هوش مصنوعی: اصول اولیه
هوش مصنوعی: اصول اولیه -هوش مصنوعی به طور فزاینده ای در تمام عرصه های جامعه ما رواج دارد.
تعاریف و اصطلاحات در ابتکارات و استراتژی های بازاریابی با هدف تعیین موقعیت محصول متفاوت هستند، اما مفهوم اساسی را می توان به عنوان توانایی تبدیل یک ماشین و دادن توانایی استدلال به آن به همان اندازه که توانایی های شناختی انسان دارد خلاصه کرد.
برای رسیدن به این هدف، محققان محاسبات شناختی باید هم بر برنامه‌نویسی نرم‌افزار تسلط پیدا کنند و هم عملکرد بیولوژیکی مغز انسان، تفسیر آن از حواس پنجگانه (بینایی، شنوایی، لامسه، چشایی و بویایی) و پاسخ مناسب به اطلاعات گرفته شده را مطالعه کنند.
شکل 1. تشخیص چهره از طریق مفاهیم بینایی کامپیوتری
حواس پنجگانه حسگرهای اطلاعاتی برای انسان هستند. سپس این اطلاعات به مغز فرستاده شده و توسط شبکه عصبی مورد تجزیه و تحلیل قرار می گیرد.
هنگامی که تجزیه و تحلیل کامل شد، مغز با توجه به اطلاعات دریافتی در مورد واکنش تصمیم می گیرد.
به عنوان مثال، هنگامی که یک انسان در حال تماشای یک صفحه نمایش پویا است که تعداد فضاهای موجود در پارکینگ را نشان می دهد ، بینایی حسی است که استفاده می شود.
حسگر اطلاعات چشم ها هستند که اطلاعات نمایش داده شده روی صفحه را ضبط می کنند.
سپس اطلاعات مربوط به تعداد فضاهای پارک موجود برای تجزیه و تحلیل به مغز ارسال می شود.
اگر مغز به این نتیجه برسد که دیگر جای پارک در دسترس نیست، به بدن می‌گوید که به حرکت در پارکینگ دیگری ادامه دهد.
اگر به نتیجه دیگری برسد، دستور آن این است که به پارکینگ بروید و وسیله نقلیه را پارک کنید.
شکل 2. نمایش یک شبکه عصبی به شکل مغز انسان
از نقطه نظر فنی تر، تفاوت اساسی بین الگوریتم های سنتی و هوش مصنوعی این است که الگوریتم دنباله ای از عملیات ریاضی است که منجر به یک نتیجه معین می شود.
در هوش مصنوعی از الگوریتم های سنتی استفاده می شود، اما نتایج به مجموعه عظیمی از داده ها بستگی دارد. بنابراین این روش امکان سازگاری زمانی را در رفتار الگوریتم فراهم می کند.
برای مثال، پیش‌بینی نیاز پرسنل یک کلینیک پزشکی بر اساس میزان اشغال اتاق انتظار ، بسته به تابستان یا زمستان، نتایج متفاوتی را نشان می‌دهد، زیرا ماه‌های زمستان نرخ بیماری‌ها و ویروس‌هایی مانند آنفولانزا بسیار بالاتر است.
سیستم های کامپیوتری می توانند این نوع تحلیل ها را بدون تکیه بر هوش مصنوعی انجام دهند.
در این سناریو، ارزش افزوده هوش مصنوعی نصب دوربین هایی است که می توانند علائم ظاهری هر بیمار را از طریق مفاهیم بینایی کامپیوتری بخوانند.
هنگامی که پزشک تشخیص خود را می دهد، امکان ایجاد ارتباط بین علائم قابل مشاهده و بیماری مرتبط با آنها وجود خواهد داشت.
بنابراین، ایده گرفتن اطلاعات بصری، تفسیر آنچه درک شده، و تایید وضعیت واقعی توسط پزشکان وجود دارد.
این زنجیره عملیات به ماشین کمک می کند تا از نتایج صحیح بر اساس مشاهدات خود بیاموزد. این مفهوم “یادگیری ماشین” نامیده می شود.
هنگامی که مقدار مناسبی از داده ها جمع آوری و تأیید شد، دستگاه می تواند تشخیص های اولیه خود را انجام دهد و پیشنهاداتی ارائه دهد (به عنوان مثال، جداسازی افرادی که ممکن است به آنفولانزا مبتلا شوند تا از آلوده شدن بیمارانی که در اتاق انتظار هستند به دلیل پیچ خوردگی آنها جلوگیری شود. مچ پای آنها).
این زنجیره بسیار پیچیده می شود و چندین مرحله خواهد داشت. بنابراین مهم است که از همان ابتدا هدفی را که می خواهیم از طریق هوش مصنوعی به آن برسیم تعیین کنیم.
هنگامی که این هدف تعریف شد، جمع آوری داده ها و اطلاعات مربوط به هدف مورد نظر خواهد بود که نشان دهنده توصیه یا اقدامی است که سیستم انجام خواهد داد.
شکل 3. نمایش یک شبکه پردازش اطلاعات
مفهوم اولیه هوش مصنوعی توسط مخترع این پردازنده، آلن تورینگ، در طول کار خود با ارتش بریتانیا در طول جنگ جهانی دوم بیان شد.
مفهوم ارزیابی سطح یک هوش مصنوعی (که در این زمینه به عنوان “آزمون تورینگ” شناخته می شود) بسیار ساده است: انسانی که با یک ماشین ارتباط برقرار می کند نباید بتواند متوجه شود که در حال صحبت با یک ماشین است.
از زمان اختراع کامپیوتر، هرگز اثباتی وجود نداشت که نشان دهد این تست شکست خورده است.
با این حال، با تکامل قدرت پردازش رایانه‌ها، همراه با پیشرفت‌های مداوم در هوش مصنوعی، ممکن است روزی شاهد باشیم که تیمی از محققان ماشینی بسازند که نه تنها می‌تواند به طور کامل هویت یک فرد را جعل کند، بلکه انسان‌های واقعی را نیز فریب می‌دهد. فکر می کنند با یک همنوع ارتباط برقرار می کنند.
