هوش مصنوعی چیست و چه کاربردی دارد؟ (یک توضیح جامع)

زمان مطالعه: 14 دقیقه

در چند سال اخیر از هوش مصنوعی و کاربردهای مختلف آن در بخش‌های گوناگون بسیار شنیده‌ایم. ردپای هوش مصنوعی را حتی می‌توان در جستجوهای روزانه ما در گوگل یا شبکه‌های اجتماعی معروف مانند اینستاگرام نیز مشاهده کرد.

اما به نظر می‌رسد این مفهوم همچنان به درستی درک نشده است. البته بخشی از این موضوع به تازگی مفهوم هوش مصنوعی خصوصا در ایران ارتباط دارد. از طرفی نباید فراموش کرد که این علم روز به روز در حال تکامل است و کاربردهای بیشتری از آن مشخص می‌شود.

اما کاربردهای هوش مصنوعی چیست و تعریف دقیق آن به چه معنا است. در این مقاله با ما همراه باشید تا به طور مفصل به این قبیل سوالات پاسخ دهیم.

تاریخچه‌ هوش مصنوعی

اصطلاح هوش مصنوعی در سال ۱۹۵۶ مطرح شد. اما امروزه این فناوری به دلیل افزایش مقدار داده‌ها، وجود الگوریتم‌های پیشرفته، ارتقاء سطح توان محاسباتی و نیز امکان ذخیره‌سازی اطلاعات در حجم بالا، بسیار پرطرفدار شده است.

در دهه‌ی ۱۹۵۰ مجموعه تحقیقات اولیه‌ی هوش مصنوعی در خصوص شیوه‌های حل مشکل (Problem Solving) و روش‌های نمادین (Symbolic Methods) انجام شد. در سال‌های دهه‌ی ۶۰ میلادی، وزارت دفاع آمریکا به این موضوع علاقه‌مند شد و رایانه‌ها را برای تقلید اصول اولیه‌ی تفکر انسان، آموزش داد.

برای نمونه، سازمان پروژه‌های تحقیقاتی پیشرفته دفاعی آمریکا موسوم به دارپا (DARPA)، پروژه‌ی نقشه‌برداری خیابانی را در دهه‌ی ۷۰ به پایان رساند. دارپا در سال ۲۰۰۳، مدت‌ها پیش از ظهور دستیارهای نام‌آشنایی همچون سیری، الکسا یا کورتانا، یک دستیار شخصی هوشمند تولید کرد.

اگر چه در فیلم‌های هالیوود و رمان‌های علمی – تخیلی، هوش مصنوعی به شکل ربات‌های انسان‌نمایی که کنترل جهان را به دست می‌گیرند معرفی می‌شود، ولی پیداست که امروزه، شکل تکامل‌یافته‌ی این فناوری تا این حد ترسناک یا هوشمند نیست.

از سوی دیگر، امروزه هوش مصنوعی تا اندازه‌ای پیشرفت کرده که می‌تواند قابلیت‌های ویژه‌ای را در اختیار بسیاری از صنایع قرار دهد که در ادامه این مقاله به برخی از این موارد اشاره می‌کنیم.

۱۹۵۰-۱۹۷۰
شبکه‌های عصبی

۱۹۸۰-۲۰۱۰
یادگیری ماشینی

هم‌اکنون
یادگیری عمیق

هوش مصنوعی چیست و چگونه کار می‌کند؟

دیوایس‌های مختلف با بهره‌گیری از قابلیت‌های هوش مصنوعی (Artificial Intelligence یا به اختصار AI) می‌توانند خود را با ورودی‌های جدید تطبیق دهند و انجام کارهایی را که از انسان بر می‌آید؛ عهده‌دار شوند.

بیش‌تر نمونه‌های هوش مصنوعی که شما تاکنون شنیده‌اید – از رایانه‌های شطرنج‌باز گرفته تا اتوموبیل‌های خودران – تا حد زیادی به یادگیری عمیق (Deep Learning) و پردازش زبان طبیعی وابسته‌اند.

با بهره‌گیری از این فناوری‌ها و نیز از طریق پردازش مقادیر انبوه داده و شناخت الگوها در اطلاعات، می‌توان رایانه‌‎ها را برای انجام یک سری کارهای خاص تحت آموزش قرار داد.

هوش مصنوعی براساس ترکیب مقادیر انبوه داده با پردازش‌های سریع و چندباره و با الگوریتم‌های هوشمند کار می‌کند و اجازه می‌دهد نرم‌افزارها با استفاده از الگوها یا قابلیت‌های موجود در داده‌ها، به طور خودکار آموزش ببیند و ارتقاء پیدا کنند.

هوش مصنوعی یک رشته‌ی پژوهشی گسترده شامل انواع نظریه‌ها، شیوه‌ها و فناوری‌ها است که شامل زیرمجموعه‌هایی نیز هست. در ادامه به برخی از مهم‌ترین موارد آن‌ها اشاره می‌کنیم:

یادگیری ماشینی: یادگیری ماشینی ساخت مدل تحلیلی را خودکار می‌کند. این نوع یادگیری، برای یافتن بینش‌های نهان در داده‌ها – بدون این که برای کسب نتیجه، صریحا مورد برنامه‌نویسی قرار گیرد – متدهایی از شبکه‌های عصبی، آمار، تحقیقات عملیاتی و فیزیک را به خدمت می‌گیرد.

شبکه عصبی: یک شبکه عصبی گونه‌ای از یادگیری ماشینی تلقی می‌شود که از واحدهای به هم پیوسته (مانند نورون‌ها) ساخته شده است. نورون‌ها از طریق پاسخ دادن به ورودی‌های خارجی و نیز انتقال اطلاعات بین هر واحد، داده‌ها را پردازش می‌کنند. این فرایند مستلزم عبور چند باره‌ی داده برای یافتن ارتباطات و نیز معنایابی از داده‌های تعریف نشده (undefined data) است.

یادگیری عمیق: یادگیری عمیق با استفاده از شبکه‌های عصبی انبوه که لایه‌های پردازشی متعددی دارند، از پیشرفت‌های انجام شده در بخش توان پردازشی (Computing Power) و تکنیک‌های پیشرفته‌ی آموزش، برای یادگیری الگوهای پیچیده در داده‌های انبوه استفاده می‌کند. برنامه‌های کاربردی رایج در این بخش عبارتند از تشخیص تصویر و گفتار.

رایانش شناختی: رایانش شناختی (Cognitive Computing) یکی از زیرمجموعه‌های هوش مصنوعی است که می‌کوشد تعاملات طبیعی و شبه‌انسانی با ماشین‌ها فراهم آورد.

هدف نهایی استفاده از هوش مصنوعی و رایانش شناختی امکان شبیه‌سازی فرایندهای انسانی در ماشین‌ها است که این مهم از نظر قابلیت تفسیر تصاویر و گفتارها به دست می‌آید تا در ادامه به هدف «سخن گفتن منطقی و مرتبط» دست یابد.

بینایی رایانه‌ای: بینایی رایانه‌ای (Computer Vision) برای تشخیص آن چه در عکس یا ویدئو مشاهده می‌شود، مبتنی بر شناخت الگو و یادگیری عمیق است. اگر ماشین‌ها بتوانند تصاویر را پردازش، درک و تحلیل کنند، قادر هستند به شکل آنی عکس و تصویر گرفته و محیط اطراف‌شان را تفسیر کنند.

پردازش زبان‌های طبیعی: این مفهوم که به اصطلاح NLP نیز می‌گویند به معنای توانایی رایانه‌ها در تحلیل، درک و تولید زبان انسانی از جمله سخن گفتن است. گام بعدی NLP «تعامل زبان طبیعی» است که به‌وسیله‌ی آن انسان‌ها می‌توانند با استفاده از زبان روزمره، برای صدور دستور انجام وظایف، با رایانه‌ها گفتگو کنند.

علاوه بر این موارد، چندین فناوری دیگر وجود دارد که قادر به پشتیبانی از هوش مصنوعی هستند:

واحدهای پردازش گرافیکی: این واحدها کلید هوش مصنوعی به شمار می‌روند. زیرا آن‌ها توان پردازشی سنگین را که برای پردازش تکراری (Iterative Processing) مورد نیاز است، فراهم می‌آورند. آموزش شبکه‌های عصبی نیز مستلزم استفاده از کلان داده‌ها به علاوه توان پردازشی است.

اینترنت اشیاء: انبوهی از داده‌ها را از دستگاه‌های متصل فراهم می‌آورد که بخش عمده‌ی این اطلاعات، مورد تجزیه و تحلیل قرار نگرفته است. مدل‌های خودکارسازی (Automating Models) به همراه هوش مصنوعی به ما امکان استفاده هر چه بیشتر از این اطلاعات را می‌دهد.

رابط‌های برنامه‌نویسی (APIها): مجموعه‌ای از کدها هستند که با آن‌ها می‌توان امکانات هوش مصنوعی را به محصولات و بسته‌های نرم‌افزاری کنونی افزود. APIها می‌توانند قابلیت‌های تشخیص تصویر را به سیستم‌های امنیت خانگی بیافزایند؛ قابلیت‌های Q&A که قادر به توصیف اطلاعات است را به خدمت بگیرند؛ کپشن و عنوان تولید کنند یا الگوهای جالب و بینش‌های موجود در داده‌ها را استخراج کنند.

به‌شکل خلاصه می‌توان گفت هوش مصنوعی درصدد تولید تعاملات شبه‌انسانی با نرم‌افزارها و نیز پشتیبانی تصمیم برای وظایف خاص است؛ ولی این فناوری جایگزینی برای انسان‌ها به شمار نمی‌رود و در آینده‌ی نزدیک هم چنین چیزی متصور نیست.

هوش مصنوعی چیست

نمونه‌هایی از مهم‌ترین کاربردهای هوش مصنوعی

امروزه می‌توان نمونه‌های مختلفی از کاربردهای هوش مصنوعی را در بسیاری از صنایع و مراکز کاری سراغ گرفت. بیمارستان‌ها، فروشگاه‌های خرده‌فروشی، سیستم‌های تحلیل‌گر پیش‌گو که قادر به صحبت کردن است.

در ادامه به بخش‌هایی از گزارش Harvard Business Review که به بررسی چشم‌اندازها و آینده هوش مصنوعی پرداخته اشاره می‌کنیم. سپس به نمونه‌هایی از مهم‌ترین کاربردهای هوش مصنوعی در صنایع مختلف می‌پردازیم.

بهبود تحلیل‌های بازاریابی

امروزه به لطف تحلیل‌ها و هوش مصنوعی، بازاریابی رو به سوی تکامل و توسعه دارد و ما از این طریق می‌توانیم دریابیم که چگونه برای ارتقاء دقیق پیشنهادها به مشتری، سراغ پرداختن بیش‌تر داده‌کاوی اطلاعات برویم و چگونه نیاز مشتری را بهتر درک کنیم.

ادغام هوش مصنوعی در برنامه‌های تحلیل‌گر

برای ارتقاء عملکرد هوش مصنوعی، یک نکته مهم وجود دارد و آن این که استراتژی مربوط به آن، از استراتژی بزرگ‌تر کسب‌وکار شما تغذیه می‌کند و به همین دلیل باید همواره عواملی همچون هم‌سویی افراد، فرایندها و فناوری را مدنظر قرار داشته باشید.

جدا کردن خیال از واقعیت

Oliver Schabenberger معاون اجرایی و مدیر ارشد فناوری SAS می‌گوید هوش مصنوعی کمک می‌کند که ماشین‌ها هوشمندانه‌تر عمل کنند ولی این فناوری قادر نیست جهان را به قبضه خود در آورد.

اما در صنایع گوناگون، تقاضای بسیاری برای استفاده از قابلیت‌ها و کاربردهای هوش مصنوعی وجود دارد؛ به ویژه در سیستم‌های پاسخ‌گویی به پرسش‌ها که از آن‌ها می‌توان در مشاوره‌های حقوقی، تحقیقات مربوط به ثبت اختراع، اعلام هشدار و پژوهش‌های پزشکی استفاده کرد. دیگر بخش‌های کاربرد هوش مصنوعی عبارتند از:

بهداشت و درمان

اپلیکیشن‌های هوش مصنوعی قادرند خدمات ویژه‌ای همچون درمان‌های شخصی شده و تحلیل‌های رادیوگرافی ارائه کنند. دستیاران شخصیِ عرضه‌کننده‌ی خدمات بهداشتی و پزشکی می‌توانند همانند مربی زندگی (life coach) عمل کرده، زمان و شیوه‌ی مصرف داروها را به بیمار یادآور شده و ورزش یا تغذیه سالم‌تر را به افراد گوشزد کنند.

خرده‌فروشی

هوش مصنوعی قادر به عرضه‌ی خدمات خرید و فروش مجازی است که در آن‌ها پیشنهادهای شخصی شده و گزینه‌های فرایند خرید به مشتری ارائه می‌شود. هم‌چنین به کمک هوش مصنوعی، فناوری‌های مدیریت انبار و طراحی فروشگاه نیز بهبود می‌یابد

تولید

هوش مصنوعی می‌تواند داده‌های اینترنت اشیاء کارخانه را که از تجهیزات متصل به اینترنت به دست می‌آید تحلیل کرده و میزان عرضه و تقاضای احتمالی را پیش‌بینی کند

ورزش

از هوش مصنوعی برای تصویربرداری از بازی‌ها و به دنبال آن، ارائه‌ی گزارش‌های سودمند به مربیان استفاده می‌شود. این گزارش‌ها می‌توانند نکاتی برای ارتقاء سطح بازی‌ها، مدیریت بهتر رقابت‌ها، بهینه‌سازی استراتژی و تعیین موقعیت بهتر برای استقرار بازیکنان را شامل شود.

اما چرا هوش مصنوعی تا این اندازه مهم است؟

هوش مصنوعی فرایند یادگیری تکراری (Repetitive Learning)، و کشف و شناسایی از طریق داده‌ها را خودکار می‌کند. اما این نکته، با اتوماسیون سخت‌افزاری رباتیک تفاوت دارد.

هوش مصنوعی به خودکارسازی وظایف دستی نمی‌پردازد بلکه وظایف رایانه‌ای تکراری و متعدد را به شکلی قابل‌اعتماد و خستگی‌ناپذیر سامان می‌دهد. برای انجام این نوع از خودکارسازی، پژوهش‌های انسانی برای تنظیم سیستم و پرسیدن پرسش‌های درست و مناسب، همچنان ضروری است.

هوش مصنوعی، هوشمندی را به محصولات فعلی اضافه می‌کند. در بیش‌تر موارد هوش مصنوعی در قالب یک اپلیکیشن مستقل فروخته نمی‌شود. بلکه بهبود عملکرد محصولات مورد استفاده کاربران را به همراه دارد، مانند Siri که به عنوان یک قابلیت، به نسل جدید محصولات اپل اضافه شده است.

هوش مصنوعی می‌تواند اتوماسیون، پلتفرم‌های گفتگو، ربات‌ها و ماشین‌های هوشمند را با مقادیر انبوهی از داده‌ها ترکیب کند. این کار با هدف ارتقاء بسیاری از فناوری‎های مورد استفاده در منازل و محیط‌های کاری انجام می‌شود، از هوش امنیتی (Security Intelligence) گرفته تا تجزیه و تحلیل سرمایه‌گذاری (Investment Analysis).

هوش مصنوعی از طریق الگوریتم‌های پیشرفته یادگیری، امکان برنامه‌نویسی داده‌ها را فراهم می‌کند. هوش مصنوعی می‌تواند با کشف ساختار و قواعد موجود در داده‌ها، مهارت کسب کند. در این‌صورت، این الگوریتم به یک دسته‌بندی‌کننده (Classifier) یا پیش‌گو تبدیل می‌شود.

شبکه‌های عصبی دارای لایه‌های پنهانی هستند و هوش مصنوعی می‌تواند با استفاده از این شبکه‌ها، به گونه‌ای عمیق‌تر و گسترده‌تر، داده‌ها را تحلیل کند. تا چند سال گذشته ساخت یک سامانه‌ی تشخیص تقلب با پنج لایه پنهان تقریبا ناممکن بود.

اما امروزه با توجه به قدرت شگفت‌انگیز توان پردازشی و نیز کلان داده‌ها این قضیه کاملا تغییر یافته است. شما برای آموزش مدل‌های یادگیری عمیق، به داده‌های بسیار زیادی نیاز دارید. زیرا آن‌ها به طور مستقیم از داده‌ها آموزش می‌گیرند. هر چه بتوانید مدل‌ها را با داده‌ها بیشتری تغذیه کنید، دقت آن‌ها افزایش می‌یابد.

هوش مصنوعی قادر است به دقت باورنکردنی موجود در شبکه‌های عصبی دست یابد؛ چیزی که درگذشته غیرممکن بود. برای نمونه، تعاملات شما با الکسا، Google Search و Google Photos همگی مبتنی بر یادگیری عمیق (Deep Learning) است و هر چه بیش‌تر از این ابزار استفاده کنید، دقت آن‌ها بیش‌تر می‌شود.

در بخش پزشکی، امروزه تکنیک‌های هوش مصنوعی اعم از یادگیری عمیق، طبقه‌بندی تصاویر و تشخیص شیء (Object Recognition) می‌تواند با همان دقت رادیولوژیست‌های آموزش دیده و بسیار حرفه‌ای، برای شناسایی سرطان در ام.آر.آی‌ها به کار رود.

هوش مصنوعی بیش‌ترین استفاده را از داده‌ها می‌برد. اصولا پاسخ‌ها در داده‌ها نهفته است؛ کافی است شما آن‌ها را در اختیار هوش مصنوعی قرار دهید. امروزه نقش داده‌ها بیش از هر زمان دیگری اهمیت یافته و این موضوع، زمینه‌ساز خلق یک مزیت رقابتی شده است.

اگر شما در یک صنعت پُررقابت، بهترین داده‌ها را در اختیار داشته باشید، حتی اگر همگان از فناوری‌های مشابه استفاده کنند، برگ برنده از آن ِ بهترین داده‌ها خواهد بود.

چالش‌های استفاده از هوش مصنوعی کدام است؟

اگر چه هوش مصنوعی در حال تاثیرگذاری گسترده بر تمام صنایع است؛ اما ما باید محدودیت‌های آن را بشناسیم. اصلی‌ترین محدودیت هوش مصنوعی این است که شیوه‌‌ی اصلی عملکرد این فناوری، مبتنی بر استفاده از داده‌هاست. هیچ راه دیگری برای تفسیر دانش وجود ندارد.

به این معنی که هرگونه اشتباه در داده‌ها ممکن است در نتایج تاثیرگذار باشد. از سوی دیگر، هر لایه‌ی اضافی از پیش‌بینی یا تحلیل، باید به طور جداگانه به سیستم افزوده شود.

سیستم‌های امروزی هوش مصنوعی برای انجام یک مجموعه کارهای مشخص تنظیم و تعریف شده‌اند. سیستمی که پوکر بازی می‌کند، قادر به انجام شطرنج نیست؛ سیستمِ تقلب‌یاب نمی‌تواند خودرو را به حرکت در آورد یا به افراد مشاوره حقوقی بدهد.

سامانه‌ی هوشمندی که کاشف تقلبات انجام‌شده در بخش سلامتی و بهداشت است، نمی‌تواند جعل مالیات یا تقاضاهای گارانتی غیرواقعی را با دقت بالا شناسایی کند.

به عبارت دیگر امروزه این سیستم‌ها بسیار تخصصی شده‌اند. روی یک کار خاص متمرکز هستند و نمی‌توانند مانند انسان‌ها رفتار کنند.

اگر چه آن دسته از فناوری‌های هوش مصنوعی که در تلویزیون یا فیلم‌ها نشان داده می‌شود، باید هنوز در زمره مطالب علمی – تخیلی گنجانده شوند، اما رایانه‌هایی که برای یادگیری و انجام وظایف خاص، قادر به کاوش در داده‌های پیچیده هستند، امروزه کاملا رایج و معمولی به شمار می‌روند.