امروزه از هوش مصنوعی در حوزه های مختلف استفاده می شود . اما روش های مختلف باعث ایجاد شاخه های مختلفی از هوش مصنوعی شده است . به جهت تکمیل مباحث گذاشته این شاخه ها به صورت مختصر در ادامه ارائه می گردد.
شاخه های هوش مصنوعی :
- سیستم خبره (Experts Systems)
در واقع سیستم های خبره را باید سیستم های متخصص و شاخه ای از مهندسی دانش دانست. این سیستم ها نیازمند پایگاه داده قدرتمند بوده تا بتوانند از طریق قدرت استنتاج بالا و با استفاده از تکنولوژی های مرتبط جایگزین متخصصین شوند . و درحقیقت این سیستم ها، نرم افزارهای قدرتمندی هستند که با جمع آوری دانش تخصصی که می تواند شامل قوانین ، حقایق و بسیاری موارد دیگر باشد جایگزین متخصصین حوزه های مختلف شده و تصمیم سازی می نمایند . ضمن اینکه سیستم های خبره قدرت مدل سازی از دانش های جمع اوری شده و نحوه استفاده از انها را نیز خواهند داشت .
عدم محدودیت در حافظه جهت تکمیل بانک دانش اولیه ، صرف جویی در وقت و زمان در رسیدن به تصمیم ، عدم تاثیر از احساسات تصمیم گیرندگان موارد مهم و مثبت سیستم های خبره محسوب می شود و در مقابل موضوعی که شاید به نوعی نکته منفی این سیستم ها محسوب می شود استفاده از این سیستم ها صرفا برای یک حوزه تخصصی است و عملا تک منظوره هستند و فقط یک شاخه از علوم را شامل خواهند شد.
- رباتیک یا ساخت ربات هوشمند (Robotics)
امروزه رباتیک به عنوان یک علم شناخته می شود که در حقیقت یک موضوع میان رشته ای بین مکانیک ، الکترونیک و رایانه هاست و ربات ها محصول نهایی این علم به حساب می آیند.
وقتی صحبت از ربات ها به میان می آید ، یک ماشین الکترومکانیکی شبیه انسان در ذهن ها متصور می شود اما واقعیت این است که نسل جدید ربات ها به این شکل و شمایل دیده می شوند اما پیش از این نیز ربات ها در صنایع مختلف حضور فراوانی داشته اند . ربات ها در کارخانجات و محیط های صنعتی اولین حضور ها را تجربه نموده است .
ربات ها محیط های سخت و طاقت فرسا را به جای انسان تجربه نموده اند و به عنوان نماینده انسان فعالیت نموده و کارکرد های درخور توجه ای را از خود به نمایش می گذارند. کوره های سخت ، چاه نفت و ….
ربات هوشمند در حقیقت نرم افزار برنامه ریزی شده ربات هاست که می تواند به صورت خودکار اعمال اصلی انسانی از جمله تفکر ، یادگیری ، برنامه ریزی و انجام وظایف خودکار را انجام دهد. کما اینکه می تواند بر دانش خود افزوده و از محیط و تجربیات خود براین دانش بیافزاید و بر توانایی های خود بیافزاید.
ربات های هوشمند روز به روز جای خود را در محیط جامعه بشری باز می نمایند. و علاوه بر ارائه خدمات و رفع نیازها در حوزه تفریح و سرگرمی نیز وارد می شوند. اگر بشر امروز به فکر رسیدن به دانش درسایر کرات و سیاره هاست و یا راحتی زندگی بررروی زمین را برای خود متصور است ؛ قطعا ماحصل پیشرفت هایی است که در این علم داشته است . شهرهای هوشمند ، وسایل خودران ، هواپیماهای بدون سرنشین ، رباتهای Telepresence ،ربات های معالج ، ربات های صنعتی ، خانگی و …. مرهون همکاری مستمر ربات ها و انسان هاست که باید آینده ای که امروز به صورت رویا و تصور در ذهن ها می آید را ماحصل این همکاری دانست.
- یادگیری ماشین (Machine Learning)
MLیا یادگیری ماشین به سیستم ها کمک می کند که به صورت خودکار یادگیری داشته باشند و بر علم و دانش خود بیافزایند. و این موضوع به پیش بینی نتایج در خروجی ها کمک شایانی می نماید. این یادگیری صرفا براساس الگوریتم های از پیش تعریف شده ای صورت می گیرد.
تشخیص چهره ، تشخیص های پزشکی ( سیستم های پشتیبان تصمیم بالینی ،تصویربرداری پزشکی، شخصی سازی داروها، جراحی ، بیماری های همه گیر و … )، پیش بینی هواشناسی و … نمونه هایی از بکارگیری ML در زندگی روزمره است . ML در ابتدا همچون کودکی است که با یادگیری علوم مختلف بر دانش آن افزوده می شود و با کنارهم قراردادن دانش های مختلف می تواند الگوهای موجود را از طریق الگوریتم های خود شناسایی نموده و این الگوها را به صورت مستمر و خستگی ناپذیر در تصمیم گیری های بعدی خود به کار برد.
ML شباهت زیادی می تواند با موضوع داده کاوی داشته باشد اما باید توجه داشت که دادهکاوی سعی در استخراج قوانین و روابط معنادار از روی دادهها دارد، اما ماشین لرنینگ سعی میکند تا به کامپیوتر قوانین استخراج شده را آموزش دهد.
و از سوی دیگر متاسفانه در کاربردهای روزمره نیز ، تفاوت چندانی در میان عموم مردم با سطح اطلاعات محدود، بین این دو حوزه وجود ندارد ولی واقعیت این است که یادگیری ماشین جزیی از هوش مصنوعی است و در حقیقت هوش مصنوعی محیط عمل وسیعتری دارد. در ML فقط در حوزه تخصصی یک موضوع می توان توقع تصمیم گیری و نتایج بهتری داشت اما در هوش مصنوعی مجموعه ای از دانش ها در تصمیم گیری نهایی ماشین دخیل می باشد . به صورت کلی در ML شاهد ایجاد دانش جدید هستیم در حالیکه در هوش مصنوعی این دانش های جدید تولید شده تبدیل به هوش جدید برای دستگاه می شود.
ML یک فرایند هفت مرحله ای شامل جمع آوری داده ، اماده سازی داده ، انتخاب مدل،آموزش مدل به منظور افزایش نرخ پیش بینی صحیح ، ارزیابی ، تنظیم پارامترها و پیش بینی و استنتاج می باشد.
- شبکه عصبی (Neural Network)
عملکرد شبکه های عصبی همانند شبکه های بیولوژیکی انسان است . امروزه رایانه ها با استفاده از روش شبکه های عصبی می توانند بدون نیاز به انسان فکر کنند و تصمیم گیری نمایند . و این مهم را از طریق تشخیص روابط بین داده های ورودی و خروجی انجام می دهند ومدل خاصی را طراحی و بکارگیری می نمایند. اما شبکه های عصبی هوشمند پا را ازاین نیز فراتر نهاده و اجازه می دهند داده های غیر ساخت یافته را نیز درک نموده ، داده هارا پس از آنالیز در فرایند استنتاج استفاده و خروجی را نمایش دهند.
واحد اصلی تشکیل دهنده شبکه های عصبی یا سلول های شبکه های عصبی، نورون ها هستند . نورون ها جایی است که از منبع خارجی داده های مختلفی را دریافت می نمایند .و پس از دریافت این داده ها ، به هر کدام یک وزن مشخصی اختصاص داده می شود . نورون ها پس از دستیابی به یک الگوی مشخص یا یک مدل خاص ، آن را در جریان داده ها با سایر سلول ها قرار می دهند یا به اصطلاح آنرا شلیک می کنند. این شلیک نیز براساس یک تابع فعال سازی صورت گرفته و نرخ مشخصی را دنبال می کند. این تابع خروجی هر گره را مشخص می نماید . قانون یادگیری اخرین قسمت از این فرایند است که در حقیقت یک الگوریتم است که پارامترهای شبکه عصبی را در راستای تولید خروجی مطلوب ، بر اساس ورودی های شبکه، بهبود می بخشد.
شبکه های عصبی برخلاف انسان خستگی ناپذیر عمل نموده و به طور مداوم کار می کنند و از خروجی هایی که قبل از این خود ایجاد نموده اند یادگیری داشته باشند و نتایج آینده را براین اساس پیش بینی کنند. و ضمن اینکه با توجه به نوع طراحی آنها ، می توانند چندین کار را به طور همزمان برنامه ریزی و اجرا نمایند.
شبکه های عصبی کاربردهای فراوانی در دنیای امروز دارند . استفاده از این روش در دنیای مالی موضوعی بسیار مرسوم است . بهره مندی در مدل سازی روش های سرمایه گذاری و ریسک سرمایه گذاری ، قیمت گذاری محصول ، برنامه های مالی و تجارت ، فعالیت در بورس و طبقه بندی اوراق بهادار از جمله کاربردهای شبکه های عصبی می باشند .
شناسایی چهره ، برنامه ریزی شرکت در حوزه تجارت و بازاریابی ، تحقیق بازار، تشخیص اشیاء ، شناسایی صداها ، تبدیل گفتار به متن ، تشخیص احساسات و … از جمله سایر کاربردهای این حوزه از هوش مصنوعی در زندگی امروزه ما ست .
- منطق فاری (Fuzzy Logic)
انقلاب منطق فازی تصورات صفر ویک برای رایانه ها را به هم ریخت . منطق فازی یک منطق چند ارزشی است . اگر پیش از این رایانه ها را سیستم هایی می دانستیم که برپایه درستی یا نادرستی ( صفرو یک ) یا قطع و وصلی مدار شکل می گرفتند در منطق فازی می بایست این تصور را کنار گذاشت و ارزش منطقی متغیرها را دربین صفر و یک جستجو نمود . این منطق که نخستین بار توسط یک دانشمند ایرانی به نام پروفسور لطفعلی عسگرزاده ( معروف به لطفی زاده) مطرح شد ، تمام تصور و استدلال های پیش از این را به هم ریخت . او معتقد است که ابهام همیشه در علم وجود دارد و از این ابهام نیز می توان در تصمیم گیری ها استفاده نمود .
منطق فازی در حقیقت ان چیزی است که به صورت واقعی در دنیای ذهنی و حیات بشر رخ می دهد . یعنی به جای پاسخ یک سوال به درست و نادرست می تواند محدود یک جواب را بیان نموده و توسعه دهد به عنوان نمونه وجود رنگ های متنوع خاکستری بین دو رنگ سفید و سیاه است . در دنیای واقعی اگر کسی مرتکب خطایی شده و دزدی کرده است صرفا به خاطر این دزدی با منطق صفر ویکی یا باید مجرم شناخته شده و اعدام شود ویا مجرم نبوده و آزاد شود اما منطق انسانی می گوید به تناسب جرمی که مرتکب شده است مورد مجزات قرار گیرد. این همان موضوعی است که در منطق فازی از زندگی واقعی الگو برداری شده است . و نزدیکترین حوزه به هوش مصنوعی است .به طور کلی منطق فازی مجموعهای از قوانین طراحی شده برای رسیدن به نتیجهگیری از دادههای نا دقیق را پشتیبانی می کند .
در دنیای امروز از این منطق در وسایل ساده و روزمره مورد استفاده الکترونیکی همچون یخچال ، لباس شویی ، آسانسور ، ترمزهای ضد قفل ABS خودروها ،کروزکنترل در اتومبیل ها، سیستم های ترجمه همزمان ، …. فراوان یافت می شود و در آینده نیز می توان تصوراتی فراتر از امروز در مهندسی پزشکی ، سی تی اسکن ، دستگاه ضربان ساز قلب، داده کاوی ، سیستم های پشتیبان تصمیم ، محاسبات آماری ، ریسک در بازارهای مالی و …. داشت.
- پردازش زبان طبیعی (Natural Language Processing)
NLPدرحقیقت پردازش زبان طبیعی انسان توسط رایانه جهت زبان گفتاری و نوشتاری است . این قابلیت به ماشین این امکان را می دهد که زبان های رایج میان انسان ها را تشخیص داده و داده های موجود در مراودات را درک کنند و سپس معانی آنرا استخراج نمایند. مدل سازی قوانین مرتبط با زبان انسان ها با مدلهای آماری، یادگیری ماشین و یادگیری عمیق و ترکیب آنها به عنوان یکی از ابعاد اصلی ان شناخته می شود .
ترجمه متن ، تشخیص هرزنامه ها ، ترجمه های ماشینی ، چت بات های گفتگو، تجزیه و تحلیل احساسات ،ابهام زدایی در متون ، تشخیص بیماری با توجه به پرونده الکترونیکی بیمار ، ریشه یابی ها ، تصحیح خودکار متون ، تشخیص گفتار ، هوش اقتصادی از مهمترین کاربردهای NLP در حوزه هوش مصنوعی به حساب می آید.
- Knowledge Enginerring (مهندسی دانش)
مهندسی دانش که برگرفته از یک موضوع قدیمی یعنی مدیریت دانش است می کوشد سامانه ای مرتبط با دانش را طراحی و ایجاد نماید . که دراین میان مهندسان دانش نیز وظیفه استخراج ، تحلیل و مدل سازی دانش را برعهده دارند. که مهمترین قسمت این فرایند را میتوان مدل سازی دانش دانست . این علم بسیار نزدیک به مهندسی نرم افزار می باشد.
در مهندسی دانش در حقیقت ما سعی می کنیم از فرایند فکری و ذهنی یک متخصص در ان حوزه الگوبرداری نماییم . پس بنابراین برای رسیدن به این موضوع سعی میکنیم روش متخصص را جهت رسیدن به پاسخ و یا تصمیم سازی متخصص برای یک مساله ویا یک موضوع فراهم آوریم . دستیابی به دانش ضمنی ، صریح از مهمترین قسمت ها می باشد و در مهندسی دانش اصول دستیابی به خلاقیت در قالب هفت روش بررسی میشود.
فرایند مهندسی دانش شامل شناسایی موضوع، گردآوری دانش مرتبط، تصمیم گیری در مورد واژگان یا سبک مهندسی دانش، کد گذاری دانش کلی ، کدگذاری نمونه انتخابی ، اجرای رویه استنتاج در رسیدن به پاسخ ، اشکال زدایی پایگاه دانش می باشد.
از مهندسی دانش در طراحی پایگاه های داده ، داده کاوی ، سامانه های اطلاعات جغرافیایی و سامانه های پشتیبان تصمیم و توسعه نرم افزارهای کاربردی و … استفاده می شود
- یادگیری عمیق (Deep Learning)
یکی از زیر مجموعه های حوزه یادگیری ماشین می باشد. در یادگیری عمیق با استفاده از علم داده می توان داده های مفید موجود در داده های بزرگ را از آن جدا نمود. درحقیقت با جمع آوری و تجزیه و تحلیل داده های بزرگ big data) ) ، ضمن اماده سازی داده ها به دنبال مدل سازی از این حجم داده ها می باشد. نکته حائز اهمیت اینکه دادهایی که مورد تجزیه و تحلیل قرار می گیرد می تواند از هر نوعی باشد یعنی داده های صوتی ، تصویری ، رقمی و … را نیز شامل می شود. قاعدتا هرچه داده ها افزایش داشته باشد و به دنبال در لایه ها وسطوح مختلف وارد شده و محاسبات افزایش یابد نتایج دقیق تر و مطلوب تر خواهد بود.
آنچه در یادگیری عمیق رخ می دهد شامل الگوریتم های مختلف از جمله شبکه های عصبی کانولوشن ، شبکه حافظه ، شبکه عصبی بازگشتی ، شبکه های باور عمیق و …. می باشد.
یادگیری ماشین را می توان در رشته ها و مشاغل مختلف دید . در پزشکی در تهیه دارو ها و همچنین تصویر برداری در تشخیص بیماری ها و همچنین دریافت ژنوم بیماران برای تشخیص و درمان آنها می باشد . و یا در صنایع دفاع ، علاوه بر تشخیص و ردیابی اشیاء ، الگورتیم های یادگیری عمیق می تواند در هواپیماهای بدون سرنشین نقش ویژه ای داشته باشد . علاوه بر آن تجزیه و تحلیل فیلم های نظارتی در کنترل مرزها برای ثبت و انجام عملیات در ورود و خروج مرزها یکی دیگر از جنبه های کارایی یادگیری عمیق به شمار می آید.
- بینایی کامپیوتر (Computer Vision)
نخستین بار در دهه ۱۹۵۰ ، موسسه ماساچوست از این روش برای حرکت دادن دست یک ربات از این روش به شکل ساده بهره برد. بعدها این تکنولوژی ارتقاء و توسعه یافت و هم اکنون با شروع استفاده از الگوریتم های سه بعدی و شبکه های عصبی عمیق در پردازش تصویر شاهد پیشرفت های فراوانی دراین عرصه هستیم که باعث ارتقاء صنعت هوش مصنوعی در دهه اخیر شده است.
بینایی کامپیوتر همان دریافت بصری است که کامپیوتراز اطراف خود همانند یک انسان واقعی انجام می دهد. این مهم از طریق استخراج یک سری اطلاعات خاص و با استفاده از عملیات اجرایی فشرده و پیچیده است . دراین مهم فشردگی ها ، نور، شباهت ها و … می تواند تاثیر فراوانی در تجزیه و تحلیل و نهایتا خروجی کار داشته باشد .
دستیابی به الگوهای پزشکی جهت یافتن بیماری ها از طریق تصویربرداری های مختلف از اندام های درگیر بیماری ، اتومبیل های خودران ، سیستم های امنیتی و … از این تکنولوژی استفاده می نمایند. تشخیص اشیاء ، ردگیری اشیاء ، واقعیت مجازی و واقعیت افزوده ، ربات های صنعتی ، ربات های فروشنده و …. همه از این روش بهره مند می شوند .
- محاسبات شناختی (Cognitive Computing)
باز طراحی رفتار انسان دریک مدل شبیه سازی شده از طریق رایانه هاست . شروع کار این فناوری را باید در ساخت اولین ربات شطرنج باز در ۱۹۹۷ دانست . دستگاه های ساخته شده به صورت مستمر داده های جدید را دریافت نموده و بر پایگاه داده خود می افزایند وبنابراین تصمیم گیری ها و اعمال آنها در زمان های کوتاه به روز رسانی می شود . وبه نوعی یک سیستم خودآموز لقب میگیرد که پایه آن داده کاوی ، بازشناسی الگوها و زبان طبیعی انسان هاست. توسعه سیستم های پشتیبان تصمیم مدیریتی یکی از مهمترین کاربردهای محاسبات شناختی به شمار می آید . علاوه بر آن پزشکی و حتی صنعت نیز از آن بهره مند می شوند.
زیرساخت های ابری و رایانش ابری ، درب های ورود به این تکنولوژی محسوب شده و همین موضوع باعث گردیده که سیل سرمایه گذاری ها به توسعه این تکنولوژی سرازیر گردد. گوگل ، آی بی ام و مایکروسافت مهمترین این شرکت ها به شمار می آیند.
گردآوری و تالیف : سید رحمان میرزائیان
