‹ Back

هوش مصنوعی/AI چیست؟ توضیح کامل تعریف، تاریخچه، انواع، مکانیسم‌ها و مثال‌ها

آخرین به‌روزرسانی: 2024/08/21

هوش مصنوعی/AI چیست؟ توضیح مفصل

در سال‌های اخیر، کیفیت کالاها و خدمات روز به روز در حال بهبود بوده است و هوش مصنوعی (AI ) به عنوان ابزاری برای کمک به این بهبود کیفیت، توجه زیادی را به خود جلب کرده است. از آنجایی که شرکت‌های بیشتری از هوش مصنوعی برای مدیریت عملیات داخلی خود استفاده می‌کنند، اصطلاح «هوش مصنوعیAI   »احتمالاً برای بسیاری از مردم آشنا می‌شود.

با این حال، ممکن است افراد زیادی نباشند که درک دقیقی از تعریف و مکانیسم‌های هوش مصنوعی/AI داشته باشند. در این مقاله، نگاهی دقیق به تعریف، تاریخچه و سازوکارهای هوش مصنوعی/AI خواهیم داشت و همچنین چند نمونه از کاربرد هوش مصنوعی در زندگی روزمره را معرفی خواهیم کرد، پس حتماً آن را بررسی کنید.

هوش مصنوعی/AI چیست؟

اول از همه، هوش مصنوعی (AI ) دقیقاً چیست؟ اول، اجازه دهید تعریف را به طور مفصل توضیح دهم.

هوش مصنوعی AI) ) مخفف عبارت  Artificial Intelligence»  » است که در زبان فارسی به «هوش مصنوعی» ترجمه می‌شود. برنامه‌هایی که هدفشان تقلید از عملکردهای انجام شده توسط مغز انسان است، مانند درک زبان طبیعی، استنتاج منطقی و یادگیری از تجربه، عموماً به عنوان "هوش مصنوعی" شناخته می‌شوند.

با این حال، این صرفاً یک درک کلی است و تعریف روشنی از هوش مصنوعی/AI وجود ندارد. دلیل این امر این است که هر محقق هوش مصنوعی تمایل دارد برداشت‌ها و تفسیرهای کمی متفاوتی داشته باشد. علاوه بر این، هوش مصنوعی موجودیتی است که پتانسیل ناشناخته‌ای دارد و مشخص نیست که در آینده چگونه مورد استفاده قرار خواهد گرفت. این همچنین یکی از دلایلی است که تعریف روشنی از هوش مصنوعی وجود ندارد.

چگونه متخصصان هوش مصنوعی را تعریف می‌کنند.

درک عمومی از هوش مصنوعی این است که «بازتولید مصنوعی هوش انسانی با استفاده از کامپیوتر» است، اما انجمن هوش مصنوعی ژاپن آن را «علم و فناوری ایجاد ماشین‌های هوشمند، به ویژه برنامه‌های کامپیوتری هوشمند» توصیف می‌کند، اصطلاحی که توسط پروفسور جان مک‌کارتی، خالق اصطلاح هوش مصنوعی، ابداع شده است.

علاوه بر این، در سال‌های اخیر تحقیقاتی توسط محققان مختلف انجام شده است و هر کدام هوش مصنوعی را با اصطلاحات مختلفی تعریف می‌کنند، به همین دلیل است که وضعیت فعلی این است که «هوش مصنوعی به طور واضح تعریف نشده است». در اینجا چند تعریف از هوش مصنوعی از متخصصان هوش مصنوعی آورده شده است:

یوتاکا ماتسوئو (دانشگاه توکیو) هوش مصنوعی شبه انسانی یا فناوری لازم برای ایجاد آن.

هیدئاکی تاکدا (موسسه ملی انفورماتیک)

یک موجود هوشمند مصنوعی خلق شده. یا حوزه‌ای است که با تلاش برای خلق هوش، خودِ آن را مطالعه می‌کند.

تویوآکی نیشیدا (دانشگاه توکیو) این یک «ماشین با هوش» یا «ماشینی با قلب» است.

ریچیرو میزوگوچی (موسسه پیشرفته علوم و فناوری ژاپن) این یک سیستم مصنوعی است که هوشمندانه رفتار می‌کند.

مینورو آسادا (دانشگاه اوساکا) از آنجایی که تعریف هوش مشخص نیست، هوش مصنوعی را نمی‌توان به روشنی تعریف کرد.

ناگائو ماکوتو (دانشگاه کیوتو) این سیستمی است که فعالیت مغز انسان را تا حد زیادی شبیه‌سازی می‌کند. این دنیای جدیدی از هوش مصنوعی است.

هیروشی یاماکاوا (دانشگاه تاماگاوا) من فکر می‌کنم وقتی صحبت از هوش کامپیوتری می‌شود، مواردی که به طور مستقیم یا غیرمستقیم توسط انسان طراحی می‌شوند را می‌توان هوش مصنوعی نامید.

ماتسوبارا جین (دانشگاه آینده هاکوداته) در نهایت، این به هوش مصنوعی اشاره دارد که از انسان قابل تشخیص نیست.

تاکاهیرا یاماگوچی (دانشگاه کیو) یک سیستم سازنده برای تقلید، پشتیبانی و پیشی گرفتن از رفتار هوشمندانه انسان.

ساتوشی کوریهارا (دانشگاه کیو): من تصور می‌کنم که اگرچه این یک هوش مصنوعی است، اما سطح هوش آن از انسان فراتر خواهد رفت.

ایکگامی تاکاشی (دانشگاه توکیو) هوش مصنوعی به عنوان سیستمی تعریف می‌شود که می‌تواند به صورت مصنوعی تعاملات احساسی و طنزآمیز ایجاد کند، مانند تعاملاتی که ما به طور طبیعی با حیوانات خانگی و سایر افراد داریم، صرف نظر از یا حتی برخلاف قوانین فیزیک.

(تعریف مترجم-هوش مصنوعی عملکردتراشه های پیشرفته ای است که بایک برنامه رایانه ای وباتکیه برحجمی ازداده ها مسئله مطرح شده ای راحل می کنند.)

متضادهای هوش مصنوعی

متضاد هوش مصنوعی، هوش طبیعی است. با علامت اختصاری "NI "  به آن اشاره می‌شود. ترجمه فارسی Natural Intelligence ، «هوش طبیعی» است و می‌توان گفت کلمه‌ای است که هوش ایجاد شده توسط طبیعت، مانند انسان و حیوان، را توصیف می‌کند.

ویژگی‌های هوش مصنوعی AI))

هوش مصنوعی دو ویژگی متمایز دارد:

استقلال

سازگاری

 

خودمختاری واستقلال به توانایی انجام وظایف بدون هدایت انسان اشاره دارد. از سوی دیگر، سازگاری توانایی بهبود مهارت‌هایتان بر اساس آموخته‌ها و تجربیاتتان است.

این استقلال و سازگاری هوش مصنوعی، استفاده از آن را در وظایف متنوعی مانند برنامه‌ریزی لوازم خانگی، تشخیص صدا و ربات‌های نظافتچی ممکن می‌سازد.

تاریخچه هوش مصنوعی (AI)

از آنجایی که توجه به هوش مصنوعی ((AI  تنها در چند سال گذشته افزایش یافته است، برخی افراد ممکن است فکر کنند که هوش مصنوعی تاریخچه کوتاهی دارد. با این حال، حقیقت این است که هوش مصنوعی/AI سابقه طولانی دارد و تاکنون اتفاقات زیادی در آن رخ داده است. بیایید نگاهی دقیق‌تر به تاریخچه هوش مصنوعی ((AI بیندازیم.

«مقدمه‌ای ساده و ترتیب زمانی بر تاریخچه هوش مصنوعی و هوش مصنوعی با استفاده از یک جدول زمانی»

اولین رونق هوش مصنوعی، دوران اکتشاف و استنتاج بود (۱۹۶۰-۱۹۷۴)

گفته می‌شود که خودِ اصطلاح هوش مصنوعی بیش از ۶۰ سال پیش ابداع شده است. در کارگاهی به نام کنفرانس دارتموث که در سال ۱۹۵۶ در دارتموث، شهری در شرق ایالات متحده برگزار شد، اصطلاح «هوش مصنوعی» برای اولین بار برای توصیف ماشینی که می‌توانست مانند انسان فکر کند، استفاده شد.

تاکنون سه رونق هوش مصنوعی رخ داده است. اولین مورد از این موارد، «اولین رونق هوش مصنوعی»، در اواخر دهه 1950 و 1960 رخ داد. در این مدت، ماشین‌ها با استفاده از تکنیک‌هایی مانند «استنتاج (بیان فرآیندهای فکری انسان در نمادها و اجرای آنها)» و «جستجو (دسته‌بندی الگوهای راه‌حل و یافتن شرایط مطلوب)» عملکرد بالایی در حل مسائلی با قوانین روشن، مانند معماها و بازی‌های ساده، از خود نشان دادند. در نتیجه، انتظارات از هوش مصنوعی افزایش یافته است.

با این حال، حل مسائل پیچیده دنیای واقعی دشوار بود و با آشکار شدن محدودیت‌های عملکرد، رونق اولیه هوش مصنوعی رو به افول گذاشت. در طول این اولین رونق هوش مصنوعی، مسائل غیرعملی که هوش مصنوعی حل می‌کرد، «مسائل اسباب‌بازی» نامیده می‌شدند.

«الیزا» چیست؟

یکی از رویدادهای قابل توجه در طول اولین رونق هوش مصنوعی، سیستم گفتگوی مصنوعی «الیزا» بود. الیزا یک سیستم گفتگوی مصنوعی است که در سال ۱۹۶۶ توسط جوزف وایزنباوم از موسسه فناوری ماساچوست (MIT ) ساخته شد.

الیزا در آن زمان توجه زیادی را به خود جلب کرد، زیرا اولین سیستمی بود که از طریق آن انسان‌ها می‌توانستند با یک کامپیوتر مکالمه کنند. با این حال، الیزا به سوالات مردم «فکر نمی‌کرد و پاسخ نمی‌داد».

 

برای مثال، اگر انسانی به الیزا بگوید: «دلم درد می‌کند»، الیزا در پاسخ خواهد گفت: «چرا دل درد دارم؟» در نگاه اول، این ممکن است یک مکالمه‌ی درست و حسابی به نظر برسد، اما در واقع یکی از الگوهای مکالمه‌ی فراوانی بود که الیزا از قبل آماده کرده بود.

در نتیجه، الیزا قادر به پاسخ دادن به هیچ سؤالی که جزو سؤالات از پیش آماده شده نبود، نبود. با این حال، شخصی که با الیزا صحبت می‌کرد، اتفاقاً سوالاتی پرسید که از الگوی پیش‌بینی‌شده‌ی وایزنباوم پیروی می‌کرد و مکالمه با موفقیت برقرار شد. این باعث شد بسیاری باور کنند که الیزا باهوش است.

دومین رونق هوش مصنوعی با ظهور سیستم‌های خبره (1980-1987) مشخص شد.

در دهه ۱۹۸۰، تحقیقات هوش مصنوعی دوباره شتاب گرفت و «رونق دوم هوش مصنوعی» را رقم زد. در این دومین شکوفایی هوش مصنوعی، تحقیقات در حال پیشرفت به سمت گنجاندن «دانش» در رایانه‌ها است که منجر به هوش مصنوعی‌ای می‌شود که از اولین شکوفایی هوش مصنوعی که وظایف را بر اساس قوانین تعیین‌شده انجام می‌داد، مفیدتر است.

به طور خاص، «سیستم‌های خبره»، برنامه‌هایی که دانش را در زمینه‌های تخصصی ادغام می‌کنند، توجه زیادی را به خود جلب کردند. در سیستم‌های خبره، به کامپیوترها دانش تخصصی داده می‌شود و طوری برنامه‌ریزی می‌شوند که بر اساس شرایط خاص، پاسخ‌هایی ارائه دهند و به آنها اجازه داده می‌شود تا نقش یک «متخصص که پاسخ‌های مناسب ارائه می‌دهد» را بر عهده بگیرند.

در واقع، «سیستم‌های خبره» برای زمینه‌های متنوعی از جمله پزشکی، تولید، امور مالی، منابع انسانی و حسابداری ایجاد شدند و گفته می‌شود که حدود دو سوم شرکت‌های بزرگ موجود در دهه ۱۹۸۰ از این سیستم‌ها در عملیات روزانه خود استفاده می‌کردند.

با این حال، این سیستم خبره به هیچ وجه بی‌نقص نبود. زیرا تصمیم‌گیری‌های مناسب در موارد مبهم دشوار بود. برای مثال، در مورد سیستم‌های خبره در حوزه پزشکی، اطلاعات مبهمی مانند «من احساس خستگی می‌کنم» برای ارائه پاسخی در مورد علائم یا بیماری‌های احتمالی بیمار کافی نبود.

نتیجه گرفته شد که با فناوری موجود در آن زمان، تحقق هوش مصنوعی ایده‌آل هنوز دشوار خواهد بود و رونق هوش مصنوعی بار دیگر فروکش کرد.

سومین رونق هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق را توسعه خواهد داد (۱۹۹۳-۲۰۲۲)

ما در حال حاضر سومین رونق هوش مصنوعی را تجربه می‌کنیم. کاتالیزور این رونق چیزی جز یادگیری ماشینی نیست. یادگیری ماشینی سیستمی است که در آن هوش مصنوعی به تنهایی یاد می‌گیرد.

با بارگذاری داده‌های گذشته، هوش مصنوعی می‌تواند یاد بگیرد و سپس بر اساس آن داده‌ها پیش‌بینی کند. علاوه بر یادگیری ماشینی، فناوری‌ای به نام «یادگیری عمیق» نیز به صورت عملی مورد استفاده قرار گرفته است که کامپیوترها را قادر می‌سازد تا به طور خودکار ویژگی‌ها را از داده‌ها استخراج کنند و شرکت‌ها را قادر می‌سازد تا قابلیت‌های فنی حتی بیشتری را نشان دهند.

 

برای مثال، در گذشته، برای اینکه به یک ماشین یاد بدهند سیب را تشخیص دهد، انسان‌ها مجبور بودند ویژگی‌هایی مانند «قرمز» و «گرد» را به آن یاد بدهند. با این حال، با یادگیری عمیق، کامپیوترها می‌توانند به طور خودکار ویژگی‌ها را طبقه‌بندی کرده و خوشه‌هایی از ویژگی‌ها را تشکیل دهند که انسان‌ها قادر به تشخیص آنها نیستند. می‌توان گفت این یک گام بزرگ رو به جلو است که اکنون یک ماشین می‌تواند ویژگی‌های یک سیب را به تنهایی و بدون نیاز به آموزش آن ویژگی‌ها توسط انسان، شناسایی کند.

انواع هوش مصنوعی/AI

هوش مصنوعی قوی در مقابل هوش مصنوعی ضعیف

چهار نوع اصلی هوش مصنوعی (AI ) وجود دارد:

هوش مصنوعی قوی

هوش مصنوعی ضعیف

هوش مصنوعی عمومی

هوش مصنوعی تخصصی

بیایید نگاهی دقیق‌تر به ویژگی‌های هر یک از این چهار مورد بیندازیم.

هوش مصنوعی قوی

هوش مصنوعی قوی، هوش مصنوعی است که مانند انسان «خودآگاه» است و می‌تواند وظایفی را که به تمام قابلیت‌های شناختی آن نیاز دارد، انجام دهد. شاید درک این موضوع آسان‌تر باشد اگر یک هوش مصنوعی را تصور کنید که احساساتی شبیه به انسان دارد، در مورد چیزها فکر می‌کند و بر اساس آن عمل می‌کند، همانطور که در فیلم‌های تخیلی به تصویر کشیده شده است. این نوع «هوش مصنوعی قوی» می‌تواند بسته به موقعیت، بدون اینکه از قبل برنامه‌ریزی شده باشد یا توسط انسان‌ها داده‌ای دریافت کرده باشد، به تنهایی تصمیم بگیرد.

هوش مصنوعی ضعیف

هوش مصنوعی ضعیف، هوش مصنوعی‌ای است که می‌تواند وظایف محول شده به خود را خودکار کند، اما نمی‌تواند وظایفی را که برای انجام آنها از پیش برنامه‌ریزی نشده است، انجام دهد. «هوش مصنوعی ضعیف» نوعی هوش انسانی تخصصی است که فقط می‌تواند وظایف خاصی را انجام دهد. تمام هوش مصنوعی که در حال حاضر مورد استفاده عملی قرار می‌گیرد، در دسته هوش مصنوعی ضعیف قرار می‌گیرد.

هوش مصنوعی عمومی

هوش مصنوعی عمومی، هوش مصنوعی است که احساسات و افکاری مشابه انسان دارد. حتی وقتی اتفاقات غیرمنتظره‌ای رخ می‌دهد، انسان‌ها قادرند بر اساس تجربیات گذشته قضاوت‌های جامعی انجام دهند و مشکلات را حل کنند.

 

هوش مصنوعی عمومی این نوع «توانایی حل مسئله شبیه به انسان» را دارد. با این حال، در حال حاضر، مشخص نیست که چگونه می‌توان به هوش مصنوعی همه منظوره دست یافت. با این حال،

هوش مصنوعی‌هایی وجود دارند که می‌توانند در برخی زمینه‌ها عملکرد بهتری نسبت به انسان‌ها داشته باشند.

هوش مصنوعی تخصصی

هوش مصنوعی تخصصی به هوش مصنوعی‌ای اشاره دارد که برای یک کار خاص تخصص یافته است. بسیاری از شرکت‌ها در حال حاضر در حال تحقیق در مورد «هوش مصنوعی تخصصی» هستند.

نمونه‌های بارز هوش مصنوعی تخصصی شامل فناوری رانندگی خودکار، تشخیص تصویر و بازی‌های Go، Shogi و Chess است که فقط قادر به انجام یک عملکرد هستند و نمی‌توانند وظایف دیگری را انجام دهند. با این حال، از آنجا که می‌توانند در همان سطح یا حتی بهتر از انسان عمل کنند، در زمینه‌های مختلفی مورد استفاده قرار می‌گیرند.

هوش مصنوعی چگونه کار می‌کند؟

سه عنصر زیر برای درک دقیق نحوه عملکرد هوش مصنوعی (AI ) ضروری هستند.

یادگیری ماشین

شبکه‌های عصبی

یادگیری عمیق

بیایید نگاهی دقیق‌تر به نقش‌هایی که این سه  ایفا می‌کنند بیندازیم.

یادگیری ماشین

یادگیری ماشینی فناوری‌ای است که به هوش مصنوعی اجازه می‌دهد تا به تنهایی از حجم زیادی از داده‌ها یاد بگیرد و به طور خودکار مدل‌ها و الگوریتم‌هایی ایجاد کند که وظایف پیش‌بینی و طبقه‌بندی را انجام می‌دهند.

روش‌های یادگیری ماشین را می‌توان به سه دسته تقسیم کرد: یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویتی. در بخش‌های بعدی، روش‌های یادگیری ماشین را برای هر نوع معرفی خواهیم کرد.

یادگیری نظارت‌شده روشی برای آموزش یک ماشین با استفاده از داده‌هایی است که به آنها برچسب (اطلاعات پاسخ صحیح) اختصاص داده شده است تا یک مدل پیش‌بینی‌کننده بر اساس یک مجموعه داده (داده‌های نمونه) تشکیل دهد.

یادگیری بدون نظارت روشی برای آموزش با استفاده از داده‌های بدون برچسب است که در آن دستگاه بر اساس الگوها و شباهت‌های موجود در مجموعه داده‌ها، یک مدل پیش‌بینی‌کننده تشکیل می‌دهد.

یادگیری تقویتی روشی است که در آن یک ماشین با آزمون و خطا یاد می‌گیرد تا یک «امتیاز» هدف تعیین‌شده را به حداکثر برساند.

این تکنیک‌های یادگیری ماشینی در کاربردهایی مانند توابع احراز هویت که می‌توانند چهره افراد را در تصاویر شناسایی کنند و پیش‌بینی قیمت سهام آینده بر اساس داده‌های گذشته استفاده می‌شوند.

الگوریتم یادگیری ماشین «شبکه عصبی» چیست؟

الگوریتم های مختلفی در یادگیری ماشین وجود دارد که یکی از آنها «شبکه های عصبی» است. این شبکه عصبی، یک الگوریتم یادگیری ماشینی است که مشابه «مکانیسم مغز و سیستم عصبی انسان» عمل می‌کند.

این سیستم از واحدهایی مشابه مدارهای مغز تشکیل شده و از سه لایه تشکیل شده است: یک لایه ورودی، یک لایه میانی و یک لایه خروجی. یادگیری عمیق، عمیق‌تر کردن «لایه میانی» این سه لایه است.

یادگیری عمیق

یادگیری عمیق یکی از تکنیک‌های یادگیری ماشینی است که با مطالعه حجم عظیمی از داده‌ها و استخراج خودکار مشترکات، تصمیم‌گیری انعطاف‌پذیر را بر اساس موقعیت امکان‌پذیر می‌کند. همانطور که قبلاً ذکر شد، این یک توسعه بیشتر از «شبکه عصبی»، یکی از سه لایه در یادگیری ماشینی است. آنچه آن را از یادگیری ماشینی سنتی متمایز می‌کند این است که تجزیه و تحلیل دقیق‌تری را امکان‌پذیر می‌کند.

نمونه‌های خاصی از کاربرد یادگیری عمیق شامل تشخیص و تولید خودکار تصویر، کمک به انجام وظایف مانند رانندگی خودران و خلق آثار خلاقانه است. تشخیص خودکار تصویر به یک «فناوری تشخیص الگو» اشاره دارد که شخصیت‌ها و ویژگی‌های چهره را تشخیص می‌دهد و در برنامه‌هایی مانند عملکرد تشخیص چهره در دستگاه‌های خودپرداز و عملکرد احراز هویت اثر انگشت در تلفن‌های هوشمند استفاده می‌شود. همچنین اکنون می‌توان با وارد کردن متن و داده، تصاویر را به طور خودکار تولید کرد و از آن در کارهایی مانند تولید وب‌سایت و طراحی داخلی استفاده می‌شود.

علاوه بر این، از آن به عنوان پشتیبان کاری در خودروهای خودران و در ایجاد اسناد تجاری استفاده می‌شود. اکنون می‌توان از فناوری یادگیری عمیق برای خلق رمان، موسیقی، نقاشی و سایر آثار خلاقانه استفاده کرد، بنابراین امکانات استفاده از هوش مصنوعی در حال گسترش است.

تشخیص و تولید خودکار تصویر

می‌توان با استفاده از یادگیری ماشینی قضاوت کرد، اما این قضاوت بر اساس داده‌هایی مانند رنگ انجام می‌شود. از سوی دیگر، یادگیری عمیق صرفاً بر اساس عوامل از پیش تعیین شده مانند رنگ قضاوت نمی‌کند، بلکه به طور خودکار یاد می‌گیرد که «کجا را نگاه کند». دقیقاً مشابه روشی است که انسان‌ها تصاویر را مشاهده و تشخیص می‌دهند. یکی از ویژگی‌های اصلی یادگیری عمیق، توانایی آن در بیان تفاوت‌های ظریفی است که نمی‌توان با کلمات بیان کرد.

 

با استفاده از این فناوری‌ها، یادگیری عمیق اخیراً در پیش‌بینی تقاضا، پیش‌بینی قیمت سهام و سایر حوزه‌ها مورد استفاده قرار گرفته است.

پشتیبانی کاری مانند رانندگی خودکار

خودروهای خودران که در سال‌های اخیر توجه زیادی را به خود جلب کرده‌اند، نیز با یادگیری عمیق امکان‌پذیر شده‌اند. رانندگی خودران شامل منطق پیچیده‌ای است و هنوز در ژاپن به طور گسترده پذیرفته نشده است، اما احتمال زیادی وجود دارد که در آینده نزدیک به طور گسترده پذیرفته شود.

یادگیری عمیق همچنین می‌تواند در تشخیص پزشکی و همچنین رانندگی خودران مورد استفاده قرار گیرد. حتی در موارد دشواری که انسان‌ها ممکن است اشتباه کنند، مانند تشخیص متاستاز سرطان یا بیماری‌های عروقی، ماشین‌های مجهز به یادگیری عمیق پتانسیل تشخیص بدون خطا را دارند.

خلق آثار خلاقانه

حتی در مواردی که نیاز به خلاقیت فردی دارند، مانند نوشتن رمان یا موسیقی، یادگیری عمیق پتانسیل تولید نتایج انتزاعی را دارد که بیشتر شبیه به انسان هستند. بنابراین، ممکن است در آینده نزدیک رمان‌ها و موسیقی‌ها با استفاده از یادگیری عمیق خلق شوند.

توابع و مثال‌های استفاده از هوش مصنوعی (AI)

عملکردهای هوش مصنوعی عمدتاً به «تشخیص تصویر»، «تشخیص صدا»، «پردازش زبان طبیعی» و «پیش‌بینی/تشخیص ناهنجاری» تقسیم می‌شوند و در صنایع و زمینه‌های مختلفی کاربرد دارند. در بخش‌های بعدی، به بررسی قابلیت‌های هر تابع هوش مصنوعی و مثال‌هایی از نحوه‌ی استفاده از آن خواهیم پرداخت.

عملکرد آنچه می‌توانید انجام دهید مثال استفاده

تشخیص تصویر: شناسایی افراد و اشیاء در تصاویر؛ بررسی تصاویر دوربین‌های امنیتی

- تشخیص محصولات معیوب در کارخانه‌ها

تشخیص گفتار، تبدیل و پردازش گفتار انسان، پشتیبانی مرکز تماس با استفاده از هوش مصنوعی محاوره‌ای

- تهیه صورتجلسه

· ترجمه ماشینی

دستیارهای هوش مصنوعی برای تلفن‌های هوشمند و غیره

پردازش زبان طبیعی تبدیل و پردازش متن وارد شده توسط انسان ・تبدیل کاراکتر ورودی

· کار با موتورهای جستجوی وب

· ترجمه ماشینی

· استفاده از کلان داده

پیش‌بینی و تشخیص ناهنجاری پیش‌بینی‌های آینده بر اساس داده‌های گذشته

تشخیص ناهنجاری‌ها با تشخیص داده‌های پرت و نقاط تغییر و غیره. پیش‌بینی تقاضای محصول

تشخیص ناهنجاری‌ها در تجهیزات و محصولات در صنعت تولید

・تشخیص هرزنامه برای ایمیل‌ها و چت‌ها

همانطور که در جدول بالا نشان داده شده است، هوش مصنوعی طیف گسترده‌ای از عملکردها را دارد و در صنایع و زمینه‌های زیادی مورد استفاده قرار می‌گیرد.

تأیید هویت موسسه مالی

پیش‌بینی قیمت سهام

ترجمه ماشینی

بلندگوی هوش مصنوعی

ربات تمیز کننده

کشاورزی و دامداری

تولید

امور مالی

دولت محلی

ترافیک

گردشگری و سفر

صنایع خرده فروشی، غذا و نوشیدنی و خدمات

صنعت املاک و مستغلات

پزشکی و مراقبت‌های بهداشتی

خدمات نمایندگی با استفاده از هوش مصنوعی مولد

 

اخیراً، تعداد سرویس‌هایی که از هوش مصنوعی مولد استفاده می‌کنند، به سرعت در حال افزایش است.

 

هوش مصنوعی مولد، هوش مصنوعی است که می‌تواند الگوها و روابط موجود در داده‌ها را یاد بگیرد و محتوای جدید تولید کند.

 

ما دو سرویس نمونه را معرفی خواهیم کرد که از هوش مصنوعی مولد استفاده می‌کنند.

 

چت جی پی تی

انتشار پایدار

چت جی پی تی

ChatGPT یک سرویس چت مبتنی بر هوش مصنوعی است که از فناوری پیشرفته هوش مصنوعی برای فعال کردن مکالمات طبیعی و شبیه به انسان استفاده می‌کند. این برنامه در نوامبر ۲۰۲۲ منتشر شد و به سرعت به عنوان یک سرویس نوآورانه که می‌توان به صورت رایگان از آن استفاده کرد، توجه‌ها را به خود جلب کرد و جملات درخشان تولید شده و پاسخ‌های انسانی آن به موضوع داغی در رسانه‌های اجتماعی تبدیل شد.

کارهای اصلی که می‌توانید با ChatGPT انجام دهید، 10 مورد زیر هستند.

مکالمه روزانه

ترجمه متن

خلاصه متن

اصلاح متن و کد

ایجاد ایمیل

نوشتن پروپوزال

ایجاد قالب ارائه

برنامه‌نویسی (ماکرو، تولید کد پایتون و غیره)

ایجاد جدول (ایجاد تابع)

تعیین خطر آتش‌سوزی

«ChatGPT چیست؟ چگونه از آن استفاده کنیم، چگونه شروع کنیم و با این برنامه سازگار با زبان فارسی چه کارهایی می‌توانیم انجام دهیم!»

انتشار پایدار

انتشار پایدار (Stable Diffusion ) یک هوش مصنوعی تولید تصویر است که توسط Stability AI در سال ۲۰۲۲ منتشر شد.

این به شما امکان می‌دهد تصاویر را بر اساس متن وارد شده توسط کاربر تولید کنید. هنگام ایجاد تصویر، ابتدا تصویر را با کلمات انگلیسی جدا کنید. برای مثال، اگر موضوع «دختری که به دریاچه‌ای زیبا نگاه می‌کند» است، سعی کنید بگویید «دریاچه زیبا، دختر، ببین».

 

برای تولید تصویری که به تصویر نزدیک‌تر باشد، انتقال تصویر با جزئیات مهم است. کلمات ساده انگلیسی به تنهایی قابلیت تکرارپذیری پایینی دارند، بنابراین وقتی با زبان بیشتر آشنا شدید، توصیه می‌شود که با استفاده از جملات انگلیسی، سوالات را ایجاد کنید.

انتشار پایدار بر اساس یک مدل یادگیری ماشینی به نام «مدل انتشار پنهان» آموزش داده می‌شود، بنابراین نیازی به درک برنامه‌های خاص یا الگوریتم‌های پیچیده ندارید.

انتشار پایدار چیست؟

نکته‌ای که باید در مورد ChatGPT و Stable Diffusion به آن توجه داشت این است که بررسی اطلاعات توسط خودتان و در صورت لزوم اصلاح آنها بسیار مهم است.

دلیلش این است که وقتی هوش مصنوعی اطلاعات تولید می‌کند، همیشه اطلاعات دقیقی ارائه نمی‌دهد.

چگونه با هوش مصنوعی مواجه شویم؟

ما انسان‌ها در آینده چگونه باید با هوش مصنوعی (AI ) تعامل داشته باشیم؟ با توجه به اینکه بسیاری از مردم نگران این هستند که «هوش مصنوعی مشاغل ما را تصاحب خواهد کرد»، دانستن نحوه تعامل با هوش مصنوعی به طور فزاینده‌ای اهمیت پیدا می‌کند.

برای مثال، یادگیری برنامه‌نویسی و توانایی پیاده‌سازی یادگیری ماشینی، که به عنوان فناوری اصلی هوش مصنوعی در نظر گرفته می‌شود، راهی مؤثر برای مشارکت خواهد بود. به طور خاص، زبان برنامه‌نویسی به نام «پایتون» در سال‌های اخیر محبوب شده است، بنابراین یادگیری آن به عنوان وسیله‌ای برای تبدیل شدن به یک مهندس هوش مصنوعی می‌تواند راهی مؤثر برای رسیدن به این هدف باشد.

علاوه بر این، اخیراً تعداد ابزارهای موجود که امکان پیاده‌سازی یادگیری عمیق را بدون برنامه‌نویسی فراهم می‌کنند، افزایش یافته است، بنابراین استفاده از این ابزارها نیز راهی مؤثر برای مشارکت است. از آنجایی که شرکت‌ها لزوماً کارمندانی با دانش تخصصی هوش مصنوعی ندارند، باید استفاده فعال از این ابزارها و خدمات را در نظر بگیرند.

انتظار می‌رود که پذیرش هوش مصنوعی (AI )در زمینه‌های مختلف همچنان با سرعت بیشتری ادامه یابد. تعداد فزاینده‌ای از ابزارها و خدمات وجود دارند که به شما امکان می‌دهند به راحتی هوش مصنوعی را حتی بدون دانش تخصصی معرفی کنید، پس چرا از این فرصت برای یافتن راهی برای استفاده از هوش مصنوعی که مناسب شرکت شما باشد، استفاده نمی‌کنید؟

بخش تحریریه AIsmiley