هوش مصنوعی چیست ؟تعریف انواع و کاربردها

1.مقدمه

در عصر حاضر، هوش مصنوعی (Artificial Intelligence – AI) دیگر یک مفهوم دور از ذهن نیست؛ بلکه نیروی محرکه هزاران تصمیم روزمره، از پیشنهادهای خرید آنلاین شما تا سیستم‌های پیچیده تشخیص بیماری است. این فناوری، با سرعت خیره‌کننده، در حال دگرگون کردن تمام ابعاد زندگی، کار و تجارت است. آنچنان که اکسنچر  معتقد است AI می‌تواند تا سال ۲۰۳۵ نرخ رشد اقتصادی را در کشورهای توسعه‌یافته دو برابر کند. اما این قدرت نوظهور دقیقا چیست؟

این مقاله برای مدیران، متخصصان و علاقه‌مندانی نوشته شده که می‌خواهند فراتر از تعاریف سطحی، به قلب این فناوری نفوذ کرده و نقش آن را در آینده کسب‌وکارها درک کنند.

 2.تعریف دقیق هوش مصنوعی

هوش مصنوعی، در ساده‌ترین تعریف، شاخه‌ای از علوم کامپیوتر است که هدف آن ایجاد ماشین‌هایی با توانایی شبیه‌سازی هوش انسانی است.

3.دیدگاه IBM و دانشگاه استنفورد در مورد AI

جان مک‌کارتی، که واژه “هوش مصنوعی” را در سال ۱۹۵۶ ابداع کرد، آن را “علم و مهندسی ساخت ماشین‌های هوشمند” تعریف نمود. اما در طول دهه‌ها، این تعریف عمیق‌تر و عملیاتی‌تر شده است:

• دیدگاه شرکتی (IBM): شرکت IBM، هوش مصنوعی را به عنوان “سیستمی که می‌تواند استدلال کند، یاد بگیرد، و از طریق تجربه به بهبود عملکرد خود بپردازد” تعریف می‌کند. این دیدگاه بر توانایی سیستم در انطباق و یادگیری تأکید دارد، نه صرفاً اجرای دستورات.
• دیدگاه دانشگاهی (Stanford): مؤسسه هوش مصنوعی انسان‌محور استنفورد (Stanford HAI)، هوش مصنوعی را مجموعه‌ای از فناوری‌ها می‌داند که ماشین‌ها را قادر می‌سازد تا وظایفی را انجام دهند که معمولاً نیاز به هوش انسانی دارند؛ مانند درک زبان، تشخیص تصویر و تصمیم‌گیری.

در واقع، هوش مصنوعی را می‌توان به عنوان یک چتر بزرگ در نظر گرفت که زیرشاخه‌های حیاتی مانند یادگیری ماشین (ML)، یادگیری عمیق (DL)، شبکه‌های عصبی (Neural Networks) و پردازش زبان طبیعی (NLP) را دربر می‌گیرد. (برای مطالعه بیشتر در مورد زیرشاخه‌های AI، مقاله [یادگیری ماشین چیست؟]را دنبال کنید.)

4.زیر شاخه های هوش مصنوعی

هوش مصنوعی (AI) فناوری است که کامپیوترها و ماشین‌ها را قادر می‌سازد تا یادگیری، درک، حل مسئله، تصمیم‌گیری، خلاقیت و خودمختاری انسان را شبیه‌سازی کنند.

برنامه‌ها و دستگاه‌های مجهز به هوش مصنوعی می‌توانند اشیاء را ببینند و شناسایی کنند. آن‌ها می‌توانند زبان انسان را درک کرده و به آن پاسخ دهند. از اطلاعات و تجربیات جدید بیاموزند. توصیه‌های دقیقی به کاربران و متخصصان ارائه دهند. می‌توانند مستقل عمل کنند و نیاز به هوش یا مداخله انسانی را جایگزین کنند (یک مثال کلاسیک آن ماشین‌های خودران است).

.

5.یادگیری ماشین چیست ؟

یک راه ساده برای فکر کردن به هوش مصنوعی، آن را به عنوان مجموعه‌ای از مفاهیم تو در تو یا مشتق شده در نظر بگیرید:

مستقیماً در زیرشاخه هوش مصنوعی، یادگیری ماشینی را داریم که شامل ایجاد مدل‌ها با آموزش یک الگوریتم برای پیش‌بینی یا تصمیم‌گیری بر اساس داده‌ها است. این شامل طیف گسترده‌ای از تکنیک‌ها می‌شود که کامپیوترها را قادر می‌سازد بدون اینکه صریحاً برای وظایف خاص برنامه‌ریزی شده باشند. از داده‌ها یاد بگیرند و بر اساس آنها استنتاج کنند.

انواع مختلفی از تکنیک‌ها یا الگوریتم‌های یادگیری ماشین وجود دارد، از جمله رگرسیون خطی ،  رگرسیون لجستیک ، درخت‌های تصمیم ، جنگل تصادفی ، ماشین‌های بردار پشتیبان  (SVM) ، k-نزدیک‌ترین همسایه (KNN)، خوشه‌بندی و موارد دیگر. هر یک از این رویکردها برای انواع مختلفی از مسائل و داده‌ها مناسب است.

اما یکی از محبوب‌ترین انواع الگوریتم‌های یادگیری ماشین، شبکه عصبی (یا شبکه عصبی مصنوعی) نام دارد. شبکه‌های عصبی از ساختار و عملکرد مغز انسان الگوبرداری شده‌اند. یک شبکه عصبی از لایه‌های به هم پیوسته‌ای از گره‌ها (مشابه نورون‌ها) تشکیل شده است که برای پردازش و تجزیه و تحلیل داده‌های پیچیده با یکدیگر کار می‌کنند. شبکه‌های عصبی برای کارهایی که شامل شناسایی الگوها و روابط پیچیده در حجم زیادی از داده‌ها هستند، بسیار مناسب هستند.

.

6.Deep learning چیست؟

یادگیری عمیق(DL) زیرمجموعه‌ای از یادگیری ماشینی است که از شبکه‌های عصبی چندلایه، به نام شبکه‌های عصبی عمیق، استفاده می‌کند که قدرت تصمیم‌گیری پیچیده مغز انسان را با دقت بیشتری شبیه‌سازی می‌کنند.
شبکه‌های عصبی عمیق شامل یک لایه ورودی، حداقل سه اما معمولاً صدها لایه پنهان و یک لایه خروجی هستند. برخلاف شبکه‌های عصبی مورد استفاده در مدل‌های یادگیری ماشین کلاسیک که معمولاً فقط یک یا دو لایه پنهان دارند.
این لایه‌های چندگانه، یادگیری بدون نظارت را ممکن می‌سازند : آن‌ها می‌توانند استخراج ویژگی‌ها را از مجموعه داده‌های بزرگ، بدون برچسب و بدون ساختار، خودکار کنند. پیش‌بینی‌های خود را در مورد آنچه داده‌ها نشان می‌دهند، انجام دهند.

در یک شبکه عصبی عمیق، لایه‌های متعددی از گره‌ها می‌توانند معنا و روابط را از حجم زیادی از داده‌های بدون ساختار و بدون برچسب استخراج کنند.

.

7.هوش مصنوعی مولد

(Generative AI) که گاهی اوقات “هوش مصنوعی نسلی” (gen AI) نامیده می‌شود ، به مدل‌های یادگیری عمیقی اشاره دارد که می‌توانند محتوای پیچیده و بدیع مانند متن طولانی، تصاویر با کیفیت بالا، ویدیو یا صدای واقع‌گرایانه و موارد دیگر را در پاسخ به درخواست یا درخواست کاربر ایجاد کنند.

در سطح بالا، مدل‌های مولد، نمایش ساده‌شده‌ای از داده‌های آموزشی خود را کدگذاری می‌کنند و سپس از آن نمایش برای ایجاد کار جدیدی که مشابه، اما نه دقیقاً مشابه، داده‌های اصلی است، استفاده می‌کنند.

مدل‌های مولد سال‌هاست که در آمار برای تحلیل داده‌های عددی مورد استفاده قرار می‌گیرند. اما در طول دهه گذشته، آنها برای تحلیل و تولید انواع داده‌های پیچیده‌تر تکامل یافته‌اند. این تکامل همزمان با ظهور سه نوع مدل یادگیری عمیق پیچیده بود:

• رمزگذارهای خودکار متغیر  یا VAEها، که در سال ۲۰۱۳ معرفی شدند، مدل‌هایی را فعال کردند که می‌توانند در پاسخ به یک اعلان یا دستورالعمل، چندین نوع محتوا تولید کنند.
  
  
• مدل‌های انتشار، که اولین بار در سال ۲۰۱۴ دیده شدند، به تصاویر «نویز» اضافه می‌کنند تا زمانی که غیرقابل تشخیص شوند. و سپس نویز را حذف می‌کنند تا تصاویر اصلی را در پاسخ به درخواست‌ها تولید کنند.
  
  
• ترانسفورماتورها (که به آنها مدل‌های ترانسفورماتور نیز گفته می‌شود) که بر اساس داده‌های توالی‌یافته آموزش داده می‌شوند تا توالی‌های گسترده‌ای از محتوا (مانند کلمات در جملات، اشکال در یک تصویر، فریم‌های یک ویدیو یا دستورات در کد نرم‌افزار) تولید کنند. ترانسفورماتورها در هسته اکثر ابزارهای هوش مصنوعی مولد امروزی، از جمله ChatGPT و GPT-4، Copilot، BERT

.

8.نحوه عملکرد هوش مصنوعی مولد

هوش مصنوعی مولد معمولاً در سه مرحله اصلی عمل می‌کند: آموزش، تنظیم، و تولید و ارزیابی.

.

• آموزش

در این مرحله، یک مدل پایه ایجاد می‌شود. متخصصان یک الگوریتم یادگیری عمیق را روی حجم عظیمی از داده‌های خام و بدون ساختار (مانند ترابایت‌ها متن، تصویر یا ویدیو از اینترنت) آموزش می‌دهند. این فرآیند یک شبکه عصبی با میلیاردها پارامتر ایجاد می‌کند که الگوها و روابط موجود در داده‌ها را کدگذاری کرده و مدل را قادر می‌سازد به طور مستقل محتوا تولید کند. این آموزش بسیار پرهزینه و زمان‌بر است و به هزاران پردازنده گرافیکی و میلیون‌ها دلار سرمایه نیاز دارد. پروژه‌های متن‌باز مانند Llama-2 به توسعه‌دهندگان امکان می‌دهند از این مرحله پرهزینه صرف‌نظر کنند.

• تنظیم

پس از آموزش، مدل پایه برای یک وظیفه مشخص تنظیم می‌شود. دو روش رایج عبارتند از:

یادگیری تقویتی با بازخورد انسانی (RLHF): کاربران انسانی خروجی‌های مدل را ارزیابی و اصلاح می‌کنند تا مدل بتواند دقت خود را بهبود بخشد.

تنظیم دقیق: تغذیه مدل با داده‌های برچسب‌گذاری‌شده، سوالات و پاسخ‌های صحیح مرتبط با برنامه نهایی.

.

• تولید، ارزیابی و تنظیم بیشتر

توسعه‌دهندگان و کاربران به طور مستمر خروجی‌های مدل را ارزیابی کرده و برای افزایش دقت و ارتباط، آن را تنظیم می‌کنند. این تنظیمات می‌تواند به طور مکرر (مثلاً هفتگی) انجام شود، در حالی که خود مدل پایه بسیار کمتر (سالی یک بار) به‌روز می‌شود. روش دیگر برای بهبود عملکرد، استفاده از تولید با بازیابی افزوده (RAG) است که مدل را قادر می‌سازد از منابع اطلاعاتی خارج از داده‌های آموزشی خود نیز استفاده کند.

.

9.عامل‌های هوش مصنوعی و هوش مصنوعی عامل‌محور

یک عامل هوش مصنوعی ، یک برنامه هوش مصنوعی مستقل است که می‌تواند وظایف را انجام دهد و به نمایندگی از یک کاربر یا سیستم دیگر و بدون دخالت انسان، با طراحی گردش کار خود و استفاده از ابزارهای موجود (سایر برنامه‌ها یا خدمات)، به اهداف خود برسد.
هوش مصنوعی عامل‌محور ، سیستمی متشکل از چندین عامل هوش مصنوعی است که تلاش‌های آنها برای انجام یک کار پیچیده‌تر یا هدفی بزرگتر از آنچه هر عامل به تنهایی در سیستم می‌تواند انجام دهد، هماهنگ یا هماهنگ شده است.
برخلاف چت‌بات‌ها و سایر مدل‌های هوش مصنوعی که در محدودیت‌های از پیش تعریف‌شده عمل می‌کنند و نیاز به مداخله انسانی دارند، عامل‌های هوش مصنوعی و هوش مصنوعی عامل‌گرا، خودمختاری، رفتار هدفمند و سازگاری با شرایط متغیر را از خود نشان می‌دهند. اصطلاحات «عامل» و «عامل» به عاملیت این مدل‌ها یا ظرفیت آنها برای عمل مستقل و هدفمند اشاره دارد.

یک راه برای فکر کردن به عامل‌ها این است که آنها را به عنوان یک گام طبیعی پس از هوش مصنوعی مولد در نظر بگیریم. مدل‌های هوش مصنوعی نسل بعدی بر ایجاد محتوا بر اساس الگوهای آموخته شده تمرکز دارند. عامل‌ها از آن محتوا برای تعامل با یکدیگر و سایر ابزارها برای تصمیم‌گیری، حل مشکلات و انجام وظایف استفاده می‌کنند. به عنوان مثال، یک برنامه هوش مصنوعی نسل جدید ممکن است بتواند با توجه به برنامه کاری شما، بهترین زمان برای صعود به کوه اورست را به شما بگوید، اما یک عامل می‌تواند این را به شما بگوید و سپس از یک سرویس مسافرتی آنلاین برای رزرو بهترین پرواز و رزرو اتاق در مناسب‌ترین هتل در نپال استفاده کند.

10.کاربرد های هوش مصنوعی در صنایع مختلف

کاربردهای هوش مصنوعی در دنیای واقعی بسیار زیاد است.

• تشخیص کلاهبرداری

الگوریتم‌های یادگیری ماشین و یادگیری عمیق می‌توانند الگوهای تراکنش را تجزیه و تحلیل کرده و ناهنجاری‌هایی مانند هزینه‌های غیرمعمول یا مکان‌های ورود به سیستم را که نشان‌دهنده تراکنش‌های کلاهبرداری هستند، شناسایی کنند. این امر سازمان‌ها را قادر می‌سازد تا سریع‌تر به کلاهبرداری‌های احتمالی پاسخ دهند و تأثیر آن را محدود کنند و به خود و مشتریان آرامش خاطر بیشتری بدهند.

• بازاریابی شخصی‌سازی‌شده

خرده‌فروشان، بانک‌ها و سایر شرکت‌هایی که با مشتری در ارتباط هستند می‌توانند از هوش مصنوعی برای ایجاد تجربیات شخصی‌سازی‌شده برای مشتری و کمپین‌های بازاریابی استفاده کنند که باعث رضایت مشتریان، بهبود فروش و جلوگیری از ریزش مشتری می‌شود. الگوریتم‌های یادگیری عمیق می‌توانند بر اساس داده‌های مربوط به تاریخچه خرید و رفتارهای مشتری، محصولات و خدماتی را که احتمالاً مشتریان می‌خواهند، توصیه کنند و حتی نسخه‌های شخصی‌سازی‌شده و پیشنهادات ویژه را برای مشتریان خاص در لحظه تولید کنند.

• نگهداری و تعمیرات پیش‌بینانه

مدل‌های یادگیری ماشین می‌توانند داده‌های حسگرها، دستگاه‌های اینترنت اشیا (IoT) و فناوری عملیاتی (OT) را تجزیه و تحلیل کنند . تا زمان نیاز به تعمیر و نگهداری را پیش‌بینی کنند و خرابی تجهیزات را قبل از وقوع پیش‌بینی کنند. تعمیر و نگهداری پیشگیرانه مبتنی بر هوش مصنوعی به جلوگیری از خرابی کمک می‌کند . شما را قادر می‌سازد تا قبل از اینکه مشکلات زنجیره تأمین بر سود خالص تأثیر بگذارند، از آنها مطلع شوید.

11.مزایای هوش مصنوعی

.

• خودکارسازی وظایف تکراری

هوش مصنوعی می‌تواند وظایف روتین، تکراری و اغلب خسته‌کننده، از جمله وظایف دیجیتالی مانند جمع‌آوری داده‌ها، ورود و پیش‌پردازش، و وظایف فیزیکی مانند انتخاب موجودی انبار و فرآیندهای تولید را خودکار کند. این اتوماسیون، افراد را آزاد می‌کند تا روی کارهای خلاقانه‌تر و با ارزش‌تر کار کنند.

• کاهش خطاهای انسانی

هوش مصنوعی می‌تواند خطاهای انسانی را به روش‌های مختلف کاهش دهد. از راهنمایی افراد در مراحل یک فرآیند گرفته تا شناسایی خطاهای احتمالی قبل از وقوع و خودکارسازی کامل فرآیندها بدون دخالت انسان. این امر به ویژه در صنایعی مانند مراقبت‌های بهداشتی که به عنوان مثال، رباتیک جراحی هدایت‌شده توسط هوش مصنوعی، دقت ثابتی را ممکن می‌سازند، اهمیت دارد.

• در دسترس بودن شبانه‌روزی

هوش مصنوعی همیشه فعال است، شبانه‌روزی در دسترس است و هر بار عملکرد ثابتی را ارائه می‌دهد. ابزارهایی مانند چت‌بات‌های هوش مصنوعی یا دستیاران مجازی می‌توانند نیازهای کارکنان برای خدمات مشتری یا پشتیبانی را کاهش دهند. در سایر کاربردها مانند پردازش مواد یا خطوط تولید، هوش مصنوعی می‌تواند به حفظ کیفیت کار و سطح خروجی ثابت هنگام انجام کارهای تکراری یا خسته‌کننده کمک کند.

12.چالش‌ها و خطرات هوش مصنوعی 

سازمان‌ها در تلاشند تا از جدیدترین فناوری‌های هوش مصنوعی بهره ببرند و از مزایای فراوان آن بهره‌مند شوند. این پذیرش سریع ضروری است، اما پذیرش و حفظ گردش‌های کاری هوش مصنوعی با چالش‌ها و خطراتی همراه است.

• خطرات داده

سیستم‌های هوش مصنوعی به مجموعه داده‌هایی متکی هستند . ممکن است در برابر مسمومیت داده‌ها، دستکاری داده‌ها، سوگیری داده‌ها یا حملات سایبری که می‌توانند منجر به نقض داده‌ها شوند، آسیب‌پذیر باشند.

• ریسک‌های مدل

عاملان تهدید می‌توانند مدل‌های هوش مصنوعی را برای سرقت، مهندسی معکوس یا دستکاری غیرمجاز هدف قرار دهند. مهاجمان ممکن است با دستکاری معماری، وزن‌ها یا پارامترهای یک مدل، یکپارچگی آن را به خطر بیندازند. اجزای اصلی که رفتار، دقت و عملکرد یک مدل را تعیین می‌کنند.

• ریسک‌های عملیاتی

مانند همه فناوری‌ها، مدل‌ها نیز در معرض خطرات عملیاتی مانند انحراف مدل، سوگیری و اختلال در ساختار حاکمیتی هستند. در صورت عدم رسیدگی، این خطرات می‌توانند منجر به خرابی سیستم و آسیب‌پذیری‌های امنیت سایبری شوند که بازیگران تهدید می‌توانند از آنها استفاده کنند.

13.هوش مصنوعی ضعیف در مقابل هوش مصنوعی قوی

• هوش مصنوعی ضعیف :

با عنوان «هوش مصنوعی محدود» نیز شناخته می‌شود. سیستم‌های هوش مصنوعی را تعریف می‌کند که برای انجام یک کار خاص یا مجموعه‌ای از کارها طراحی شده‌اند. نمونه‌هایی از این موارد می‌تواند شامل برنامه‌های دستیار صوتی «هوشمند» مانند الکسای آمازون، سیری اپل، یک چت‌بات رسانه‌های اجتماعی یا خودروهای خودران تسلا باشد.

• هوش مصنوعی قوی:

با نام‌های «هوش مصنوعی عمومی» (AGI) یا «هوش مصنوعی عمومی» نیز شناخته می‌شود. توانایی درک، یادگیری و به‌کارگیری دانش در طیف وسیعی از وظایف را در سطحی برابر یا فراتر از هوش انسانی دارد . این سطح از هوش مصنوعی در حال حاضر در حد تئوری است و هیچ سیستم هوش مصنوعی شناخته‌شده‌ای به این سطح از پیچیدگی نرسیده است. محققان معتقدند که اگر هوش مصنوعی عمومی حتی امکان‌پذیر باشد، نیاز به افزایش قابل توجه قدرت محاسباتی دارد. با وجود پیشرفت‌های اخیر در توسعه هوش مصنوعی، سیستم‌های هوش مصنوعی خودآگاه داستان‌های علمی تخیلی همچنان در این حوزه باقی مانده‌اند.