هوش مصنوعی چیست به زبان ساده | تعریف، تاریخچه و کاربرد هوش مصنوعی

مقدمه و تاریخچه هوش مصنوعی در مقاله هوش مصنوعی به زبان ساده

ربات‌های هوشمند و موجودات مصنوعی اولین بار در اسطوره‌های یونان باستان دوران باستان ظاهر شدند. قضیه قیاس ارسطو و استفاده از استدلال قیاسی، در آن زمان، کلیدی در تلاش بشر برای درک هوش خود بود. در حالی که ریشه‌ها طولانی و عمیق هستند، تاریخچه هوش مصنوعی همان‌طور که امروز به آن فکر می‌کنیم کمتر از یک قرن است. در ادامه نگاهی گذرا به برخی از مهم‌ترین رویدادهای هوش مصنوعی می اندازیم:

در سال (۱۹۴۳) وارن مک کالو و والتر پیتس “حساب منطقی ایده‌های ماندگار در فعالیت‌های عصبی” را منتشر کردند. این مقاله اولین مدل ریاضی را برای ساخت یک شبکه عصبی پیشنهاد کرد.

در سال (۱۹۴۹) دونالد هب در کتاب خود با نام سازمان رفتار (یک نظریه عصب روان‌شناختی) این نظریه را پیشنهاد می‌کند که مسیرهای عصبی از تجربیات ایجاد می‌شوند و هر چه بیشتر از نورون‌ها استفاده شود، اتصالات بین نورون‌ها قوی‌تر می‌شود. یادگیری Hebbian همچنان یک مدل مهم در هوش مصنوعی است.

در سال (۱۹۵۰) آلن تورینگ «ماشین‌های محاسباتی و هوش» را منتشر می‌کند و چیزی را پیشنهاد می‌کند که اکنون به‌عنوان آزمون تورینگ شناخته می‌شود، روشی برای تعیین اینکه آیا یک ماشین هوشمند است یا خیر؟ کمتر از یک دهه پس از شکستن ماشین رمزگذاری نازی‌ها انیگما ( در این زمینه فیلمی هم ساخته شده با همین نام تماشایی است) و کمک به نیروهای متفقین در پیروزی در جنگ جهانی دوم، ریاضیدان آلن تورینگ با یک سؤال ساده تاریخ را برای بار دوم تغییر داد: “آیا ماشین‌ها می‌توانند فکر کنند؟”

آزمون تورینگ به نحوی است که فردی با یک ماشین ارتباط دو طرفه برقرار می‌کند و یک سری سؤال از ماشین می‌پرسد. اگر در انتهای بازی این شخص نتوانست تشخیص دهد که با ماشین در تعامل بود یا یک انسان، این به این معناست که آزمون موفقیت‌آمیز بوده است. البته قابل‌ذکر است که تاکنون هیچ ماشینی نتوانسته در این آزمون موفق شود. این آزمون سعی دارد هوشمندی یک سامانه را بررسی کند که سعی کرده است هوش انسان را شبیه‌سازی کند.

برای مطالعه بیشتر در این زمینه فایل آماده مرتبط و موجود در سایت پی استور را مطالعه نمایید.

• پاورپوینت در مورد هوش محاسباتی— کلیک کنید.

درنهایت شاید بتوان گفت حوزه پژوهش درزمینهٔ هوش مصنوعی در یک کارگاه آموزشی از کالج دارتموت در سال ۱۹۵۶ متولد شد. هوش مصنوعی درواقع در سال ۱۹۶۵ به‌عنوان یک دانش جدید به وجود آمد. البته توجه داشته باشیم که فعالیت در این زمینه در اصل از سال ۱۹۶۰شروع‌شده است. بیشتر کارهای اولیه که در این زمینه مورد پژوهش قرار گرفت درزمینه بازی‌های کامپیوتری و حل مسائل و قضیه‌های ریاضی بود و سرانجام واژه هوش مصنوعی اولین بار توسط آقای جان مک کارتی (که به‌عنوان پدر علم و دانش تولید ماشین‌های هوشمند از او یاد می‌شود) بکار رفت.

تعریف هوش مصنوعی

این مفهوم شاخه‌ای از علوم کامپیوتر است که هدف آن پاسخ مثبت به سؤال تورینگ است. درواقع یک تلاش برای تکرار یا شبیه‌سازی هوش انسانی در ماشین‌ها است. هوش مصنوعی سؤالات و بحث‌های زیادی را به وجود آورده است. به حدی که هیچ تعریف واحدی از این رشته به‌طور کلی پذیرفته‌ نشده است.

محدودیت اصلی در تعریف هوش مصنوعی به‌عنوان «ساخت ماشین‌هایی که هوشمند هستند» این است که واقعاً توضیح نمی‌دهد که هوش مصنوعی چیست؟ چه چیزی یک ماشین را هوشمند می‌کند؟ هوش مصنوعی یک علم میان‌رشته‌ای با رویکردهای متعدد است، اما پیشرفت‌ها در یادگیری ماشین و یادگیری عمیق (deep learning)، تقریباً در هر بخش از صنعت فناوری یک تغییر نمونه ایجاد می‌کند.

برای کسب آگاهی بیشتر درباره تفاوت یادگیری ماشین و یادگیری عمیق؛ فایل زیر را مطالعه نمایید.

• پاورپوینت تفاوت یادگیری ماشین و یادگیری عمیق — کلیک کنید.

استوارت راسل و پیتر نورویگ نویسندگان کتاب درسی با شیوه‌ای نوآورانه درزمینهٔ هوش مصنوعی، رویکردی مدرن با ترکیب کار خود حول موضوع عوامل (agent) هوشمند در ماشین‌ها، به این سؤال می‌پردازند. با در نظر گرفتن این موضوع، هوش مصنوعی «مطالعه عواملی است که ادراکاتی را از محیط دریافت می‌کنند و اعمالی را انجام می‌دهند».

چنان‌‎چه خواهان داشتن ارائه و تحقیقی بی‌نقص در زمینه هوش مصنوعی بودید، از فایل آماده موجود بهره ببرید.

• پاورپوینت هوش مصنوعی — کلیک کنید.

نورویگ و راسل در ادامه به بررسی چهار رویکرد مختلف می‌پردازند که از لحاظ تاریخی حوزه هوش مصنوعی را تعریف کرده‌اند:

• انسانی اندیشیدن
• عقلانی فکر کردن
• انسانی عمل کردن
• منطقی عمل کردن

پاتریک وینستون، استاد AI و علوم کامپیوتر فورد در MIT، هوش مصنوعی را این‌گونه تعریف می‌کند: «الگوریتم‌هایی که توسط محدودیت‌ها فعال می‌شوند، در معرض نمایش‌هایی قرار می‌گیرند که از مدل‌هایی پشتیبانی می‌کنند که هدفشان حلقه‌هایی است که تفکر، ادراک و عمل را به هم گره می‌زنند».

درحالی‌که این تعاریف ممکن است برای افراد معمولی انتزاعی به نظر برسند، اما به تمرکز این رشته به‌عنوان حوزه‌ای از علوم کامپیوتر کمک می‌کنند و طرحی برای برانگیختن ماشین‌ها و برنامه‌ها با یادگیری ماشین و سایر زیرمجموعه‌های هوش مصنوعی ارائه می‌دهند.

چهار نوع هوش مصنوعی

هوش مصنوعی را می‌توان در چهار گروه دسته بندی کرد:

۱- ماشین واکنش‌گر

یک ماشین واکنش‌گر از ابتدایی‌ترین اصول AI پیروی می‌کند و همان‌طور که از نامش پیداست، فقط می‌تواند از هوش خود برای درک و واکنش به دنیای مقابل استفاده کند. یک ماشین واکنشی نمی‌تواند یک حافظه را ذخیره کند و در نتیجه نمی‌تواند به تجربیات گذشته برای اطلاع‌رسانی تصمیم‌گیری در زمان واقعی تکیه کند.

درک جهان به‌طور مستقیم به این معنی است که ماشین‌های واکنش‌گر فقط برای انجام تعداد محدودی از وظایف تخصصی طراحی‌شده‌اند. بااین‌حال، محدود کردن عمدی جهان‌بینی یک ماشین واکنشی، هیچ نوع معیاری برای کاهش هزینه نیست و در عوض به این معنی است که این نوع هوش مصنوعی قابل‌اعتمادتر خواهد بود چراکه هر بار به همان روش قبلی به محرک‌های مشابه واکنش نشان می‌دهد.

یک نمونه معروف از یک ماشین واکنشی Deep Blue است که توسط IBM در دهه ۱۹۹۰ به‌عنوان یک ابررایانه شطرنج‌باز طراحی شد و استاد بزرگ بین‌المللی گری کاسپاروف را در یک بازی شکست داد. Deep Blue فقط می‌توانست مهره‌های روی صفحه شطرنج را شناسایی کند و بداند که هر کدام از آن‌ها بر اساس قوانین شطرنج چگونه حرکت می‌کنند، موقعیت فعلی هر مهره را تصدیق کند و منطقی‌ترین حرکت را در آن لحظه تعیین کند. کامپیوتر حرکات احتمالی آتی حریف خود را دنبال نمی‌کرد یا سعی نمی‌کرد مهره‌های خود را در موقعیت بهتری قرار دهد. هر چرخشی به‌عنوان واقعیت خود، جدا از هر حرکت دیگری که از قبل انجام‌شده بود، تلقی می‌شد.

نمونه دیگری از ماشین‌های واکنشی بازی، AlphaGo گوگل است. AlphaGo نیز قادر به ارزیابی حرکت‌های آینده نیست، اما برای ارزیابی پیشرفت‌های بازی کنونی به شبکه عصبی خود متکی است و این باعث می‌شود برتری نسبی نسبت به Deep Blue در یک بازی پیچیده‌تر به‌دست بیاورد. AlphaGo همچنین با شکست دادن قهرمان Go player لی سدال Lee Sedol در سال ۲۰۱۶ بر رقبای جهانی برتری داشت.

هوش مصنوعی ماشین واکنشی اگرچه ازنظر دامنه محدود است و به‌راحتی تغییر نمی‌کند، بااین‌حال می‌تواند به سطحی از پیچیدگی دست یابد و زمانی که وظایف تکرارپذیر انجام می‌دهد، قابلیت اطمینان دارد.

برای مطالعه بیشتر در زمینه هوش مصنوعی و انواع مختلف آن؛ نگاهی به فایل آماده موجود در قالب PPTX. بیندازید.

• پاورپوینت انواع هوش مصنوعی — کلیک کنید.

۲- حافظه محدود

هوش مصنوعی حافظه محدود این توانایی را دارد که داده‌ها و پیش‌بینی‌های قبلی را هنگام جمع‌آوری اطلاعات و سنجیدن تصمیمات بالقوه ذخیره کند. اساساً به دنبال سرنخ‌هایی در مورد آنچه ممکن است در آینده رخ دهد، به گذشته نگاه می‌کند. هوش مصنوعی حافظه محدود پیچیده‌تر است و امکانات بیشتری نسبت به ماشین‌های واکنشی ارائه می‌دهد.

AI حافظه محدود، زمانی ایجاد می‌شود که یک تیم به‌طور مداوم مدلی را در مورد نحوه تجزیه‌وتحلیل و استفاده از داده‌های جدید آموزش دهد یا یک محیط AI ساخته شود تا مدل‌ها به‌طور خودکار آموزش داده و تجدید شوند.

هنگام استفاده از هوش مصنوعی حافظه محدود در یادگیری ماشین، شش مرحله باید دنبال شود: داده‌های آموزشی باید ایجاد شود، مدل یادگیری ماشین باید ایجاد شود، مدل باید قادر به پیش‌بینی باشد، مدل باید قادر به دریافت بازخورد انسانی یا محیطی باشد که بازخورد باید به‌عنوان داده ذخیره شود، و این مراحل باید به‌عنوان یک چرخه تکرار شوند.

نمونه هایی از مدل حافظه محدود در مباحث یادگیری ماشین هوش مصنوعی

• یادگیری تقویتی

 یاد می‌گیرد از طریق آزمون‌ و خطای مکررپیش‌بینی بهتری انجام دهد. از موارد مرتبط با این موضوع؛ می‌توان از فایل آماده یادگیری تقویتی در پایتون نام برد که در ادامه لینک اثر قرار داده شده است.

• پاورپوینت یادگیری تقویتی در پایتون — Reinforcement Learning — کلیک کنید.

• مبتنی بر حافظه LSTM (Long Short Term Memory)

که از داده‌های گذشته برای کمک به پیش‌بینی مورد بعدی در یک دنباله استفاده می‌کند. LTSM ها در هنگام پیش‌بینی و هنگامی‌که لازم باشد تعدادی از داده‌ها کاهش یابند اطلاعات جدیدتر را از اطلاعات گذشته مهم‌تر می‌دانند، اگرچه هنوز از آن‌ها در تصمیم‌گیری‌ها استفاده می‌کنند.

• مبتنی برشبکه‌های متخاصم مولد تکاملی E-GAN

این مدل از یادگیری ماشین در طول زمان تکامل می‌یابد و با هر تصمیم جدید، مسیرهای کمی تغییریافته را بر اساس تجربیات قبلی کشف می‌کند. این مدل دائماً به دنبال مسیری بهتر است و از شبیه‌سازی‌ها و آمار یا شانس برای پیش‌بینی نتایج در طول چرخه جهش تکاملی خود استفاده می‌کند.

۳- نظریه ذهن

نظریه ذهن این هست که ما هنوز به توانایی‌های فنی و علمی لازم برای رسیدن به این سطح هوش مصنوعی دست نیافته‌ایم. این مفهوم بر اساس پیش‌فرض روان‌شناختی درک این موضوع است که موجودات زنده دیگر افکار و احساساتی دارند که بر رفتار شخص تأثیر می‌گذارند. ازنظر ماشین‌های هوش مصنوعی، این بدان معناست که هوش مصنوعی می‌تواند احساسات انسان‌ها، حیوانات و سایر ماشین‌ها را درک کند و از طریق خود اندیشی و تصمیم‌گیری تصمیم بگیرد و سپس از این اطلاعات برای تصمیم‌گیری خود استفاده کند.

ساساً، ماشین‌ها باید بتوانند مفهوم «ذهن»، نوسانات احساسات در تصمیم‌گیری و مجموعه‌ای از مفاهیم روان‌شناختی دیگر را صورت بلادرنگ درک و پردازش کنند و یک رابطه دو طرفه بین افراد و هوش مصنوعی ایجاد کنند.

اساساً، ماشین‌ها باید بتوانند مفهوم «ذهن»، نوسانات احساسات در تصمیم‌گیری و مجموعه‌ای از مفاهیم روان‌شناختی دیگر را صورت بلادرنگ درک و پردازش کنند و یک رابطه دو طرفه بین افراد و هوش مصنوعی ایجاد کنند.

۴- خود آگاهی

زمانی که تئوری ذهن در هوش مصنوعی ایجاد شود، در آینده نزدیک، گام نهایی برای خودآگاهی هوش مصنوعی خواهد بود. این نوع هوش مصنوعی دارای آگاهی در سطح انسان است و وجود خود در جهان و همچنین حضور و وضعیت عاطفی دیگران را درک می‌کند همچنین می‌تواند نه فقط بر اساس آنچه با آنها ارتباط برقرار می‌کنند، بلکه بر اساس نحوه ارتباط آنها بفهمد که دیگران ممکن است به چه چیزهایی نیاز داشته باشند.

خودآگاهی در هوش مصنوعی از یک طرف به محققان انسانی متکی است که مقدمات آگاهی را درک کنند و از طرف دیگر یاد بگیرند که چگونه آن را تکرار کنند تا بتوان آن را در ماشین‌ها بکار گرفت.

هوش مصنوعی چگونه استفاده می‌ شود؟

جرمی آچین، مدیرعامل DataRobot درحالی‌که در سال ۲۰۱۷ در نمایشگاه AI ژاپن سخنرانی می‌کرد، سخنرانی خود را با ارائه تعریف زیر از نحوه استفاده از هوش مصنوعی امروزی آغاز کرد:

“هوش مصنوعی یک سیستم کامپیوتری است که قادر به انجام وظایفی است که معمولاً به هوش انسانی نیاز دارند. بسیاری از این سیستم‌های AI با یادگیری ماشینی، برخی از آنها با یادگیری عمیق و برخی از آنها با چیزهای بسیار خسته‌کننده مانند قوانین قدرت می‌گیرند. ”

مثال هایی از کاربرد هوش مصنوعی در زندگی عادی

• گوش‌ های همراه هوشمند
• اتومبیل‌های هوشمند و هواپیماهای بدون سرنشین
• بستر فضای مجازی
• خدمات پخش موسیقی و رسانه
• بازی ‌های ویدیویی
• تبلیغات آنلاین شبکه‌ها
• سفر و جهت یابی
• بانکداری و دارایی
• دستگاه‌های خانگی هوشمند
• امنیت و مراقبت
•  برنامه‌هایی برای صفحه کلید هوشمند
• بهداشت و درمان و پزشکی
• تجارت الکترونیک

برای کسب آگاهی هر چه بیشتر در رابطه با هوش مصنوعی و کاربردهای فراوان آن در زندگی روزمره پاورپوینت آماده موجود در این زمینه را که در دسترس شما عزیزان قرار دارد؛ مطالعه نمایید.

• پاورپوینت کاربرد هوش مصنوعی در زندگی روزمره — کلیک کنید.

تقسیم بندی هوش مصنوعی به طور کلی در دو دسته

هوش مصنوعی به‌طور کلی در دو دسته کلی قرار می‌گیرد:

۱- AI باریک (NARROW AI)

گاهی اوقات به‌عنوان “هوش مصنوعی ضعیف” شناخته می‌شود، این نوع AI در یک زمینه محدود عمل می‌کند و شبیه‌سازی هوش انسانی است. AI باریک اغلب بر روی انجام یک کار واحد متمرکز است و درحالی‌که این ماشین‌ها ممکن است هوشمند به نظر برسند، تحت محدودیت‌های بیشتری حتی نسبت به ابتدایی‌ترین هوش انسانی کار می‌کنند.

 نمونه‌هایی از هوش مصنوعی باریک

• جستجوی گوگل
• نرم‌افزار تشخیص تصویر
• سیری، الکسا و دستیاران شخصی دیگر
• ماشین‌های خودران
• واتسون IBM
• هوش عمومی مصنوعی AGI

۲- AGI هوش مصنوعی قوی

AGI که گاهی به آن “هوش مصنوعی قوی” Strong AGI نیز گفته می‌شود، نوعی هوش مصنوعی است که در فیلم‌ها می‌بینیم، مانند روبات‌های Westworld یا Data from Star Trek.  درواقع (AGI) یک ماشین باهوش عمومی است و مانند یک انسان، می‌تواند از این هوش برای حل هر مشکلی استفاده کند.

زبان های برنامه نویسی در زمینه هوش مصنوعی

برای پیاده سازی و استفاده عملی از هوش مصنوعی بایستی از زبان های برنامه نویسی استفاده کرد. امروزه از زبان های برنامه نویسی برای توسعه هوش مصنوعی و توسعه خود زبان برنامه نویسی استفاده می‎‌شود. زبان های برنامه نویسی متعددی برای پیاده سازی هوش مصنوعی وجود دارد که از مهم‌ترین آن‌ها می‌توان به زبان های برنامه نویسی c++، c#،lisp،python، java، prolog و … اشاره کرد.

از مباحث مرتبط با این موضوع؛ می‌توان از پاورپوینت تفاوت هوش مصنوعی و برنامه نویسی نام برد که منبعی مناسب برای داشتن انواع تحقیقات و ارائه‌های آکادمیک است.

• پاورپوینت تفاوت هوش مصنوعی و برنامه نویسی — کلیک کنید.

شاخه های هوش مصنوعی در علوم کامپیوتر

• یادگیری ماشین
• شبکه عصبی مصنوعی
• بینایی ماشین
• سیستم های خبره
• پردازش زبان طبیعی nlp
• الگوریتم ژنتیک
• مفاهیم مرتبط با رباتیک

برای مطالعه بیشتر در زمینه شاخه‌های هوش مصنوعی؛ پاورپوینت آماده موجود در سایت ما رادانلود کنید.

• پاورپوینت شاخه های هوش مصنوعی — کلیک کنید.

لازم به ذکر است در انتهای مقاله فایل‌های آماده هر کدام از موارد بالا قرار داده شده است و با یک کلیک کوتاه روی هر کدام به فایل آماده دسترسی سریع و آسان خواهید داشت.

سخن آخر مقاله هوش مصنوعی به زبان ساده

روندی که اکنون جهان در رابطه با توسعه ربات‌ها با قابلیت فعالیت خودکار و حرکت و انجام یکسری کار‌ها به جای انسان پیشرو گرفته هست نشان دهنده موضوعی در رابطه با همپوشانی بین علم و هوش مصنوعی و رباتیک هست. زیرا که هوش مصنوعی یکی از مهم‌ترین فن‌آوری‌های استفاده شده در موضوع رباتیک محسوب می‌شود و همین امر باعث شده است که امروزه شاهد وجود خودرو‌هایی با قابلیت خودران و یا وجود ربات‌هایی با قابلیت تحویل کالا و سرویس دهی به مشتریان در رستوران‌ها در دنیای پیرامون خود باشیم. ازطرفی این امر موجب نگرانی‌هایی نیز شده هست نگرانی ازاینکه روزی ربات‌ها جای انسان را بگیرند.

ولی با وجود نگرانی‌های متعدد از سوی کارشناسان بسیاری از محققین آن را مضحک می‌یابند. در واقع از نظر آن‌ها هنوز فاصله زیادی بین هوش مصنوعی و پیشی گرفتن آن از انسان وجود دارد. از دید آن‌ها آینده‌ای شبیه آنچه در فیلم ترمیناتور به تصویر کشیده شده است دهه‌ها با واقعیت فاصله دارد. ولی اینکه روزی برای بشر خطر جدی ایجاد کند دور از ذهن نیست.