هوش مصنوعی

هوش مصنوعی (Artificial Intelligence) به سیستم‎هایی اطلاق می‌گردد که توانایی واکنش‌هایی مشابه رفتارهای انسانی از جمله درک شرایط پیچیده، شبیه‌سازی فرایندهای تفکری و شیوه‌های استدلالی انسان، یادگیری، کسب دانش و حل مسایل را داشته باشند. در حقیقت هوش مصنوعی را باید عرصه پهناور تلاقی و ملاقات بسیاری از دانش‌ها، علوم و فنون قدیم و جدید دانست. با توسعه تکنولوژی و علوم کامپیوتر، هوش مصنوعی توانست کاربردهای متعددی در زمینه‌های کشاورزی، پزشکی، حمل و نقل، آموزش و غیره پیدا کند.

 

به‌طور کلی هوش مصنوعی به دو دسته گسترده تقسیم می‌شود:

 

1- هوش مصنوعی ضعیف (یا باریک)

این نوع از هوش مصنوعی در یک ناحیه محدود عمل می‌کند و شبیه‌سازی هوش انسانی است. هوش ضعیف اغلب تنها با تمرکز بر روی یک موضوع نتایج خوبی را ایجاد می‌کند. با اینکه این سیستم هوشمند بنظر می‌رسد، حتی در ابتدایی‌ترین زمینه‌ها نیز محدودیت‌ها و قید و بندهای شدیدی دارد.

 

2- هوش مصنوعی عمومی (AGI)

AGI که گاهی هوش مصنوعی قوی نامیده می‌شود را می‌توان در فیلم‌ها مشاهده کرد. فیلم‌هایی مانند دنیای غرب و یا پیشتازان فضا که بیشتر به نسل‌های آینده اشاره دارند. AGIها را می‌توان دستگاه‌هایی دارای هوش مصنوعی در حد انسان‌ها دانست. آن‌ها می‌توانند از هوش خود برای حل هر مشکلی بهره ببرند.

 

نمونه‌های هوش مصنوعی

 

  • دستیاران هوشمند
  • ابزارهای پیش‌بینی
  • توصیه‌های درمانی
  • ربات‌های مکالمه‌ایی برای بازاریابی و خدمات پشتیبانی
  • ربات‌های مشاور برای تجارات و سرویس مشتریان
  • فیلتر اسپم در ایمیل
  • ابزارهای رصد شبکه‌های اجتماعی با منظور بررسی محتوای کذب و خطرناک
  • پیشنهادات نمایش آهنگ یا برنامه‌های تلویزیونی

 

یادگیری ماشین و یادگیری عمیق

بخش عظیمی از پیشرفت‌های هوش مصنوعی را یادگیری ماشین و یادگیری عمیق ایجاد کرده است. درک تفاوت میان هوش مصنوعی، یادگیری ماشین و یادگیری عمیق می‌تواند گیج کننده باشد. فرانک چن تمایز بین این سه را این چنین بیان می‌کند:

کاربرد هوش مصنوعی
شروع نقل قول

هوش مصنوعی مجموعه‌ای از الگوریتم‌ها و هوشمندی است که سعی در تقلید از هوش انسان دارد. یادگیری ماشین یکی از این تقلیدهاست و یادگیری عمیق یکی از تکنیک‌های یادگیری ماشین است.

شروع نقل قول

به عبارتی ساده‌تر، یادگیری ماشین از داده‌های یارانه‌ای تغذیه می‌کند و از تکنیک‌های آماری برای کمک به یادگیری و پیشرفت در کار بهره می‌برد. بنابراین نیاز به نوشتن میلیون‌ها خط برنامه نویسی برطرف می‌شود. یادگیری ماشین شامل یادگیری نظارت شده (استفاده از داده‌های برچسب گذاری شده) و یادگیری بدون ناظر (با استفاده از داده‌های بدون برچسب) می‌شود.

یادگیری عمیق نوعی یادگیری ماشین است که از یک معماری شبکه عصبی مصنوعی بهره می‌برد. شبکه‌های عصبی دارای تعدادی لایه پنهان هستند که داده‌های دریافتی را پردازش و همچنین اتصالات و وزن‌های ورودی را برای رسیدن به بهترین وضعیت اصلاح می‌کند.

 

1- یادگیری نظارت شده

این سیستم یادگیری از داده‌های عظیمی تغذیه می‌کند که برای برجسته کردن ویژگی‌های مدنظر ، حاشیه‌نویسی شده است. مثلا اینکه در تصاویر، تصویر سگ وجود دارد. پس از آموزش، سیستم می‌تواند تصویر سگ در تصاویر تازه بارگذاری شده را تشخیص دهد.

در سال‌های اخیر، شبکه‌های مولد تخاصمی (GANs) نشان داده‌اند که چگونه سیستم‌های یادگیری ماشینی با وجود دراختیار داشتن داده‌های برچسب‌گذاری اندک، می‌توانند مقادیر عظیمی از داده‌های تازه را برای آموزش خود تولید کنند.

این رویکرد می‌تواند به‌ظهور یادگیری نیمه نظارتی منجر شود. بنابراین سیستم‌ها می‌توانند یاد بگیرند چگونه وظایف خود را با استفاده از داده‌های برچسب خورده بسیار کمتری انجام دهند.

2- یادگیری بدون ناظر

در مقابل، یادگیری بدون ناظر دارای رویکردی متفاوت است. در این یادگیری، الگوریتم‌ها سعی در شناسایی الگوها و شباهت‌ داده‌ها دارند تا از آن‌ها برای طبقه‌بندی داده‌ها استفاده کنند. بعنوان مثال جمع‌آوری میوه‌ها با وزن یکسان و یا اتومبیل‌هایی با اندازه موتور مشابه می‌توانند الگویی برای طبقه‌بندی باشند.

در اینجا، الگوریتم برای انتخاب انواع خاصی از داده‌ها تنظیم نشده‌ است. بلکه جستجوی داده‌ها براساس شباهت‌ بین آن‌ها انجام می‌پذیرد. بعنوان مثال Google News روزانه داستان‌ها را براساس موضوعاتشان جمع‌آوری می‌کند.

 

  • یادگیری تقویتی

یک قیاس برای یادگیری تقویتی زمانی است که به یک حیوان برای انجام یک رفتار خاص پاداش داده می‌شود. در یادگیری تقویتی سیستم تلاش می‌کند تا با استفاده از داده‌های ورودی خود پاداش بیشتری دریافت کند. بنابراین روند آزمایش و خطا را پیش می‌گیرد تا به بهترین نتیجه ممکن دست یابد.

{{ time }}

{{ date }}

گروه پارس‌آنیس با بهره‌مندی از نیروی انسانی متخصص، قادر به ارائه مشاوره، طراحی و اجرای سیستمهای هوشمند مبتنی بر تکنولوژی‌ها و مولفه‌های هوش مصنوعی در حوزه‌های ذکر شده می‌باشد. از جمله طرح‎های اجرا شده این گروه، شامل سامانه شناسایی و شمارش خودرو و وسایل نقلیه، تفکیک اشیاء، سورتینگ، اندازه‌بندی و …. می‌باشد.



صفحه اصلی

parsanis.com