي مي‌تواند برای مثال به‌جاي درست و غلط، با مقاديري بين کاملا درست و کاملا غلط مقداردهي شود. اصطلاح منطق فازي اولين بار در پي تنظيم نظريه مجموعه‌هاي فازي به‌وسيله پروفسور لطفي‌زاده (۱۹۶۵ م) در صحنه محاسبات نو ظاهر شد. واژه فازي که از کلمه فارسي فوژ گرفته شده،
به معني درهم‌تنيده است.
کاربرد اين بخش در علوم نرم‌افزاري را مي‌توان به‌طور ساده اين‌گونه تعريف کرد: منطق فازي از منطق ارزش‌هاي «صفر و يک» نرم‌افزارهاي کلاسيک فراتر رفته و درگاهي جديد براي دنياي علوم نرم‌افزاري و رايانه‌ها مي‌گشايد. زيرا فضاي شناور و نامحدود بين اعداد صفر و يک را نيز در منطق و استدلال‌هاي خود به کار برده و به چالش مي‌کشد. منطق فازي از فضاي بين دو ارزش «برويم» يا «نرويم»، ارزش‌هاي جديد «شايد برويم» يا «مي‌رويم اگر» يا حتي «احتمال دارد برويم» را استخراج کرده و به کار مي‌گيرد. به‌اين‌ترتیب برای مثال مدیر بانک پس از بررسی رایانه‌ای بیلان اقتصادی یک بازرگان می‌تواند فراتر از منطق «وام می‌دهیم» یا «وام نمی‌دهیم» رفته و بگوید: «وام می‌دهیم اگر...» یا «وام نمی‌دهیم ولی...». در حقیقت منطق فازی و استنتاج فازی به‌دنبال دریافت و حل مسائل دنیای واقعی به نحوی است که بیشترین شباهت را به استنتاج انسان‌ها برای فهم و حل این مسائل، داشته باشد.
جمع‌بندی
علم هوش مصنوعی شاخه‌ای گسترده و مهم از علوم رایانه است که نقش بسیار مهمی در زندگی روزمره ما ایفا می‌کند. از طرف دیگر در آینده بسیار نزدیک، نقش هوش مصنوعی در زندگی بشر به‌قدری حیاتی می‌شود که زندگی در دنیای متمدن را بدون استفاده از فناوری‌های هوش مصنوعی، غیرممکن خواهد کرد. این به‌این دلیل است که فناوری‌های هوش مصنوعی در تمامی ارکان زندگی بشر، از کمک در انجام کارهای روزمره، آموزش کودکان و حتی متخصصان، حوزه صنعت و تولید، حوزه اقتصادی و مالی، حوزه سیاست، حوزه امنیت و نظامی و حتی حوزه سلامت و درمان وارد شده و به‌صورت بی‌بدیل نقش‌آفرینی می‌کند.
در نتیجه اهمیت پرداختن و برنامه‌ریزی و سرمایه‌گذاری در حوزه هوش مصنوعی کاملا واضح و مبرهن است. به همین دلیل در دنیا برنامه‌ریزی‌ها و سرمایه‌گذاری‌های فراوانی در این زمینه شده و کشور ما نیز باید در این حوزه به فعالیت و سرمایه‌گذاری جدی بپردازد. البته از نظر تحقیقاتی در زمینه هوش مصنوعی، جایگاه کشور عزیزمان جایگاه خوبی است. در گزارشی که اخیرا در نشریه نیچر چاپ شده است، ایران یکی از کشورهای پرتولید مقالات علمی دنیا در هوش مصنوعی معرفی شده است. در این گزارش آمده است که بر اساس اطلاعات سال 1997 تا 2017 ایران رتبه 14 دنیا در حوزه هوش مصنوعی را در اختیار دارد و تعداد مقالات ایران در این مدت 34 هزار و 28 مورد بوده است. در نتیجه حالا زمان آن فرارسیده که این تحقیقات علمی با سرمایه‌گذاری‌های دولتی و خصوصی تبدیل به تکنولوژی‌های قابل استفاده در زندگی روزمره هم‌وطنانمان بشوند.
از طرف دیگر جنبه‌های ترسناکی از کاربردهای هوش مصنوعی وجود دارد که انسان را درباره آینده و دستاوردهای این علم به تفکر وامی‌دارد. استفاده گسترده از هوش مصنوعی در حوزه نظامی و حتی حاکمیت روبات‌ها و نرم‌افزارهای هوشمند در آینده (که فیلم‌های علمی تخیلی فراوانی درباره آنها نیز ساخته شده است)، می‌تواند بسیار نگران‌کننده باشد. حال باید از خودمان این سؤال را بپرسیم که «آیا ما باید درباره آینده نگران باشیم؟».