شبكه اطلاع رساني روابط عمومي ايران (شارا)- هوش مصنوعي، هوش صناعي يا هوش ماشيني (به انگليسي: Artificial Intelligence) به هوشي كه يك ماشين در شرايط مختلف از خود نشان مي‌دهد، گفته مي‌شود.

به عبارت ديگر هوش مصنوعي به سيستم‌هايي گفته مي‌شود كه مي‌توانند واكنش‌هايي مشابه رفتارهاي هوشمند انساني از جمله درك شرايط پيچيده، شبيه‌سازي فرايندهاي تفكري و شيوه‌هاي استدلالي انساني و پاسخ موفق به آنها، يادگيري و توانايي كسب دانش و استدلال براي حل مسايل را داشته باشند. بيشتر نوشته‌ها و مقاله‌هاي مربوط به هوش مصنوعي، آن را به عنوان «دانش شناخت و طراحي عامل‌هاي هوشمند»[۲] تعريف كرده‌اند.

هوش مصنوعي را بايد عرصهٔ پهناور تلاقي و ملاقات بسياري از دانش‌ها، علوم، و فنون قديم و جديد دانست. ريشه‌ها و ايده‌هاي اصلي آن را بايد در فلسفه، زبان‌شناسي، رياضيات، روان‌شناسي، عصب‌شناسي، فيزيولوژي، تئوري كنترل، احتمالات و بهينه‌سازي جستجو كرد و كاربردهاي گوناگون و فراواني در علوم رايانه، علوم مهندسي، علوم زيست‌شناسي و پزشكي، علوم اجتماعي و بسياري از علوم ديگر دارد.

از زبان‌هاي برنامه‌نويسي هوش مصنوعي مي‌توان به ليسپ، پرولوگ، كليپس و ويپي اكسپرت اشاره كرد.

يك «عامل هوشمند» سيستمي است كه با شناخت محيط اطراف خود، شانس موفقيت خود را پس از تحليل و بررسي افزايش مي‌دهد.[۳] جان مكارتي كه واژه هوش مصنوعي را در سال ۱۹۵۶ استفاده نمود، آن را «دانش و مهندسي ساخت ماشين‌هاي هوشمند» تعريف كرده‌است.

هوش مصنوعي در علم پزشكي امروزه به دليل گسترش دانش و پيچيده‌تر شدن فرايند تصميم‌گيري، استفاده از سيستم‌هاي اطلاعاتي به خصوص سيستم‌هاي هوش مصنوعي در تصميم‌گيري، اهميت بيشتري يافته‌است. هوش مصنوعي گسترش دانش در حوزهٔ پزشكي و پيچيدگي تصميمات مرتبط با تشخيص و درمان - به عبارتي حيات انسان - توجه متخصصين را به استفاده از سيستم‌هاي پشتيبان تصميم‌گيري در امور پزشكي جلب نموده‌است. به همين دليل، استفاده از انواع مختلف سيستم‌هاي هوشمند در پزشكي رو به افزايش است، به گونه‌اي كه امروزه تأثير انواع سيستم‌هاي هوشمند در پزشكي مورد مطالعه قرار گرفته‌است.

تاريخچه
هوش مصنوعي توسط فلاسفه و رياضي‌داناني نظير جرج بول كه اقدام به ارائهٔ قوانين و نظريه‌هايي در مورد منطق نمودند، مطرح شده بود. با اختراع رايانه‌هاي الكترونيكي در سال ۱۹۴۳، هوش مصنوعي، دانشمندان آن زمان را به چالشي بزرگ فراخواند. در اين شرايط، چنين به‌نظر مي‌رسيد كه اين فناوري قادر به شبيه‌سازي رفتارهاي هوشمندانه خواهد بود.

با وجود مخالفت گروهي از متفكّرين با هوش مصنوعي كه با ترديد به كارآمدي آن مي‌نگريستند تنها پس از چهار دهه، شاهد تولد ماشينهاي شطرنج باز و ديگر سامانه‌هاي هوشمند در صنايع گوناگون شديم.

نام هوش مصنوعي در سال ۱۹۶۵ ميلادي به عنوان يك دانش جديد ابداع گرديد. البته فعاليت در اين زمينه از سال ۱۹۶۰ ميلادي شروع شد. (مرجع۱) بيشتر كارهاي پژوهشي اوليه در هوش مصنوعي بر روي انجام ماشيني بازي‌ها و نيز اثبات قضيه‌هاي رياضي با كمك رايانه‌ها بود. در آغاز چنين به نظر مي‌آمد كه رايانه‌ها قادر خواهند بود چنين فعاليت‌هايي را تنها با بهره گرفتن از تعداد بسيار زيادي كشف و جستجو براي مسيرهاي حل مسئله و سپس انتخاب بهترين روش براي حل آن‌ها به انجام رسانند.

اصطلاح هوش مصنوعي براي اولين بار توسط جان مكارتي (كه از آن به‌عنوان پدر علم و دانش توليد ماشين‌هاي هوشمند ياد مي‌شود) استفاده شد. وي مخترع يكي از زبان‌هاي برنامه‌نويسي هوش مصنوعي به نام ليسپ (به انگليسي: lisp) است. با اين عنوان مي‌توان به هويت رفتارهاي هوشمندانه يك ابزار مصنوعي پي برد. (ساختهٔ دست بشر، غيرطبيعي، مصنوعي) حال آنكه هوش مصنوعي به عنوان يك اصطلاح عمومي پذيرفته شده كه شامل محاسبات هوشمندانه و تركيبي (مركب از مواد مصنوعي) است.

از اصطلاح "Strong and Weak AI" مي‌توان تا حدودي براي معرفي رده‌بندي سيستم‌ها استفاده كرد.

طبقه‌بندي هوش مصنوعي
يادگيري ماشين
يادگيري ماشين (Machine Learning) شاخه‌اي از هوش مصنوعي است كه به مطالعه و ساخت سيستم‌هايي با قابليت يادگيري از داده‌ها مي‌پردازد. به طور مثال، به كمك سيستم يادگيري ماشين مي‌توان يك سيستم مديريت ايميل را آموزش داد تا پيام‌هاي هرزنامه را از ديگر پيام‌ها تشخيص دهد. اين سيستم پس از يادگيري مي‌تواند به دسته‌بندي ايميل‌هاي جديد به هرزنامه و غير آن بپردازد.

مساله اصلي در يادگيري ماشين، عرضه و كلي‌سازي است. عرضه نمونه‌هاي داده‌اي و توابعي كه بر اساس اين نمونه‌ها ارزيابي مي‌شوند، همگي بخشي از سيستم‌هاي يادگيري ماشين هستند. كلي‌سازي به معني اين قابليت است كه سيستم روي نمونه‌هاي داده‌اي ناديده نيز به خوبي عمل خواهد كرد. شرايطي كه تحت آنها بتوان اين مساله را تضمين كرد، از موضوعات اصلي مطالعه در زيرمجموعه نظريه يادگيري محاسباتي است.

انواع گسترده اي از فعاليت‌ها و كاربردهاي موفق يادگيري ماشين وجود دارد. تشخيص اپتيكال كاراكتر كه در آن كاراكترهاي چاپي به صورت خودكار و بر اساس نمونه‌هاي قبلي شناخته مي‌شوند، مثالي سنتي از يادگيري دستگاه است.

بينايي ماشين
بينايي ماشين (Machine Vision) فناوري و روش‌هاي مورد استفاده براي بهبود شناسايي و تحليل خودكار مبتني بر تصوير در كاربردهايي مانند بازرسي خودكار، كنترل روند و هدايت روبات در صنعت است. حوزه بينايي ماشين بسيار گسترده است. كاربرد اصلي بينايي ماشين در بازرسي خودكار و هدايت روبات‌هاي صنعتي است، همچنين برخي كاربردهاي رايج بينايي ماشين در تضمين كيفيت، دسته‌بندي، كار با مواد، هدايت روبات‌ها و اندازه‌گيري نوري است.

روش‌هاي بينايي ماشين به دو صورت تعريف مي‌شوند، تعريف و ايجاد يك برنامه بينايي ماشين و نيز روندي فني كه در جريان اجراي اين برنامه اتفاق مي‌افتد. در اينجا به مورد دوم مي‌پردازيم. اين مساله شامل رابط‌هاي كاربري، رابط‌هاي ادغام سيستم‌هاي چندبخشي و تبادل داده اتوماتيك مي‌شود. به هر حال، اولين قدم در جريان اجراي بينايي ماشين، گرفتن يك تصوير است كه معمولا با استفاده از دوربين، لنز و نورپردازي انجام مي‌شود و بايد وضوح مورد نياز در پردازش‌هاي بعدي در طراحي آن لحاظ شده باشد. سپس بسته نرم‌افزاري بينايي ماشين از تكنيك‌هاي مختلف پردازش تصوير ديجيتال استفاده كرده و اطلاعات مورد نياز را استخراج و معمولا بر اساس اطلاعات استخراج‌شده تصميم‌گيري (معمولا تاييد/رد) مي‌كند.

پردازش زبان طبيعي
پردازش زبان طبيعي (Natural Language Processing) يكي از حوزه‌هاي علوم كامپيوتر، هوش مصنوعي و زبانشناسي است كه به تعامل كامپيوتر و زيان انسان (طبيعي) مي‌پردازد. از اين منظر پردازش زبان طبيعي به حوزه تعامل انسان-كامپيوتر مربوط مي‌شود. بسياري از چالش‌هاي پردازش زبان طبيعي به درك زبان طبيعي مربوط مي‌شود – يعني ايجاد توانايي در كامپيوتر براي استخراج مفهوم ورودي زيان انساني يا طبيعي.

با وجود فعاليت‌هاي قديمي‌تر، تاريخچه پردازش زبان طبيعي عموما در دهه ۱۹۵۰ آغاز شد. در سال ۱۹۵۰ آلن تورينگ مقاله‌اي را با عنوان «هوش و دستگاه محاسباتي» منتشر و در آن، آنچه را امروز به تست تورينگ موسوم است، به عنوان ابزاري براي هوش معرفي كرده بود.

روباتيك
روباتيك شاخه‌اي از فناوري است كه به طراحي، ساخت، عمليات و كاربرد روبات‌ها و سيستم‌هاي كامپيوتري براي كنترل، فيدبك حسگرها و پردازش اطلاعات مي‌پردازد. اين فناوري‌ها با دستگاه‌هاي خودكاري سر و كار دارند كه مي‌توانند جانشين انسان در محيط‌ها يا روندهاي توليدي خطرناك‌ شوند يا ظاهر، رفتار و درك انساني را شبيه‌سازي كنند. بسياري از روبات‌هاي امروزي از طبيعت الهام گرفته‌اند كه به شاخه روباتيك ملهم از بيولوژي مربوط مي‌شوند.

 مفهوم ايجاد ماشين‌هايي كه بتوانند خودكار كار كنند، به زمان‌هاي دور برمي‌گردد اما تحقيق روي عملياتي كردن و كاربردهاي احتمالي روبات‌ها از قرن بيستم آغاز شد. در طول تاريخ، روبات‌ها به تقليد رفتار انساني شناخته شده و توانسته‌اند كارهاي مشابهي نيز انجام دهند. امروزه و با پيشرفت فناوري، رشته روباتيك با سرعت زيادي در حال پيشرفت است.

تحقيق، طراحي و ساخت روبات‌هاي جديد با اهداف كاربردي متفاوت عمومي، تجاري يا نظامي انجام شده است. بسياري از روبات‌ها كارهايي را انجام مي‌دهند كه براي انسان خطرناك است؛ مانند خنثي‌سازي بمب و مين و بازرسي لاشه كشتي.

سيستم‌هاي خبره
در هوش مصنوعي، يك سيستم خبره (Expert System) يك سيستم كامپيوتري است كه توانايي تصميم‌سازي يك انسان خبره را شبيه‌سازي مي‌كند. سيستم‌هاي خبره براي حل مشكلات پيچيده از طريق استنتاج در دانش خبرگي همانند يك انسان خبره است نه پيروي از دستورالعمل‌هاي برنامه‌نويس، آن‌طور كه در برنامه‌هاي معمولي است. اولين سيستم‌هاي خبره در دهه ۱۹۷۰ ايجاد شدند و در دهه ۱۹۸۰ توسعه يافتند. سيستم‌هاي خبره از اولين اشكال واقعا موفق نرم‌افزارهاي هوش مصنوعي بودند.

سيستم خبره يك ساختار خاص، متفاوت از برنامه‌هاي كامپيوتري متداول است و به دو بخش تقسيم مي‌شود؛ يك بخش ثابت، مستقل از سيستم خبره: موتور استنتاج و يك بخش متغير: پايگاه دانش. در اجراي سيستم خبره، موتور همانند يك انسان بر اساس پايگاه دانش، استدلال مي‌كند. در دهه ۸۰ بخش سومي هم ظاهر شد: رابط مكالمه براي ارتباط با كاربران. اين توانايي براي مكالمه با كاربران بعدها به مكالمه‌اي شهرت يافت.
 

شبكه عصبي
شبكه عصبي (Neural Networks) مصنوعي گروهي از گره‌ها (نودها)ي به هم پيوسته، همانند شبكه عصبي گسترده در مغز است. در اينجا هر كدام از نودهاي دايره‌شكل نشان‌دهنده يك عصب مصنوعي و فلش‌ها نشانگر اتصال از خروجي يك عصب به ورودي عصب ديگر هستند.

در علوم كامپيوتر و رشته‌هاي مربوطه، شبكه‌هاي عصبي مصنوعي مدل‌هايي الهام‌گرفته شده از سيستم عصبي مركزي حيوانات (به ويژه مغز) هستند كه توانايي يادگيري دستگاه و تشخيص الگو را دارند. اين شبكه‌ها معمولا سيستمي از عصب‌هاي به هم پيوسته‌اند كه مي‌توانند مقادير ورودي را با تزريق اطلاعات در شبكه محاسبه كنند.

به طور مثال در شبكه عصبي تشخيص دست‌خط، مجموعه‌اي از عصب‌هاي ورودي با پيكسل‌هاي تصوير ورودي فعال مي‌شوند كه نماينده يك حرف يا عدد است. فعال شدن اين عصب‌ها بر اساس تابعي كه توسط طراح شبكه تعيين شده، به ديگر عصب‌ها منتقل، ارزيابي يا تغيير داده مي‌شود تا نهايتا عصب خروجي فعال شود و تعيين كند چه كاراكتري خوانده شده است.

همانند ديگر روش‌هاي يادگيري ماشين، شبكه‌هاي عصبي هم در انواع فعاليت‌هايي استفاده مي‌شوند كه انجام آنها با برنامه‌نويسي قراردادي معمولي دشوار است؛ از جمله بينايي ماشين و تشخيص صحبت.

الگوريتم ژنتيك
در شاخه هوش مصنوعي از رشته علوم كامپيوتر، يك الگوريتم ژنتيك (Genetic Algorithm) يك جست‌وجوي مكاشفه‌اي است كه روند انتخاب طبيعي را شبيه‌سازي مي‌كند. اين كاشف (كه گاهي متامكاشفه نيز ناميده مي‌شود)، به صورت معمول براي ايجاد راه‌حل‌هاي مفيد در مسائل بهينه‌سازي و جست‌وجو استفاده مي‌شود. الگوريتم‌هاي ژنتيكي به طبقه‌اي بزرگ‌تر از الگوريتم‌هاي تكاملي (Evolutionary Algorithm) تعلق دارند كه با استفاده از تكنيك‌هاي الهام‌گرفته از تكامل طبيعي، مانند ارث‌بري، جهش، انتخاب و عبور، راه‌حل‌هايي را براي مسائل بهينه‌سازي توليد مي‌كنند.

الگوريتم‌هاي ژنتيكي در بيوانفورماتيك، فيلوژنتيك، علوم محاسباتي، مهندسي، اقتصاد، شيمي، توليد، فيزيك، رياضيات، داروشناسي و ديگر موارد كاربرد دارد.

كاربردها
كاربردهاي هوش مصنوعي چنان گسترده و فراگير شده‌اند كه بسياري از اين كاربردها ديگر با نام هوش مصنوعي شناخته نمي‌شوند و نام تخصصي خود را دارند. تأثير هوش مصنوعي را اكنون مي‌توان در همه جهات و نقاط زندگي مردم ديد. آيفوني كه قادر به تشخيص اعضاي خانه است يا تلويزيوني كه نور صفحه نمايش دلخواه را با تعداد افراد تنظيم مي‌كند، همه و همه كاربردهاي هوش مصنوعي هستند.

كاربردهاي عملي آن دسته از كاربردهاي هوش مصنوعي هستند كه عمليات خاصي را انجام داده و عمل يا تأثير آن به وضوح توسط كاربر احساس خواهد شد. براي مثال جستجوي خودكار گوگل كه از الگوريتم‌ها و متدهاي پيچيده هوش مصنوعي استفاده مي‌كند، پس از انجام يك عمليات پرهزينه و البته سريع نتايج مرتبط را به شما نشان خواهد داد. ماشين‌هايي كه قادر هستند خودشان را كنترل كنند. ربات‌هاي پرنده يا قايق‌هاي هوشمند نمونه‌اي بارز و موفق از اين نوع كاربردها هستند.

نياز به تحليل و استخراج الگو از داده‌هاي ترافيك شهري، دريافتي كاركنان و جابه جايي پول در يك بانك براي جلوگيري از اختلاس يك عمليات نيست و تأثير يا خود عمل به وضوح توسط كاربر لمس نخواهد شد؛ اما در مقابل يك تحليل هوشمند و خودكار است كه كاربرد تحليلي هوش مصنوعي به حساب مي‌آيد.

منابع

https://fa.wikipedia.org/wiki/%D9%87%D9%88%D8%B4_%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C
https://peivast.com/world/%D8%AA%D8%B9%D8%B1%DB%8C%D9%81-%D9%88-%D8%B4%D8%A7%D8%AE%D9%87%E2%80%8C%D9%87%D8%A7%DB%8C-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C/