هوش مصنوعی چیست؟ همه چیز درباره هوش مصنوعی

هوش مصنوعی چیست؟ راهنمای اجرایی برای هوش ماشینی، از یادگیری ماشین و هوش مصنوعی عمومی تا شبکه‌های عصبی. در دانشگاه کسب و ‎کار درمورد هوش ماشینی صحبت خواهیم کرد.

هوش مصنوعی (AI) چیست؟

اینکه از چه کسی می‌پرسید خیلی مهم است!!

در دهه 1950، پدران این رشته، مینسکی و مک کارتی، هوش مصنوعی را به عنوان هر کار انجام شده توسط ماشینی توصیف کردند که قبلاً برای انجام آن، به هوش انسانی نیاز داشت.

بدیهی است که این یک تعریف نسبتاً گسترده است. به همین دلیل است که گاهی اوقات بحث‌هایی را در مورد اینکه آیا چیزی واقعاً هوش ماشینی است یا خیر مشاهده می‌کنید.

تعاریف مدرن از معنای ایجاد هوش مشخص‌تر است. فرانسوا شولت، محقق هوش ماشینی در گوگل و خالق کتابخانه نرم‌افزار یادگیری ماشینی Keras می‌گوید:

هوش به توانایی یک سیستم برای انطباق و بداهه‌سازی در یک محیط جدید، تعمیم دانش و اعمال آن در سناریوهای ناآشنا گره خورده است.

او گفت: «هوش کارایی‌ای است که با آن، مهارت‌های جدیدی را در کارهایی که قبلاً برای آن‌ها چیزی آماده نکرده بودید، به دست می‌آورید.

“هوش به خودی خود مهارت نیست. آنچه شما می‌توانید انجام دهید نیست. مهم این است که چقدر خوب و کارآمد می‌توانید چیزهای جدید را یاد بگیرید.”

این تعریفی است که بر اساس آن سیستم‌های مجهز به هوش مصنوعی مدرن، مانند دستیارهای مجازی، به‌ عنوان «هوش مصنوعی باریک» مشخص می‌شوند. این هوش توانایی تعمیم آموزش خود در هنگام انجام مجموعه‌ای محدود از وظایف، مانند تشخیص گفتار یا بینایی توسط رایانه را دارد. پول درآوردن از این هوش ماشینی در دنیای امروز بسیار رایج شده است.

به طور معمول، سیستم‌های هوش ماشینی حداقل برخی از رفتارهای زیر، مرتبط با هوش انسانی را نشان می‌دهند:

برنامه‌ریزی، یادگیری، استدلال، حل مسئله، بازنمایی دانش، ادراک، حرکت، دست‌کاری و تا حدی هوش اجتماعی و خلاقیت.

انواع مختلف هوش مصنوعی چیست؟

در سطح بسیار بالا، هوش مصنوعی را می‌توان به دو نوع کلی تقسیم کرد:

• هوش ماشینی باریک

هوش مصنوعی باریک همان چیزی است که امروزه در اطراف خود در رایانه‌ها می‌بینیم. سیستم‌های هوشمندی که آموزش داده‌شده‌اند یا یاد گرفته‌اند که چگونه وظایف خاصی را بدون برنامه‌ریزی صریح برای انجام این کار انجام دهند.

این نوع هوش ماشینی در تشخیص گفتار و زبان دستیار مجازی Siri در آیفون اپل اجرا شده است. در سیستم‌های تشخیص بینایی در ماشین‌های خودران وجود دارد. در موتورهای توصیه‌ای که محصولاتی را که ممکن است بر اساس آنچه شما دوست دارید پیشنهاد کنند هم مشهود است. برخلاف انسان‌ها، این سیستم‌ها فقط می‌توانند نحوه انجام وظایف تعریف شده را یاد بگیرند یا به آن‌ها آموزش داده شود. به همین دلیل است که به آن‌ها هوش مصنوعی باریک می‌گویند.

• هوش مصنوعی عمومی

هوش ماشینی عمومی بسیار متفاوت است. نوعی عقل سازگاری است که در انسان یافت می‌شود. نوعی هوش انعطاف‌پذیر است که می‌تواند یاد بگیرد چگونه کارهای بسیار متفاوتی را انجام دهد. از کوتاه کردن مو گرفته تا ساخت صفحات گسترده یا استدلال در مورد موضوعات مختلف بر اساس تجربه انباشته در آن مورد.

این نوعی از هوش ماشینی است که بیشتر در فیلم‌ها دیده می‌شود، مانند HAL در سال 2001 یا Skynet در The Terminator. اما امروزه هنوز وجود ندارد. کارشناسان هوش ماشینی به شدت در مورد اینکه چقدر زود به واقعیت تبدیل می‌شود، اختلاف نظر دارند.

هوش مصنوعی باریک چه کاری می‌تواند انجام دهد؟

تعداد زیادی برنامه در حال ظهور برای هوش ماشینی محدود وجود دارد:

• تفسیر فیدهای ویدئویی از هواپیماهای بدون سرنشین که بازرسی بصری زیرساخت‌ها مانند خطوط لوله نفت را انجام می‌دهند.
• سازمان‌دهی تقویم‌های شخصی و تجاری.
• پاسخگویی به سؤالات ساده خدمات مشتری.
• هماهنگی با سایر سیستم‌های هوشمند برای انجام کارهایی مانند رزرو هتل در زمان و مکان مناسب.
• کمک به رادیولوژیست‌ها برای تشخیص تومورهای بالقوه در اشعه ایکس.
• علامت‌گذاری محتوای نامناسب آنلاین، تشخیص فرسودگی آسانسورها از داده‌های جمع آوری شده توسط دستگاه‌های اینترنت اشیا.
• تولید مدل سه بعدی از جهان از تصاویر ماهواره‌ای …
• و این لیست ادامه دارد و ادامه دارد.

کاربردها

کاربردهای جدید این سیستم‌های یادگیری، همیشه در حال ظهور هستند. طراح کارت گرافیک انویدیا اخیراً یک سیستم مبتنی بر هوش مصنوعی Maxine را معرفی کرده است. این مورد به افراد امکان می‌دهد تقریباً بدون توجه به سرعت اتصال اینترنت خود تماس‌های ویدیویی با کیفیت خوبی برقرار کنند. استراتژی چیست؟ این سیستم، پهنای باند مورد نیاز برای چنین تماس‌هایی را با انتقال ندادن جریان کامل ویدیو از طریق اینترنت انجام داده است. به جای متحرک کردن تعداد کمی از تصاویر ثابت تماس‌ گیرنده به روشی که برای باز تولید حالات و حرکات چهره تماس‌ گیرندگان طراحی شده است را 10 برابر کاهش می‌دهد. در زمان واقعی و غیر قابل تشخیص از ویدیو.

با این حال، به همان اندازه که این سیستم‌ها دارای پتانسیل استفاده نشده هستند، گاهی جاه طلبی‌ها برای فناوری از واقعیت پیشی می‌گیرد. نمونه‌ای از آن خودروهای خودران هستند که خود توسط سیستم‌های مجهز به هوش مصنوعی مانند بینایی کامپیوتری پشتیبانی می‌شوند. شرکت خودروهای برقی تسلا تا حدودی از جدول زمانی اصلی مدیرعامل ایلان ماسک عقب مانده است. یعنی برای ارتقای سیستم Autopilot خودرو به “خودران کامل” از قابلیت‌های محدودتر کمکی این سیستم عقب مانده است. در حالی که گزینه Full Self-Driving اخیراً در دسترس قرار گرفته است. این یک گروه منتخب از درایورهای خبره به عنوان بخشی از یک برنامه آزمایش بتا است.

هوش مصنوعی عمومی چه کاری می‌تواند انجام دهد؟

یک نظرسنجی که در سال 2012/2013 توسط محققین هوش ماشینی وینسنت سی مولر و فیلسوف نیک بوستروم در میان چهار گروه از متخصصان انجام شد، احتمال 50 درصدی را گزارش کرد که هوش عمومی مصنوعی (AGI) بین سال‌های 2040 تا 2050 توسعه یابد و تا سال 2075 به 90 درصد افزایش یابد. این گروه در پیش‌بینی‌های خود فراتر رفت. پیش‌بینی کرد که به اصطلاح «فوق هوش» که بوستروم آن را به عنوان «هر عقلی که تقریباً در همه حوزه‌های مورد علاقه از عملکرد شناختی انسان‌ها بسیار فراتر می‌رود» تعریف می‌کند، حدود 30 سال پس از دستیابی به AGI ظهور می‌یابد.

با این حال، ارزیابی‌های اخیر توسط کارشناسان هوش مصنوعی محتاطانه‌تر است. پیشگامان در زمینه تحقیقات مدرن هوش مصنوعی مانند جفری هینتون، دمیس حسابیس و یان لیکون می‌گویند: جامعه به هیچ وجه به توسعه AGI نزدیک نیست. با توجه به شک و تردید نسبت به چراغ‌های پیشرو در زمینه هوش مصنوعی مدرن و ماهیت بسیار متفاوت سیستم‌های باریک هوش مصنوعی مدرن با AGI، شاید دلیل کمی برای ترس از اینکه هوش مصنوعی عمومی جامعه را در آینده نزدیک مختل کند وجود داشته باشد.

با این حال، برخی از کارشناسان هوش ماشینی معتقدند که با توجه به درک محدود ما از مغز انسان، چنین پیش‌بینی‌هایی بسیار خوش‌بینانه است و معتقدند که AGI هنوز قرن‌ها با پیش بینی‌ها فاصله دارد. امروزه تجارت الکترونیک با همین هوش ماشینی ترکیب شده است.

نقاط عطف اخیر در توسعه هوش مصنوعی چیست؟

در حالی که هوش مصنوعی محدود مدرن ممکن است محدود به انجام وظایف خاصی باشد؛ اما این سیستم‌ها گاهی اوقات قادر به عملکرد مافوق بشری هستند. آن‌ها حتی در برخی موارد خلاقیت برتر را نشان می‌دهند، ویژگی که اغلب ذاتاً انسانی است. نوآوری اصل اساسی این مطلب است.

برخی از نکات برجسته پیشرفت‌های جمع‌آوری فهرست قطعی

• در سال 2009 گوگل نشان داد تویوتا پریوس خودران می‌تواند بیش از 10 سفر به طول 100 مایل را طی کند و جامعه را در مسیری به سمت وسایل نقلیه بدون راننده قرار دهد.
• در سال 2011، سیستم کامپیوتری IBM Watson با برنده شدن در مسابقه مسابقه آمریکایی Jeopardy!، با شکست دادن دو نفر از بهترین بازیکنانی که این نمایش تا به حال تولید کرده بود، تیتر خبرهای جهانی شد. برای برنده شدن در این نمایش، واتسون از پردازش و تجزیه و تحلیل زبان طبیعی بر روی مخازن وسیعی از داده‌ها استفاده کرد. این مورد برای پاسخ به سؤالات انسان، اغلب در کسری از ثانیه پردازش می‌شوند.
• یک منبع در سال 2012، پیشرفت دیگری از پتانسیل هوش ماشینی برای مقابله با بسیاری از وظایف جدید که قبلاً برای هر ماشینی بیش از حد پیچیده تصور می‌شد، خبر داد. در آن سال، سیستم AlexNet به طور قاطع در چالش تشخیص تصویری در مقیاس بزرگ ImageNet پیروز شد. دقت AlexNet به حدی بود که میزان خطا را در مقایسه با سیستم‌های رقیب در مسابقه تشخیص تصویر، به نصف کاهش داد.

مدل یادگیری

عملکرد AlexNet قدرت سیستم‌های یادگیری مبتنی بر شبکه‌های عصبی را نشان داد. مدلی برای یادگیری ماشین که برای دهه‌ها وجود داشت؛ اما در نهایت به دلیل اصلاحات در معماری و جهش در قدرت پردازش موازی که توسط قانون امکان‌پذیر شد، پتانسیل خود را محقق می‌کرد. مهارت سیستم‌های یادگیری ماشینی در اجرای بینایی رایانه‌ای نیز در آن سال به سرفصل خبرها تبدیل شد و گوگل سیستمی را آموزش داد تا یک مورد علاقه اینترنتی را تشخیص دهد: تصاویر گربه‌ها.

بازی جالب

نمایش بعدی کارآمدی سیستم‌های یادگیری ماشینی که توجه عموم را به خود جلب کرد، پیروزی هوش مصنوعی Google DeepMind AlphaGo در سال 2016 بر یک استاد بزرگ انسانی در Go بود. یک بازی چینی باستانی که پیچیدگی آن برای چندین دهه رایانه‌ها را تحت تأثیر قرار داد. Go در مقایسه با حدود 20 حرکت در شطرنج، حدود 200 حرکت ممکن در هر نوبت دارد. در طول بازی Go، حرکات احتمالی زیادی وجود دارد که جستجو در هر یک از آن‌ها از قبل، برای شناسایی بهترین بازی از نظر محاسباتی بسیار پرهزینه است. در عوض، AlphaGo با انجام حرکاتی که توسط متخصصان انسانی در 30 میلیون بازی Go انجام می‌شود و تغذیه آن‌ها در شبکه‌های عصبی با یادگیری عمیق، آموزش می‌بیند که چگونه بازی کند.

آموزش این شبکه‌های یادگیری عمیق می‌تواند زمان بسیار زیادی طول بکشد و نیاز به دریافت مقادیر زیادی از داده‌ها و تکرار آن‌ها دارد؛ زیرا سیستم به تدریج مدل خود را برای دستیابی به بهترین نتیجه اصلاح می‌کند.

AlphaGo Zero

اخیراً گوگل فرآیند آموزش را با AlphaGo Zero اصلاح کرده است. سیستمی که بازی‌های “کاملاً تصادفی” را علیه خودش انجام می‌دهد و سپس از آن درس می‌گیرد. دمیس حسابیس، مدیرعامل گوگل دیپ مایند نیز از نسخه جدیدی از AlphaGo Zero رونمایی کرده است که در بازی‌های شطرنج و شوگی تسلط دارد.

هوش مصنوعی همچنان به سرعت از نقاط عطف جدید عبور می‌کند: سیستمی که توسط OpenAI آموزش دیده است، بازیکنان برتر جهان را در مسابقات تک نفره بازی و چند نفره آنلاین Dota 2 شکست داده است.

در همان سال، OpenAI عوامل هوش ماشینی را ایجاد کرد که زبان خود را برای همکاری و رسیدن به هدف مؤثرتر اختراع کردند و به دنبال آن مأموران فیس بوک را برای مذاکره آموزش دادند.

مثل انسان

سال 2020 سالی بود که در آن یک سیستم هوش مصنوعی ظاهراً این توانایی را به دست آورد که تقریباً در مورد هر موضوعی که فکرش را بکنید مانند یک انسان بنویسد و صحبت کند.

سیستم مورد بحث که با نام Generative Pre-trained Transformer 3 یا GPT-3 به اختصار شناخته می‌شود، یک شبکه عصبی است که بر روی میلیاردها مقاله انگلیسی زبان موجود در وب باز، آموزش دیده است.

مقالات

مدت کوتاهی پس از اینکه توسط سازمان غیرانتفاعی OpenAI برای آزمایش در دسترس قرار گرفت، اینترنت پر از توانایی GPT-3 برای تولید مقاله در مورد تقریباً هر موضوعی بود که به آن داده می‌شد. مقالاتی که در نگاه اول اغلب دشوار بود. البته مأمور بود تا از آن‌هایی که توسط یک انسان نوشته شده است متمایز شود. به طور مشابه، نتایج چشمگیر در سایر زمینه‌ها به دنبال داشت. این نتایج شامل توانایی آن در پاسخ قانع کننده به سؤالات در مورد طیف گسترده‌ای از موضوعات و حتی برای یک کدنویس جاوا اسکریپت تازه کار است.

اما در حالی که بسیاری از مقالات تولید شده توسط GPT-3 دارای حالتی واقعی بودند، آزمایش‌های بیشتر نشان داد که جملات تولید شده اغلب به نتیجه نمی‌رسند. آن‌ها معمولاً عبارات سطحی قابل قبول اما گیج کننده و همچنین گاهی اوقات مزخرف را ارائه می‌دهند.

هنوز علاقه قابل توجهی به استفاده از درک زبان طبیعی مدل در مورد مبنای خدمات آینده وجود دارد که برای توسعه دهندگان منتخب در ساخت نرم افزار از طریق API بتای OpenAI در دسترس است. همچنین در سرویس‌های آتی موجود از طریق پلتفرم ابری Azure مایکروسافت گنجانده خواهد شد.

پتانسیل هوش ماشینی

شاید بارزترین نمونه از پتانسیل هوش مصنوعی اواخر سال 2020 بود، زمانی که شبکه عصبی مبتنی بر توجه گوگل AlphaFold 2 نتیجه‌ای را نشان داد که برخی آن را شایسته دریافت جایزه نوبل شیمی می‌دانستند.

توانایی این سیستم برای نگاه کردن به بلوک‌های سازنده پروتئین، معروف به اسیدهای آمینه و استخراج ساختار سه‌بعدی آن پروتئین می‌تواند عمیقاً بر سرعت درک بیماری‌ها و توسعه داروها تأثیر بگذارد. در مسابقه ارزیابی انتقادی پیش‌بینی ساختار پروتئین، AlphaFold 2 ساختار سه‌بعدی یک پروتئین را با دقت کریستالوگرافی رقیب و استاندارد طلایی برای مدل‌سازی متقاعدکننده پروتئین‌ها تعیین کرد.

AlphaFold 2

برخلاف کریستالوگرافی که ماه‌ها طول می‌کشد تا نتایج را نشان دهد، AlphaFold 2 می‌تواند پروتئین‌ها را در چند ساعت مدل‌سازی کند. با توجه به اینکه ساختار سه‌بعدی پروتئین‌ها نقش مهمی در زیست‌شناسی و بیماری‌های انسان ایفا می‌کند، چنین سرعت بخشی به عنوان یک پیشرفت مهم برای علم پزشکی اعلام شده است. بدون اینکه به کاربردهای بالقوه در سایر مناطقی که آنزیم‌ها در بیوتکنولوژی استفاده می‌شوند اشاره کنیم.

یادگیری ماشینی چیست؟

عملاً تمام دستاوردهایی که تاکنون از یادگیری ماشینی ذکر شد، زیرمجموعه‌ای از هوش ماشینی هستند که اکثریت عظیمی از دستاوردهای سال‌های اخیر در این زمینه را به خود اختصاص داده است. وقتی امروزه مردم در مورد هوش ماشینی صحبت می‌کنند، به طور کلی در مورد یادگیری ماشین صحبت می‌کنند.

در حال حاضر لذت بردن از چیزی شبیه به تجدید حیات یا همان یادگیری ماشین جایی است که یک سیستم کامپیوتری به جای اینکه برنامه ریزی شود که چگونه این کار را انجام دهد، یاد می‌گیرد که چگونه یک کار را انجام دهد. این توصیف از یادگیری ماشین به سال 1959 باز می‌گردد، زمانی که توسط آرتور ساموئل، یکی از پیشگامان این حوزه که یکی از اولین سیستم‌های خودآموز جهان، برنامه بازی ساموئل چکرز را توسعه داد، ابداع شد.

یادگیری

برای یادگیری، به این سیستم‌ها حجم عظیمی از داده‌ها، داده می‌شود. سپس از آن‌ها برای یادگیری نحوه انجام یک کار خاص، مانند درک گفتار یا نوشتن شرح عکس استفاده می‌کنند. کیفیت و اندازه این مجموعه داده برای ساختن سیستمی که بتواند وظایف تعیین شده خود را با دقت انجام دهد، مهم است. به عنوان مثال، اگر در حال ساختن یک سیستم یادگیری ماشینی برای پیش‌بینی قیمت خانه بودید، داده‌های آموزشی باید علاوه بر اندازه ملک، سایر عوامل برجسته مانند تعداد اتاق خواب یا اندازه باغ را شامل شود.

شبکه‌های عصبی چیست؟

کلید موفقیت یادگیری ماشین شبکه‌های عصبی است. این مدل‌های ریاضی می‌توانند پارامترهای داخلی را تغییر دهند تا خروجی‌هایشان را تغییر دهند. یک شبکه عصبی از مجموعه داده‌هایی تغذیه می‌کند که به آن می‌آموزد وقتی داده‌های خاصی در طول آموزش ارائه می‌شود، چه چیزی را باید بیرون بیاورد. به عبارت دقیق، شبکه ممکن است تصاویری در مقیاس خاکستری از اعداد بین صفر و 9، در کنار رشته‌ای از ارقام دودویی صفر و یک تغذیه شود.

این نشان می‌دهد کدام عدد در هر تصویر مقیاس خاکستری نشان داده شده است. سپس شبکه آموزش داده می‌شود. پارامترهای داخلی خود را تنظیم می‌کند تا زمانی که عدد نشان داده شد، هر تصویر را با درجه بالایی از دقت طبقه بندی کند. این شبکه عصبی آموزش‌ دیده می‌تواند برای طبقه‌بندی تصاویر دیگر در مقیاس خاکستری از اعداد بین صفر و 9 مورد استفاده قرار گیرد.

چنین شبکه‌ای در مقاله‌ای که کاربرد شبکه‌های عصبی را نشان می‌دهد و توسط Yann LeCun در سال 1989 منتشر شده است، مورد استفاده قرار گرفت و توسط سرویس پست ایالات متحده استفاده شد. این مقاله برای تشخیص کدهای پستی دست نویس بود.

عملکرد

ساختار و عملکرد شبکه‌های عصبی بسیار ضعیف بر اساس ارتباطات بین نورون های مغز است. شبکه‌های عصبی از لایه‌های به هم پیوسته الگوریتم هایی تشکیل شده‌اند که از طریق داده‌ها یکدیگر را تغذیه می‌کنند. آن‌ها را می‌توان با تغییر اهمیتی که به داده‌ها هنگام عبور از بین این لایه‌ها نسبت داده می‌شود، برای انجام وظایف خاص آموزش داد. در طول آموزش این شبکه‌های عصبی، وزن‌های متصل به داده‌ها هنگام عبور از بین لایه‌ها، تا زمانی که خروجی شبکه عصبی بسیار نزدیک به آنچه مورد نظر است، تغییر می‌کند. در آن مرحله، شبکه یاد گرفته است که چگونه یک کار خاص را انجام دهد. خروجی مورد نظر می‌تواند هر چیزی باشد، از برچسب زدن صحیح میوه در تصویر گرفته تا پیش بینی زمان خرابی آسانسور بر اساس داده‌های حسگر.

یادگیری عمیق

زیرمجموعه‌ای از یادگیری ماشینی، یادگیری عمیق است. در یادگیری عمیق، شبکه‌های عصبی به شبکه‌های گسترده، با تعداد زیادی لایه بزرگ که با استفاده از حجم عظیمی از داده آموزش داده می‌شوند، گسترش می‌یابند. این شبکه‌های عصبی عمیق به جهش فعلی در توانایی رایانه‌ها برای انجام وظایفی مانند تشخیص گفتار و بینایی رایانه دامن زده‌اند.

انواع مختلفی از شبکه‌های عصبی با نقاط قوت و ضعف متفاوت وجود دارد. شبکه‌های عصبی بازگشتی (RNN) نوعی شبکه عصبی هستند که مخصوصاً برای پردازش زبان طبیعی (NLP) درک معنای متن و تشخیص گفتار مناسب هستند. در حالی که شبکه‌های عصبی کانولوشن ریشه در تشخیص تصویر دارند و کاربردهای متنوعی دارند. به عنوان سیستم‌های توصیه‌گر و NLP. طراحی شبکه‌های عصبی نیز در حال تکامل است و محققان شکل مؤثرتری از شبکه عصبی عمیق به نام حافظه کوتاه‌ مدت، بلند مدت یا LSTM را اصلاح کردند. نوعی معماری RNN که برای کارهایی مانند NLP و برای پیش‌بینی بازار سهام استفاده می‌شود و به اندازه کافی سریع عمل می‌کند تا در سیستم‌های درخواستی مانند Google Translate استفاده شود.

انواع دیگر هوش مصنوعی چیست؟

یکی دیگر از زمینه‌های تحقیقات هوش مصنوعی، محاسبات تکاملی است.

از نظریه انتخاب طبیعی داروین وام گرفته شده است. این الگوریتم‌های ژنتیک را تحت جهش‌ها و ترکیب‌های تصادفی بین نسل‌ها در تلاش برای تکامل راه‌ حل بهینه برای یک مشکل مشخص می‌بیند.

این رویکرد حتی برای کمک به طراحی مدل‌های هوش مصنوعی، به‌ طور مؤثر از هوش مصنوعی برای کمک به ساخت هوش مصنوعی استفاده شده است. این استفاده از الگوریتم‌های تکاملی برای بهینه سازی شبکه‌های عصبی را تکامل عصبی می‌نامند. این مسئله می‌تواند نقش مهمی در کمک به طراحی هوش ماشینی کارآمد داشته باشد؛ زیرا استفاده از سیستم‌های هوشمند رایج‌تر می‌شود، به خصوص که تقاضا برای دانشمندان داده اغلب از عرضه بیشتر است. این تکنیک توسط آزمایشگاه هوش ماشینی Uber به نمایش گذاشته شد. آن‌ها مقالاتی در مورد استفاده از الگوریتم‌های ژنتیک برای آموزش شبکه‌های عصبی عمیق برای مشکلات یادگیری تقویتی منتشر کردند.

سیستم‌های خبره

در نهایت، سیستم‌های خبره‌ای وجود دارند که رایانه‌ها با قوانینی برنامه‌ریزی می‌شوند که به آن‌ها اجازه می‌دهد یک سری تصمیمات را بر اساس تعداد زیادی ورودی اتخاذ کنند. آن‌ها به آن ماشین اجازه می‌دهد رفتار یک متخصص انسانی را در یک حوزه خاص تقلید کند. نمونه‌ای از این سیستم‌های مبتنی بر دانش ممکن است یک سیستم خلبان خودکار در حال پرواز با هواپیما باشد.

چه چیزی به تجدید حیات در هوش مصنوعی دامن می‌زند؟

همان‌طور که در بالا ذکر شد، بزرگ‌ترین پیشرفت‌ها برای تحقیقات هوش مصنوعی در سال‌های اخیر در زمینه یادگیری ماشین، به‌ ویژه در زمینه یادگیری عمیق بوده است.

این امر تا حدی ناشی از دسترسی آسان به داده‌ها است؛ اما حتی بیشتر از آن به دلیل انفجار قدرت محاسباتی موازی، که در طی آن زمان استفاده از خوشه‌های واحدهای پردازش گرافیکی (GPU) برای آموزش سیستم‌های یادگیری ماشینی رایج‌تر شده است، می‌باشد.

این خوشه‌ها نه تنها سیستم‌های بسیار قدرتمندتری را برای آموزش مدل‌های یادگیری ماشینی ارائه می‌دهند، بلکه اکنون به‌ طور گسترده به‌ عنوان خدمات ابری از طریق اینترنت در دسترس هستند. با گذشت زمان، شرکت‌های بزرگ فناوری، مانند گوگل، مایکروسافت و تسلا، به سمت استفاده از تراشه‌های تخصصی متناسب با مدل‌های در حال اجرا و اخیراً آموزشی، حرکت کردند.

تراشه

نمونه‌ای از یکی از این تراشه‌های سفارشی، واحد پردازش تنسور (TPU) گوگل است که آخرین نسخه آن سرعتی را که مدل‌های یادگیری ماشینی مفید ساخته شده با استفاده از کتابخانه نرم‌افزار TensorFlow Google می‌توانند اطلاعات را از داده‌ها استنتاج کنند، تسریع می‌دهد که می‌توان آن‌ها را آموزش داد.

این تراشه‌ها برای آموزش مدل‌هایی برای DeepMind و Google Brain و مدل‌هایی که زیربنای Google Translate و تشخیص تصویر در Google Photos و سرویس‌هایی هستند استفاده می‌شوند. این‌ها به عموم مردم اجازه می‌دهند با استفاده از Google’s TensorFlow Research Cloud مدل‌های یادگیری ماشینی بسازند. نسل سوم این تراشه‌ها در کنفرانس I/O گوگل در ماه می 2018 رونمایی شد.

از آن زمان در نیروگاه‌های یادگیری ماشین به نام پادها بسته بندی شده‌اند که می‌توانند بیش از صد هزار تریلیون عملیات ممیز شناور در ثانیه (100 پتافلاپ) انجام دهند. به‌ روزرسانی‌های مداوم TPU به Google اجازه می‌دهد تا خدمات خود را که بر پایه مدل‌های یادگیری ماشینی ساخته شده‌اند، بهبود ببخشد. برای مثال، زمان صرف شده برای آموزش مدل‌های مورد استفاده در Google Translate را به نصف کاهش دهد.

عناصر یادگیری ماشینی چیست؟

همان‌طور که گفته شد، یادگیری ماشین زیر مجموعه‌ای از هوش مصنوعی است و به طور کلی به دو دسته اصلی تقسیم می‌شود: یادگیری تحت نظارت و بدون نظارت. با ادامه این مقاله در دانشگاه کسب ‎و ‎کار همراه ما باشید.

• یادگیری تحت نظارت

یک تکنیک رایج برای آموزش سیستم‌های هوش ماشینی، آموزش آن‌ها با استفاده از نمونه‌های برچسب‌گذاری بسیار است. این سیستم‌های یادگیری ماشینی با حجم عظیمی از داده تغذیه می‌شوند که برای برجسته کردن ویژگی‌های موردعلاقه، حاشیه‌نویسی شده است. این‌ها ممکن است عکس‌هایی باشند که نشان می‌دهند آیا حاوی سگ هستند یا جملات نوشته‌شده‌ای که دارای پاورقی برای نشان دادن اینکه کلمه «باس» به موسیقی یا ماهی مربوط می‌شود. پس از آموزش، سیستم می‌تواند این برچسب‌ها را روی داده‌های جدید اعمال کند، به عنوان مثال، روی یک سگ در عکسی که به تازگی آپلود شده است.

به این فرآیند آموزش ماشین با استفاده از مثال، یادگیری تحت نظارت گفته می‌شود. برچسب‌گذاری این نمونه‌ها معمولاً توسط کارگران آنلاینی که از طریق پلتفرم‌هایی مانند Amazon Mechanical Turk استخدام می‌شوند، انجام می‌شود.

آموزش

در آموزش این سیستم‌ها معمولاً به حجم وسیعی از داده‌ها نیاز است. برخی از سیستم‌ها باید میلیون‌ها مثال را جستجو کنند تا یاد بگیرند چگونه یک کار را به طور مؤثر انجام دهند. اگرچه این امر در عصر داده‌های بزرگ و داده‌کاوی گسترده امکان‌پذیر است. مجموعه داده‌های آموزشی بسیار زیاد هستند و اندازه آن‌ها در حال افزایش است. مجموعه داده‌های Open Images Google حدود نه میلیون تصویر دارد، در حالی که مخزن ویدیوی برچسب‌گذاری شده YouTube-8M به هفت میلیون ویدیوی برچسب‌دار پیوند می‌خورد.

پایگاه داده

ImageNet یکی از پایگاه‌های داده اولیه از این نوع، دارای بیش از 14 میلیون تصویر طبقه‌بندی‌ شده است که طی دو سال گردآوری شد و توسط نزدیک به 50000 نفر که بیشتر آن‌ها از طریق آمازون مکانیکال ترک استخدام شده بودند، گردآوری شد. در این مورد، تقریباً یک میلیارد عکس مشخص شده را بررسی، مرتب‌سازی و برچسب‌گذاری کردند.

دسترسی به مجموعه داده‌های بزرگ برچسب‌گذاری شده نیز ممکن است در دراز مدت اهمیت کمتری نسبت به دسترسی به مقادیر زیادی از قدرت محاسباتی داشته باشد.

در سال‌های اخیر، شبکه‌های متخاصم مولد (GAN) در سیستم‌های یادگیری ماشینی مورد استفاده قرار گرفته‌اند. آن‌ها فقط به مقدار کمی از داده‌های برچسب‌گذاری‌شده در کنار مقدار زیادی داده بدون برچسب نیاز دارند. همان‌طور که از نام آن پیداست، برای آماده‌سازی نیاز به کار دستی کمتری است.

• یادگیری بدون نظارت

یادگیری بدون نظارت از رویکرد متفاوتی استفاده می‌کند. جایی که الگوریتم‌ها سعی می‌کنند الگوها را در داده‌ها شناسایی کنند. آن‌ها به دنبال شباهت‌هایی هستند که می‌توانند برای دسته‌بندی آن داده‌ها استفاده شوند.

یک مثال ممکن است خوشه‌بندی میوه‌هایی با وزن مشابه یا خودروهایی با اندازه موتور مشابه باشد.

الگوریتم از قبل برای انتخاب انواع خاصی از داده‌ها تنظیم نشده است. به سادگی به دنبال داده‌هایی می‌گردد که شباهت‌های آن می‌تواند گروه‌بندی شود. به‌عنوان مثال، Google News هر روز داستان‌هایی را با موضوعات مشابه گروه‌بندی می‌کند.

این رویکرد می‌تواند به افزایش استفاده از یادگیری نیمه نظارت‌شده اجازه دهد، جایی که سیستم‌ها می‌توانند نحوه انجام وظایف را با استفاده از مقدار بسیار کمتری از داده‌های برچسب‌گذاری شده نسبت به آنچه برای سیستم‌های آموزشی با استفاده از یادگیری نظارت شده امروزی ضروری است، بیاموزند.

• یادگیری تقویتی

یک تشبیه خام برای یادگیری تقویتی، پاداش دادن به حیوان خانگی با انجام یک ترفند است. در یادگیری تقویتی، سیستم تلاش می‌کند تا بر اساس داده‌های ورودی خود، پاداش را به حداکثر برساند. اساساً تا زمانی که به بهترین نتیجه ممکن برسد، فرآیند آزمون و خطا را طی می‌کند.

نمونه‌ای از یادگیری تقویتی، شبکه Deep Q Google DeepMind است که برای بهترین عملکرد انسان در انواع بازی‌های ویدیویی کلاسیک استفاده شده است. این سیستم با پیکسل‌های هر بازی تغذیه می‌شود و اطلاعات مختلفی مانند فاصله بین اشیاء روی صفحه را تعیین می‌کند. کنترل ذهن در این یادگیری را می‌‎توان به هوش ماشینی سپرد.

با مشاهده امتیاز به دست آمده در هر بازی، سیستم مدلی را ایجاد می‌کند که عملکرد آن امتیاز را در شرایط مختلف به حداکثر می‌رساند. به عنوان مثال، در مورد بازی ویدیویی Breakout، جایی که پارو باید به منظور رهگیری توپ حرکت کند.

این رویکرد همچنین در تحقیقات روباتیک استفاده می‌شود. جایی که یادگیری تقویتی می‌تواند به آموزش روش‌های بهینه، برای رفتار در محیط‌های واقعی به روبات‌های مستقل کمک کند.

کدام شرکت‌ها، پیشرو در هوش مصنوعی هستند؟

از آنجایی که هوش مصنوعی نقش مهمی را در نرم‌افزارها و خدمات مدرن ایفا می‌کند، هر شرکت فناوری بزرگ در حال مبارزه جهت توسعه فناوری یادگیری ماشینی قوی، برای استفاده در داخل و فروش به عموم از طریق خدمات ابری است.

هر کدام به طور منظم برای ایجاد زمینه‌های جدید در تحقیقات هوش ماشینی تیتر می‌شوند. اگرچه احتمالاً این گوگل با سیستم‌های DeepMind AI AlphaFold و AlphaGo خود است که احتمالاً بیشترین تأثیر را بر آگاهی عمومی از هوش مصنوعی گذاشته است.

کدام خدمات هوش ماشینی در دسترس هستند؟

همه پلتفرم‌های ابری اصلی  سرویس‌های وب آمازون، Microsoft Azure و Google Cloud Platform دسترسی به آرایه‌های GPU را برای آموزش و اجرای مدل‌های یادگیری ماشینی فراهم می‌کنند. Google نیز آماده می‌شود تا به کاربران اجازه دهد از واحدهای پردازش تنسور خود استفاده کنند.

همه زیرساخت‌ها و خدمات مرتبط ضروری از سه مورد بزرگ، ذخیره‌سازی داده‌های مبتنی بر ابر، قابلیت نگهداری حجم وسیعی از داده‌های مورد نیاز برای آموزش مدل‌های یادگیری ماشینی و خدمات تبدیل داده‌ها برای آماده‌سازی آن‌ها برای تجزیه و تحلیل ابزارهای تجسم در دسترس هستند.

ابر

این پلتفرم‌های ابری حتی ایجاد مدل‌های یادگیری ماشینی سفارشی را ساده‌تر می‌کنند. گوگل سرویسی به نام Cloud AutoML ارائه می‌دهد که ایجاد مدل‌های هوش مصنوعی را خودکار می‌کند. این سرویس کشیدن و رها کردن، مدل‌های تشخیص تصویر سفارشی را ایجاد می‌کند. این مسئله منجر میشود که هیچ نیازی به تخصص کاربر در زمینه یادگیری ماشینی نباشد.

خدمات یادگیری ماشینی مبتنی بر ابر، به طور مداوم در حال پیشرفت هستند. آمازون اکنون مجموعه‌ای از پیشنهاد‌های AWS را ارائه می‌کند که برای ساده‌سازی فرآیند آموزش مدل‌های یادگیری ماشینی طراحی شده‌اند. آن‌ها اخیراً Amazon SageMaker Clarify را راه‌اندازی کرده‌اند. ابزاری برای کمک به سازمان‌ها برای ریشه‌یابی سوگیری‌ها و عدم تعادل در داده‌های آموزشی که می‌تواند منجر به پیش‌بینی‌های نادرست توسط مدل آموزش‌ دیده شود.

جایگزینی

برای آن دسته از شرکت‌هایی که نمی‌خواهند مدل‌های یادگیری ماشینی خود را بسازند، اما در عوض می‌خواهند از خدمات مبتنی بر هوش مصنوعی، مانند تشخیص صدا، بینایی و تشخیص زبان استفاده کنند. Microsoft Azure به دلیل گستردگی خدمات در این زمینه متمایز است. پیشنهاد به طور دقیق توسط Google Cloud Platform و سپس AWS دنبال می‌شود. در همین حال IBM، در کنار پیشنهاد‌های عمومی‌تر بر اساس تقاضای خود، همچنین در تلاش است، تا خدمات هوش مصنوعی خاص این بخش را با هدف بسیاری خدمات از مراقبت‌های بهداشتی گرفته تا خرده فروشی، بفروشد. این پیشنهاد‌ها را زیر چتر IBM Watson خود گروه بندی کرده و 2 میلیارد دلار برای خرید The Weather سرمایه گذاری کرده است. همچنین کانالی برای باز کردن مجموعه‌ای از داده‌ها برای افزایش خدمات هوش ماشینی است.

کدام یک از شرکت‌های بزرگ فناوری برنده مسابقه هوش ماشینی است؟

در داخل هر غول فناوری و سایرین مانند فیس‌بوک از هوش مصنوعی برای کمک به هدایت خدمات عمومی بی‌شمار استفاده می‌کنند. مانند: ارائه نتایج جستجو، ارائه توصیه‌ها، تشخیص افراد در عکس‌ها، ترجمه درخواستی، شناسایی هرزنامه.

اما یکی از بارزترین جلوه‌های این جنگ هوش مصنوعی ظهور دستیارهای مجازی مانند سیری اپل، الکسای آمازون، دستیار گوگل و مایکروسافت کورتانا بوده است.

با تکیه شدید به تشخیص صدا و پردازش زبان طبیعی و نیاز به مجموعه عظیمی برای پاسخگویی به سؤالات، از فناوری زیادی برای توسعه این دستیارها استفاده می‌شود.

سیری اپل ممکن است در ابتدا برجسته شده باشد، اما این گوگل و آمازون هستند که دستیاران آن‌ها در هوش ماشینی از اپل پیشی گرفته‌اند. دستیار گوگل با توانایی خود در پاسخگویی به طیف گسترده‌ای از سؤالات و الکسای آمازون با تعداد زیادی مهارت. این را توسعه دهندگان شخص ثالث، برای افزودن به قابلیت‌های آن ایجاد کرده‌اند. قدرت ذهن درون این سیستم‌های ماشینی به زودی جای خواهند گرفت.

گذر زمان

با گذشت زمان، این دستیاران در حال به دست آوردن توانایی‌هایی هستند که آن‌ها را پاسخگوتر می‌کند و بهتر می‌توانند با انواع سؤالاتی که مردم در مکالمات منظم می‌پرسند، رسیدگی کنند. به عنوان مثال، Google Assistant اکنون قابلیتی به نام Continued Conversation را ارائه می‌دهد که در آن کاربر می‌تواند سؤالات بعدی را در مورد سؤال اولیه خود بپرسد، مانند «آب و هوا امروز چگونه است؟» و به دنبال آن «در مورد فردا چطور؟». سیستم متوجه می‌شود که سؤال بعدی نیز به آب و هوا مربوط می‌شود.

این دستیارها و سرویس‌های مرتبط همچنین می‌توانند بیشتر گفتار را مدیریت کنند، با جدیدترین تجسم لنز Google که می‌تواند متن را به تصاویر ترجمه کند و به شما امکان می‌دهد لباس یا مبلمان را با استفاده از عکس‌ها جستجو کنید.

با وجود اینکه کورتانا در ویندوز 10 تعبیه شده است، اخیراً روزهای سختی را پشت سر گذاشته است. به طوری که الکسای آمازون اکنون به صورت رایگان بر روی رایانه‌های شخصی ویندوز 10 در دسترس است. در همان زمان، مایکروسافت نقش کورتانا را در سیستم عامل اصلاح کرد تا بیشتر بر روی وظایف بهره وری، مانند مدیریت برنامه کاربر، به جای ویژگی‌های بیشتر متمرکز بر مصرف کننده که در دستیاران دیگر مانند پخش موسیقی یافت می‌شود، تمرکز کند.

کدام کشورها در زمینه هوش مصنوعی پیشرو هستند؟

این اشتباه بزرگی است که فکر کنیم غول‌های فناوری ایالات متحده زمینه هوش مصنوعی را ایجاد کرده‌اند. شرکت‌های چینی علی‌بابا، بایدو و لنوو سرمایه‌گذاری زیادی روی هوش ماشینی در زمینه‌های مختلف از تجارت الکترونیک تا رانندگی خودکار انجام می‌دهند. چین طرحی سه مرحله‌ای را دنبال می‌کند تا هوش مصنوعی را به یک صنعت اصلی برای کشورش تبدیل کند. طرحی که تا پایان سال 2020 به ارزش 150 میلیارد یوان (22 میلیارد دلار) خواهد رسید تا با رسیدن به سال 2030 به قدرت برتر هوش ماشینی در جهان تبدیل شود.

بایدو

بایدو روی توسعه خودروهای خودران سرمایه گذاری کرده است که توسط الگوریتم یادگیری عمیق خود، Baidu AutoBrain، طراحی شده است. پس از چندین سال آزمایش، با خودروی خودران آپولو که بیش از سه میلیون مایل رانندگی را در تست‌ها پشت سر گذاشته بود. بیش از 100000 مسافر را در 27 شهر در سراسر جهان حمل کرد.

بایدو امسال ناوگانی متشکل از 40 دستگاه Apollo Go Robotaxis را در پکن راه اندازی کرد. مؤسس این شرکت پیش بینی کرده است که وسایل نقلیه خودران تا پنج سال آینده در شهرهای چین رایج خواهند شد.

ترکیب قوانین ضعیف حریم خصوصی، سرمایه گذاری عظیم، جمع‌آوری داده‌های هماهنگ و تجزیه و تحلیل داده‌های بزرگ توسط شرکت‌های بزرگی مانند بایدو، علی‌بابا و تنسنت. به این معنی که برخی از تحلیلگران معتقدند که چین نسبت به ایالات متحده در تحقیقات آینده هوش مصنوعی برتری خواهد داشت. یکی از تحلیلگران شانس برتری چین بر آمریکا را 500 بر 1 به نفع چین توصیف کرد.

چگونه می‌توانم با هوش مصنوعی شروع کنم؟

احتمالاً ساده‌ترین راه برای آزمایش خدمات مرتبط با هوش ماشینی از طریق ابر است.

همه شرکت‌های بزرگ فناوری، خدمات هوش ماشینی مختلفی را ارائه می‌دهند، از زیرساخت‌های ساخت و آموزش مدل‌های یادگیری ماشینی تا سرویس‌های وب که به شما امکاناتی می‌دهد. می‎توانید به ابزارهای مبتنی بر هوش مصنوعی مانند گفتار، زبان، بینایی و تشخیص احساسات بر حسب تقاضا دسترسی داشته باشید.

هوش مصنوعی چگونه جهان را تغییر خواهد داد؟

• ربات‌ها و ماشین‌های بدون راننده

تمایل روبات‌ها به این که بتوانند به طور مستقل عمل کنند و دنیای اطراف خود را درک کرده و جهت‌یابی کنند، به این معنی است که بین رباتیک و هوش مصنوعی همپوشانی طبیعی وجود دارد. در حالی که هوش مصنوعی تنها یکی از فناوری‌های مورد استفاده در رباتیک است. هوش ماشینی به ربات‌ها کمک می‌کند تا به حوزه‌های جدیدی مانند ماشین‌های خودران، ربات‌های تحویل‌دهنده و کمک به روبات‌ها در یادگیری مهارت‌های جدید بروند. در آغاز سال 2020، جنرال موتورز و هوندا کروز اوریجین، یک خودروی بدون راننده با موتور الکتریکی را معرفی کردند و Waymo، گروه خودران در داخل آلفابت مادر گوگل، اخیراً سرویس روباتاکسی خود را در فینیکس، آریزونا برای عموم مردم افتتاح کرده است. خدماتی به مساحت 50 مایل مربع در شهر.

• اخبار جعلی

ما در آستانه داشتن شبکه‌های عصبی هستیم که می‌توانند تصاویر واقعی عکس بسازند یا صدای کسی را به شکلی عالی تکرار کنند. با این امر، پتانسیل تغییرات اجتماعی بسیار مخربی به وجود می‌آید، مانند عدم اعتماد به ویدیو یا فیلم صوتی به عنوان واقعی. همچنین نگرانی‌ها در مورد نحوه استفاده از چنین فناوری‌هایی برای سوء استفاده از تصاویر افراد شروع شده است. با ابزارهایی که در حال حاضر ایجاد شده‌اند تا چهره‌های معروف را به‌طور قانع‌کننده‌ای در فیلم‌های بزرگ‌سالان بگنجانند.

• تشخیص گفتار و زبان

سیستم‌های یادگیری ماشینی به رایانه‌ها کمک کرده‌اند تا آنچه را که مردم می‌گویند با دقت تقریباً 95 درصد تشخیص دهند. گروه هوش مصنوعی و تحقیقات مایکروسافت همچنین گزارش داد که سیستمی را توسعه داده است که انگلیسی گفتاری را به همان دقتی که رونویس کننده‌های انسانی رونویسی می‌کند، رونویسی کند.

با توجه به اینکه محققین هدف دقت 99 درصد را دنبال می‌کنند، انتظار می‌رود که مکالمه با رایانه در کنار اشکال سنتی‌تر تعامل انسان و ماشین رایج‌تر شود.

در همین حال، مدل پیش‌بینی زبان OpenAI GPT-3 اخیراً با توانایی خود در ایجاد مقالاتی که می‌توانند توسط یک انسان نوشته شده باشند، سر و صدای زیادی به پا کرد.

• تشخیص چهره و نظارت

در سال‌های اخیر، دقت سیستم‌های تشخیص چهره پیشرفت کرده است. تا جایی که بایدو می‌گوید می‌تواند چهره‌ها را با دقت ۹۹ درصد مطابقت دهد، به شرطی که به اندازه کافی واضح باشد. در حالی که نیروهای پلیس در کشورهای غربی به طور کلی استفاده از سیستم‌های تشخیص چهره را در رویدادهای بزرگ آزمایش کرده‌اند، در چین مقامات در حال اجرای برنامه‌ای سراسری برای اتصال دوربین‌های مداربسته در سراسر کشور به تشخیص چهره و استفاده از سیستم‌های هوش مصنوعی برای ردیابی مظنونان و رفتارهای مشکوک هستند.

اگر چه مقررات حفظ حریم خصوصی در سطح جهانی متفاوت است، احتمالاً این استفاده سرزده‌تر از فناوری هوش مصنوعی، از جمله هوش ماشینی که می‌تواند احساسات را تشخیص دهد، به تدریج گسترده‌تر شود. با این حال، واکنش‌های فزاینده و پرسش‌هایی درباره عادلانه بودن سیستم‌های تشخیص چهره باعث شده است که آمازون، آی‌بی‌ام و مایکروسافت فروش این سیستم‌ها را به مجریان قانون متوقف کنند.

• مراقبت‌های بهداشتی

هوش مصنوعی در نهایت می‌تواند تأثیر شگرفی بر مراقبت‌های بهداشتی داشته باشد و به رادیولوژیست‌ها کمک کند تا تومورها را در اشعه ایکس تشخیص دهند و به محققان در شناسایی توالی‌های ژنتیکی مرتبط با بیماری‌ها و شناسایی مولکول‌هایی که می‌توانند به داروهای مؤثرتری منجر شوند کمک کند. انتظار می‌رود پیشرفت اخیر سیستم یادگیری ماشینی AlphaFold 2 گوگل، زمان صرف شده در طی یک گام کلیدی برای توسعه داروهای جدید را از ماه‌ها به ساعت‌ها کاهش دهد.

آزمایش‌هایی از فناوری مرتبط با هوش ماشینی در بیمارستان‌های سراسر جهان انجام شده است. این‌ها شامل ابزار پشتیبانی تصمیم گیری بالینی Watson IBM است که انکولوژیست‌ها در مرکز سرطان Memorial Sloan Kettering آموزش می‌دهند و استفاده از سیستم‌های Google DeepMind توسط سرویس بهداشت ملی بریتانیا، که در آن به تشخیص ناهنجاری‌های چشمی کمک می‌کند و روند غربالگری بیماران را از نظر سر و سر آسان‌تر می‌کند.

• تقویت تبعیض و تعصب

نگرانی فزاینده روشی است که سیستم‌های یادگیری ماشینی می‌توانند تعصبات انسانی و نابرابری‌های اجتماعی منعکس‌شده در داده‌های آموزشی آن‌ها را کدنویسی کنند. این ترس‌ها با مثال‌های متعدد نشان داده شده است که چگونه عدم تنوع در داده‌های مورد استفاده برای آموزش چنین سیستم‌هایی پیامدهای منفی در دنیای واقعی دارد.

در سال 2018، یک مقاله تحقیقاتی MIT و مایکروسافت نشان داد که سیستم‌های تشخیص چهره که توسط شرکت‌های بزرگ فناوری فروخته می‌شوند، از میزان خطای قابل توجهی در هنگام شناسایی افراد با پوست تیره‌تر رنج می‌برند، مشکلی که به مجموعه داده‌های آموزشی که عمدتاً از مردان سفیدپوست تشکیل شده است نسبت داده می‌شود.

مطالعات دیگر

مطالعه دیگری یک سال بعد نشان داد که سیستم تشخیص چهره آمازون دارای مشکلاتی در شناسایی جنسیت افراد با پوست تیره‌تر است. اتهامی که توسط مدیران آمازون به چالش کشیده شد و یکی از محققان را بر آن داشت تا به نکات مطرح شده در رد آمازون توجه کند.

از زمان انتشار این مطالعات، بسیاری از شرکت‌های بزرگ فناوری، حداقل به طور موقت، فروش سیستم‌های تشخیص چهره را به ادارات پلیس متوقف کرده‌اند.

مثال دیگری از تنوع ناکافی داده‌های آموزشی در نتایج منحرف‌کننده در سال 2018، زمانی بود که آمازون ابزار استخدام یادگیری ماشینی را که متقاضیان مرد را ترجیح می‌داد، کنار گذاشت. امروزه تحقیقات در مورد راه‌هایی برای جبران سوگیری‌ها در سیستم‌های خودآموز ادامه دارد. پردرآمدترین شغل‌های جهان به زودی به سمت هوش ماشینی خواهد رفت.

• هوش مصنوعی و گرم شدن کره زمین

در این هوش، با افزایش اندازه مدل‌های یادگیری ماشینی و مجموعه داده‌های مورد استفاده برای آموزش آن‌ها، ردپای کربن خوشه‌های محاسباتی عظیمی که این مدل‌ها را شکل داده و اجرا می‌کنند، افزایش می‌یابد. تأثیر زیست‌محیطی برق‌رسانی و خنک‌سازی این مزارع محاسباتی موضوع مقاله‌ای توسط مجمع جهانی اقتصاد در سال 2018 بود. یکی از برآوردهای سال 2019 این بود که توان مورد نیاز سیستم‌های یادگیری ماشینی هر 3.4 ماه دو برابر می‌شود.

موضوع مقدار زیاد انرژی مورد نیاز برای آموزش مدل‌های قدرتمند یادگیری ماشینی پر رنگ شده است. اخیراً هم با انتشار مدل پیش‌بینی زبان GPT-3، یک شبکه عصبی گسترده، با حدود 175 میلیارد پارامتر، مورد توجه قرار گرفت.

در حالی که منابع مورد نیاز برای آموزش چنین مدل‌هایی می‌تواند بسیار زیاد و تا حد زیادی فقط در اختیار شرکت‌های بزرگ باشد، پس از آموزش انرژی مورد نیاز برای اجرای این مدل‌ها به میزان قابل توجهی کمتر می‌شود. با این حال، با افزایش تقاضا برای خدمات مبتنی بر این مدل‌ها، مصرف برق و اثرات زیست‌محیطی ناشی از آن دوباره به یک موضوع تبدیل می‌شود.

استدلال

یک استدلال این است که تأثیر زیست محیطی آموزش و اجرای مدل‌های بزرگ‌تر باید در مقابل یادگیری ماشینی بالقوه که باید تأثیر مثبت قابل توجهی داشته باشد، سنجیده شود، به عنوان مثال، پیشرفت‌های سریع‌تر در مراقبت‌های بهداشتی که احتمالاً پس از پیشرفت ایجاد شده توسط AlphaFold Google DeepMind به نظر می‌رسد.

آیا هوش مصنوعی همه ما را خواهد کشت؟

باز هم بستگی به این دارد که از چه کسی بپرسید. از آنجایی که سیستم‌های مجهز به هوش مصنوعی توانمندتر شده‌اند، هشدارها در مورد جنبه‌های منفی وخیم‌تر شده‌اند.

ایلان ماسک، مدیرعامل تسلا و اسپیس ایکس ادعا کرده است که هوش مصنوعی یک “خطر اساسی برای وجود تمدن بشری” است. به عنوان بخشی از فشار او برای نظارت نظارتی قوی‌تر و تحقیقات مسئولانه‌تر در کاهش جنبه‌های منفی هوش ماشینی ، او OpenAI، یک شرکت تحقیقاتی غیرانتفاعی هوش ماشینی را راه‌اندازی کرد. هدف آن ترویج و توسعه هوش مصنوعی دوستانه است که به نفع جامعه است. به همین ترتیب، فیزیکدان محترم استیون هاوکینگ هشدار داد که هنگامی که یک هوش ماشینی به اندازه کافی پیشرفته ایجاد شود، به سرعت پیش می‎رود. تا جایی پیش خواهد رفت که به طور گسترده‌ای از توانایی‌های انسانی پیشی می‌گیرد و می‌تواند یک تهدید وجودی برای نسل بشر باشد.

انفجار و کلام پایانی

با این حال، این تصور که بشریت در آستانه یک انفجار هوش ماشینی است، برای برخی از محققان هوش مصنوعی مضحک به نظر می‌رسد.

کریس بیشاپ، مدیر تحقیقات مایکروسافت در کمبریج تأکید می‌کند که هوش محدود امروزی ماشین‌ها چقدر متفاوت از هوش عمومی انسان است. او می‌گوید وقتی مردم نگران “ترمیناتور و ظهور ماشین‌ها و غیره؟”هستند در بهترین حالت تا چنین بحث‌هایی ده‌ها سال باقی مانده است. کسب و کارهای جدید در دنیا به سمت هوش ماشینی می‎روند.

دانشگاه کسب و‎ کار محلی برای افزایش دانش و آگاهی شما همراهان عزیز است. با ارائه نظرها و پیشنهادهای سازنده خود در قسمت دیدگاه، ما را ادامه این مسیر یاری کنید.