هوش مصنوعی چیست و چطور میتوانیم متخصص هوش مصنوعی شویم؟
هوش مصنوعی (AI) شاخه وسیعی از علوم کامپیوتر است. این شاخه مربوط به ساخت ماشین‌های هوشمندی است که قادر به انجام وظایفی هستند که معمولا به هوش انسان نیاز دارند. هوش مصنوعی یک علم میان‌رشته‌ای ...
در دیجیاتو ثبت‌نام کنید
جهت بهره‌مندی و دسترسی به امکانات ویژه و بخش‌های مختلف در دیجیاتو عضو ویژه دیجیاتو شوید.
عضویت در دیجیاتوتازههای تکنولوژی
ویدئوی مرتبط
سلب مسئولیت: دیجیاتو صرفا نمایش‌دهنده این متن تبلیغاتی است و تحریریه مسئولیتی درباره محتوای آن ندارد.
هوش مصنوعی (AI) شاخه وسیعی از علوم کامپیوتر است. این شاخه مربوط به ساخت ماشین‌های هوشمندی است که قادر به انجام وظایفی هستند که معمولا به هوش انسان نیاز دارند. هوش مصنوعی یک علم میان‌رشته‌ای با چندین رویکرد است؛ اما پیشرفتها در زمینه یادگیری ماشین و یادگیری عمیق باعث تغییر الگو در تقریبا تمام بخش‌های صنعت تکنولوژی شده است. در ادامه به طور دقیق‌تر با هوش مصنوعی، کاربردهای آن و بهترین منبع فارسی آموزش هوش مصنوعی آشنا خواهید شد.
هوش مصنوعی چگونه کار می‌کند؟
کمتر از یک دهه بعد از رمزگشایی دستگاه رمز انیگما و کمک به پیروزی متفقین در جنگ جهانی دوم، آلن تورینگ بار دیگر با یک سوال ساده، تاریخ را تغییر داد: «آیا ماشین‌ها فکر می‌کنند؟»
مقاله تورینگ با عنوان «Computing Machinery and Intelligence» و تست تورینگ در ادامه آن، هدف اساسی و چشم‌انداز هوش مصنوعی را به وجود آورد.
در هسته اصلی خود، هوش مصنوعی شاخه‌ای از علوم کامپیوتر است که هدف آن پاسخ مثبت به سوال آلن تورینگ است؛ در واقع تلاشی است برای تکرار و یا شبیه‌سازی هوش انسان در ماشین.
هدف بزرگ هوش مصنوعی سوالات و بحث‌های زیادی را به وجود آورده است. تا آن‌جا که هیچ تعریف واحدی از این رشته در سطح جهانی پذیرفته نشده است.
بزرگترین محدودیت تعریف هوش مصنوعی تحت عنوان «ساخت ماشین‌های هوشمند» این است که در تعریف مشخص نمی‌شود که «هوش مصنوعی» اصلا چیست و چه چیزی یک ماشین را هوشمند می‌کند؟
«استوارت راسل» و «پیتر نورویگ» در کتاب خود، «هوش مصنوعی: رویکردی مدرن»، با یکی‌کردن کار خود پیرامون موضوع عوامل هوشمند در ماشین‌ها، به پاسخ این سوال می‌پردازند. با توجه به این نکته، هوش مصنوعی «مطالعه عواملی است که چیزی از محیط دریافت می‌کنند و سپس عملی انجام می‌دهند.»
نورویگ و راسل در ادامه به بررسی چهار رویکرد مختلف می‌پردازند که به طور تاریخی شاخه هوش مصنوعی را تعریف کرده‌اند:
- مانند انسان تفکر کند.
- منطقی تفکر کند.
- انسانی عمل کند.
- منطقی عمل کند.
دو ایده اول درباره نحوه تفکر و استدلال، و دو مورد آخر درباره نحوه رفتار ماشین است. نورویگ و راسل به طور خاص بر عوامل منطقی‌ای که برای رسیدن به بهترین نتیجه عمل می‌کنند، تمرکز می‌کنند و خاطرنشان می‌کنند: «تمام مهارت‌های مورد نیاز برای آزمون تورینگ، به طور خودکار به یک عامل اجازه می‌دهد تا منطقی عمل کند.»
پاتریک وینستون، استاد هوش مصنوعی و علوم کامپیوتر فورد در دانشگاه MIT، هوش مصنوعی را این‌چنین تعریف می‌کند: «الگوریتم‌هایی که توسط محدودیت‌ها فعال می‌شوند، در معرض نماینده‌هایی قرار می‌گیرند که از مدل‌های هدفمندی پشتیبانی می‌کنند که حلقه‌های تفکر، ادراک و عمل را به هم گره می‌زند.»
اگرچه ممکن است این تعریف برای یک فرد عادی کمی گنگ به نظر برسد، اما به تمرکز این رشته به عنوان حوزه‌ای از علوم کامپیوتر کمک می‌کند و طرحی برای القای ماشین‌ها و برنامه‌ها با یادگیری ماشین و سایر زیر مجموعه‌های هوش مصنوعی فراهم می‌کند.
مدیرعامل شرکت DataRobot، جرمی آچین، هنگام صحبت در جمع افرادی در کنفرانس AI Experience در سال ۲۰۱۷، سخنرانی خود را با ارائه تعریف زیر از نحوه استفاده از هوش مصنوعی در دنیای امروز آغاز کرد: «هوش مصنوعی یک سیستم کامپیوتری است که قادر به انجام وظایفی است که به طور معمول به هوش انسانی نیاز دارد... بسیاری از این سیستم‌های هوش مصنوعی با یادگیری ماشینی کار می‌کنند، برخی از آنها با یادگیری عمیق و برخی دیگر با چیزهای بسیار کسل‌کننده‌ای مثل دستورالعمل‌ها.»
هوش مصنوعی چگونه مورد استفاده قرار می‌گیرد؟
به طور کلی هوش مصنوعی به دو بخش عمده تقسیم می‌شود:
۱. هوش مصنوعی محدود: گاهی اوقات هم «هوش مصنوعی ضعیف» خطاب می‌شود. این نوع هوش مصنوعی در یک زمینه محدود عمل می‌کند و شبیه‌سازی از هوش انسانی است. هوش مصنوعی محدود اغلب بر انجام یک کار واحد به صورت بسیار خوب متمرکز است و گرچه به نظر می‌رسد این ماشین‌ها هوشمند هستند، اما آنها با محدودیت‌های بسیار بیشتری (حتی بیشتر از ابتدایی‌ترین هوش انسانی) کار می‌کنند.
۲. هوش جامع مصنوعی AGI)): هوش جامع مصنوعی که با نام «هوش مصنوعی قوی» هم شناخته می‌شود، همان هوش مصنوعی‌ای است که در فیلم‌ها می‌بینیم؛ مثل ربات‌های سریال وست‌ورلد یا شخصیت Data از سریال استار ترک. AGI یک ماشین با هوش جامع است و درست مانند انسان، می‌تواند از هوشش برای حل هر مسئله‌ای استفاده کند.
مثال‌هایی از کاربرد هوش مصنوعی
- دستیارهای هوشمند (مثل Siri و Alexa)
- نقشه‌های بیماری و ابزار پیش‌بینی
- ربات‌های تولیدکننده و ربات‌های بدون سرنشین
- توصیه‌های درمانی و بهینه‌شده برای بهداشت شخصی
- ربات‌های مکالمه برای بازاریابی و خدمات به مشتری
- مشاوران رباتی برای تجارت سهام
- فیلتر اسپم برای ایمیل‌ها
- ابزار نظارت بر شبکه‌های اجتماعی برای محتواهای خطرناک و اخبار غلط
- پیشنهاد فیلم و موسیقی از نتفلیکس و اسپاتیفای
هوش مصنوعی محدود
هوش مصنوعی محدود در اطراف ما است و موفق‌ترین تحقق هوش مصنوعی تاکنون است. با تمرکز بر انجام وظایف خاص، هوش مصنوعی محدود در دهه گذشته موفقیت‌های زیادی را تجربه کرده است. طبق گزارش سال ۲۰۱۶ منتشر شده توسط دولت اوباما در آمریکا «دارای مزایای قابل توجهی در جامعه بوده و به نشاط اقتصادی ملت کمک کرده است.»
برخی از مثال‌های هوش مصنوعی محدود:
- جستجوی گوگل
- نرم‌افزار تشخیص تصویر
- سیری، الکسا و دستیارهای شخصی دیگر
- ماشین‌های خودران
- کامپیوتر Watson شرکت IBM
یادگیری ماشین و یادگیری عمیق
بیشتر قدرت هوش مصنوعی محدود به پیشرفتها در حوزه یادگیری ماشین و یادگیری عمیق برمی‌گردد. درک تفاوت بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق می‌تواند گیج‌کننده باشد. سرمایه‌گذار جسور، فرانک چن، نمای خوبی از چگونگی تمایز بین این سه مورد ارائه می‌دهد: «هوش مصنوعی مجموعه‌ای از الگوریتم‌ها و هوش است که سعی در تقلید از هوش انسان دارد. یادگیری ماشین یکی از آنها است و یادگیری عمیق یکی از آن تکنیک‌های یادگیری ماشین است.»
به زبان ساده، یادگیری ماشین به کامپیوتر «داده» تزریق می‌کند و از تکنیک‌های آماری برای کمک به «یادگیری» نحوه بهتر شدن در یک کار (بدون اینکه برای آن کار به طور خاص برنامه‌ریزی شده باشد) استفاده می‌کند و نیاز به میلیون‌ها خط کد نوشتاری را از بین می‌برد. یادگیری ماشین شامل یادگیری با نظارت (با استفاده از مجموعه داده‌های دارای برچسب) و یادگیری بدون نظارت (با استفاده از مجموعه داده‌های بدون برچسب) است.
برای آشنایی بیشتر با یادگیری ماشین، می‌توانید مقاله «یادگیری ماشین به زبان ساده: عملی‌ترین راهنمای دنیا!» را در کوئرامگ بخوانید.
یادگیری عمیق نوعی یادگیری ماشین است که ورودی‌ها را از طریق یک ساختار شبکه عصبی (که از زیست‌شناسی الهام گرفته شده است) اجرا می‌کند. شبکه‌های عصبی شامل تعدادی لایه پنهان است که داده‌ها از طریق آنها پردازش می‌شوند و به این ماشین اجازه می‌دهد تا در یادگیری خود «عمیق» شود، تا با مرتبط کردن و وزن دادن به ورودی‌ها، بهترین نتیجه را ایجاد کند.
هوش جامع مصنوعی
ایجاد ماشینی با هوش در سطح انسانی که برای هر کاری قابل استفاده باشد، برای بسیاری از محققان هوش مصنوعی مثل جام مقدس است؛ اما تلاش برای این هوش مصنوعی جامع با دشواری همراه بوده است.
جستجو برای «الگوریتم جهانی برای یادگیری و عملکرد در هر محیط» چیز جدیدی نیست، اما گذشت زمان هم سختی و مشکلات ایجاد یک ماشین با مجموعه کامل توانایی‌های شناختی را کاهش نداده است.
مدت‌ها است که AGI محور اصلی داستان‌های علمی تخیلی است که در آن ربات‌های بسیار هوشمند بر بشریت غلبه می‌کنند. اما کارشناسان معتقدند این چیزی نیست که به این زودی‌ها نگرانش باشیم.
یادگیری تعاملی و مسئله‌محور هوش مصنوعی و یادگیری ماشین در کوئراکالج
مطالب بالا به خوبی بیانگر این موضوع است که هوش مصنوعی و یادگیری ماشین، آینده علوم کامپیوتر و دنیای تکنولوژی خواهد بود. پیشرفت‌های خیره‌کننده در زمینه‌های مختلف مثل اقتصاد، علوم زیستی، فیزیک و... دریچه‌های جدیدی برای تحلیل این ابرداده‌ها و بررسی آنها فراهم کرده است. در کنار این‌ها، داده‌ها و اطلاعات، جزء جدایی‌ناپذیری از پروژه‌های تحقیقاتی و کسب‌و‌کارهای روز دنیا است. نیاز به تحلیل داده و یادگیری ماشین در مدیریت این حجم عظیم از داده و بررسی و تحلیل آنها نقش کلیدی‌ای در هر سازمان بازی می‌کند.
برای اینکه در نهایت بتوانید به عنوان Data Scientist، مهندس یادگیری ماشین و یا مهندس هوش مصنوعی شناخته شوید، لازم است تا مهارت‌هایی را در دو بخش عمده کسب کنید: تحلیل داده و یادگیری ماشین
کوئرا، جامعه توسعه‌دهندگان ایران، در دوره «آموزش مسئله‌محور هوش مصنوعی و یادگیری ماشین» با تمرکز بر این دو بخش و با استفاده از چالش‌ها و مسائل واقعی شرکت پوشه، به صورت تخصصی به آموزش تعاملی هوش مصنوعی و یادگیری ماشین می‌پردازد. در پایان این دوره، شما به مهارت‌هایی مثل:
- تفکر آماری برای تحلیل داده
- تحلیل اکتشافی و تصویرسازی داده
- کار با پایتون و کتابخانه‌های تخصصی آن برای مدیریت داده‌ها
- یادگیری با نظارت برای مدل‌سازی و پیش‌بینی آینده
- یادگیری بدون نظارت برای خوشه‌بندی
دست خواهید یافت.
چرا دوره کوئرا کالج؟
- آموزش آکادمیک در کنار مسائل صنعت: مباحث این دوره کوئرا کالج با مشورت چندین متخصص از شرکت‌های مختلف تدوین شده و تلاش شده تا در عین حفظ جنبه تئوری، به نیازهای عملی صنعت هم نگاهی داشته باشد.
- یادگیری ماشین در کنار تفکر آماری: هوش مصنوعی نیاز به مقدمات فراوانی دارد و نمی‌توان شتاب‌زده به سراغ اصل ماجرا رفت. در دوره کوئرا، برخلاف بسیاری از دوره‌های دیگر، سعی شده مفاهیم علمی هوش مصنوعی و یادگیری ماشین به صورت پایه و با عمق بیشتری آموزش داده شود.
- استفاده از پایتون برای مدیریت داده‌ها: پایتون به عنوان یکی از بهترین زبان‌ها برای کار با داده‌ها شناخته می‌شود و این دوره هم از پایتون برای این منظور استفاده می‌کند.
- یادگیری تعاملی با کوئرا کالج: کوئرا کالج یک پلتفرم تعاملی است و از ویژگی‌های آن می‌توان به سیستم داوری خودکار، تمرین‌های علمی و کدزنی در حاشیه درسنامه، کنسول تعاملی پایتون و سیستم امتیازدهی اشاره کرد.
- دسترسی آسان به مدرسان و طراحان دوره: شما از طریق پلتفرم کوئرا کالج می‌توانید به راحتی با طراحان دوره، استادان و حتی سایر شرکت‌کنندگان درس تعامل و گفت‌وگو داشته باشید.
- گواهی اتمام دوره کوئرا کالج: وقتی دوره را به اتمام برسانید، به شما گواهی دیجیتالی اتمام دوره اعطا می‌شود. این گواهی می‌تواند به شما برای استخدام در شرکت‌ها کمک کند.
برای ثبت نام در دوره «آموزش مسئله‌محور هوش مصنوعی و یادگیری ماشین» یا سایر دوره‌های آموزش برنامه‌نویسی، به سایت کوئرا کالج مراجعه کنید.
برای گفتگو با کاربران ثبت نام کنید یا وارد حساب کاربری خود شوید.