هوش مصنوعی چیست و چه کاربرد هایی دارد؟

مقدمه: 

هوش مصنوعی چیست و چه کاربرد هایی دارد؟ هوش مصنوعی به هوشی که یک ماشین از خود نشان میدهد و یا به دانشی در کامپیوتر که سعی در ایجاد آن دارد گفته می شود. جان مک کارتی “پدر علم و دانش ماشین های هوشمند”، واژه هوش مصنوعی را در سال ۱۹۵۶ به کار برد. تحقیقات و جستجوهای انجام شده برای رسیدن به ساخت چنین ماشین های مرتبط با بسیاری از علوم دیگر مانند رایانه، روان شناسی، فلسفه، عصب شناسی، علوم ادراکی، تئوری کنترل، احتمالات، بهینه سازی و منطق می باشد.

هنوز تعریف دقیقی برای هوش مصنوعی ارائه نشده است که مورد قبول همه دانشمندان صاحب نظر در این زمینه باشد و این خود به علت آن است که اساس این موضوع یعنی هوش مورد جنجال و اختلاف است و تعریف جامعی درباره آن وجود ندارد. بطور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات، استقرار و تحلیل تجربیات به منظور رسیدن به دانش و یا ارائه تصمیم میباشد.

در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسائل دریافت شده تلقی میشود. هوش مصنوعی علم و مهندسی ایجاد ماشین هایی با هوش با به کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی و یا حیوانی و نهایتاً دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی میباشد. در مقایسه هوش مصنوعی با هوش انسانی میتوان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسایل در جهت قضاوت و اخذ تصمیم می باشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هایی از قبل تعبیه شده بر روی کامپیوتر میباشد.

در نتیجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوش های مصنوعی نبوده ایم. بطور کلّی، هوش مصنوعی را میتوان از زوایای متفاوتی مورد بررسی و مطالعه قرار داد.

مابین هوش مصنوعی به عنوان یک هدف، هوش مصنوعی به عنوان یک رشته تحصیلی دانشگاهی، و یا هوش مصنوعی به عنوان مجموعه فنون و راه کارهایی که توسط مراکز علمی مختلف و صنایع گوناگون تنظیم و توسعه یافته است باید تفاوت قائل بود.

ایجاد و ابداع فنون و تکنیک های لازم برای مدیریت پیچیدگی را باید به عنوان هسته بنیادین تلاش های علمی و پژوهشی گذشته، حال، و آینده، در تمامی زمینه های علوم رایانه، و به ویژه، در هوش مصنوعی معرفی کرد. شیوه ها و تکنیک های هوش مصنوعی، در واقع، برای حل آن دسته از مسائل به وجود آمده است که به طور سهل و آسان توسط برنامه نویسی تابعی (programming Functional)، یا شیوه های ریاضی قابل حل نبوده اند. امروزه دانش مدرن هوش مصنوعی به دو دسته تقسیم میشود:

• هوش مصنوعی سمبلیک یا نمادین (Symbolic AI)
• هوش غیر سمبلیک یا پیوندگرا (Connection AI)

هوش مصنوعی سمبلیک از ره یافتی مبتنی بر محاسبات آماری پیروی میکند و اغلب تحت عنوان یادگیری ماشین یا Machine Learning طبقه بندی میشود. هوش سمبلیک میکوشد سیستم و قواعد آن را در قالب سمبل ها بیان کند و با نگاشت اطلاعات به سمبل ها و قوانین به حل مسئله بپردازد.

در میان معروفترین شاخه های هوش مصنوعی سمبلیک میتوان به سیستم های خبره (Expert Systems) و شبکه های Bayesian اشاره کرد. اما هوش پیوندگرا متکی بر یک منطق استقرایی است و از رهیافت آموزش، بهبود سیستم از طریق تکرار بهره میگیرد. این آموزش ها نه بر اساس نتایج و تحلیل های دقیق آماری، بلکه مبتنی بر شیوه آزمون و خطا و یادگیری از راه تجربه است.

در هوش مصنوعی پیوندگرا، قواعد از ابتدا در اختیار سیستم قرار نمی گیرد، بلکه سیستم از طریق تجربه، خودش قوانین را استخراج می کند. متدهای ایجاد شبکه های عصبی (Neural Network) و نیز به کارگیری منطق فازی (Fuzzy Logic) در این دسته قرار میگیرد.

در بسیاری از موارد، با پوشاندن و پنهان ساختن جزئیات فاقد اهمیت است که بر پیچیدگی فائق می آییم و می توانیم بر روی بخش هایی از مسئله متمرکز شویم که مهمتر است. تلاش اصلی در واقع، ایجاد و دستیابی به لایه ها و ترازهای بالاتر از هوشمندی تجرید را نشانه می رود، تا آنجا که، سرانجام برنامه های کامپیوتری درست در همان سطحی کار خواهند کرد که خود انسانها رسیده اند.

به یاری پژوهش های گسترده دانشمندان علوم مرتبط، هوش مصنوعی تاکنون راه بسیاری پیموده است. در این راستا، تحقیقاتی که بر روی توانایی آموختن زبان ها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این دانش کمک زیادی کرده است. یکی از اهداف متخصصین، تولید ماشین هایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند.

این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند. برای نمونه رباتی هوشمند که بتواند اعضای بدن خود را به حرکت درآورد، این ربات نسبت به این حرکت خود آگاه بوده و با آزمون و خطا، دامنه حرکت خود را گسترش میدهد و با هر حرکت موفقیت آمیز یا اشتباه، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته و یا حتی میدود و یا به روشی برای جابجا شدن دست می یابد، که سازندگانش برای او متصور نبوده اند. 

هر چند نمونه بالا ممکن است کمی آرمانی به نگر برسد، ولی به هیچ عنوان دور از دسترس نمیباشد. دانشمندان، عموماً برای تولید چنین ماشین هایی، از وجود مدل های زندهای که در طبیعت وجود، به ویژه آدمی نیز سود برده اند. هوش مصنوعی اکنون در خدمت توسعه علوم رایانه نیز میباشد. زبان های برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن ساخته اند، پایگاه داده های پیشرفته، موتورهای جستجو، و بسیاری نرم افزارها و ماشین ها از نتایج پژوهش هایی در راستای هوش مصنوعی بوده اند.

تاریخچه:

هوش مصنوعی علمی است جوان با قدمتی کمی بیش از نیم قرن. مباحث هوش مصنوعی پیش از بوجود آمدن علوم الکترونیک، توسط فلاسفه و ریاضی دانانی نظیر بول (Boole) که اقدام به ارائه قوانین و نظریه هایی در باب منطق نمودند، مطرح شده بود. در سال ۱۹۴۳ با اختراع رایانه های الکترونیکی، هوش مصنوعی، دانشمندان را به چالشی بزرگ فراخواند.

به نظر میرسید، فناوری در نهایت قادر به شبیه سازی رفتارهای هوشمندانه خواهد بود. با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با دیده تردید به کارآمدی آن می نگریستند تنها پس از چهار دهه، شاهد تولد ماشین های شطرنج باز و دیگر سامانه های هوشمند در صنایع گوناگون هستیم.

نام هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید. البته فعالیت در زمینه این علم از سال ۱۹۶۰ میلادی شروع شده بود. بیش از نیم قرن پیش، هنگامی که هنوز هیچ تراشه سیلیکونی ساخته نشده بود، آلن تورینگ یکی از بحث برانگیزترین پرسش های فلسفی تاریخ را پرسید. او گفت: آیا ماشین میتواند فکر کند؟ و اندکی بعد کوشید به پیروی از این قاعده که هر ادعای علمی باید از بوته آزمایش سربلند بیرون بیاید، پرسش فلسفی خود را با یک آزمایش ساده و در عین حال پیچیده جایگزین کند. او پرسید: آیا یک ماشین یک کامپیوتر می تواند بازی تقلید را با موفقیت پشت سر بگذارد؟ آیا ماشین میتواند از انسان چنان تقلید کند که در یک آزمون محاوره ای نتوانیم تفاوت انسان و ماشین را تشخیص دهیم؟ او در سال ۱۹۵۰ براساس محاسباتی تخمین زد که ۵۰ سال بعد کامپیوتری با یک میلیارد بیت حافظه خواهد توانست به موفقیت هایی در این زمینه دست پیدا کند.

اکنون که در نیمه سال ۲۰۰۸ میلادی هستیم، حتی هشت سال بیشتر از زمانی که او لازم دانسته بود، هنوز هیچ ماشینی نتوانسته است از بوته آزمون تورینگ با موفقیت خارج شود. در سال ۲۰۰۰ مفهوم هوش مصنوعی برای هیچکس غیر قابل باور نبود. یکی از جالب ترین و هیجان انگیزترین پرسش هایی که تاکنون تاریخ فلسفه به خود دیده این پرسش است که آلن تورینگ فیلسوف و ریاضیدان انگلیسی در سال ۱۹۵۰ طی مقاله ای به نام: Computing Intelligence and Machinery (ماشین محاسباتی و هوشمند) مطرح کرد او پرسید آیا ماشین میتواند فکر کند. خود تورینگ نتوانست پاسخ قطعی این پرسش را پیدا کند. اما برای یافتن پاسخ مناسب در آینده یک راهبرد خلاقانه پیشنهاد کرد.

او آزمونی طراحی کرد که خود، آن را بازی تقلید نامید. او آزمون بازی تقلید را چنین شرح داد: یک پرسشگر، یک انسان، همزمان در حال گفتگو با دو نفر است. هر یک از این دو نفر در اتاق های جداگانه قرار گرفته اند و پرسشگر نمیتواند هیچ یک از آنها را ببیند یکی از این دو نفر انسان است و دیگری یک ماشین یعنی یک کامپیوتر. پرسشگر باید با این دو نفر شروع به گفتگو کند و بکوشد بفهمد کدامیک از این دو، انسان است و کدام یک ماشین.

اگر کامپیوتر بتواند طوری جواب دهد که پرسشگر نتواند انسان را از ماشین تمیز دهد آنگاه می توان ادعا کرد که این ماشین هوشمند است. تورینگ برای آسان کردن شرایط این آزمون و پرهیز از پیچیدگی های اضافی آن را به محاوره ای متنی و روی کاغذ محدود کرد تا مجبور به درگیر شدن با مسائل انحرافی مانند تبدیل متن به گفتار شفاهی و تنظیم تن صدا و لهجه نباشیم.

البته چند سال بعد، در سال ۱۹۶۸ آرتور سرکالرک، در رمان معروف خود، یعنی اودیسه فضایی ۲۰۰۱ اصطلاح “آزمون تورینگ” را به جای “بازی تقلید” سر زبان ها انداخت. از زمانی که تورینگ این فرضیه را مطرح کرده است، هزاران دانشمند با هدف ساختن ماشینی که بتواند آزمون تورینگ را با موفقیت تمام کند، دست به کار شده اند. اما هنوز کسی موفق نشده است چنین ماشینی بسازد و پیشبینی تورینگ هم درست از آب در نیامده است.

 او همچنین بر اساس یک سری محاسبات پیشبینی کرد که ۵۰ سال بعد یعنی در سال ۲۰۰۰ انسان قادر خواهد بود کامپیوترهایی بسازد که در یک گفتگوی پنج دقیقه ای، فقط ۷۰ درصد پرسشگرها بتوانند کشف کنند که در حال گفتگو با یک انسان هستند یا یک ماشین. او برخورداری از یک میلیارد بیت حافظه (۱۲۵ میلیون بایت- حدود ۱۲۰ مگابایت) را یکی از مشخصه های اصلی این کامپیوتر دانست.

تورینگ همچنین در این مقاله یک سری استدلال های مخالف با نظریه و آزمون خود را مطرح کرد و کوشید به آنها پاسخ دهد، تصور اینکه ماشین های هوشمندی ساخته شوند که بتوانند فکر کنند وحشتناک است. تورینگ در پاسخ میگوید این نکته های انحرافی است، زیرا بحث اصلی او بایدها و نبایدها نیست بلکه بحث درباره ممکن ها است.

دیگر اینکه، ادعا میشود محدودیت هایی درباره نوع پرسش هایی که میتوان از کامپیوتر پرسید وجود دارد، زیرا کامپیوتر از منطق خاصی پیروی میکند. اما تورینگ در پاسخ میگوید: خود انسان هنگام گفتگو پرغلط ظاهر میشود و نمیتوان گفتار هر انسانی را لزوما منطقی کرد. او پیشبینی کرد که منشأ اصلی هوشمندی ماشین فرضی او، حافظه بسیار زیاد و سریعی است که یک کامپیوتر میتواند داشته باشد.

بنابراین از نگاه تورینگ، ماشین همچون کامپیوتر Deep Blue که کاسپاروف، قهرمان شطرنج را شکست داد، میتواند یک ماشین هوشمند تلقی شود. در عین حال تورینگ این نظر را که – آزمون مورد بحث معتبر نیست، زیرا انسان دارای احساسات است و مثال موسیقی دراماتیک میسازد – رد کرد و گفت: هنوز هیچ سند قابل قبولی وجود ندارد که ثابت کند فقط ما انسان ها دارای احساسات هستیم، زیرا مشخص نیست مفهوم دقیق این واژه به لحاظ علمی چیست.

در سال ۱۹۵۶ جان مک کارتی، یکی از نظریه پردازان پیشگام این نظریه در آن زمان، اصطلاح (هوش مصنوعی) را برای اولین بار در نخستین کنفرانسی که به این موضوع اختصاص یافته بود، به کار برد. دانشمندان بعدا این تاریخ را به عنوان تاریخ تولد علم هوش مصنوعی انتخاب کردند. البته علاقه مندی مک کارتی به مقوله هوش مصنوعی به قبل از این دوران برمیگردد. وی در سال ۱۹۴۸ از کارهای جان فون نویمان (پدر منطق کامپیوترهای امروزی) مطلع میشود به آن علاقمند میگردد.

این نظریه نقش موثری در پیشبرد جنبه های نظری و علمی هوش مصنوعی داشت. ولیکن آنچه وی به آن می اندیشید آن بود که میتوان یافت های فون نویمان را به نحوی به کار بست که بتوان هوش انسانی را روی ماشین شبیه سازی نمود. او در اواسط دهه پنجاه میلادی با کمک مالی بنیاد راکفلر، کار روی شبیه سازی هوش انسانی را آغاز کرد و بدین ترتیب هوش مصنوعی زاده شد.

در سال، ۱۹۵۶ مک کارتی با همکاری کلود شانون و ماروین مینسکی یک کارگاه آموزشی را با موضوع هوش مصنوعی برگزار میکند و این موضوع را در آنجا مطرح مینماید. پس از آنکه موضوع هوش مصنوعی بطور جدی مطرح می گردد، مک کارتی کار روی بازی های هوشمندانه ماشینی را آغاز میکند و از حاصل این کار، زبان LISP پدیدار می گردد، زبانی برای توصیف خواسته های هوشمندانه از ماشین. این زبان در سال ۱۹۵۸ در دانشگاه MIT توسعه داده شد.

مک کارتی در آن زمان معتقد بود که میتوان کاری کرد که ماشین نیز هوشی همانند هوش انسانی داشته باشد و LISP زبانی است که میتواند این هوش را توصیف کند. زبان LISP به جای آنکه از منطق ریاضی و کار روی اعداد استفاده کند، علامات و سمبل ها را به اشیاء تغییر میدهد، یعنی از تعدادی لیست برای توصیف منطق کاری برنامه بهره می برد و در نهایت، خروجی این زبان تعدادی جمله یا عبارت توصیفی خواهد بود.

البته امروزه هم از شکل های تازه تری از زبان LISP در سیستم های خبره (Expert) و برنامه های پردازش زبان طبیعی (NLP) استفاده می شود. این زبان به قدری سطح بالا بود که تازه در اواخر دهه هشتاد میلادی کامپیوترهایی پدید آمدند که توان کامل پردازش دستورات این زبان را داشتند.

همه کسانی که نخستین گام  ها را در راه معرفی هوش مصنوعی برداشتند، یک هدف را در سرداشتند و آن رساندن سطح هوش ماشینی به سطح هوش انسانی بود. اما امروزه میدانیم که مطالعه در زمینه هوش و درک عملکرد آن، بسیار پیچیده و دشوار است. اکنون موضوع هوش را میتوان از دو جنبه بررسی نمود.

جنبه نخست آن است که آگاهی از جهان اطراف چگونه به دست می آید و چگونه میتوان از یافته ها، و حقایق نتیجه گیری هوشمندانه نمود. یک سیستم هوشمند نیازمند دریافت دانسته ها، تئوری هایی تخمینی و غیرمشخص از اطراف است. ولیکن از چیزهایی که به طور دقیق و نامشخص تعریف شدهاند، بایستی نتایج دقیقی استنتاج گردد. جنبه دیگر این بررسی، حالت کشف و شهود هوشمندانه است. یعنی باید به طریقه کشف و شهود، راهی به سمت مقصد یافت که این راه از میان هزاران راه ممکن و غیرممکن بایستی انتخاب گردد. این موضوعات هنوز هم مشغولی های مک کارتی هستند و راه حل های دقیقی برای حل آنها یافت نشده است.

هوش مصنوعی چیست؟ 

هوش مصنوعی (Intelligence Artificial) را باید عرصه پهناور تلاقی و ملاقات بسیاری از دانش ها، علوم، و فنون قدیم و جدید دانست. ریشه ها و ایده های اصلی آن را باید در فلسفه، زبان شناسی، ریاضیات، روانشناسی، نورولوژی، و فیزیولوژی نشان گرفت و شاخه ها، فروع، و کاربردهای گونه گونه و فراوان آن را در علوم رایانه، علوم مهندسی، علوم زیست شناسی و پزشکی، علوم ارتباطات و زمینه های بسیار دیگر.

هوش مصنوعی را به عنوان کوشش هایی در پی ساختن رایانه های نظام مند (سخت افزار و نرم افزار) که رفتاری شبیه انسان داشته باشند، بیان می کنند. یک سیستم هوش مصنوعی به راستی نه مصنوعی است و نه هوشمند بلکه دستگاهی است هدف گرا که مسائل را به روش مصنوعی حل می کند، این سیستم ها بر پایه دانش، تجربه و الگوهای استدلالی انسان به وجود آمده اند.

هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند فکر کند. اما برای دسته بندی و تعریف ماشینهای متفکر، می بایست به تعریف هوش پرداخت. همچنین به تعاریفی برای آگاهی و درک نیز نیازمندیم و در نهایت به معیاری برای سنجش هوش یک ماشین نیازمندیم. هنوز تعریف دقیقی که مورد قبول همه دانشمندان این علم باشد برای هوش مصنوعی ارائه نشده است، و این امر، به هیچ وجه مایه تعجب نیست.

چرا که مقوله مادر و اساسی تر از آن، یعنی خود هوش هم هنوز بطور همه جانبه و فراگیر تن به تعریف نداده است. در واقع، میتوان نسل هایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سؤال عمده نموده اند که: هوش چیست؟ 

اما اکثر تعریف هایی که در این زمینه ارائه شده اند بر پایه یکی از چهار باور زیر قرار میگیرند: 

• سیستم هایی که به طور منطقی فکر میکنند 
• سیستم هایی که به طور منطقی عمل میکنند
• سیستم هایی که مانند انسان فکر میکنند 
• سیستم هایی که مانند انسان عمل میکنند

شاید بتوان هوش مصنوعی را این گونه توصیف کرد: هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را میتوان وادار به کارهایی کرد که در حال حاضر انسانها آنها رابهتر انجام میدهند. تعریف دیگری که از هوش مصنوعی میتوان ارائه داد به قرار زیر است: هوش مصنوعی، شاخه ایست از علم کامپیوتر که ملزومات محاسباتی اعمالی همچون ادراک (Perception)، استدلال (Reasoning) و یادگیری (Learning) را بررسی کرده و سیستمی جهت انجام چنین اعمالی ارائه میدهد. و در نهایت تعریف سوم هوش مصنوعی از قرار زیر است: هوش مصنوعی، مطالعه روشهایی است برای تبدیل کامپیوتر به ماشینی که بتواند اعمال انجام شده توسط انسان را انجام دهد.

بطور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات ,استقرا و تحلیل تجربیات به منظور رسیدن به دانش و یا ارائه تصمیم میباشد. در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسائل دریافت شده تلقی میشود. هوش مصنوعی علم و مهندسی ایجاد ماشین هایی با هوش با به کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی و نهایتا دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی میباشد.

در مقایسه هوش مصنوعی با هوش انسانی می توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسائل در جهت قضاوت و اخذ تصمیم میباشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هایی از قبل تعبیه شده بر روی کامپیوتر میباشد. در نتیجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوش های مصنوعی نبوده ایم.

روش شناسی (Methodology) هوش مصنوعی هنوز به عنوان یک نقطه ضعف مورد انتقاد بسیاری از صاحب نظران است، از نظر برخی از آنان این ضعف یک شکل تکاملی است که به تاریخچه کوتاه علم رایانه مربوط است. روش های هوش مصنوعی روش هایی هستند که به درد مسائلی می خورند که به خوبی تعریف شده اند، به طور مثال بسیاری از مسائل محاسباتی معمولی از محاسبات فیزیک گرفته تا محاسبه حقوق و دستمزد از این دسته مسائل هستند که برای آنها الگوریتم مشخصی وجود دارد و نیازی به جستجو برای یافتن حل مسأله نیست. دانشمندان هوش مصنوعی و به طور کلی دانشمندان رشته های مختلف؛ اکنون مایلند با مدل هایی کار کنند که آنها را “مدل مؤلف” می نامند.

آنها به دنبال ساخت ماشینی مقلد هستند، که بتواند با شبیه سازی رفتارهای میلیون ها یاخته مغز انسان، همچون یک موجود متفکر به اندیشیدن بپردازد. در بسیاری از موارد، با پوشاندن و پنهان ساختن جزئیّات فاقد اهمیت است که بر پیچیدگی فائق می آییم، و می توانیم بر روی بخش هایی از مسئله متمرکز شویم که مهمتر است.

تلاش اصلی، در واقع، ایجاد و دستیابی به لایه ها و ترازهای بالاتر است، تا آنجا که، سرانجام برنامه های کامپیوتری درست در همان سطحی کار خواهند کرد که خود انسان ها به کار مشغولند. به یاری پژوهش های گسترده دانشمندان علوم مرتبط، هوش مصنوعی از آغاز پیدایش تاکنون راه بسیاری پیموده است.

در این راستا، تحقیقاتی که بر روی توانایی آموختن زبان ها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این علم، یاری کرده است. یکی از اهداف متخصصین، تولید ماشین هایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند.

برای نمونه به رباتی هوشمند بیندیشید که بتواند اعضای بدن خود را به حرکت درآورد، او نسبت به این حرکت خود آگاه بوده و با سعی و خطا، دامنه حرکت خود را گسترش میدهد، و با هر حرکت موفقیت آمیز یا اشتباه، دامنه تجربیات خود را وسعت بخشیده و سرانجام راه رفته و یا حتی میدود و یا به روشی برای جابجا شدن، دست می یابد، که سازندگانش، برای او، متصور نبوده اند.

هر چند مثال ما در تولید ماشین های هوشمند، کمی آرمانی است، ولی به هیچ عنوان دور از دسترس نیست. دانشمندان، عموماً برای تولید چنین ماشین هایی، از تنها مدلی که در طبیعت وجود دارد، یعنی توانایی یادگیری در موجودات زنده بخصوص انسان، بهره می برند. هوش مصنوعی که همواره هدف نهایی دانش رایانه بوده است، اکنون در خدمت توسعه علوم رایانه نیز است. زبان های برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن میسازند، پایگاه دادهای پیشرفته، موتورهای جستجو، و بسیاری نرم افزار ها و ماشین ها از نتایج پژوهش های هوش مصنوعی بهره می برند.

سیستمی که عاقلانه فکر کند. سامانه ای عاقل است که بتواند کارها را درست انجام دهد. در تولید این سیستم ها نحوه اندیشیدن انسان مد نظر نیست. این سیستم ها متکی به قوانین و منطقی هستند که پایه تفکر آنها را تشکیل داده و آنها را قادر به استنتاج و تصمیم گیری مینماید. آنها با وجودی که مانند انسان نمی اندیشند، تصمیماتی عاقلانه گرفته و اشتباه نمیکنند. این ماشین ها لزوما درکی از احساسات ندارند. هم اکنون از این سیستم ها در تولید عامل ها در نرم افزارهای رایانه ای، بهره گیری میشود. عامل تنها مشاهده کرده و سپس عمل میکند.

چالش های بنیادین هوش مصنوعی:

البته امروزه هوش مصنوعی به واقعیت نزدیک شده است و تقریباً میتوان گفت وجود دارد، اما دلیل اساسی متعددی وجود دارند که نشان میدهند چرا هنوز شکل تکامل یافته هوشی که تورینگ تصور می کرد، به وقوع پیوسته است. به طور کلی خود نظریه تورینگ مخالفانی جدی دارد. بعضی از این منتقدانً اصلا هوش ماشینی را قبول ندارند و برخی دیگر صرفاً کارآمدی آزمون تورینگ را برای اثبات هوشمندی زیر سوال میبرند.

یکی از مهمترین مباحث مطرح در این زمینه، موضوع شبیه سازی است. غالباً پرسیده میشود آیا صرف اینکه ماشینی بتواند نحوه صحبت کردن انسان را شبیه سازی کند، به معنی آن است که هوشمند است؟ به عنوان مثال، شاید شما هم درباره رباتهای نرم افزاری که می توانند چت کنند (Chatter Bots) چیزهایی شنیده باشید. این ربات ها از روش های تقلیدی استفاده میکنند و به تعبیری، نمونه مدرن و اینترنتی آزمون تورینگ هستند. مثال ربات ELIZA یکی از این ها است.

این ربات را ژوزف وایزن بام، یکی دیگر از پژوهشگران نامدار این حوزه اختراع کرد. الیزا در برخی مکالمات ساده می تواند طرف مقابل خود را به اشتباه بیندازد. طوری که مخاطب ممکن است فکر کند در حال گپ زدن با یک انسان است. البته الیزا هنوز نتوانسته است آزمون تورینگ را با موفقیت پشت سر بگذارد. با این حال تکنیک های شبیه سازی مورد انتقاد گروهی از دانشمندان است.

یکی از مشهورترین انتقادات در این زمینه را فیلسوفی به نام جان سیرل (John Searle) مطرح کرده است. او معتقد است بحث هوشمندی ماشین های غیر بیولوژیک اساساً بی ربط است و برای اثبات ادعای خود مثالی می آورد که در مباحث تئوریک هوش مصنوعی بحث اتاق چینی نامیده میشود. سیرل ابتدا نقد خود درباره هوش ماشینی را در ۱۹۸۰ مطرح کرد و سپس آن در مقاله کاملتری که در ۱۹۹۰ منتشر کرد، بسط داد.

ماجرای اتاق چینی به این صورت است: فرض کنید داخل اتاقی یک نفر نشسته است و کتابی از قواعد سمبل های زبان چینی در اختیار دارد. برای این فرد عبارات سمبل های چینی روی کاغذ نوشته میشود و از زیر در اتاق به داخل فرستاده میشود. او باید با مراجعه به کتاب قواعد پاسخ مناسب را تهیه کند و روی کاغذ پس بفرستد. اگر فرض کنیم کتاب مرجع مورد نظر به اندازه کافی کامل است، این فرد میتواند بدون اینکه حتی معنی یک نماد از سمبل های زبان چینی را بفهمد، به پرسش ها پاسخ دهد.

آیا میتوان به این ترتیب نتیجه گرفت که پاسخ دهنده هوشمند است؟ استدلال اصلی این منتقد و دیگر منتقدان موضوع شبیه سازی این است که می توان ماشینی ساخت (مثلا یک نرم افزار لغت نامه) که عبارات و اصطلاحات را ترجمه کند. یعنی ماشینی که کلمات و سمبل های ورودی را دریافت و سمبل ها و کلمات خروجی را تولید کند؛ بدون اینکه خود ماشین معنی و مفهوم این سمبل ها را درک کند.

بنابراین آزمون تورینگ حتی در صورت موفقیت نیز می تواند ثابت کند که یک ماشین هوشمند است. ماشین ها بتوانند با دنیای پیرامون خود کنش و واکنش داشته باشند، آنگاه میتوانند فکر کنند. منظور این است که کامپیوترها نیز مانند ما دارای حس بینایی، شنوایی، لامسه و حس های دیگر باشند.

در این صورت، ترکیب همزمان “پاسخ های تقلیدی” با “واکنش مناسب به محیط” یعنی همان “هوشمندی” اتفاقاً کسی مانند جان سیرل نیز تفکرات مشابهی دارد؛ با این تفاوت که به طور خاص و شکل ایده آل کنش و واکنش مورد نیاز را همان تعامل بیولوژیکی میدان. انتقادات دیگری نیز به آزمون تورینگ وارد میشود.

از جمله این که ممکن است یک ماشین هوشمند باشد، ولی نتواند همچون انسان ارتباط برقرار کند. دیگر اینکه، در آزمون تورینگ فرض میشود که انسان مورد آزمایش، یکی از دو نفری که داخل اتاق در بسته به سوالات پاسخ میدهد، به اندازه کافی هوشمند است. در حالی که با ۷ استناد به استدلال خود تورینگ میتوان نتیجه گرفت که خیلی از افراد مانند بچه ها و افراد بیسواد در این آزمون مردود میشوند؛ نه به دلیل هوشمندی ماشین، بلکه به دلیل نداشتن مهارت کافی در ارتباط گیری از طریق مکاتبه.

مسئله دیگری که در بحث هوش مصنوعی اهمیت دارد، موضوع قالب و محتوا است. منظور از قالب یا Context در اینجا، ظرفی است که محتوا داخل آن قرار میگیرد. یکی از پایه های هوشمندی انسان توجهی است که او به قالب محتوا  و نه صرفاً خود محتوا دارد. به عنوان مثال، وقتی میگوییم “شیر”، این کلمه به تنهایی معانی متفاوتی دارد، ولی هنگامی که همین واژه داخل یک جمله قرار میگیرد، فقط یک معنی صحیح دارد.

انسان میتواند معانی کلمات را نه فقط به صورت مجرد، بلکه با دنبال کردن نحوه وابستگیشان به جمله تشخیص دهد. مشابه همین هوشمندی، در تمام حس های پنجگانه انسان وجود دارد. به عنوان مثال، از نظر علمی ثابت شده است که گوش انسان میتواند هنگام توجه به صحبت های یک انسان دیگر در محیطی شلوغ، کلمات و عباراتی را که نمی شنود، خودش تکمیل کند یا چشم انسان میتواند هنگام مشاهده یک تصویر، قسمت های ناواضح آن را با استفاده از دانسته های بصری قبلی خود تکمیل کند.

از این رو کارشناسان معتقدند، دانش پیش زمینه یا ” آرشیو ذهنی” یک موجود هوشمند نقش مؤثری در هوشمندی او بازی میکند. در حقیقت منشأ پیدایش برخی از شاخه های مدرن و جدید دانش هوش مصنوعی همچون “سیستم های خبره” و “شبکه های عصبی” همین موضوع است و اساسا با این هدف پدید آمده اند که بتوانند به ماشین قدرت آموختن و فراگیری بدهند؛ هرچند که هر یک از این شاخه ها، از پارادایم متفاوتی برای آموزش به ماشین استفاده میکنند و همین تفاوت ها مبنا و اساس دو جریان فکری عمده در محافل علمی مرتبط با هوش مصنوعی را پدید آورده اند.

شاخه های علم هوش مصنوعی:

امروزه دانش مدرن هوش مصنوعی به دو دسته اصلی تقسیم میشود: یکی هوش مصنوعی سمبلیک یا نمادین (Symbolic AI) و دیگری هوش غیرسمبلیک که پیوندگرا (Connection AI) نیز نامیده می شود. هوش مصنوعی سمبلیک از رهیافتی مبتنی بر محاسبات آماری پیروی میکند و اغلب تحت عنوان “یادگیری ماشین” یا (Machine Learning) طبقه بندی میشود. هوش سمبلیک میکوشد سیستم و قواعد آن را در قالب سمبل ها بیان کند و با نگاشت اطلاعات به سمبلها و قوانین به حل مسئله بپردازد. در میان معروفترین شاخه های هوش مصنوعی سمبلیک میتوان به سیستم های خبره (Expert Systems) و شبکه های Bayesian اشاره کرد.

یک سیستم خبره میتواند حجم عظیمی از داده ها را پردازش نماید و بر اساس تکنیک های آماری، نتایج دقیقی را تهیه کند. شبکه های Bayesian یک تکنیک محاسباتی برای ایجاد ساختارهای اطلاعاتی و تهیه استنتاج های منطقی از روی اطلاعات است که به کمک روشهای آمار و احتمال به دست آمده اند. بنابراین در هوش سمبلیک، منظور از “یادگیری ماشین” استفاده از الگوریتم های تشخیص الگوها، تحلیل و طبقه بندی اطلاعات است. این گرایش هوش مصنوعی، بیشتر بر مدل سازی شناخت اعمال تأکید دارد و چندان خود را به قابلیت تعمق در بیولوژیک سیستم های ارائه شده مقید نمی کند.

Case Based-Reasoning یکی از گرایش های فعال در این شاخه می باشد. به عنوان مثال روند استدلال توسط یک پزشک هنگام تشخیص یک بیماری کاملا شبیه به CBR می باشد به این ترتیب که پزشک در ذهن خود تعداد بسیاری زیادی از شواهد بیماری های شناخته شده را دارد و تنها باید مشاهدات خود را با نمونه های موجود در ذهن خویش تطبیق داده، شبیه ترین نمونه را به عنوان بیماری بیابد. به این ترتیب مشخصات، نیازمندی ها و توانایی های CBR به عنوان یک چارچوب کلی پژوهش در هوش مصنوعی مورد توجه قرار گرفته است.

اما هوش پیوندگرا متکی بر یک منطق استقرایی است و از راه حل “آموزش و بهبود سیستم از طریق تکرار” بهره میگیرد. این آموزش ها نه بر اساس نتایج و تحلیل های دقیق آماری، بلکه مبتنی بر شیوه آزمون و خطا و یادگیری از راه تجربه است. در هوش مصنوعی پیوندگرا، قواعد از ابتدا در اختیار سیستم قرار نمی گیرد، بلکه سیستم از طریق تجربه، خودش قوانین را استخراج میکند. متدهای ایجاد شبکه های عصبی (Neural Networks) و نیز به کارگیری منطق فازی (Fuzzy Logic) در این دسته قرار میگیرند. 

پیوندگرایی (Connectionism) هوشمندی را تنها حاصل کار موازی و همزمان و در عین حال تعامل تعداد بسیار زیادی اجزای کاملا ساده به هم مرتبط می داند. شبکه های عصبی که از مدل شبکه عصبی ذهن انسان الهام گرفته اند امروزه دارای کاربردهای کاملا علمی و گسترده تکنولوژیک شده اند و کاربرد آن در زمینه های متنوعی مانند سیستم های کنترلی، رباتیک، تشخیص متون، پردازش تصویر،… مورد بررسی قرار گرفته است. علاوه بر این کار بر روی توسعه سیستم های هوشمند با الهام از طبیعت (هوشمندی های غیر از هوشمندی انسان) اکنون از زمینه های کاملا پرطرفدار در هوش مصنوعی است. الگوریتم ژنتیک که با استفاده از ایده تکامل داروینی و انتخاب طبیعی پیشنهاد شده روش بسیار خوبی برای یافتن پاسخ به مسائل بهینه سازی است.

به همین ترتیب روش های دیگری نیز مانند استراتژی های تکاملی نیز (Evolutionary Algorithms) در این زمینه پیشنهاد شده اند. در این زمینه هر گوشه ای از سازوکار طبیعت که پاسخ بهینه ای را برای مسائل یافته است مورد پژوهش قرار میگیرد. زمینه هایی چون سیستم امنیتی بدن انسان (System Immun) که در آن بیشمار الگوی ویروس های مهاجم به صورتی هوشمندانه ذخیره میشوند و یا روش پیدا کردن کوتاه ترین راه به منابع غذا توسط مورچگان (Ant Colony) همگی بیانگر گوشه هایی از هوشمندی بیولوژیک هستند. برای درک بهتر تفاوت میان این دو شیوه به یک مثال توجه کنید. فرض کنید میخواهیم یک سیستم OCR بسازیم. سیستم OCR نرم افزاری است که پس از اسکن کردن یک تکه نوشته روی کاغذ میتواند متن روی آن را استخراج کند و به کاراکترهای متنی تبدیل نماید. بدیهی است که چنین نرم افزاری به نوعی هوشمندی نیاز دارد.

این هوشمندی را از دو طریق متفاوت می توان فراهم کرد. اگر از روش سمبلیک استفاده کنیم، قاعدتاً باید الگوی هندسی تمام حروف و اعداد را در حالت های مختلف در بانک اطلاعاتی سیستم تعریف کنیم و سپس متن اسکن شده را با این الگوها مقایسه کنیم تا بتوانیم متن را استخراج نماییم. در اینجا الگوهای حرفی، عددی یا همان سمبل ها پایه و اساس هوشمندی سیستم را تشکیل میدهند. روش دوم یا متد پیوندگرا این است که یک سیستم هوشمند غیر سمبلیک درست کنیم و متن های متعددی را یک به یک به آن بدهیم تا آرام آرام آموزش ببیند و سیستم را بهینه کند.

در اینجا سیستم هوشمند میتواند مثلا یک شبکه عصبی یا مدل مخفی مارکوف باشد. در این شیوه سمبل ها پایه هوشمندی نیستند، بلکه فعالیت های سلسله اعصاب یک شبکه و چگونگی پیوند میان آنها مبنای هوشمندی را تشکیل میدهند. در طول دهه های ۱۹۶۰ و ۱۹۷۰ به دنبال ابداع اولین برنامه نرم افزاری موفق در گروه سیستم های مبتنی بر دانش (Knowledge-Based) توسط جوئل موزس، سیستم های هوش سمبلیک به یک جریان مهم تبدیل شد. ایده و مدل شبکه های عصبی ابتدا در دهه ۱۹۴۰ توسط Warren McCulloch  و Walter Pitts معرفی شد.

سپس در دهه ۱۹۵۰ کارهای روزنبالت (Rosenblatt) در مورد شبکه های دولایه مورد توجه قرار گرفت. در ۱۹۷۴ الگوریتم Propagation Back توسط Paul Werbos معرفی شد، ولی متدولوژی شبکه های عصبی عمدتاً از دهه ۱۹۸۰ به این سو رشد زیادی پیدا کرد و مورد استقبال دانشمندان قرار گرفت. منطق فازی ابتدا توسط پروفسور لطفی زاده، در ۱۹۶۵ معرفی شد و از آن زمان به بعد توسط خود او و دیگر دانشمندان دنبال شد.

در دهه ۱۹۸۰ تلاش های دانشمندان ژاپنی برای کاربردی کردن منطق فازی به ترویج و معرفی منطق فازی کمک زیادی کرد. مثلا طراحی و شبیه سازی سیستم کنترل فازی برای راه آهن Sendai توسط دو دانشمند به نامه ای Yasunobu و Miyamoto در، ۱۹۸۵ نمایش کاربرد سیستم های کنترل فازی از طریق چند تراشه مبتنی بر منطق فازی در آزمون پاندول معکوس توسط Takeshi Yamakawa در همایش بین المللی پژوهشگران منطق فازی در توکیو در ۱۹۸۷ و نیز استفاده از سیستم های فازی در شبکه مونوریل توکیو و نیز و معرفی سیستم ترمز ABS مبتنی بر کنترلرهای فازی توسط اتومبیل سازی هوندا در همین دهه تاثیر زیادی در توجه مجدد دانشمندان جهان به این حوزه از علم داشت.

البته هنگامی که از گرایش های آینده سخن میگوییم، هرگز نباید از گرایشهای ترکیبی غفلت کنیم. گرایش هایی که خود را به حرکت در چارچوب شناختی یا بیولوژیک یا منطقی محدود نکرده و به ترکیبی از آنها می اندیشند. شاید بتوان پیشبینی کرد که چنین گرایش هایی فرا ساختارهای (Meta–Structure) روانی را براساس عناصر ساده بیولوژیک بنا خواهند کرد.

کاربردهای هوش مصنوعی: 

(EXPERT SYSTEMS) های خبره سیستم در یک تعریف کلی میتوان گفت سیستم های خبره، برنامه های کامپیوتری ای هستند که نحوه تفکر یک متخصص در یک زمینه خاص را شبیه سازی میکنند. در واقع این نرم افزارها، الگوهای منطقی ای را که یک متخصص بر اساس آنها تصمیم گیری میکند، شناسایی می نمایند و سپس بر اساس آن الگوها، مانند انسان ها تصمیم گیری میکنند.

یکی از اهداف هوش مصنوعی، فهم هوش انسانی با شبیه سازی آن توسط برنامه های کامپیوتری است. البته بدیهی است که “هوش” را میتوان به بسیاری از مهارت های مبتنی بر فهم، از جمله توانایی تصمیم گیری، یادگیری و فهم زبان تعمیم داد و از اینرو واژه های کلی محسوب می شود. بیشتر دستاوردهای هوش مصنوعی در زمینه تصمیم گیری و حل مسئله بوده است که اصلی ترین موضوع سیستم های خبره را شامل میشوند.

به آن نوع از برنامه های هوش مصنوعی که به سطحی از خبرگی میرسند که میتوانند به جای یک متخصص در یک زمینه خاص تصمیم گیری کنند، Expert Systems یا سیستم های خبره گفته میشود. این سیستم ها برنامه هایی هستند که پایگاه دانش آنها انباشته از اطلاعاتی است که انسانها هنگام تصمیم گیری درباره یک موضوع خاص، بر اساس آنها تصمیم میگیرند.

روی این موضوع باید تأکید کرد که هیچیک از سیستم های خبره ای که تاکنون طراحی و برنامه نویسی شده اند، همه منظوره نبوده اند و تنها در یک زمینه محدود قادر به شبیه سازی فرآیند تصمیم گیری انسان هستند. به محدوده اطلاعاتی از الگوهای خِبرگی انسان که به یک سیستم خبره منتقل میشود Domain Task گفته میشود.

این محدوده، سطح خبرگی یک سیستم خبره را مشخص میکند و نشان میدهد که آن سیستم خبره برای چه کارهایی طراحی شده است. سیستم خبره با این Task ها یا وظایف میتواند کارهایی چون برنامه ریزی، زمانبندی، و طراحی را در یک حیطه تعریف شده انجام دهد.

به روند ساخت یک سیستم خبره، Engineering Knowledge یا مهندسی دانش گفته میشود. یک مهندس دانش باید اطمینان حاصل کند که سیستم خبره طراحی شده، تمام دانش مورد نیاز برای حل یک مسئله را دارد. طبیعتاً در غیر این صورت، تصمیم های سیستم خبره قابل اطمینان نخواهند بود. 

آیا بشر قادر خواهد بود موجودی هوشمند مانند خود به وجود آورد؟ آیا زمانی فرا خـــواهد رسید که ربات ها به خانه ما رفت و آمد کنند؛ کنار ما بنشینند و با ما به تبادل نظر بپردازند؟ شاید سوالاتی این چنین را بتوان زمینه ساز ظهور دانشی نوین، با عنوان هوش مصنوعی دانست. نخستین جرقه های هوش مصنوعی به سالهای بعد از جنگ جهانی دوم باز می گردد. زمانی که آلن تورینگ در سال ۱۹۵۰ م. آزمایشی مبنی بر این که آیا ماشین قادر است با فرآیندهای مغز انسان رقابت نماید، مطرح کرد.

جالب است بدانید مباحث هوش مصنوعی پیش از بوجود آمدن علوم الکترونیک، توسط فلاسفه و ریاضی دانانی نظیر بول مطرح شده بود که اقدام به ارائه قوانین و نظریه هایی در باب منطق نمودند. هوش مصنوعی، شاخهای از علم کامپیوتر است و در واقع تلفیقی از سه فناوری و گرایش مطرح؛ یعنی شبکه های عصبی، سیستم های استدلال فازی و الگوریتم تکاملی میباشد. در مقایسه هوش مصنوعی با هوش انسانی می توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسایل در جهت قضاوت و اخذ تصمیم میباشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هایی از قبل تعبیه شده بر روی کامپیوتر میباشد 

هدف هوش مصنوعی:

 نزدیک نمودن رفتار و پاسخ یک سیستم کامپیوتری به الگوهایی است که انسان بر اساس آن ها رفتار می کند و پاسخ می دهد. گاه سیستم هایی طراحی می شوند که قدرت تجزیه و تحلیل آن ها از انسان بیشتر است. ولی باز از الگوهای ما استفاده می کنند.

از اهداف متخصصین، تولید ماشین هایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند. 

در مورد شاخه ها و کاربردهای هوش مصنوعی این واقعیتی هست بیشتر افراد با شنیدن عبارت هوش مصنوعی، بیاد ربات های فیلم های علمی – تخیلی و بازی های کامپیوتری و به خصوص شطرنج می افتند. در حالی که هوش مصنوعی در مدت زمان کوتاهی از عمر خود، توانسته است از حد توسعه بازیها به سوی دنیایی از مسائل شگفت آوری همچون سیستم های خبره، بینایی ماشین و… گام بردارد. امروزه ردپایی از هوش مصنوعی را میتوان در علوم مختلفی اعم از پزشکی، علوم هوافضا، اکتشافات، تسلیحات نظامی، پیش بینی وضع هوا، نقشه برداری و شناسایی عوارض، تشخیص صدا، تشخیص گفتار؛ دستخط؛ بازی ها و نرم افزارهای رایانه ای مشاهده کرد. از این رو، متخصصان هوش مصنوعی، با توجه به کاربردهای گوناگون این علم، آن را در شاخه های متنوعی دنبال نموده اند از جمله :

• شبکه های عصبی (Networks Neural) این شبکه ها که با الهام از مدل شبکه عصبی ذهن انسان طراحی می شوند و امروزه کاربردهای فراوان و گستردهای داشته، در زمینه های متنوعی چون سیستم های کنترلی، رباتیک، تشخیص متون، پردازش تصویر و… مورد استفاده قرار میگیرند.
• پردازش زبان طبیعی (Natural Language Processing) در این شاخه، سیستم ها برای فهم زبان انسان برنامه ریزی میشوند. 
• رباتیک (Robotics) این شاخه از هوش مصنوعی سعی دارد ربات ها را طوری برنامه ریزی کند که اعمالی هوشمندانه، چون توانایی دیدن، شنیدن و نشان دادن عکس العمل به محرک های محیطی را انجام دهد. 
• انجام مسابقات (Game Playing) در این شاخه؛ کامپیوترها برای شرکت در مسابقاتی چون شطرنج برنامه ریزی می شوند. که در سال ۱۹۹۷ میلادی کامپیوتر شطرنج باز؛ قهرمان شطرنج جهان را شکست داد. یا نشستن یک ربات بر روی کره مریخ با موفقیت انجام شد. روبوکاپ اولین قدمهای خود را با برپایی مسابقات ربات های فوتبالیست برداشت.با هدف سمبلیک که در سال ۲۰۵۰ م. تیمی متشکل از رباتهای انسان نمای هوشمند بتوانند قهرمان فوتبال جهان را در زمین فوتبال واقعی شکست دهند (ظاهرا ما اون بازی رو نمی بینیم!)

سیستم های خبره

 در این شاخه، کامپیوترها برای تصمیم گیری در شرایط واقعی زندگی برنامه ریزی میشوند. نمونه ای از سیستم های خبره، سیستم های تشخیص بیماری هستند. در این سیستم ها، اطلاعات یک یا چند متخصص به همراه اطلاعات دریافتی از مراجعان به کامپیوتر داده میشود؛ سپس کامپیوتر با پرسش سوالاتی از مراجعه کننده و تطبیق آن با بانک اطلاعاتی خود، بیماری شخص را تشخیص خواهد داد. هر چند این سیستم ها خبره هستند، اما تنها از اطلاعاتی که به آنها داده شده، استفاده میکنند. برای نزدیک شدن به هوشمندی انسان، ماشین بایستی بتواند کارکرد خود را اصلاح نماید. به عبارتی دیگر، ماشین، بایستی دارای قدرت یادگیری باشد.

یادگیری ماشین (Machine Learning) این شاخه به این معناست که ماشین بتواند برنامه، ساختار یا داده هایش را بر اساس ورودی ها یا در پاسخ به اطلاعات خارجی، به نحوی تغییر دهد که رفتارش به آن چه از او انتظار می رود، نزدیکتر شود (یعنی قدرت تجزیه تحلیل داشته).

استراتژی های تکاملی الگوریتم ژنتیک (Evolutionary Algorithms) در این زمینه بیشتر به هوشمندی هایی غیر از هوشمندی انسان پرداخته میشود. در حقیقت این گرایش سعی دارد مسائل بهینه سازی را با کمک روش هایی که در طبیعت انتخاب شده است، حل نماید. به طور مثال، روش یافتن کوتاه ترین راه به منابع غذا، توسط مورچگان، بیانگر گوشه ای از هوشمندی بیولوژیک هستند. 

تشخیص گفتار (Speech Recognition) این گونه سیستم ها معمولا به عنوان ابزارهای بیومتریک و تشخیص هویت با کمک صدا در مکان هایی مثل بانک ها، فرودگاه ها، آزمایشگاه های تحقیقاتی و… برای ایجاد امنیت و کنترل ورود و خروج افراد مورد استفاده قرار میگیرند.

بینایی ماشین (Vision Machine) هدف از بینایی ماشین شبیه سازی، عملکرد سیستم بینایی انسان میباشد. در این شاخه، ردگیری و تعقیب حرکات چشم، یکی از زمینه های خاص و پرطرفدار در میان متخصصان هوش مصنوعی محسوب میشود. مثال هایی از کاربردهای چنین سیستمی مثل: تعقیب حرکات چشم شخصی خاص در میان جمعیت، بررسی افراد مشکوک، تشخیص میزان هوشیاری رانندگان با توجه به وضعیت و حالات چشم وی، ایجاد ارتباط معلولین جسمی با کامپیوتر از طریق فرامین چشمی؛ ایجاد نظم در ترافیک جادهای و کنترل نامحسوس

کاربردهای هوش مصنوعی در کشاورزی

استفاده برای استخراج اطلاعات کشاورزی و نقشه های سطح زمین، وضعیت آبی و زراعی زمین، وضعیت جنگلها و مراتع و … خودکار سازی سیستم های ماشینی کاشت، داشت، برداشت و عرضه محصول و کنترل کیفیت آن نظیر سیستم های خودکار برداشت و بسته بندی چای و… کاربردهای هوش مصنوعی در صنعت کلیه سیستم های خودکار جهت برش قطعات مختلف، سرهم کردن و فیکس کردن قطعات داخل هم، اتصال آنها به هم. سیستم کنترل کوره ها، ربات های مختلفی که در برشکاری ورق، اتصال و جوشکاری استفاده می شود و همچنین سیستم های هوشمند بینایی که در کنترل کیفیت انواع محصولات بکار می رود نام برد.

کاربردهای هوش مصنوعی در بازی ها

در بازی های کامپیوتری دو نوع هوش بیشتر از همه استفاده می شوند که به صورت خلاصه عبارتند از:

هوش مصنوعی رویدادگرا: از معمول ترین نوع هوش مصنوعی است. رویداد می تواند شامل هر چیزی اعم از اتفاقات بازی تا دستوراتی باشد که کاربر به شخصیت مجازی خود می دهد. براساس هر رویدادی که در بازی انجام می شود، یک واکنش هوشمندانه نیز روی می دهد. در بازی کانتر دشمن شما نسبت به صدا حساس است و صدای دویدن شما را هم می شنود. از این رو بسته به موقعیت خود، یا به آهستگی پنهان می شود، یا برمی گردد و از راه دیگری به سوی شما می آید یا به سوی شما می آید و شلیک می کند.

هوش مصنوعی هدف گرا: از رویدادگرا مستقل است. ولی هوش مصنوعی رویدادگرا می تواند در طراحی یک بازی، هدف های موتور هوش مصنوعی هدف گرا را تامین کند. در این نوع هوش مصنوعی، هدف با ارزش بیشتر را انتخاب می کنه و آن را با تقسیم به زیر هدف های کوچک تر، پردازش می کند از نظر کاربرد هوش مصنوعی در بازی دو نوع وجود دارد: بازیهای کلاسیک: شطرنج، مار، پازل و … بازی های مدرن: سیمز ۲، کانتر، جی تی ای، مکس پین و … در این گروه از بازی ها موفقیت های چشمگیری بدست آمده است.

برای نمونه در بازی سیمز ۲ شخصیت های بازی نیازهای اولیه گرسنگی و تشنگی را دارند و اگر در طول بازی به آنها غذا نرسد می میرند … انتخاب سطح هوشمندی در بازی فوتبال؛ ضربات در چارچوب، پاس؛ هوشمندی گلر. در نتیجه روند نزدیکی هوش مصنوعی و بازی باعث شده است که بازیکنان خود را جزئی از بازی بدانند. از این رو تولیدکنندگان برنامه های بازی تلاش می کنند دیوار بین بازیکن و برنامه بازی کوتاه تر شود به طوری که بازیکن خود را در قالب یکی از شخصیت بازی بداند. در مورد تازه های هوش مصنوعی اگر سری به صفحات اینترنتی اخبار تکنولوژی بزنیم، متوجه انبوهی از محصولات جدید هوشمند خواهیم شد. نمونه های زیر، تنها گوشه ای از کاربردهای هوش مصنوعی در صنایع مختلف می باشد.

لباس های هوشمند با توسعه نانوتکنولوژی و استفاده از مواد مولکولی سبک، امکان ساخت لباس های هوشمند فراهم شده است. این گونه لباس ها: قابلیت تغییر رنگ جهت استتار در محیط های مختلف را داشته، شخص را در برابر سلاح های بیولوژیکی و شیمیایی محافظت میکنند. امکان مجهز نمودن این گونه لباس ها به تجهیزات مخابراتی، انتقال علائم حیاتی جهت درمان از راه دور در مناطق جنگی و یا آسیب دیده، از دیگر مزایای این لباس ها به شمار می آیند. همچنین در صورت بروز حادثه برای کاربر، پیامی به تلفن همراه یا پست الکترونیکی مشخصی ارسال میگردد. 

آجر و ساختمان های هوشمند ساختمان های هوشمند این قابلیت را دارند که با تغییر شرایط محیطی، نسبت به تغییرات، عکس العمل نشان داده، امنیت و آرامش را برای ساکنان خانه فراهم نمایند. یک ساختمان هوشمند، دارای سیستم های اتوماتیک گرمایشی، تهویه مطبوع، اعلام حریق، آتشنشانی، سیستم های امنیتی، مدیریت انرژی و سیستم های روشنایی خودکار میباشد. آجرهای هوشمند که مانند آجرهای معمولی در ساختمان ها به کار میروند، مجهز به حسگرهای الکترونیکی هستند که با اتصال به یک سیستم کامپیوتری، دما، لرزش و حرکت ساختمان را کنترل میکنند و سبب ایمن تر شدن ساختمان میشوند. به کارگیری چند آجر در محل های مختلف یک ساختمان، می تواند به صورت یک شبکه عمل کرده، تصویری کلی از ثبات ساختمان ارائه دهد. کیف هوشمند به کمک یک سنسور یا حسگر، به یادآوری محتویات درون کیف پرداخته، از گم شدن اشیای داخل کیف جلوگیری میکند.

شیر آب هوشمند به محض نزدیک شدن دست یا هر جسم دیگری در محدوده دید حسگر دستگاه، سبب جاری شدن آب میشود. شیر مذکور، به محض خروج دست از محدوده دید، آب را قطع میکند. سیستم های حمل و نقل هوشمند به معنی استفاده و به کارگیری تکنولوژی های نوین، همچون الکترونیک، ارتباطات و سیستم های کنترلی است. کاربردهای این گونه سیستم ها عبارتند از: راهنمای الکترونیکی مسیر، کنترل ترافیک شهری، سیستم های اعلام خطر، تنظیم چراغ های راهنما، شناسایی موقعیت تصادف و در نهایت پردازش اطلاعات مربوط به جابجایی کالا و مسافر و … تسلیحات نظامی هوشمند نقش انسان در لحظات بحرانی جنگ، بسیار کمرنگ تر از گذشته شده است؛ به طوری که جنگ های امروزی در حقیقت نبرد کامپیوترهای ما با کامپیوترهای دشمن خواهد بود.

سیستم های شلیک بعد از هشدار کامپیوتر، حضور ماشین هایی با قابلیت های انسانی، مانند بینایی، خلبان اتوماتیک، استفاده از انواع ربات ها جهت شناسایی، تخریب و پاکسازی مناطق جنگی و،… تنها نمونه هایی از کاربردهای نظامی هوش مصنوعی محسوب می گردند. میکرو ربات های جراح که همراه با نوشیدن آب و از راه دهان به درون بدن انسان فرستاده می شوند، با کمک کنترل از راه دور، به کاوش در محیط بدن پرداخته، عکس برداری و انجام عمل جراحی را امکان پذیر می سازد، استفاده از برچسب های هوشمند برای ردیابی زندانیان، سیستم های هوشمند اعلام زمان مصرف دارو، کارت های شناسایی هوشمند و تراشه های هوشمند با ابعاد نصف یک دانه شن که در زیر پوست قرار میگیرند و جایگزینی برای کارت های اعتباری خواهند بود و،… نمونه های دیگری از کاربردهای وسایل هوشمند هستند. هدف نهایی هوش مصنوعی، ساخت نوعی انسان مصنوعی است و در حقیقت، ساخت برنامه نرم افزاری که بتواند مانند انسان فکر کند. چنین ماشینی با ترکیب تکنیک های استنباطی پیشرفته و استفاده از توانایی تحلیلگران، مهندسان، سیاستمداران، تصمیم گیرنده های شرایط بحرانی و سایر دانشمندان و بر پایه حجم عظیمی از منابع اطلاعاتی، میتواند بهترین تصمیم را در شرایط بحرانی اتخاذ نماید.

تعریف هوش مصنوعی

• هوش مصنوعی تکنیکی برای خلق کردن ماشین هایی است که قادر به فکر کردن بدون نیاز به انسان ها می باشد. هوش مصنوعی بطور خالصه ترکیبی از علوم کامپیوتر، فیزیولوژی و فلسفه است. این شاخه از علوم بسیار گسترده و متنوع است و از موضوعات و رشته های مختلف علوم و فناوری، مانند مکانیزم ساده در ماشین ها شروع شده و به سیستم های بسیار خبره ختم میشود. هدف هوش مصنوعی به طور کلی ساخت ماشینی است که بتواند فکر کند. می توانیم از زوایای مختلف بررسی کنیم: 
• مطالعه، بررسی و نحوه شبیه سازی هوش مصنوعی به کارهایی که انسان درآن ماهر تر از سیستم هاست. 
• بخشی از علم کامپیوتر که مربوط به طراحی سیستم های هوشمند کامپیوتری است. این سیستم ها از موجودات هوشمند از جمله انسان الگو برداری شده اند. 
• مجموعه از مفاهیم فکری و یا راه حلی برای مشکلات با روشی خاص 
• آنچه هوش مصنوعی را از سایر علوم کامپیوتری و مهندسی متمایز می کند روش اکتشافی حل مسائل و مشکلات است.

کاربرد های هوش مصنوعی 

هوش مصنوعی تنها به ربات ها، بازی شطرنج، فیلم های تخیلی و … محدود نمی شود بلکه امروزه توانسته در مسائل بسیاری همچون پردازش زبان طبیعی، سیستم های خبره، سیستم های عصبی، بینایی ماشین و … گام بردارد و موفقیت های بسیاری کسب کند. امروزه در هر علمی می توان رد پایی از هوش مصنوعی و کاربرد های آن پیدا کرد. از جمله پزشکی، هوا فضا، تسلیحات نظامی، تشخیص صدا و گفتار و … بسیاری از علوم مختلف دیگر. حال نمونه های از کاربرد هوش مصنوعی را در علوم دیگر بررسی میکنیم: 

شبکه های عصبی (NEURAL NETWORKING)

این شبکه ها از طریق الگو سازی بر اساس ذهن انسان انجام می شوند و در زمینه های متفاوتی چون پردازش تصویر,تشخیص متون، سیستم های کنترلی,رباتیک و غیره استفاده می شود. 

پردازش زبان طبیعی (NATURAL LANGUAGE PROCESSING)

در این محدوده بر روی سیستم ها برای فهم زبان انسان برنامه ریزی می کنند. 

رباتیک (ROBOTICS) 

کار متخصصان هوش مصنوعی در حیطه رباتیک، طراحی ربات های هوشمندی است که دارای قابلیت های دیدن، شنیدن، عکس العمل نشان دادن به محرک های محیطی باشند. 

انجام مسابقات (GAME PLAYING) 

در این شاخه سیستم های کامپیوتری برای شرکت در مسابقاتی مانند شطرنج یا فوتبال … آماده می شوند. سیستم های خبره در این شاخه سیستم ها برای تصمیم گیری در شرایط شبیه به زندگی ما طراحی می شوند. برای مثال می توان از سیستم های تشخیص بیماری نام برد. در این سیستم ها اطلاعات چند متخصص به همراه اطلاعات و وضعیت مراجع کننده به سیستم داده می شود، سپس کامپیوتر با پرسش سوالاتی از مراجعه کننده و رفع ابهام در اطلاعات ورودی خود، وضعیت بیمار را با اطلاعات ذخیره شده تطبیق میدهد و بیماری فرد را تشخیص می دهد. هر چند این سیستم ها خبره هستند اما تنها از اطلاعاتی که متخصص به آنها داده است استفاده می کنند.

یادگیری ماشین (MACHINE LEARNING)

برای نزدیک شدن ماشین به هوشمندی انسان، ماشین باید داری قدرت یادگیری باشد و بتواند کارکرد خود را اصلاح کند و قابلیت خود را بالا ببرد. به عبارت دیگر ماشین باید بتواند برنامه، ساختار و یا داده هایش را بر اساس ورودی ها و یا در پاسخ به اطلاعات خروجی به نحو مناسبی تغییر دهد و یا به عبارت دیگر دارای قدرت تجزیه و تحلیل باشد. 

استراتژی تکاملی الگوریتم ژنتیک (EVOLUTIONARY ALGORITHMS)

در این زمینه بیشتر به هوشمندی هایی غیر از هوشمندی انسان توجه می شود. در واقع این گرایش سعی دارد مسایل بهینه سازی را با استفاده از روش های موجود در طبیعت حل کند. برای مثال روش دستیابی به از طریق کوتاه ترین راه توسط مورچه ها، نمونه از هوشمندی بیولوژیک است.

تشخیص گفتار (SPEECH RECOGNITION)

اینگونه سیستم ها معمولا به عنوان ابزارهای بیومتریک و تشخیص هویت از طریق صدا در مکان هایی مثل فرودگاه، آزمایشگاه ها و .. استفاده میشود. همچنین برای ایجاد امنیت و کنترل ورود و خروج هم می توان از آن استفاده کرد.

 بینایی ماشین (MACHINE VISION) 

هدف این شاخه شبیه سازی سیستم بینایی انسان است. در این حیطه ردگیری و تعقیب حرکات چشم یکی از موارد جذاب و پرطرفدار در بین متخصصان هوش مصنوعی است. در مورد مثال های دیگر از بینایی ماشین میتوان به موارد ذیل اشاره کرد: تعقیب حرکات شخصی خاص در بین جمعیت، بررسی افراد مشکوک از طریق حرکات چشم، ایجاد ارتباط بین معلولین جسمی و حرکتی از طریق فرامین چشمی و حرکت های چشم با کامپیوتر، کنترل نامحسوس و ایجاد نظم در ترافیک ها جاده ای.

هدف هوش مصنوعی:

از هدف های هوش مصنوعی می توان به نزدیک نمودن رفتار و پاسخ یک سیستم کامپیوتری به الگو ها و رفتار های انسان اشاره کرد.گاه سیستم هایی طراحی می شوند که قدرت تجزیه و تحلیل قوی تری از ما دارند اما باز هم بر اساس الگوی های رفتاری ما انسان ها رفتار می کنند و یا می توان گفت هوش مصنوعی ساخت انسان مصنوعی است و به عبارت دیگر ساخت برنامه ای هوشمند است که بتواند همانند انسان فکر کند.

این روزها هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و اصطلاحاتی این چنین در خالل اخبار دنیای فناوری بسیار به گوش میرسند، چرا که بسیاری از کمپانی های رده بالا و پیشتاز در دنیای فناوری، هوش مصنوعی را قدم بعدی بزرگ برای اضافه کردن قابلیت یادگیری به رایانه ها عنوان کرده اند.

در ساده ترین تعریف ممکن، یادگیری ماشین به معنای تغذیه الگوریتم های محاسباتی با استفاده از در اختیار گذاشتن مجموعه ای از اطلاعات در قالب دیتاسِت است که در مرحله بعد رایانه باید با استفاده از این دیتاسِت به سوالات پرسیده شده پاسخ دهد. برای مثال میتوان به تهیه ی مجموعه ای از تصاویر اشاره کرد که هر یک با توضیح “این یک گربه است” یا “این یک گربه نیست” همراه شده است.

پس از آنکه این مجموعه ی تصاویر در اختیار الگوریتم قرار گرفت، میتوان با نمایش تصاویری به رایانه از آن خواست تا تشخیص دهد که آیا تصویر مربوط به گربه است یا خیر؟ اما فرآیند آموزش به مجموعه ی اولی که در اختیار رایانه قرار گرفته محدود نمیشود؛ با پرسیدن هر سوال که در واقع یک تصویر در آن نمایش داده میشود، فارغ از اینکه الگوریتم صحیح پاسخ دهد یا خیر، عکس مورد نظر به دیتاست اضافه شده و در نتیجه دانش هوش مصنوعی به مرور زمان بهبود می یابد.در ادامه کاربرد اصلی هوش مصنوعی برای حل مشکلات و چالشهای دنیای فناوری را از نظر میگذرانیم. 

امنیت داده ها بدافزارها یکی از مشکلات کاربران و کمپانیها در فضای آنلاین است که قدمت آن به روزهای ابتدایی شکل گیری اینترنت باز می گردد. در سال، ۲۰۱۴ موسسه کسپرسکی اعلام کرد که روزانه بیش از ۳۲۵۰۰۰ بدافزار کشف میکند. براساس اطلاعات ارائه شده توسط موسسه تحقیقاتی Deep Instinct اغلب بدافزارهای جدید از کد مشابه که در بدافزارهای پیشین مورد استفاده قرار گرفته، بهره میبرند، حال آنکه دامنه تغییرات اعمال شده بین ۲ تا ۱۰ درصد است.

تحقیقات انجام شده نشان از این دارد که مدل یادگیری مورد استفاده در هوش مصنوعی قادر است تغییرات ۲ تا ۱۰ درصدی در کد پیاده سازی شده را شناسایی کرده و تشخیص دهد که کدام فایل ها بدافزار هستند. همچنین باید به این نکته اشاره کرد که الگوریتمهای یادگیری ماشین میتوانند الگوهای مربوط به رد و بدل شدن اطلاعات در سرورهای ابری را تحت نظر گرفته و موارد مشکوک را که احتمال منجر به سوء استفاده های امنیتی خواهند شد، شناسایی کنند. 

امنیت در دنیای واقعی

این روزها گیت های امنیتی در تمام مکان ها نظیر فرودگاه ها یا شماری از گردهمایی ها که حساسیت امنیتی وجود دارد، دیده میشوند. یادگیری ماشین نشان داده که قادر است روند کنترل امنیتی را تسریع کرده و دقت این فرآیند را افزایش دهد. با استفاده از یادگیری ماشین میتوان از ایجاد هشدارهای اشتباه پیشگیری کرده و مواردی را تشخیص داد که اسکنرهای معمولی قادر به شناسایی آنها نیستند. از این سیستم میتوان در فرودگاه ها، کنسرت ها، استادیوم ها و سایر مواردی که تعداد زیادی از افراد در آن حضور دارند، استفاده کرد. 

مبادلات مالی 

بسیاری از افراد تمایل دارند تا قیمت سهام کمپانی ها در روزهای آینده را در صورت حاکم شدن شرایط مشخص، پیشبینی کنند. استفاده از یادگیری ماشین در کنار کالن داده درصدد تحقق این امر است. بسیاری از کمپانی های خرید و فروش کنندهی سهام از سیستم های اختصاصی توسعه یافته برای پیشبینی قیمت و انجام خرید و فروش براساس نتایج به دست آمده استفاده میکنند.

بسیاری از سیستم های توسعه یافته مبتنی بر علم احتمالات است، اما یک معامله که شاید احتمال کمی برای سوددهی داشته باشد، در صورتی که حجم بالایی داشته و با وجود احتمال پایین یک معامله موفق باشد، میتواند سود سرشاری را به همراه بیاورد.

به قطع یقین زمانی که حجم داده هایی که باید پردازش شوند، افزایش یافت، انسان ها نمیتوانند در برابر قدرت پردازشی رایانه ها حرفی برای گفتن داشته باشند، از اینرو تجهیز سیستم ها به قدرت محاسباتی هوش مصنوعی و یادگیری ماشین میتواند در این خصوص بسیار راهگشا باشد. 

سرویس های سلامتی و مراقبت های بهداشتی 

الگوریتم های مبتنی بر یادگیری ماشین میتوانند اطلاعات بسیار زیادی را پردازش کرده و الگوهای بسیاری را در مقایسه با انسان ها از میان داده های بسیار استخراج کنند. در یک مطالعه، محققان از یک سیستم تشخیص رایانه ای برای بازبینی نتایج ماموگرافی زنانی استفاده کرده اند که بعدها به بیماری سرطان سینه مبتلا شده اند. براساس اطلاعات ارائه شده این سیستم رایانه ای موفق شده تا با بررسی نتایج ماموگرافی های یک سال پیش در ۵۲ درصد موارد، سرطان سینه را در بیماران پیش از تشخیص پزشکان، پیشبینی کند.

علاوه بر تشخیص بیماری به صورت موردی برای هر فرد براساس نتایج آزمایش، یادگیری ماشین میتواند با بررسی عوامل خطرناک برای بیماری جمعی، آن را پیش از همه گیر شدن شناسایی کند. کمپانی Medecision الگوریتمی را توسعه داده که با استفاده از میتوان با شناسایی هشت فاکتور در بیماران دیابتی، نیاز به بستری شدن در بیمارستان را تشخیص داد.

بازاریابی 

هراندازه که درک و شناخت شما از کاربران تان بیشتر باشد، بهتر میتوانید به آن ها سرویس بدهید و در نتیجه فروش بهتری را نیز تجربه خواهید کرد. این نگرش را باید بنیان استفاده از یادگیری ماشین و هوش مصنوعی در بازاریابی خواند. شاید شما این تجربه را دارید که پس از جستجو برای یک محصول و یافتن آن، از خرید پشیمان شده یا به هر دلیلی کالای مورد نظر را خریداری نکرده اید، اما در روزهای بعد در اغلب صفحات وب با آگهی هایی روبرو شده اید که کالای جستجو شده توسط شما را نمایش میدهند. این نوع بازاریابی را باید تنها بخش کوچکی از قابلیت هایی بدانیم که با استفاده از یادگیری ماشین میتوان انجام داد. ایمیل های شخصی سازی شده ارسالی برای کاربران از جمله دیگر کاربردهای یادگیری ماشین در بازاریابی است.

جلوگیری از تقلب 

توانایی یادگیری ماشین در زمینه ی شناسایی و جلوگیری از تقلب در سرویسهای مختلف روز به روز افزایش پیدا میکند که این توانایی در حوزه های مختلف قابل استفاده است. برای مثال میتوان به سیستم پی پال اشاره کرد که از یادگیری ماشین برای مبارزه با پولشویی از طریق پی پال استفاده میکند. این کمپانی قادر است با بهره گیری از یادگیری ماشین میلیون ها تراکنش انجام شده را تحلیل کرده و موارد مشکوک به پولشویی را که بین خریداران و فروشندگان اتفاق میافتد، پیشبینی کند.

سیستم ارائه ی پیشنهاد 

سرویس هایی نظیر آمازون و نتفلیکس با استفاده از فعالیت های کاربران در سرویس هایشان، پیشنهاداتی را در اختیار افراد قرار میدهند. الگوریتم های مبتنی بر یادگیری ماشین با تحلیل و بررسی فعالیت یک کاربر مشخص و مقایسه آن با میلیون ها کاربر دیگر، لیستی از پیشنهادات را تهیه میکنند که احتمال کاربر در نوبت بعدی به خرید کالا یا برنامه پیشنهادی علاقه نشان دهد.

این پیشنهادات که برگرفته از سیستم های هوشمند هستند، رفته رفته باهوش تر شده و می توانند درک کنند که شما چه کالاهایی را برای هدیه دادن و چه کالاهایی را برای استفاده شخصی خریداری میکنید. در مورد سرویس هایی نظیر نتفلیکس، این سیستم ها با افزایش هوش می توانند تمایلات اعضای مختلف یک خانواده را از هم تفکیک کنند.

 جستجوی آنلاین 

به جرات میتوان جستجوی اینترنتی را شناخته شده ترین نمونه از کاربرد یادگیری ماشین خواند. گوگل و رقبای این کمپانی همواره در حال بهبود نتایج جستجو هستند. هر زمانی که کاربر جستجویی را در گوگل انجام میدهد، الگوریتم گوگل نحوه واکنش شما با نتایج نمایش داده شده را تحت نظر میگیرد. در صورتی که کاربر روی نتایج اولیه جستجو کلیک کند و به صفحه ی وب مورد نظر مراجعه کند، الگوریتم گوگل به این نتیجه میرسد که کاربر نتیجه مدنظر خود را یافته است.

در صورتی که کاربر بدون کلیک روی هیچ یک از نتایج به صفحهی دوم مراجعه کند یا عبارت دیگری را برای جستجو وارد کند، گوگل به این نتیجه میرسد که کاربر به مواردی که در نظر داشته، دست نیافته است. الگوریتم هوشمند مبتنی بر یادگیری ماشین قادر است با دریافت اطلاعات این چنینی، نتایج جستجو را در مقایسه با گذشته بهبود دهد.

تشخیص گفتار 

تشخیص گفتار طبیعی یا Natural language Processing که به اختصار NLP خوانده میشود، قابلیت استفاده در کاربردهای مختلفی را دارد. با استفاده یادگیری ماشین و تشخیص گفتار طبیعی میتوان کاربران یا مشتریان را با سرعت بیشتری به سمت اطلاعاتی که مدنظر وی است، هدایت کرد. از جمله کاربردهای دیگر این سیستم میتوان به ساده سازی مفاد یک قرارداد که اصطلاحات پیچیده حقوقی دارد و همچنین خلاصه کردن تمام اطلاعاتی که یک وکیل مدافع باید آنها را مطالعه کند، اشاره کرد.

خودروهای هوشمند IBM 

اخیرا تحقیقی انجام داده که براساس آن بیش از ۷۴ درصد متخصصان در حوزه خودرو از پیشبینی خود برای عرضه تجاری خودروهای هوشمند تا سال ۲۰۲۵ سخن گفته اند. یک خودروی هوشمند نه تنها با استفاده از مفهوم اینترنت اشیا قادر است با خودروهای دیگر و تابلوهای کنار جاده ارتباط برقرار کند، بلکه قادر است تا با یادگیری ماشین، عادت های کاربر یا به بیان راننده را نیز بشناسد.

این عادات شامل دمای داخلی خودرو، تنظیمات سیستم صوتی و وضعیت صندلی است. خودرو قادر است با تکیه بر قابلیت های هوشمند تنظیمات را تغییر داده و در صورت بروز مشکل، خود مساله را حل کند. همچنین باید به ارائه پیشنهاد در مورد مسیر رسیدن به مقصد بر اساس داده های ترافیکی و وضعیت جاده نیز اشاره کرد.

هوش مصنوعی یا هوش ماشینی به انگلیسی (Artificial Intelligence) هوش مصنوعی به هوشی که یک ماشین در شرایط مختلف از خود نشان می دهد، گفته میشود. به عبارت دیگر هوش مصنوعی به سیستم هایی گفته میشود که میتوانند واکنش هایی مشابه رفتارهای هوشمند انسانی از جمله درک شرایط پیچیده، شبیه سازی فرایندهای فکری و شیوه های استدلالی انسانی و پاسخ موفق به آنها، یادگیری و توانایی کسب دانش و استدلال برای حل مسائل را داشته باشند. بیشتر نوشته ها و مقاله های مربوط به هوش مصنوعی، آن را به عنوان دانش شناخت و طراحی عامل های هوشمند تعریف کرده اند.

هوش مصنوعی را باید عرصه پهناور تلاقی و ملاقات بسیاری از دانش ها، علوم، و فنون قدیم و جدید دانست. ریشه ها و ایده های اصلی آن را باید در فلسفه، زبان شناسی، ریاضیات، روانشناسی، عصب شناسی، فیزیولوژی، تئوری کنترل، احتمالات و بهینه سازی جستجو کرد و کاربردهای گوناگون و فراوانی در علوم رایانه، علوم مهندسی، علوم زیست شناسی و پزشکی، علوم اجتماعی و بسیاری از علوم دیگر دارد.

از زبان های برنامه نویسی هوش مصنوعی میتوان به لیسپ، پرولوگ، کلیپس و وی پی اکسپرت اشاره کرد. یک عامل هوشمند سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را پس از تحلیل و بررسی افزایش میدهد.

جان مکارتی که واژه هوش مصنوعی را در سال ۱۹۵۶ استفاده نمود، آن را دانش و مهندسی ساخت ماشین های هوشمند تعریف کرده است. هوش مصنوعی در علم پزشکی امروزه به دلیل گسترش دانش و پیچیده تر شدن فرایند تصمیم گیری، استفاده از سیستم های اطلاعاتی به خصوص سیستم های هوش مصنوعی در تصمیم گیری، اهمیت بیشتری یافته است.

هوش مصنوعی گسترش دانش در حوزه پزشکی و پیچیدگی تصمیمات مرتبط با تشخیص و درمان، به عبارتی حیات انسان، توجه متخصصین را به استفاده از سیستم های پشتیبان تصمیم گیری در امور پزشکی جلب نموده است. به همین دلیل، استفاده از انواع مختلف سیستم های هوشمند در پزشکی رو به افزایش است، به گونه ای که امروزه تأثیر انواع سیستم های هوشمند در پزشکی مورد مطالعه قرار گرفته است.

هوش مصنوعی توسط فلسفه و ریاضیدانانی نظیر جرج بول که اقدام به ارائه قوانین و نظریه هایی در مورد منطق نمودند، مطرح شده بود. با اختراع رایانه های الکترونیکی در سال ۱۹۴۳، هوش مصنوعی، دانشمندان آن زمان را به چالشی بزرگ فراخواند.

در این شرایط، چنین به نظر می رسید که این فناوری قادر به شبیه سازی رفتارهای هوشمندانه خواهد بود. با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با تردید به کارآمدی آن می نگریستند تنها پس از چهار دهه، شاهد تولد ماشین های شطرنج باز و دیگر سامانه های هوشمند در صنایع گوناگون شدیم.

نام هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید. البته فعالیت در این زمینه از سال ۱۹۶۰ میلادی شروع شد. بیشتر کارهای پژوهشی اولیه در هوش مصنوعی بر روی انجام ماشینی بازیها و نیز اثبات قضیه های ریاضی با کمک رایانه ها بود. در آغاز چنین به نظر می آمد که رایانه ها قادر خواهند بود چنین فعالیت هایی را تنها با بهره گرفتن از تعداد بسیار زیادی کشف و جستجو برای مسیرهای حل مسئله و سپس انتخاب بهترین روش برای حل آن ها به انجام رسانند.

اصطلاح هوش مصنوعی برای اولین بار توسط جان مکارتی (که از آن به عنوان پدر علم و دانش تولید ماشین های هوشمند یاد میشود) استفاده شد. وی مخترع یکی از زبان های برنامه نویسی هوش مصنوعی به نام لیسپ (به انگلیسی lisp) است.

با این عنوان میتوان به هویت رفتارهای هوشمندانه یک ابزار مصنوعی پی برد. (ساخته دست بشر، غیرطبیعی، مصنوعی) حال آنکه هوش مصنوعی به عنوان یک اصطلاح عمومی پذیرفته شده که شامل محاسبات هوشمندانه و ترکیبی (مرکب از مواد مصنوعی) است. از اصطلاح “AI Weak and Strong” میتوان تا حدودی برای معرفی رده بندی سیستم ها استفاده کرد.

کاربردهای هوش مصنوعی چنان گسترده و فراگیر شده اند که بسیاری از این کاربردها دیگر با نام هوش مصنوعی شناخته نمی شوند و نام تخصصی خود را دارند. تاثیر هوش مصنوعی را اکنون می توان در همه جهات و نقاط زندگی مردم دید. آیفونی که قادر به تشخیص اعضای خانه است یا تلویزیونی که نور صفحه نمایش دلخواه را با تعداد افراد تنظیم میکند، همه و همه کاربردهای هوش مصنوعی هستند.

کاربردهای عملی آن دسته از کاربردهای هوش مصنوعی هستند که عملیات خاصی را انجام داده و عمل یا تأثیر آن به وضوح توسط کاربر احساس خواهد شد. برای مثال جست و جوی خودکار گوگل که از الگوریتم ها و متدهای پیچیده هوش مصنوعی استفاده میکند، پس از انجام یک عملیات پر هزینه و البته سریع نتایج مرتبط را به شما نشان خواهد داد.

ماشین هایی که قادر هستند خودشان را کنترل کنند. ربات های پرنده و یا قایق های هوشمند نمونه ای بارز و موفق از این نوع کاربردها هستند. نیاز به تحلیل و استخراج الگو از داده های ترافیک شهری، دریافتی کارکنان و جابه جایی پول در یک بانک برای جلوگیری از اختلاس یک عملیات نیست و تأثیر یا خود عمل به وضوح توسط کاربر لمس نخواهد شد؛ اما در مقابل یک تحلیل هوشمند و خودکار است که کاربرد تحلیلی هوش مصنوعی به حساب می آید.

آزمون تورینگ، آزمونی است که توسط آلن تورینگ آزمون تورینگ در سال ۱۹۵۰ در نوشته ای به نام محاسبات ماشینی و هوشمندی مطرح شد. در این آزمون شرایطی فراهم میشود که شخصی با ماشینی تعامل برقرار کند و پرسش های کافی برای بررسی اقدامات هوشمندانه ماشین، از آن بپرسد.

چنانچه در پایان آزمایش نتواند تشخیص دهد که با انسان و یا با ماشین در تعامل بوده است، آزمون با موفقیت انجام شده است. تا کنون هیچ ماشینی از این آزمون با موفقیت بیرون نیامده است. کوشش این آزمون برای تشخیص درستی هوشمندی یک سیستم است که سعی در شبیه سازی انسان دارد.

تعریف و طبیعت هوش مصنوعی: 

هنوز تعریف دقیقی برای هوش مصنوعی که مورد توافق دانشمندان این علم باشد ارائه نشده است و این به هیچ وجه مایه تعجب نیست. چرا که مقوله مادر و اساسیتر از آن، یعنی خود هوش هم هنوز بطور همه جانبه و فراگیر تن به تعریف نداده است.

در واقع میتوان نسل هایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سؤال عمده نموده اند که: هوش چیست؟ اما اکثر تعریف هایی که در این زمینه ارائه شده اند بر پایه یکی از ۴ باور زیر قرار میگیرند : 

• سیستم هایی که به طور منطقی فکر میکنند
• سیستم هایی که به طور منطقی عمل میکنند
• سیستم هایی که مانند انسان فکر میکنند 
• سیستم هایی که مانند انسان عمل میکنند 

شاید بتوان هوش مصنوعی را این گونه توصیف کرد: هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را میتوان وادار به کارهایی کرد که در حال حاضر انسان ها آنها را صحیح یا بهتر انجام میدهند. هوش مصنوعی به هوشی که یک ماشین از خود نشان میدهد و یا به دانشی در کامپیوتر که سعی در ایجاد آن دارد گفته میشود. بیشتر نوشته ها و مقاله های مربوط به هوش مصنوعی آن را دانش شناخت و طراحی عامل های هوشمند تعریف کرده اند. یک عامل هوشمند، سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را بالا میبرد.

فلسفه هوش مصنوعی:

فلسفه هوش مصنوعی بطور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات، استقراء و تحلیل تجربیات به منظور رسیدن به دانش و یا ارایه تصمیم است. در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسائل دریافت شده تلقی میشود.

هوش مصنوعی علم و مهندسی ایجاد ماشین های هوشمند با به کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی و یا حیوانی و نهایتاً دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی است. در مقایسه هوش مصنوعی با هوش انسانی میتوان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسایل در جهت قضاوت و اخذ تصمیم است در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هایی از قبل تعبیه شده بر روی کامپیوتر است.

در نتیجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوش های مصنوعی نبوده ایم. بطور کلّی، هوش مصنوعی را میتوان از زوایای متفاوتی مورد بررسی و مطالعه قرار داد. مابین هوش مصنوعی به عنوان یک هدف، هوش مصنوعی به عنوان یک رشته تحصیلی دانشگاهی، و یا هوش مصنوعی به عنوان مجموعه فنون و راه کارهایی که توسط مراکز علمی مختلف و صنایع گوناگون تنظیم و توسعه یافته است باید تفاوت قائل بود. اتاق چینی اتاق چینی بحثی است که توسط جان سیرل در ۱۹۸۰ مطرح شد در این راستا که یک ماشین نمادگرا هرگز نمی تواند دارای ویژگی هایی مانند مغز و یا فهمیدن باشد. صرف نظر از اینکه چقدر از خود هوشمندی نشان دهد.

مدیریت پیچیدگی ایجاد و ابداع فنون و تکنیک های الزم برای مدیریت پیچیدگی را باید به عنوان هسته بنیادین تلاش های علمی و پژوهشی گذشته، حال و آینده در تمامی زمینه های علوم رایانه و به ویژه در هوش مصنوعی معرفی کرد. شیوه ها و تکنیک های هوش مصنوعی در واقع، برای حل آن دسته از مسائل به وجود آمده است که به طور سهل و آسان توسط برنامه نویسی تابعی یا شیوه های ریاضی قابل حلّ نبوده اند.

در بسیاری از موارد، با پوشاندن و پنهان ساختن جزئیات فاقد اهمیت است که بر پیچیدگی فائق می آییم و می توانیم بر روی بخش هایی از مسئله متمرکز شویم که مهمتر است. تلاش اصلی در واقع، ایجاد و دستیابی به لایه ها و ترازهای بالاتر از هوشمندی انتزاع را نشانه میرود تا آنجا که سرانجام، برنامه های کامپیوتری درست در همان سطحی کار خواهند کرد که خود انسان ها رسیده اند.

به یاری پژوهش های گسترده دانشمندان علوم مرتبط، هوش مصنوعی تاکنون راه بسیاری پیموده است. در این راستا، تحقیقاتی که بر روی توانایی آموختن زبان ها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این دانش کمک زیادی کرده است.

یکی از اهداف متخصصین، تولید ماشین هایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند.

برای نمونه ربات هوشمندی که بتواند اعضای بدن خود را به حرکت درآورد، نسبت به این حرکت خود آگاه بوده و با آزمون و خطا، دامنه حرکت خود را گسترش میدهد و با هر حرکت موفقیت آمیز یا اشتباه، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته و یا حتی میدود و یا به روشی برای جابجا شدن دست می یابد که سازندگانش برای او متصور نبوده اند. هر چند نمونه بالا ممکن است کمی آرمانی به نظر برسد، ولی به هیچ عنوان دور از دسترس نیست.

دانشمندان عموماً برای تولید چنین ماشین هایی از وجود مدل های زندهای که در طبیعت وجود به ویژه آدمی نیز سود برده اند. هوش مصنوعی اکنون در خدمت توسعه علوم رایانه نیز هست. زبان های برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن ساخته اند، پایگاه دادهای پیشرفته، موتورهای جستجو، و بسیاری نرم افزار ها و ماشینها از نتایج پژوهش هایی در راستای هوش مصنوعی بوده اند.

از زبان های برنامه نویسی هوش مصنوعی میتوان به لیسپ، پرولوگ، کلیپس و ویپی اکسپرت میباشد. تکنیک ها و زبان های برنامه نویسی هوش مصنوعی عملکرد اولیه برنامه نویسی هوش مصنوعی ایجاد ساختار کنترلی مورد لزوم برای محاسبه سمبلیک است. زبان های برنامه نویسی لیسپ و پرولوگ علاوه بر اینکه از مهمترین زبان های مورد استفاده در هوش مصنوعی هستند خصوصیات نحوی و معنایی آنها باعث شده که آنها شیوه ها و راه حل های قوی برای حل مسئله ارائه کنند.

تأثیر قابل توجه این زبان ها بر روی توسعه هوش مصنوعی از جمله تواناییهای آن ها به عنوان ابزارهای فکر کردن است. در حقیقت همانطور که هوش مصنوعی مراحل رشد خود را طی میکند، زبان های لیسپ و پرولوگ بیشتر مطرح میشوند که این زبان ها کار خود را در محدوده توسعه سیستم های هوش مصنوعی در صنعت و دانشگاه ها دنبال میکنند و طبیعتاً اطلاعات در مورد این زبانها به عنوان بخشی از مهارت هر برنامه نویس هوش مصنوعی است. 

• پرولوگ: یک زبان برنامه نویسی منطقی است. یک برنامه منطقی دارای یک سری ویژگی های قانون و منطق است. در حقیقت خود این نام از برنامه نویسی PRO در LOGIC می آید. در این زبان یک مفسر برنامه را بر اساس یک منطق می نویسد. ایده استفاده توصیفی محاسبه اولیه برای بیان خصوصیات حل مسئله یکی از محوریت های پرولوگ است که برای علم کامپیوتر به طور کلی و بطور جزئی برای زبان برنامه نویسی هوشمند مورد استفاده قرار میگیرند. 
• لیسپ: اصولا یک زبان کامل است که دارای عملکردها و لیست های الزمه برای توصیف عملکردهای جدید، تشخیص تناسب و ارزیابی معانی است. لیسپ به برنامه نویس قدرت کامل برای اتصال به ساختارهای اطلاعاتی را میدهد. گر چه لیسپ یکی از قدیمیترین زبان های محاسباتی است که هنوز فعال است ولی دقت کافی در برنامه نویسی و طراحی توسعه باعث شده است که این یک زبان برنامه نویسی فعال باقی بماند. در حقیقت این مدل برنامه نویسی طوری موثر بوده است که تعدادی از دیگر زبان ها مانند اف پی ، امال و اسکیم بر اساس عملکرد برنامه نویسی آن بنا شده اند. یکی از مهمترین برنامه های مرتبط با لیسپ برنامه اسکیم است که یک تفکر دوباره در باره زبان در آن وجود دارد که بوسیله توسعه هوش مصنوعی برای آموزش و اصول علم کامپیوتر مورد استفاده قرار میگیرد.

عامل های هوشمند 

کارگزار هوشمند 

عامل ها (Agents) قادر به شناسایی الگوها و تصمیم گیری بر اساس قوانین فکر کردن خود هستند. قوانین و چگونگی فکر کردن هر عامل در راستای دستیابی به هدفش، تعریف میشود. این سیستم ها بر اساس قوانین خاص خود فکر کرده و کار خود را به درستی انجام میدهند. پس عاقلانه رفتار میکنند، هر چند الزاماً مانند انسان فکر نمیکنند.در بحث هوشمندی اصطلاح پیس (به انگلیسی PEAS : سرنام واژه های “کارایی” (Performance)، “محیط”(Environment)، “اقدام گر” (Agent) و “حسگر” (Sensor) است. 

سیستم های خبره

سیستم های خبره زمینه ای پرکاربرد در هوش مصنوعی و مهندسی دانش است که با توجه به نیاز روزافزون جوامع بر اتخاذ راه حل ها و تصمیمات سریع در مواردی که دانش های پیچیده و چندگانه انسانی مورد نیاز است و بر اهمیت نقش آنها نیز افزوده میشود.

سیستم های خبره به حل مسائلی می پردازد که به طور معمول نیازمند تخصص های کاردانان و متخصّصان انسانی است. به منظور توانایی بر حل مسائل در چنین سطحی (ترازی)، دسترسی هرچه بیشتر اینگونه سامانه ها به دانش موجود در آن زمینه خاص ضروری می گردد.

آیا بشر قادر خواهد بود موجودی هوشمند مانند خود به وجود آورد؟ آیا زمانی فرا خواهد رسید که ربات ها به خانه ما رفت و آمد کنند؛ کنار ما بنشینند و با ما به تبادل نظر بپردازند؟ شاید سوالاتی این چنین را بتوان زمینه ساز ظهور دانشی نوین، با عنوان هوش مصنوعی دانست. نخستین جرقه های هوش مصنوعی به سال های بعد از جنگ جهانی دوم باز می گردد. زمانی که آلن تورینگ در سال ۱۹۵۰ م.

آزمایشی مبنی بر این که آیا ماشین قادر است با فرآیندهای مغز انسان رقابت نماید، مطرح کرد.جالب بدونید مباحث هوش مصنوعی پیش از بوجود آمدن علـوم الکترونیک، توسط فلاسفه و ریاضی دانانی نظیر بول مطرح شده بود که اقدام به ارائه قوانین و نظریه هایی در باب ۲۲ منطق نمودند. هوش مصنوعی، شاخه ای از علم کامپیوتر است و در واقع تلفیقی از سه فناوری و گرایش مطرح؛ یعنی شبکه های عصبی، سیستم های استدلال فازی و الگوریتم تکاملی میباشد. 

در مقایسه هوش مصنوعی با هوش انسانی می توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسائل در جهت قضاوت و اخذ تصمیم میباشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هایی از قبل تعبیه شده بر روی کامپیوتر میباشد هدف هوش مصنوعی نزدیک نمودن رفتار و پاسخ یک سیستم کامپیوتری به الگوهایی است که انسان براساس آنها رفتار میکند و پاسخ میدهد.

گاه سیستم های طراحی می شوند که قدرت تجزیه و تحلیل آن ها از انسان بیشتر است. ولی باز از الگوهای ما استفاده میکنند. از اهداف متخصصین،تولید ماشین هایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند.

در مورد شاخه ها و کاربردهای هوش مصنوعی این واقعیتی هست بیشتر افراد با شنیدن عبارت هوش مصنوعی، به یاد ربات های فیلم های علمی – تخیلی و بازی های کامپیوتری و به خصوص شطرنج می افتند. در حالی که هوش مصنوعی در مدت زمان کوتاهی از عمر خود، توانسته است از حد توسعه بازی ها به سوی دنیایی از مسائل شگفت آوری همچون سیستم های خبره، بینایی ماشین و.. گام بردارد.

امروزه ردپایی از هوش مصنوعی را میتوان در علوم مختلفی اعم از پزشکی، علوم هوافضا، اکتشافات، تسلیحات نظامی، پیش بینی وضع هوا، نقشه برداری و شناسایی عوارض، تشخیص صدا، تشخیص گفتار؛ دستخط؛ بازی ها و نرم افزارهای رایانه ای مشاهده کرد. از این رو، متخصصان هوش مصنوعی، با توجه به کاربردهای گوناگون این علم، آن را در شاخه های متنوعی دنبال نموده اند از جمله:

شبکه های عصبی (Neural Networks) این شبکه ها که با الهام از مدل شبکه عصبی ذهن انسان طراحی می شوند و امروزه کاربردهای فراوان و گسترده ای داشته، در زمینه های متنوعی چون سیستم های کنترلی، رباتیک، تشخیص متون، پردازش تصویر و…مورد استفاده قرار میگیرند. 

پردازش زبان طبیعی (Natural Language Processing) در این شاخه، سیستم ها برای فهم زبان انسان برنامه ریزی میشوند. 

رباتیک (Robotics) این شاخه از هوش مصنوعی سعی دارد ربات ها را طوری برنامه ریزی کند که اعمالی هوشمندانه، چون توانایی دیدن، شنیدن و نشان دادن عکس العمل به محرک های محیطی را انجام دهد. 

انجام مسابقات (Game Playing) در این شاخه؛ کامپیوترها برای شرکت در مسابقاتی چون شطرنج برنامه ریزی می شوند. که در سال ۱۹۹۷ میلادی کامپیوتر شطرنج باز؛ قهرمان شطرنج جهان را شکست داد. یا نشستن یک ربات بر روی کره مریخ با موفقیت انجام شد. روبوکاپ اولین قدم های خود را با برپایی مسابقات ربات های فوتبالیست برداشت. با هدف سمبلیک که در سال ۲۰۵۰ م. تیمی متشکل از ربات های انسان نما هوشمند بتوانند قهرمان فوتبال جهان را در زمین فوتبال واقعی شکست دهند (ظاهرا ما اون بازی رو نمی بینیم!)

سیستم های خبره در این شاخه، کامپیوترها برای تصمیم گیری در شرایط واقعی زندگی برنامه ریزی میشوند. نمونه ای از سیستم های خبره، سیستم های تشخیص بیماری هستند. در این سیستم ها، اطلاعات یک یا چند متخصص به همراه اطلاعات دریافتی از مراجعان به کامپیوتر داده میشود؛ سپس کامپیوتر با پرسش سوالاتی از مراجعه کننده و تطبیق آن با بانک اطلاعاتی خود، بیماری شخص را تشخیص خواهد داد.

هر چند این سیستم ها خبره هستند، اما تنها از اطلاعاتی که به آنها داده شده، استفاده میکنند. برای نزدیک شدن به هوشمندی انسان، ماشین بایستی بتواند کارکرد خود را اصلاح نماید. به عبارتی دیگر، ماشین، بایستی دارای قدرت یادگیری باشد.

یادگیری ماشین (Machine Learning) این شاخه به این معناست که ماشین بتواند برنامه، ساختار یا داده هایش را بر اساس ورودی ها یا در پاسخ به اطلاعات خارجی، به نحوی تغییر دهد که رفتارش به آن چه از او انتظار می رود، نزدیکتر شود (یعنی قدرت تجزیه تحلیل داشته.)

استراتژی های تکاملی الگوریتم ژنتیک (Evolutionary Algorithms) در این زمینه بیشتر به هوشمندی هایی غیر از هوشمندی انسان پرداخته میشود. در حقیقت این گرایش سعی دارد مسائل بهینه سازی را با کمک روش هایی که در طبیعت انتخاب شده است، حل نماید. به طور مثال، روش یافتن کوتاه ترین راه به منابع غذا، توسط مورچگان، بیانگر گوشه ای از هوشمندی بیولوژیک هستند. 

تشخیص گفتار (Speech Recognition) این گونه سیستم ها معمولا به عنوان ابزارهای بیومتریک و تشخیص هویت با کمک صدا در مکان هایی مثل بانک ها، فرودگاه ها، آزمایشگاه های تحقیقاتی و… برای ایجاد امنیت و کنترل ورود و خروج افراد مورد استفاده قرار میگیرند. 

بینایی ماشین (Machine Vision) هدف از بینایی ماشین شبیه سازی، عملکرد سیستم بینایی انسان میباشد. در این شاخه، ردگیری و تعقیب حرکات چشم، یکی از زمینه های خاص و پرطرفدار در میان متخصصان هوش مصنوعی محسوب میشود. مثال هایی از کاربردهای چنین سیستمی مثل: تعقیب حرکات چشم شخصی خاص در میان جمعیت، بررسی افراد مشکوک، تشخیص میزان هوشیاری رانندگان با توجه به وضعیت و حالات چشم وی، ایجاد ارتباط معلولین جسمی با کامپیوتر از طریق فرامین چشمی.

سیستم کنترل کوره ها، ربات های مختلفی که در برشکاری ورق، اتصال و جوشکاری استفاده می شود و همچنین سیستم های هوشمند بینایی که در کنترل کیفیت انواع محصولات بکار می رود نام برد کاربردهای هوش مصنوعی در بازی ها در بازیهای کامپیوتری دو نوع هوش بیشتر از همه استفاده میشوند که به صورت خلاصه عبارتند از:

هوش مصنوعی رویدادگرا: از معمول ترین نوع هوش مصنوعی است. رویداد می تواند شامل هر چیزی اعم از اتفاقات بازی تا دستوراتی باشد که کاربر به شخصیت مجازی خود میدهد. براساس هر رویدادی که در بازی انجام میشود، یک واکنش هوشمندانه نیز روی میدهد. در بازی کانتر دشمن شما نسبت به صدا حساس است و صدای دویدن شما را هم می شنود.

از این رو بسته به موقعیت خود، یا به آهستگی پنهان میشود، یا برمی گردد و از راه دیگری به سوی شما می آید یا به سوی شما می آید و شلیک میکند. هوش مصنوعی هدف گرا: از رویدادگرا مستقل است. ولی هوش مصنوعی رویدادگرا میتواند در طراحی یک بازی، هدف های موتور هوش مصنوعی هدف گرا را تامین کند.

در این نوع هوش مصنوعی، هدف؛ با ارزش بیشتر را انتخاب می کند و آن را با تقسیم به زیر هدف های کوچکتر، پردازش میکند از نظر کاربرد هوش مصنوعی در بازی دو نوع وجود دارد : بازی های کلاسیک / شطرنج – مار – پازل و … بازی های مدرن / سیمز ۲ – کانتر – جی تی ای – مکس پین و … در این گروه از بازیها موفقیت های چشمگیری بدست آمده است. برای نمونه در بازی سیمز ۲ شخصیت های بازی نیازهای اولیه گرسنگی و تشنگی را دارند و اگر در طول بازی به آنها غذا نرسد می میرند.

انتخاب سطح هوشمندی در بازی فوتبال؛ ضربات در چارچوب، پاس؛ هوشمندی گلر! در نتیجه، روند نزدیکی هوش مصنوعی و بازی باعث شده است که بازیکنان خود را جزئی از بازی بدانند. از این رو تولیدکنندگان برنامه های بازی تلاش میکنند دیوار بین بازیکن و برنامه بازی کوتاه تر شود به طوری که بازیکن خود را در قالب یکی از شخصیت بازی بداند. در مورد تازه های هوش مصنوعی اگر سری به صفحات اینترنتی اخبار تکنولوژی بزنیم، متوجه انبوهی از محصولات جدید هوشمند خواهیم شد. نمونه های زیر، تنها گوشه ای از کاربردهای هوش مصنوعی در صنایع مختلف می باشند.

لباس های هوشمند با توسعه نانوتکنولوژی و استفاده از مواد مولکولی سبک، امکان ساخت لباس های هوشمند فراهم شده است. این گونه لباس ها: قابلیت تغییر رنگ جهت استتار در محیط های مختلف را داشته، شخص را در برابر سلاح های بیولوژیکی و شیمیایی محافظت میکنند.

امکان مجهز نمودن اینگونه لباس ها به تجهیزات مخابراتی، انتقال علائم حیاتی جهت درمان از راه دور در مناطق جنگی و یا آسیب دیده، از دیگر مزایای این لباس ها به شمار می آیند. همچنین در صورت بروز حادثه برای کاربر، پیامی به تلفن همراه یا پست الکترونیکی مشخصی ارسال میگردد. 

آجر و ساختمان های هوشمند ساختمان های هوشمند این قابلیت را دارند که با تغییر شرایط محیطی، نسبت به تغییرات، عکس العمل نشان داده، امنیت و آرامش را برای ساکنان خانه فراهم نمایند. یک ساختمان هوشمند، دارای سیستم های اتوماتیک گرمایشی، تهویه مطبوع، اعلام حریق، آتش نشانی، سیستم های امنیتی، مدیریت انرژی و سیستم های روشنایی خودکار میباشد.

آجر های هوشمند که مانند آجرهای معمولی در ساختمان ها به کار میروند، مجهز به حسگرهای الکترونیکی هستند که با اتصال به یک سیستم کامپیوتری، دما، لرزش و حرکت ساختمان را کنترل میکنند و سبب ایمن تر شدن ساختمان میشوند. به کارگیری چند آجر در محل های مختلف یک ساختمان، می تواند به صورت یک شبکه عمل کرده، تصویری کلی از ثبات ساختمان ارائه دهد. کیف هوشمند به کمک یک سنسور یا حسگر، به یادآوری محتویات درون کیف پرداخته، از گم شدن اشیای داخل کیف جلوگیری میکند.

شیر آب هوشمند به محض نزدیک شدن دست یا هر جسم دیگری در محدوده دید حسگر دستگاه، سبب جاری شدن آب میشود. شیر مذکور، به محض خروج دست از محدوده دید، آب را قطع میکند. سیستم های حمل و نقل هوشمند به معنی استفاده و به کارگیری تکنولوژی های نوین، همچون الکترونیک، ارتباطات و سیستم های کنترلی است. کاربردهای این گونه سیستم ها عبارتند از: راهنمای الکترونیکی مسیر، کنترل ترافیک شهری، سیستم های اعلام خطر، تنظیم چراغ های راهنما، شناسایی موقعیت تصادف و در نهایت پردازش اطلاعات مربوط به جابجایی کالا و مسافر و …

تسلیحات نظامی هوشمند نقش انسان در لحظات بحرانی جنگ، بسیار کم رنگ تر از گذشته شده است؛ به طوری که جنگ های امروزی در حقیقت نبرد کامپیوترهای ما با کامپیوترهای دشمن خواهد بود. سیستم های شلیک بعد از هشدار کامپیوتر، حضور ماشین هایی با قابلیت های انسانی، مانند بینایی، خلبان اتوماتیک، استفاده از انواع ربات ها جهت شناسایی، تخریب و پاکسازی مناطق جنگی و،… تنها نمونه هایی از کاربردهای نظامی هوش مصنوعی محسوب می گردند. 

• میکرو ربات های جراح که همراه با نوشیدن آب و از راه دهان به درون بدن انسان فرستاده می شوند، با کمک کنترل از راه دور، به کاوش در محیط بدن پرداخته، عکس برداری و انجام عمل جراحی را امکان پذیر می سازد، 
• استفاده از برچسب های هوشمند برای ردیابی زندانیان
• سیستم های هوشمند اعلام زمان مصرف دارو 
• کارت های شناسایی هوشمند و تراشه های هوشمند با ابعاد نصف یک دانه شن که در زیر پوست قرار میگیرند و جایگزینی برای کارت های اعتباری خواهند بود و … نمونه های دیگری از کاربردهای وسایل هوشمند هستند.

هدف نهایی هوش مصنوعی:

ساخت نوعی انسان مصنوعی است و در حقیقت، ساخت برنامه نرم افزاری که بتواند مانند انسان فکر کند. چنین ماشینی با ترکیب تکنیک های استنباطی پیشرفته و استفاده از توانایی تحلیلگران، مهندسان، سیاستمداران، تصمیم گیرنده های شرایط بحرانی و سایر دانشمندان و بر پایه حجم عظیمی از منابع اطلاعاتی، میتواند بهترین تصمیم را در شرایط بحرانی اتخاذ نماید.