هوش مصنوعی چیست و چه کاربردهایی دارد؟

هوش مصنوعی حوزه ای جدید و بسیار جذاب است که در آن به ساخت و تولید ماشین ها و دستگاه های هوشمند پرداخته می شود به طوری که بتوان از آنها به جای انسان ها استفاده کرد. در سال 1950، پیشکسوتان این حوزه، مینسکی و مک کارتی، هوش مصنوعی را به عنوان ماشین یا برنامه ای توصیف کردند که کارهای محول شده به آن ها را مانند انسان، با استفاده از هوش خود انجام می دهند.

این تعریف بسیار گسترده ‌است و بخاطر همین موضوع است که گاهی اوقات دلایلی را درباره اینکه آیا در یک محصول واقعا از هوش مصنوعی استفاده شده است یا خیر می شنویم.

تمام سیستم های هوش مصنوعی، لااقل تعدادی از عملیات مرتبط با هوش انسان را انجام می دهند: برنامه ریزی، یادگیری، استدلال، حل مسئله، ارائه‌ی دانش، ادراک، حرکت و دستکاری و در میزان کمتری هوش اجتماعی و خلاقیت.

 

از هوش مصنوعی چه استفاده هایی می شود ؟

امروزه هوش مصنوعی در همه‌جا مورد استفاده قرار می گیرد مانند: برای خرید های آنلاین، تشخیص دستور های صوتی که به دستیار های مجازی مانند Amazon’s Alexa یا Apple’s Siri می دهید، برای تشخیص اینکه چه‌چیزی یا چه کسی درون یک عکس وجود دارد، تشخیص اسپم و شناسایی کارت های اعتباری تقلبی.

 

انواع هوش مصنوعی

هوش مصنوعی در سطح بسیار بالایی می تواند به دو نوع گسترده تقسیم شود: هوش مصنوعی محدود و هوش مصنوعی عمومی

هوش های مصنوعی محدود همان چیزی هستند که امروزه آن ها را به عنوان انواع رایانه ها در اطراف خود می بینیم. این دستگاه ها، سیستم های هوشمندی هستند که به آن ها آموخته شده یا یادگرفته‌اند که چگونه می توانند کارهای خاصی را انجام دهند؛ اما از طرفی این دستگاه ها خودشان قادر به برنامه‌ریزی نیستند، بلکه باید برنامه‌ای به آن ها داده شود.

این نوع سیستم های هوشمند را در دستیار مجازی اپل به نام Siri که قابلیت تشخیص صدا را دارد، سیستم های بینایی موجود در ماشین های اتومات و موتورهای جستجویی که محصولاتی را بر اساس آنچه قبلا خریداری کرده‌اید به شما پیشنهاد می دهند، می توان مشاهده نمود. برخلاف انسان، این سیستم ها به گونه‌ای طراحی شده‌اند که تنها آنچه را که به آن ها آموزش داده‌ می شود را می توانند انجام دهند؛ به همین خاطر است که به این سیستم ها، هوش مصنوعی محدود گفته می شود.

 

هوش مصنوعی محدود چه کار هایی را می تواند انجام دهد؟

تعداد زیادی از برنامه های کاربردی مرتبط با هوش مصنوعی محدود در حال ظهور هستند، مانند: تفسیر فید های ویدیویی از طریق پهباد هایی که می توانند به درون زیرساخت هایی از جمله خطوط انتقال نفت نفوذ کنند، سازماند‌هی تقویم های تجاری و شخصی، پاسخگویی به سوالات ساده مشتریان، همکاری با سایر سیستم های هوشمند برای انجام کارهایی از قبیل رزرو هتل در زمان و مکان مناسب، کمک به رادیولوژیست ها برای تشخیص تومور های احتمالی در اشعه‌ی ایکس، جلوگیری از محتواهای نامناسب آنلاین، تشخیص سایش و پارگی در آسانسورها از داده های جمع آوری شده توسط دستگاه های LOT. این لیست همچنان می تواند ادامه یابد.

 

 

هوش مصنوعی عمومی چه کارهایی می تواند انجام دهد ؟

هوش مصنوعی عمومی کاملا متفاوت است و به نوعی دستگاه وفق یافته با هوش انسان می باشد. این سیستم ها شکلی انعطاف‌پذیر از هوش هستند که قادر به یادگیری نحوه انجام کارهای بسیار متفاوت می باشند؛ هر چیزی از مدل مو گرفته تا ساخت جداول آماری یا استدلال در مورد طیف گسترده‌ای از موضوعات بر اساس تجربه انباشته ‌شده این هوش مصنوعی است که بیشتر در فیلم ها دیده می شود مانند HAL در سال 2001 یا Skynet در فیلم The Terminator. اما امروزه این هوش‌ مصنوعی ها وجود ندارند و متخصصان حوزه‌ی هوش مصنوعی به شدت در حال افزایش هستند تا این امر را به زودی به واقعیت تبدیل کنند.

 

نحوه‌ اجرای هوش مصنوعی و یادگیری ماشین ها

یک نظرسنجی در بین چهار گروه از متخصصین این حوزه در سال 2012 انجام شد که در آن، وینسنت سی مولر و نیک بوستروم که جز محققان و فیلسوفان حوزه‌ی هوش مصنوعی هستند، بیان کردند که هوش مصنوعی عمومی (AGI) در بین سال های 2040 تا 2050 به میزان 50 درصد پیشرفت خواهد کرد و تا سال 2075 به سقف 90 درصد خواهد رسید. این گروه حتی فراتر رفتند و بیان کردند که 30 سال پس از دستیابی به AGI، هوش هایی ساخته خواهد شد که آن را “Superintelligence” می نامند و به گونه‌ای است که از هر هوش از جمله انسان و سایر‌ هوش های مصنوعی فراتر خواهد رفت.

به گفته‌ این گزارش، برخی از متخصصان این چنین پیش بینی هایی را با توجه به درک پایین ما از مغز انسان، بسیار خوشبینانه می دانند و معتقد هستند که همچنان تا دستیابی به AGI، قرن ها فاصله داریم.

 

یادگیری ماشین چیست؟

تحقیقات گسترده‌ای در حوزه‌ هوش مصنوعی انجام شده ‌است، به گونه‌ای که هرکدام از آن ها دیگری را کامل می کند و به عبارتی مکمل یکدیگر هستند. با بهره‌گیری از دانش رو به ‌رشد، یادگیری ماشین ها فرآیندی است که با وارد کردن حجم زیادی از اطلاعات به یک سیستم، یاد می گیرد که با استفاده از این داده ها، یک کار خاص را انجام دهد مانند تشخیص صدا یا نوشتن شرح یک عکس.

 

شبکه عصبی چیست؟

کلید فرآیند یادگیری ماشینی شبکه های عصبی هستند. این شبکه ها، سیستم های الهام گرفته از مغز هستند به گونه‌ای که چندین لایه از الگوریتم ها به یکدیگر متصل شده‌اند که آن ها را نورون می نامیم و می توانند با تغییراتی که به داده های ورودی در حین عبور از لایه ها می دهند، انجام یک فعالیت خاص را یاد بگیرند. در طول آموزش این شبکه های عصبی، به طور مداوم تغییراتی بر روی این داده ها انجام می شود تا زمانی که خروجی شبکه عصبی به آنچه انتظارش را داشتیم نزدیک شود؛ در این حالت می گوییم که ماشین، انجام یک کار خاص را یاد گرفته ‌است.

زیر مجموعه یادگیری ماشینی، یادگیری عمیق است، جایی که شبکه های عصبی با تعداد زیادی لایه که به وسیله انبوهی از داده ها آموزش داده می شوند، به شبکه های گسترده تبدیل می شوند. این شبکه های عصبی عمیق هستند که باعث جهش فعلی در توانایی رایانه ها در انجام وظایفی مانند تشخیص گفتار و بینایی رایانه شده اند.

 

 

انواع مختلفی از شبکه های عصبی، با نقاط قوت و ضعف مختلف وجود دارد. شبکه های عصبی خطی یا به عبارتی بازگرداننده، نوعی از شبکه عصبی هستند که به خصوص برای پردازش زبان و تشخیص گفتار مناسب هستند، در حالی که شبکه های عصبی حلقوی (ساختار پیچیده‌تری دارند) معمولا در تشخیص تصویر استفاده می شوند. طراحی شبکه های عصبی نیز در حال تحول است، به طوری که محققان به تازگی شکل مؤثرتری از شبکه عصبی عمیق به نام حافظه کوتاه مدت یا LSTM را طراحی کرده‌اند و به آن ها این امکان را می دهد که به اندازه کافی سریع عمل کنند تا در سیستم های پر تقاضا مانندGoogle   Translateاستفاده شود.

حوزه‌ دیگری که هوش مصنوعی در آن کاربرد دارد در محاسبات تکاملی است که از نظریه‌ی معروف انتخاب طبیعی (توسط داروین) وام گرفته‌است. در این نظریه، الگوریتم های ژنتیکی طی نسل های متوالی، در تلاش برای پیدا کردن راه‌حل مناسب برای حل یک مسئله، دچار جهش و ترکیب تصادفی می گردند.

این دیدگاه حتی در  طراحی هوش مصنوعی نیز کمک کننده بوده ‌است؛ مخصوصا ساخت یک هوش مصنوعی توسط یک هوش مصنوعی دیگر. استفاده از الگوریتم های تکاملی برای بهینه‌سازی شبکه های عصبیneuroevolution  گفته می شود و می تواند نقش مهمی در کمک به طراحی کارآمد هوش مصنوعی داشته باشد چرا که تقاضا برای طراحی هوش مصنوعی توسط دانشمندان حوزه‌ی فناوری اطلاعات، روز به روز در حال افزایش است. این تکنیک اخیرا توسط آزمایشگاه هوش مصنوعی Uber به نمایش گذاشته شد که در آن مقالاتی در زمینه‌ی استفاده از الگوریتم های ژنتیکی ارائه شد که با استفاده از آن ها می توان به شبکه های عصبی عمیق آموزش داد که توانایی حل مسئله‌ی خود را تقویت کنند.

در نهایت باید گفت که سیستم های خبره‌ای وجود دارد که با قوانینی برنامه ریزی می شوند که به آن ها این امکان را می دهد مجموعه‌ای از تصمیمات را بر اساس تعداد زیادی از ورودی ها اتخاذ کنند که به این دستگاه اجازه می دهد تا رفتار یک متخصص انسانی را در یک دامنه خاص تقلید کند. نمونه‌ای از این فناوری های دانش‌بنیان را می توان خلبان های اتوماتیکی دانست که یک هواپیما را به صورت خودکار متعادل نگه می دارند و حرکت می دهند.

 

منابع تغذیه‌ای هوش مصنوعی چیست؟

بزرگترین پیشرفت در حوزه‌ی هوش مصنوعی در سال های اخیر، مربوط به یادگیری ماشینی به ویژه در زمینه یادگیری عمیق آن بوده ‌است.

این امر تا حدودی با دسترسی آسان به داده ها انجام شده‌ است؛ این پیشرفت از زمانی که سیستم های محاسباتی GPU برای یادگیری ماشینی مورد استفاده قرار می گیرد، شدت بیشتری یافته است چرا که با این فناوری توانستند محاسبات موازی بسیار قدرتمندی انجام دهند.

سیستم های GPU نه تنها سیستم های بسیار قدرتمندتری را برای آموزش مدل های یادگیری ماشینی ارائه می دهند، بلکه اکنون به عنوان سرویس های ابری از طریق اینترنت نیز به طور گسترده ای در دسترس هستند. با گذشت زمان، شرکت های بزرگ فناوری مانند گوگل و مایکروسافت، به سمت استفاده از این تراشه های تخصصی گام برداشتند تا علاوه بر اجرای کار هوش‌ مصنوعی، بتوانند از آن در یادگیری عمیق ماشینی نیز استفاده کنند.

به عنوان نمونه، واحد پردازش Tensor Google (TPU) یکی از این تراشه های سفارشی است که در آخرین نسخه‌ی آن سرعت آن را در یادگیری ماشینی تقویت می کند. به عنوان نمونه، کتابخانه‌ی نرم‌افزاریGoogle’s TensorFlow از این تراشه استفاده می کند که علاوه بر استخراج اطلاعات از طریق داده های ورودی، سرعت یادگیری ماشینی آن را نیز افزایش می دهد.

این تراشه ها فقط در آموزش مدل هایی مانند سیستم های DeepMind و Google Brain استفاده نمی شود، بلکه پایه و اساس Google Translate و تشخیص تصویر در Google Photo و همچنین خدماتی که از طریق Google’s TensorFlow Research Cloud به عموم مردم داده می شود تا با استفاده از آن مدل های یادگیری ماشینی بسازند نیز می باشد. دومین نسل از این تراشه ها در کنفرانس I / O  گوگل در ماه مه سال گذشته رونمایی شد . این مدل با مجموعه‌ای از TPU های جدید می تواند مدل های یادگیری ماشینی بسازد که با استفاده از آن در Google Translate، می توان زمان پردازش داده ها را به نصف زمانی که از GPU استفاده می شود، کاهش داد.

 

عناصر یادگیری ماشینی چیست؟

همانطور که گفته شد، یادگیری ماشینی زیر مجموعه ای از هوش مصنوعی است و به طور کلی به دو دسته اصلی تقسیم می شود: یادگیری نظارت شده و بدون نظارت.

1- یادگیری تحت نظارت

یک روش معمول برای آموزش سیستم های هوش مصنوعی، آموزش آنها با استفاده از تعداد بسیار زیادی از نمونه های برچسب خورده است. این سیستم های یادگیری ماشینی از داده های عظیمی تغذیه می شوند که برای برجسته کردن ویژگی های مورد علاقه، حاشیه نویسی شده است. این ها ممکن است عکس هایی باشند که نشان می دهد آیا آن ها دارای سگی هستند یا خیر، یا  یک سری جملات نوشتاری که پاورقی دارند تا نشان دهند آیا کلمه “Base” مربوط به موسیقی است یا ماهی. پس از آموزش، سیستم می تواند این برچسب ها را بر روی داده های جدید اعمال کند؛ به عنوان مثال هنگامی که یک عکس سگ جدید را به درون دستگاه آپلود می کنیم، برای آن عکس به طور خودکار برچسب سگ را اعمال می کند.

این پروسه، یادگیری نظارت شده نام دارد و وظیفه‌ی برچسب گذاری داده ها برعهده‌ی کاربران آنلاین یا کارکنان پلتفرم هایی مانند Amazon Mechanical Turk می باشد.

آموزش این سیستم ها به طور معمول به داده های گسترده ای نیاز دارد . به عنوان مثال در برخی سیستم ها برای یادگیری یک کار مشخص، باید میلیون ها داده به دستگاه تزریق شود؛ اگر چه، اکنون که در عصر داده ها قرار داریم و با تعداد نامحدودی از داده ها سروکار داریم، این کار ممکن است. مجموعه داده های آموزشی بسیار بزرگ‌ هستند و اندازه‌ی آن ها در حال افزایش است. به عنوان مثال مجموعه داده های تصویری گوگل حدود 9 میلیون عکس می باشد در حالی که مخزن ویدیویی YouTube به چیزی حدود 7 میلیون لینک برچسب شده می رسد. ImageNet یکی از پایگاه  های داده‌ی اولیه، بیش از 14 میلیون تصویر طبقه‌بندی شده دارد. تمام این داده های تصویری در طی 2 سال توسط 50000 نفر جمع آوری شده‌اند که البته اکثر آن ها از طریقAmazon Mechanical Turk استخدام شده‌اند، که تقریبا یک میلیارد تصویر انتخابی را بررسی، برچسب‌گذاری و مرتب کرده‌اند.

 

در دراز مدت، دستیابی به مجموعه داده های بزرگ دارای برچسب ممکن است اهمیت کمتری نسبت به دسترسی به مقادیر زیادی از قدرت محاسباتی داشته باشد.

در سال های اخیر، شبکه های Generative Adversarial (GANs) نشان داده‌اند که چگونه سیستم های یادگیری ماشینی می توانند با مقدار بسیار کمی از داده های برچسب شده، حجم زیادی از داده های جدید را برای آموزش خود تولید کنند.

این رویکرد می تواند به ظهور یادگیری نیمه نظارت منجر شود، جایی که سیستم ها یاد می گیرند که چگونه وظایف خود را با استفاده از مقدار بسیار کمتری از داده های برچسب خورده نسبت به آنچه امروزه برای سیستم های آموزشی با استفاده از یادگیری نظارت شده ضروری است، انجام دهند.

 

2- یادگیری بدون نظارت

در مقابل یادگیری تحت نظارت، یادگیری بدون نظارت از یک رویکرد دیگری استفاده می کند. به‌گونه‌ای که الگوریتم ها سعی در شناسایی الگوهای داده ها دارند و به دنبال شباهت هایی هستند که می توانند برای طبقه بندی آن داده ها استفاده کنند.

به عنوان مثال، می توان میوه هایی که وزن مشابه دارند یا ماشین هایی که اندازه‌ی موتور یکسانی را دارند در یک گروه قرار داد.

این الگوریتم از قبل برای انتخاب انواع خاصی از داده ها تنظیم نشده است، بلکه به جستجوی داده هایی می پردازد که می توانند بر اساس شباهت های آن دسته بندی شوند. به عنوان مثال، Google News، هر روز داستان هایی را با موضوعات مشابه جمع‌آوری می کند.

 

یادگیری تقویتی

یک قیاس نسبتا خام و نپخته برای یادگیری تقویتی این است که زمانی که یک حیوان خانگی یک ترفند جالبی را اجرا می کند به او پاداش می دهیم و این‌کار باعث تقویت آن رفتار در او می شود.

در یادگیری تقویتی، سیستم تلاش می کند تا بر اساس داده های ورودی خود پاداش را به حداکثر برساند، به گونه‌ای که اساسا روند آزمایش و خطا را طی می کند تا اینکه به بهترین نتیجه ممکن برسد.

نمونه‌ای از یادگیری تقویت کننده، شبکه Google DeepMind Deep Q-Network است که برای بهترین عملکرد انسان در انواع بازی های ویدیویی کلاسیک استفاده شده است. این سیستم در هر بازی از پیکسل ها تغذیه می کند و اطلاعات مختلفی مانند فاصله‌ی بین اشیاء را تعیین می کند.

سیستم یک حرکت خاص را به عنوان بهترین حرکت تعیین کرده و با توجه به تفاوت حرکت شما با حرکت تعیین شده، به شما امتیاز می دهد. زمانی امتیاز کامل و بهترین عملکرد را خواهید داشت که همان عملی را انجام دهید که سیستم تعیین کرده است. به عنوان مثال در بازی Breakout  باید پارو را در بهترین مکان ممکن قرار دهید تا توپ از دسترس شما خارج نشود.

 

کدام شرکت ها در زمینه هوش مصنوعی پیشرو هستند؟

با رشد روز افزون نقش هوش های مصنوعی در زندگی مدرن امروزی، هر یک از شرکت های بزرگ فناوری در تلاش هستند تا فناوری قوی‌تری در زمینه‌ی یادگیری ماشینی برای استفاده در خانه ارائه دهند تا آن ها را با استفاده از خدمات ابری از طریق اینترنت به فروش برسانند.

هرکدام از آن ها به طور مرتب در حوزه‌ی خاصی از هوش مصنوعی، عناوینی را به دست می آورند؛ اگرچه احتمالا شرکت گوگل با DeepMind AI AlphaGo، بیشترین تاثیر را بر آگاهی مردم در زمینه‌ی هوش مصنوعی داشته است.

 

کدام یک از سرویس های هوش مصنوعی در دسترس هستند؟

همه‌ی سیستم عامل های بزرگ ابری (خدمات وب آمازون، Microsoft Azure، Google Cloud Platform )، دسترسی به مجموعه‌ی GPU را برای آموزش و یادگیری ماشین ها فراهم می کنند. همچنین گوگل در حال مجهز کردن سیستم خود می باشد تا به کاربران این امکان را بدهد که از واحد های پردازشی Tensor گوگل استفاده کنند. این واحد های پردازشی به صورت سفارشی هستند و به گونه‌ای عمل می  کنند که می توان از آن برای بهینه‌سازی، یادگیری و اجرای مدل های یادگیری ماشینی استفاده کرد.

تمام زیرساخت ها و خدمات مرتبط برای استفاده از این سیستم ها در دسترس هستند که از آن ها می توان، فروشگاه های مبتنی بر اینترنت، توانایی نگه‌داشتن حجم زیادی از داده ها برای ساخت مدل های یادگیری ماشینی، سرویس هایی برای تبدیل داده ها برای تجزیه و تحلیل آن ها، ابزارهای تجسمی برای نشان دادن واضح نتایج و نرم‌افزاری که ساخت مدل ها را آسان می کند را نام‌ برد.

این سیستم‌ عامل های ابری، حتی ساخت مدل های یادگیری ماشین های سفارشی را نیز ساده می کند. به تازگی گوگل سرویسی را ارائه می دهد که به صورت اتومات، ساخت هوش های مصنوعی را انجام می دهد کهCloud AutoML نام دارد. در این سرویس به راحتی می توان یک ابزار را در نرم‌افزار گرفت و در مسیر مشخص رها کرد (drag and drop) که این امکان را به کاربر می دهد که بدون هیچ‌گونه تخصصی در زمینه‌ی ساخت مدل های یادگیری ماشینی، بتواند مدل های تشخیص تصاویر را ایجاد کند.

خدمات محاسبات ابری و یادگیری ماشین به طور مداوم در حال تحول است. در سال 2018 آمازون، میزبان AWS جدیدی ارائه داد که برای ساده‌سازی فرآیند آموزش مدل های یادگیری ماشینی ساخته شده‌است.

برای آن دسته از شرکت هایی که نمی خواهند مدل های یادگیری ماشین خود را بسازند بلکه در عوض می خواهند از خدمات درخواستی مبتنی بر هوش مصنوعی – مانند صدا، بینایی و تشخیص زبان – استفاده کنند، Microsoft Azure حجم وسیعی از سرویس ها را ارائه می دهد که پس از آن، سرویس های ارائه شده از طرفGoogle Cloud Platform و سپس AWS پیشگام هستند. در همین حال، IBM نیز در کنار ارائه محصولات سفارشی، سعی در فروش هوش مصنوعی خاص با هدف انجام تمام کار ها از مراقبت های پزشکی گرفته تا کار های جزئی دارد. این سیستم تمام پیشنهادات را در زیر چتر IBM خود دارد و اخیرا دو میلیارد دلار بر روی خرید کانال آب و هوایی سرمایه‌گذاری کرده ‌است تا تمام امکانات خود را در زمینه‌ی هوش مصنوعی تکمیل کند.

 

چه کشورهایی در زمینه هوش مصنوعی پیشرو هستند؟

این اشتباه بزرگی است که فکر کنید که غول های فناوری ایالات متحده‌ی آمریکا، در زمینه‌ی هوش مصنوعی یکه‌تاز میدان هستند. شرکت های چینی Alibaba، Baidu، Lenovo، سرمایه‌گذاری های عظیمی بر روی هوش مصنوعی در زمینه های مختلفی از قبیل تجارت الکترونیک و اتومبیل های اتومات انجام داده‌اند. به عنوان یک کشور، چین در حال دنبال کردن یک برنامه‌ی سه مرحله‌ای برای تبدیل هوش مصنوعی به هسته‌ی اصلی صنعت خود می باشد. برنامه‌ای که تا سال 2020 ارزشی به اندازه‌ی 150 میلیارد یوان (22 میلیارد دلار) خواهد داشت.

شرکت چینی بایدو، بر روی ساخت ماشین های اتومات سرمایه‌گذاری های عظیمی انجام داده‌است که در ساخت آن نوعی الگوریتم های یادگیری عمیق استفاده می کند که Baidu Auto Brain نام دارد و پس از چندین سال آزمایش، قصد دارد از این اتومبیل های کاملا اتومات خود در سال 2018 رونمایی و تا سال 2021 به تولید انبوه برساند.

شرکت بایدو همچنین با شرکت NVidia همکاری کرده‌است تا از هوش مصنوعی برای ساخت یک پلتفرم مستقل اتومبیل استفاده کنند به گونه‌ای که بتوان به راحتی یک اتومبیل را از حالت ابری به مدل واقعی تبدیل کرد و قصد دارند از این مدل برای ساخت اتومبیل توسط تولیدکنندگان در سراسر جهان استفاده کنند.

ترکیبی از قوانین حریم خصوصی ضعیف، سرمایه‌گذاری های کلان، جمع‌آوری داده های هماهنگ و تجزیه و تحلیل داده ها توسط شرکت های بزرگ چینی مانند بایدو، علی‌بابا و Tencent، همه و همه به این معنی است که چین در آینده‌ای نه‌چندان دور در زمینه‌ی تحقیقات در حوزه‌ی هوش مصنوعی، نسبت به آمریکا برتری بیشتری خواهد یافت. با یک تحلیلگر در مورد شانس برتری چین نسبت به آمریکا در آینده صحبت شد و او شانس چین را 500 به 1 به نفع چین بیان کرد.

 

چگونه می توانم در حوزه هوش مصنوعی کار خود را شروع کنم؟

تمام شرکت های بزرگ فناوری، سرویس های مختلفی از هوش مصنوعی را ارائه می دهند که این سرویس ها شامل زیرساخت ها برای ساخت مدل یادگیری ماشین خود و کارکردن با آن از طریق سرویس های وب می باشد که به شما این امکان را می دهد که در صورت نیاز به ابزارهای مبتنی بر هوش مصنوعی مانند گفتار، زبان، دید و تشخیص احساسات دسترسی پیدا کنید.

برای اینکه وارد این حوزه شوید و به طور تخصصی مهارت هایی مانند داده کاوی، یادگیری ماشین و یادگیری عمیق را فراگیرید می توانید به دسته بندی کلان داده و هوش مصنوعی در وبسایت داناپ مراجعه کنید و از بهترین دوره های آموزشی در این حوزه بهرمند شوید.

 

 

هوش مصنوعی چگونه جهان را تغییر خواهد داد؟

1- روبات ها و ماشین های بدون سرنشین

تمایل به ساخت روبات هایی که بتوانند به طور مستقل عمل کنند و دنیای اطراف خود را درک و در آن گردش کنند، به این معنا است که یک همپوشانی طبیعی بین صنعت رباتیک و هوش مصنوعی وجود خواهد داشت. اگرچه هوش مصنوعی تنها یکی از فناوری های مورد استفاده در صنعت رباتیک است، اما استفاده از هوش مصنوعی به روبات ها کمک می کند که به حوزه های جدیدتر مانند ماشین های خودرو (روبات های تحویل دهنده‌ی بسته های پستی)، وارد شوند.

علاوه بر آن، این شرایط به روبات ها کمک می کند تا مهارت های جدیدی را کسب کنند. شرکت جنرال موتورز بیان کرده‌است که تا سال 2019 یک ماشین بدون سرنشین، فرمان و پدال خواهد ساخت، در حالی که شرکت فورد متعهد شده‌است که این کار را تا سال 2021 انجام دهد. شرکت وایمو (یک شرکت سازنده‌ی ماشین های خودرو تحت نظارت گوگل) نیز بیان کرده‌است که به زودی سرویس های تاکسی بدون سرنشین را در شهر Phoenix ارائه خواهد داد.

 

2- اخبار جعلی

ما در آستانه‌ی داشتن شبکه های عصبی هستیم که این توانایی را خواهند داشت که تصاویر واقعی از یک فرد ایجاد کنند یا صدای یک نفر را به شیوه‌ای کاملا دقیق تکرار کنند. با وجود این تکنولوژی که آثار مخرب اجتماعی خود را خواهد گذاشت، دیگر نمی توان به فیلم ها یا فیلم های صوتی به عنوان یک سند معتبر نگاه کرد. همچنین در مورد چگونگی استفاده از این فناوری برای سوء استفاده از تصاویر افراد، نگرانی هایی وجود دارد، همانطور که امروزه نیز مشاهده می کنیم، ابزار هایی ساخته شده‌است تا تصاویر بازیگران مشهور را به فیلم های بزرگسالان متصل کنند.

 

3- گفتار و تشخیص زبان

سیستم های یادگیری ماشینی به رایانه ها کمک کرده‌اند تا آنچه را که مردم می گویند با دقت تقریبا 95 درصد تشخیص دهند. اخیرا هوش مصنوعی مایکروسافت و گروه تحقیقاتی آن ها گزارش داده‌است که سیستمی را تولید کرده است که قادر است به زبان رجیسترهای انسانی، به زبان انگلیسی صحبت کند.

محققان هدفی با دقت 99% را دنبال می کنند تا بتوانند تعامل انسان با ماشین را به یک هنجار کاملا معمول تبدیل کنند.

 

4- تشخیص چهره و نظارت

در سال های اخیر دقت سیستم های تشخیص چهره، جهشی بسیار بزرگ به سمت جلو داشته است تا جایی یکی از شرکت های بزرگ چینی به نام بایدو بیان کرده‌است که می تواند چهره های مختلف را با دقت 99% به یکدیگر متصل کند، به شرطی که چهره‌ی آن در ویدیو به اندازه‌ی کافی واضح باشد. در حالی که نیروهای پلیس در کشور های غربی تنها با استفاده از سیستم های تشخیص چهره در رویداد های بزرگ حاضر می شوند، مقامات چینی به دنبال اجرای برنامه‌ای هستند تا در سراسر کشور، دوربین های مدار بسته‌ای را نصب کنند که با استفاده از هوش مصنوعی بتواند مظنونین و حرکات مشکوک را تشخیص دهد.

پلیس همچنین در حال استفاده از عینک تشخیص چهره‌ است. اگرچه مقررات حریم خصوصی در کشور های مختلف متفاوت است، اما به احتمال زیاد، این استفاده فضولانه از هوش مصنوعی (مانند استفاده از هوش مصنوعی برای تشخیص احساسات) به مرور زمان در کشور های دیگر نیز گسترش خواهد یافت.

 

5- مراقبت های بهداشتی

هوش مصنوعی سرانجام می تواند تأثیر چشمگیری در مراقبت های بهداشتی داشته باشد. به رادیولوژیست ها کمک می کنند تا تومور ها را با استفاده از اشعه‌ی ایکس تشخیص دهند و به محققان کمک می کنند تا توالی های ژنتیکی مرتبط با بیماری ها را تشخیص دهند یا مولکول های خاصی را که می توانند برای ساخت دارو مفید باشند را شناسایی کنند.

آزمایشاتی در مورد فناوری مرتبط با هوش مصنوعی در بیمارستان های‌ سراسر جهان انجام شده است. این موارد شامل ابزار پشتیبانی IBM Watson است که برای تشخیص های بالینی به پزشکان کمک می کند. این هوش مصنوعی در مرکز سرطان Memorial Sloan Kettering آموزش داده شد و درون خود از فناوریGoogle DeepMind استفاده می کند که هم‌اکنون در مراکز بهداشت ملی انگلستان مورد استفاده قرار می گیرد. این سیستم به تشخیص بیماری های چشم و ساده‌تر کردن روند تشخیص بیماران از نظر سرطان سر و گردن کمک می کند.

 

 

آیا هوش مصنوعی ممکن است شغلتان را از شما بگیرد؟

اگرچه هوش مصنوعی نمی تواند جایگزین تمام شغل ها شود، اما آنچه مسلم است، این است که هوش های مصنوعی ماهیت کار را تغییر خواهند داد. تنها سوال این است که اتوماسیون با چه سرعتی و به چه عمقی باعث تغییر محیط کار خواهد شد.

به سختی زمینه هایی را می توان یافت که انسان بتواند در آن فعالیت کند اما هوش مصنوعی پتانسیل آن را نداشته باشد. به گفته اندرو نگ، متخصص هوش مصنوعی: “بسیاری از افراد مشغول انجام کارهای روزمره و تکراری هستند”. متاسفانه تکنولوژی های جدید در انجام کارهای روزمره و تکراری خوب عمل می کنند. او همچنین ادامه می دهد: “در چند دهه‌ی آینده، حجم زیادی از بیکاری مردم را می توانم تصور کنم”.

شواهدی وجود دارد که هم‌اکنون نیز شغل هایی وجود دارند که در حال واگذاری به هوش مصنوعی هستند. آمازون به تازگی Amazon Go، یک سوپر مارکت بدون صندوق پول در سیاتل را راه اندازی کرده است که در آن مشتریان فقط مواردی را که می خواهند از قفسه ها بر می دارند و به بیرون می روند. باید ببینیم برای 3 میلیون نفری که در ایالات متحده آمریکا به عنوان صندوقدار کار می کنند چه اتفاقی خواهد افتاد!

آمازون همچنین راه را برای استفاده از روبات ها برای بهبود کارایی در داخل انبارهای خود آسان کرده است. این روبات ها قفسه محصولات را به وانت های انسانی منتقل می کنند که مواردی را برای ارسال به آنها انتخاب می کنند. آمازون در مراکز تحقق خود بیش از 100000 ربات دارد که قصد دارد موارد دیگری را نیز به آن اضافه کند. اما آمازون همچنین تاکید می کند که با افزایش تعداد ربات ها، تعداد کارگران انسانی در این انبارها نیز افزایش یافته است. با این حال آمازون و دیگر شرکت های رباتیک کوچک، به دنبال این هستند تا بقیه‌ی شغل های باقی‌مانده در انبار ها را نیز به صورت اتوماتیک درآورند و این موضوع بدین معنا است که پس از مدتی، افزایش روبات ها باعث کاهش شدید در نیرو های انسانی این انبار ها را خواهد داشت.

وسایل نقلیه کاملا اتومات هنوز به واقعیت نرسیده‌ است اما پیش‌بینی  ها نشان می دهد که در دهه های آینده، صنعت خودروسازی بدون در نظر گرفتن تاثیری که بر تاکسی ها و پیک ها می گذارد، چیزی حدود 1.7 میلیون شغل را به خود اختصاص می دهد.

با این وجود هنوز هم برخی از ساده‌ترین کارها که به راحتی می تواند اتومات شود، به روبات ها واگذار نشده است. در حال حاضر میلیون ها نفر در اداره، وارد کردن و کپی کردن داده ها بین سیستم ها، پیگیری و رزرو قرار ملاقات ها برای شرکت ها مشغول به کار هستند. هرچه نرم‌افزارها در آپدیت‌کردن سیستم های خودکار پیشرفت کنند، نیاز به نیروهای انسانی کاهش پیدا خواهد کرد.

برای برخی، هوش مصنوعی فناوری است که به جای جایگزین کردن کارمندان، تعداد آن ها را بیشتر خواهد کرد. نه تنها این، بلکه این امر یک ضرورت تجاری‌ است، چرا که در هر شغلی به یک نیروی انسانی نیاز است و این ربات ها می توانند به عنوان دستیار نیروی انسانی به او کمک کنند. به عنوان مثال زمانی که یک مشتری به نیروی انسانی شرکت شما مراجعه می کند، هوش مصنوعی که به صورت هدست درون گوش کارمندتان قرار گرفته است، به او می گوید که مشتری دقیقا به چه چیزی نیاز دارد، حتی قبل از اینکه مشتری شروع به صحبت کردن کرده ‌باشد. این شرایط موثر‌تر از زمانی ‌است که هوش مصنوعی به تنهایی کار کند.

در میان دانشمندان نیز اینکه هوش مصنوعی با چه سرعتی می تواند از هوش انسانی فراتر رود، اختلاف نظر هایی وجود دارد. موسسه Future of Humanity دانشگاه آکسفورد از چند صد کارشناس خبره ماشین سازی خواسته است تا طی دهه های آینده توانایی هوش مصنوعی را پیش بینی کنند.

تاریخ هایی که مشخص کرده‌اند نشان می دهد که هوش مصنوعی تا سال 2026، جای انسان را در نوشتن مقالات می گیرند. تا سال 2027، رانندگان کامیون از کار بی کار می شوند. تا سال 2031 از توانایی انسان در خرده فروشی، تا سال 2049، نوشتن مقالات پرفروش و تا سال 2053 در کار های جراحی پیشی خواهد گرفت.

آن ها تخمین زده‌اند که تا 45 سال آینده، هوش های مصنوعی بتوانند در تمام کار هایی که انسان ها انجام می دهند، آن ها را شکست دهند و تا 120 سال آینده تمام شغل ها به صورت اتوماتیک درآید.