شبکه اطلاع رسانی روابط عمومی ایران (شارا)- هوش مصنوعی، هوش صناعی یا هوش ماشینی (به انگلیسی: Artificial Intelligence) به هوشی که یک ماشین در شرایط مختلف از خود نشان میدهد، گفته میشود.
به عبارت دیگر هوش مصنوعی به سیستمهایی گفته میشود که میتوانند واکنشهایی مشابه رفتارهای هوشمند انسانی از جمله درک شرایط پیچیده، شبیهسازی فرایندهای تفکری و شیوههای استدلالی انسانی و پاسخ موفق به آنها، یادگیری و توانایی کسب دانش و استدلال برای حل مسایل را داشته باشند. بیشتر نوشتهها و مقالههای مربوط به هوش مصنوعی، آن را به عنوان «دانش شناخت و طراحی عاملهای هوشمند»[۲] تعریف کردهاند.
هوش مصنوعی را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانشها، علوم، و فنون قدیم و جدید دانست. ریشهها و ایدههای اصلی آن را باید در فلسفه، زبانشناسی، ریاضیات، روانشناسی، عصبشناسی، فیزیولوژی، تئوری کنترل، احتمالات و بهینهسازی جستجو کرد و کاربردهای گوناگون و فراوانی در علوم رایانه، علوم مهندسی، علوم زیستشناسی و پزشکی، علوم اجتماعی و بسیاری از علوم دیگر دارد.
از زبانهای برنامهنویسی هوش مصنوعی میتوان به لیسپ، پرولوگ، کلیپس و ویپی 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.[۳] جان مکارتی که واژه هوش مصنوعی را در سال ۱۹۵۶ استفاده نمود، آن را «دانش و مهندسی ساخت ماشینهای هوشمند» تعریف کردهاست.
هوش مصنوعی در علم پزشکی امروزه به دلیل گسترش دانش و پیچیدهتر شدن فرایند تصمیمگیری، استفاده از سیستمهای اطلاعاتی به خصوص سیستمهای هوش مصنوعی در تصمیمگیری، اهمیت بیشتری یافتهاست. هوش مصنوعی گسترش دانش در حوزهٔ پزشکی و پیچیدگی تصمیمات مرتبط با تشخیص و درمان - به عبارتی حیات انسان - توجه متخصصین را به استفاده از سیستمهای پشتیبان تصمیمگیری در امور پزشکی جلب نمودهاست. به همین دلیل، استفاده از انواع مختلف سیستمهای هوشمند در پزشکی رو به افزایش است، به گونهای که امروزه تأثیر انواع سیستمهای هوشمند در پزشکی مورد مطالعه قرار گرفتهاست.
تاریخچه
هوش مصنوعی توسط فلاسفه و ریاضیدانانی نظیر جرج بول که اقدام به ارائهٔ قوانین و نظریههایی در مورد منطق نمودند، مطرح شده بود. با اختراع رایانههای الکترونیکی در سال ۱۹۴۳، هوش مصنوعی، دانشمندان آن زمان را به چالشی بزرگ فراخواند. در این شرایط، چنین بهنظر میرسید که این فناوری قادر به شبیهسازی رفتارهای هوشمندانه خواهد بود.
با وجود مخالفت گروهی از متفکّرین با هوش مصنوعی که با تردید به کارآمدی آن مینگریستند تنها پس از چهار دهه، شاهد تولد ماشینهای شطرنج باز و دیگر سامانههای 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. (مرجع۱) بیشتر کارهای پژوهشی اولیه در هوش مصنوعی بر روی انجام ماشینی بازیها و نیز اثبات قضیههای ریاضی با کمک رایانهها بود. در آغاز چنین به نظر میآمد که رایانهها قادر خواهند بود چنین فعالیتهایی را تنها با بهره گرفتن از تعداد بسیار زیادی کشف و جستجو برای مسیرهای حل مسئله و سپس انتخاب بهترین روش برای حل آنها به انجام رسانند.
اصطلاح هوش مصنوعی برای اولین بار توسط جان مکارتی (که از آن بهعنوان پدر علم و دانش تولید ماشینهای هوشمند یاد میشود) استفاده شد. وی مخترع یکی از زبانهای برنامهنویسی هوش مصنوعی به نام لیسپ (به انگلیسی: lisp) است. با این عنوان میتوان به هویت رفتارهای هوشمندانه یک ابزار مصنوعی پی برد. (ساختهٔ 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 "Strong and Weak AI" میتوان تا حدودی برای معرفی ردهبندی سیستمها استفاده کرد.
طبقهبندی هوش مصنوعی
یادگیری ماشین
یادگیری ماشین (Machine Learning) شاخهای از هوش مصنوعی است که به مطالعه و ساخت سیستمهایی با قابلیت یادگیری از دادهها میپردازد. به طور مثال، به کمک سیستم یادگیری ماشین میتوان یک سیستم مدیریت ایمیل را آموزش داد تا پیامهای هرزنامه را از دیگر پیامها تشخیص دهد. این سیستم پس از یادگیری میتواند به دستهبندی ایمیلهای جدید به هرزنامه و غیر آن بپردازد.
مساله اصلی در یادگیری ماشین، عرضه و کلیسازی است. عرضه نمونههای دادهای و توابعی که بر اساس این نمونهها ارزیابی میشوند، همگی بخشی از سیستمهای یادگیری ماشین هستند. کلیسازی به معنی این قابلیت است که سیستم روی نمونههای دادهای نادیده نیز به خوبی عمل خواهد کرد. شرایطی که تحت آنها بتوان این مساله را تضمین کرد، از موضوعات اصلی مطالعه در زیرمجموعه نظریه یادگیری محاسباتی است.
انواع گسترده ای از فعالیتها و کاربردهای موفق یادگیری ماشین وجود دارد. تشخیص اپتیکال کاراکتر که در آن کاراکترهای چاپی به صورت خودکار و بر اساس نمونههای قبلی شناخته میشوند، مثالی سنتی از یادگیری دستگاه است.
بینایی ماشین
بینایی ماشین (Machine Vision) فناوری و روشهای مورد استفاده برای بهبود شناسایی و تحلیل خودکار مبتنی بر تصویر در کاربردهایی مانند بازرسی خودکار، کنترل روند و هدایت روبات در صنعت است. حوزه بینایی ماشین بسیار گسترده است. کاربرد اصلی بینایی ماشین در بازرسی خودکار و هدایت روباتهای صنعتی است، همچنین برخی کاربردهای رایج بینایی ماشین در تضمین کیفیت، دستهبندی، کار با مواد، هدایت روباتها و اندازهگیری نوری است.
روشهای بینایی ماشین به دو صورت تعریف میشوند، تعریف و ایجاد یک برنامه بینایی ماشین و نیز روندی فنی که در جریان اجرای این برنامه اتفاق میافتد. در اینجا به مورد دوم میپردازیم. این مساله شامل رابطهای کاربری، رابطهای ادغام سیستمهای چندبخشی و تبادل داده اتوماتیک میشود. به هر حال، اولین قدم در جریان اجرای بینایی ماشین، گرفتن یک تصویر است که معمولا با استفاده از دوربین، لنز و نورپردازی انجام میشود و باید وضوح مورد نیاز در پردازشهای بعدی در طراحی آن لحاظ شده باشد. سپس بسته نرمافزاری بینایی ماشین از تکنیکهای مختلف پردازش تصویر دیجیتال استفاده کرده و اطلاعات مورد نیاز را استخراج و معمولا بر اساس اطلاعات استخراجشده تصمیمگیری (معمولا تایید/رد) میکند.
پردازش زبان طبیعی
پردازش زبان طبیعی (Natural Language Processing) یکی از حوزههای علوم کامپیوتر، هوش مصنوعی و زبانشناسی است که به تعامل کامپیوتر و زیان انسان (طبیعی) میپردازد. از این منظر پردازش زبان طبیعی به حوزه تعامل انسان-کامپیوتر مربوط میشود. بسیاری از چالشهای پردازش زبان طبیعی به درک زبان طبیعی مربوط میشود – یعنی ایجاد توانایی در کامپیوتر برای استخراج مفهوم ورودی زیان انسانی یا طبیعی.
با وجود فعالیتهای قدیمیتر، تاریخچه پردازش زبان طبیعی عموما در دهه ۱۹۵۰ آغاز شد. در سال ۱۹۵۰ آلن تورینگ مقالهای را با عنوان «هوش و دستگاه محاسباتی» منتشر و در آن، آنچه را امروز به تست تورینگ موسوم است، به عنوان ابزاری برای هوش معرفی کرده بود.
روباتیک
روباتیک شاخهای از فناوری است که به طراحی، ساخت، عملیات و کاربرد روباتها و سیستمهای کامپیوتری برای کنترل، فیدبک حسگرها و پردازش اطلاعات میپردازد. این فناوریها با دستگاههای خودکاری سر و کار دارند که میتوانند جانشین انسان در محیطها یا روندهای تولیدی خطرناک شوند یا ظاهر، رفتار و درک انسانی را شبیهسازی کنند. بسیاری از روباتهای امروزی از طبیعت الهام گرفتهاند که به شاخه روباتیک ملهم از بیولوژی مربوط میشوند.
مفهوم ایجاد ماشینهایی که بتوانند خودکار کار کنند، به زمانهای دور برمیگردد اما تحقیق روی عملیاتی کردن و کاربردهای احتمالی روباتها از قرن بیستم آغاز شد. در طول تاریخ، روباتها به تقلید رفتار انسانی شناخته شده و توانستهاند کارهای مشابهی نیز انجام دهند. امروزه و با پیشرفت فناوری، رشته روباتیک با سرعت زیادی در حال پیشرفت است.
تحقیق، طراحی و ساخت روباتهای جدید با اهداف کاربردی متفاوت عمومی، تجاری یا نظامی انجام شده است. بسیاری از روباتها کارهایی را انجام میدهند که برای انسان خطرناک است؛ مانند خنثیسازی بمب و مین و بازرسی لاشه کشتی.
سیستمهای خبره
در هوش مصنوعی، یک سیستم خبره (Expert System) یک سیستم کامپیوتری است که توانایی تصمیمسازی یک انسان خبره را شبیهسازی میکند. سیستمهای خبره برای حل مشکلات پیچیده از طریق استنتاج در دانش خبرگی همانند یک انسان خبره است نه پیروی از دستورالعملهای برنامهنویس، آنطور که در برنامههای معمولی است. اولین سیستمهای خبره در دهه ۱۹۷۰ ایجاد شدند و در دهه ۱۹۸۰ توسعه یافتند. سیستمهای خبره از اولین اشکال واقعا موفق نرمافزارهای هوش مصنوعی بودند.
سیستم خبره یک ساختار خاص، متفاوت از برنامههای کامپیوتری متداول است و به دو بخش تقسیم میشود؛ یک بخش ثابت، مستقل از سیستم خبره: موتور استنتاج و یک بخش متغیر: پایگاه دانش. در اجرای سیستم خبره، موتور همانند یک انسان بر اساس پایگاه دانش، استدلال میکند. در دهه ۸۰ بخش سومی هم ظاهر شد: رابط مکالمه برای ارتباط با کاربران. این توانایی برای مکالمه با کاربران بعدها به مکالمهای شهرت یافت.
شبکه عصبی
شبکه عصبی (Neural Networks) مصنوعی گروهی از گرهها (نودها)ی به هم پیوسته، همانند شبکه عصبی گسترده در مغز است. در اینجا هر کدام از نودهای دایرهشکل نشاندهنده یک عصب مصنوعی و فلشها نشانگر اتصال از خروجی یک عصب به ورودی عصب دیگر هستند.
در علوم کامپیوتر و رشتههای مربوطه، شبکههای عصبی مصنوعی مدلهایی الهامگرفته شده از سیستم عصبی مرکزی حیوانات (به ویژه مغز) هستند که توانایی یادگیری دستگاه و تشخیص الگو را دارند. این شبکهها معمولا سیستمی از عصبهای به هم پیوستهاند که میتوانند مقادیر ورودی را با تزریق اطلاعات در شبکه محاسبه کنند.
به طور مثال در شبکه عصبی تشخیص دستخط، مجموعهای از عصبهای ورودی با پیکسلهای تصویر ورودی فعال میشوند که نماینده یک حرف یا عدد است. فعال شدن این عصبها بر اساس تابعی که توسط طراح شبکه تعیین شده، به دیگر عصبها منتقل، ارزیابی یا تغییر داده میشود تا نهایتا عصب خروجی فعال شود و تعیین کند چه کاراکتری خوانده شده است.
همانند دیگر روشهای یادگیری ماشین، شبکههای عصبی هم در انواع فعالیتهایی استفاده میشوند که انجام آنها با برنامهنویسی قراردادی معمولی دشوار است؛ از جمله بینایی ماشین و تشخیص صحبت.
الگوریتم ژنتیک
در شاخه هوش مصنوعی از رشته علوم کامپیوتر، یک الگوریتم ژنتیک (Genetic Algorithm) یک جستوجوی مکاشفهای است که روند انتخاب طبیعی را شبیهسازی میکند. این کاشف (که گاهی متامکاشفه نیز نامیده میشود)، به صورت معمول برای ایجاد راهحلهای مفید در مسائل بهینهسازی و جستوجو استفاده میشود. الگوریتمهای ژنتیکی به طبقهای بزرگتر از الگوریتمهای تکاملی (Evolutionary Algorithm) تعلق دارند که با استفاده از تکنیکهای الهامگرفته از تکامل طبیعی، مانند ارثبری، جهش، انتخاب و عبور، راهحلهایی را برای مسائل بهینهسازی تولید میکنند.
الگوریتمهای ژنتیکی در بیوانفورماتیک، فیلوژنتیک، علوم محاسباتی، مهندسی، اقتصاد، شیمی، تولید، فیزیک، ریاضیات، داروشناسی و دیگر موارد کاربرد دارد.
کاربردها
کاربردهای هوش مصنوعی چنان گسترده و فراگیر شدهاند که بسیاری از این کاربردها دیگر با نام هوش مصنوعی شناخته نمیشوند و نام تخصصی خود را دارند. تأثیر هوش مصنوعی را اکنون میتوان 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 جستجوی خودکار گوگل که از الگوریتمها و متدهای پیچیده هوش مصنوعی استفاده میکند، پس از انجام یک عملیات پرهزینه و البته سریع نتایج مرتبط را به شما نشان خواهد داد. ماشینهایی که قادر هستند خودشان را کنترل کنند. رباتهای پرنده یا قایقهای هوشمند نمونهای بارز و موفق از این نوع کاربردها هستند.
نیاز به تحلیل و استخراج الگو از دادههای 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 میآید.
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/
|