همه چیز دربارهی هوش مصنوعی؛ تاریخچه، تعاریف و کاربردها

شبکه عصبی، یا به بیان فنیتر شبکه عصبی مصنوعی، بر مبنای چگونگی عملکرد مغز انسان طرحریزی و با بهرهگیری از ریاضیات سایت vector-robot پیادهسازی شده است. ». مفاهیم بیان شده در رابطه با هوش مصنوعی، یادگیری ماشین و یادگیری عمیق ظاهرا پیچیده بهنظر میرسند اما هنگامی که بحث از کد زدن برای پیادهسازی و اجرای آنها میشود، میتوان فهمید که چقدر آسان (به سادگی ضرب ماتریسها!) هستند. اما هوش مصنوعی واقعا چیست و چه کار میکند؟ در طول آموزش، کاربر متخصص دادهها را از طریق شبکه عصبی عبور میدهد، فرآیند تصحیح-خطا برای هر نمونه داده اتفاق میافتد و این کار تا زمانی که بهترین پارامترهای شبکه به دست آیند تکرار میشود. در همین راستا، یک تعریف سادهسازی شده نیز از مفهوم شبکه عصبی توسط گوگل ارائه شده است. در همین راستا، در مطلبی که در وبلاگ اینتل منتشر شده استنتاج، فرآیند استفاده از مدل آموزش دیده برای ساخت پیشبینی درباره دادههای جدید بیان شده است. گروهی از متخصصان دادهکاوی و هوش مصنوعی اینتل در مطلبی که در وبلاگ این شرکت منتشر شد در این رابطه میگویند: «در یادگیری ماشین نظارت شده سنتی، سیستم نیازمند یک کاربر متخصص است تا ماشین از دانش دامنهای او برای تشخیص اطلاعات (که به آن ویژگی گفته میشود) در دادههای ورودی استفاده کند.

بر اساس اطلاعات منتشر شده از این شرکت بیمه، هوش مصنوعی واتسون تقریبا جایگزین ۳۰ کارمند شده است. واتسون در این برنامه به رقابت با دو انسان پرداخت و مسابقه را برد. یک شرکت بیمهی ژاپنی از ابتدای سال ۲۰۱۷ میلادی استفاده از واتسون را برای بررسی سوابق و اطلاعات پزشکی مشتریان و ارزیابی آسیبها و بیماریها آغاز کرده است. این سوپرکامپیوتر اولین ماشینی بود که توانست قهرمان شطرنج جهان «گری کاسپارف» (Garry Kasparov) را در مسابقهای که در سال ۱۹۹۶ میلادی برگزار شد شکست دهد. این مقاله یکی از اولین اسنادی است که در آن به وجود آمدن ماشینهای هوشمند پیشبینی شده است. این برنامهی کامپیوتری پیش از این اولین حضور عمومی خود را در یک مسابقهی تلویزیونی اطلاعات عمومی در سال ۲۰۱۱ تجربه کرد. با لایههای بیشتر، مساله در زمینهای که باید دستهبندی شود پالوده شده و در عملکرد خود صحت بیشتری کسب میکند. در این روش دانش کسب شده به قطعاتی کوچکتر (نورونها) خرد و سپس از آن گروههایی متصل به هم تشکیل میشود.

بر خلاف هوش مصنوعی نمادین، یک سیستم هوش مصنوعی عصبی باید ابتدا آموزش داده شود و در معرض محرکهایی قرار بگیرد تا شبکههای عصبی در آن تجربه کسب کنند، بزرگ شوند و اندوختهی دانش بیشتری داشته باشند. سه نوع پروسهی یادگیری برای آموزش دادن شبکههای عصبی وجود دارد: تحت نظارت، بدون نظارت و یادگیری تقویتی. از دست دادن شغل در اثر خودکارسازی تنها یکی از مشکلات اخلاقی و اجتماعی مورد بحث در مورد هوش مصنوعی است که شرکتهای بزرگ و دانشگاهها در مورد آن پژوهش میکنند. این روزها همه جا صحبت از «هوش مصنوعی» (Artificial Intelligence) است که به طور مخفف با عنوان AI از آن یاد میشود. پس از این برهه و با وقوع شکست در روشهای هوش مصنوعی مطرح، دورهای آغاز شد که از آن با عنوان «زمستان هوش مصنوعی» (AI winters) یاد میشود و طی آن سرمایهگذاری در این حوزه با کاهش شدید مواجه شد. از جمله عملکردهای ماورای انسانی هوش مصنوعی میتوان به توانایی پیشبینی طوفانهای خطرناک و تشخیص و پیشبینی آسیبهای تجهیزات پیش از وقوع و همچنین شناسایی بدافزارهای کامپیوتری اشاره کرد. از جمله دستاوردهای هوش مصنوعی در آن دوران، میتوان به برنامه بازی چکرز (دوز) آرتور ساموئل در دهه ۱۹۵۰ و ربات Shakey دانشگاه استنفورد در دهه ۱۹۶۰ اشاره کرد.

موضوع مهمی که باید به آن اشاره کرد این است که شبکه عصبی به برنامه امکان شکستن مساله به بخشهای کوچک و کوچکتر و بنابراین ساده و سادهتر شدن آن را میدهد. بنابراین انتخاب کردن موقعیتهایی که از امکانات این تکنولوژی در آنها بهره برده میشود، لزوما به تشکیل فهرستی کامل نمیانجامد. بنابراین میتوان از این روش برای حل مسائل با سطح بیسابقهای از مهارت و دقت استفاده کرد. در آن زمان چرخه پژوهشهای هوش مصنوعی فراز و نشیبهای متعددی را تجربه کرد و سرمایهگذاری در این حوزه با افزایش امید به دستاوردهای آن ارتقا یافت. با یادگیری ماشین، برنامهنویسها نباید کامپیوترها را با این دستورالعملها رمزنگاری کنند. با این وجود صحتی که ماشین به آن دست یافته همچنان از صحت خروجیهای انسانی بیشتر است. این دستیارهای مبتنی بر متن، کار خود را با استفاده از تشخیص کلمات کلیدی در درخواست مشتری و نشان دادن واکنش متناسب با آن انجام میدهند.

همین نکته کافی است تا همگان تلاش کنند اطلاعات خود را در این موضوع به روز نگه دارند. هوش مصنوعی نمادین، هوش مصنوعی کلاسیکی است که بر اساس این ایده کار میکند که تفکر انسان را میتوان در سطحی سلسله مراتبی و منطقی بازسازی کرد. چنین برنامهای معمولا قادر است به گونهای به مساله نگاه کرده و به آن پاسخ دهد که یک کارشناس دامنه (انسان) نمیتواند حتی آن را تصور کند. تراشهی A11 Bionic اپل هم بخش مشابهی را در خودش جای داده است. این هوش مصنوعی پس از آن چند بار دیگر هم در رویدادهای مشابهی ظاهر شد. «پردیب دابی» (Pradeep Dubey) یکی از همکاران و گردانندگان شرکت «اینتل» (Intel) از هوش مصنوعی چنین یاد میکند: «یک چشمانداز ساده که در آن کامپیوترها از انسانها غیر قابل تشخیص میشوند». این نوع هوش مصنوعی رویکردی پایین به بالا دارد. در انواع مختلف یادگیری ماشینی از هر دو نوع هوش مصنوعی نمادین و عصبی استفاده میشود. در این مورد تنها از هوش مصنوعی عصبی یا همان شبکههای عصبی استفاده میشود.

در تعریف دیگری هوش مصنوعی «ساخت معنا از داده» بیان شده، این مفهوم به خوبی بیانگر این است که امروزه چگونه از هوش مصنوعی در کسبوکارها استفاده میشود. این تفاوت رویکردها نسبت به یک مفهوم واحد، نه صرفا ناشی از عدم آگاهی عموم از آن، که چه بسا نشات گرفته از اختلاف نظرهای متعددی است که دانشمندان این حوزه با یکدیگر دارند. در یادگیری تحت نظارت، ارزشها و پارامترها از بیرون برای سیستم مشخص میشود، ولی در یادگیری بدون نظارت این خود سیستم است که تلاش میکند الگوهایی را در اطلاعات ورودی کشف کند که ساختاری قابل تشخیص دارند و میتوان آنها را بازتولید کرد. بخش سخت ماجرا این است: از آنجا که خود هوش را نمیتوانیم به درستی تعریف کنیم، امکان تعریف دقیق هوش مصنوعی هم وجود ندارد. آموزش بخشی از یادگیری ماشین است که در آن دادهکاو الگوریتم خود را ساخته و با استفاه از دادهها به آن میآموزد که چگونه عمل کند. با این حال مقولهی هوش مصنوعی تا پیش از معرفی شدن سوپرکامپیوتر «دیپ بلو» (Deep Blue) توسط کمپانی IBM هنوز توجه جهانیان را به خود جلب نکرده بود. خسروشاهی طی یک مصاحبه با ZDNet در همین رابطه میگوید: «مردم بر این باورند که ما در حال بازسازی مغز انسان هستیم.

امروزه پیشرفت هوش مصنوعی به میزانی بوده که رباتها میتوانند در کف هتلها و کارخانهها گردش کنند و حتی دستگاههایی وجود دارند که قادر به انجام گفتوگوی – تا حدی – طبیعی با انسان هستند. ولی به نظر میرسد این تکنولوژی در حوزهی لوازم الکترونیک مصرفی به یک نقطهی عطف و پیشرفت بزرگ نزدیک میشود. الگوریتمهای هوش مصنوعی برای سالهای متمادی است که در دیتاسنترها و کامپیوترهای بزرگ استفاده میشوند، ولی حضور آنها در حوزهی لوازم الکترونیک مصرفی به سالهای اخیر برمیگردد. پژوهشهای انجام شده در حوزه هوش مصنوعی به اواخر دهه ۱۹۵۰ میلادی باز میگردد. آزمون مشهور تورینگ در سال ۱۹۵۰ توسط او در مقالهای مطرح شد. با افزایش زمان و حجم دادهها، میزان صحت نیز بیشتر خواهد شد. «استخراج نظرات» (Opinion Mining) که همچنین با نام «تجزیه و تحلیل احساسات» (Sentiment Analysis) هم از آن یاد میشود، برای جستوجو کردن اینترنت در مورد عقاید و عبارات احساسی به کار میرود. همین الان هم از هوش مصنوعی در بسیاری جاها استفاده میشود، ولی به هیچ وجه همهی این کاربردها در نگاه اول آشکار نیستند.

هوش مصنوعی چیزی نیست که یک شبه از هیچ پدید آمده باشد. این هوش مصنوعی چیزی شبیه به یک مغز بازسازی شده است. این مبحث برای برخی به پیچیدگی ساخت یک مغز شبیهسازی شده و برای برخی دیگر به سادگی یک آدم آهنی است. شبکه عصبی، روشی برای اتصال ورودیها و خروجیها به یکدیگر با بهرهگیری از یک مدل است که بر مبنای عملکرد مغز انسان طراحی شده و سعی در یافتن بهترین راهکار برای حل یک مساله دارد. به عبارت دیگر، غربالگر سلامت چشم Aier، شرایط را چنانکه یک انسان متخصص بالینی در نظر دارد، نمیبیند. «در برنامهنویسی سنتی، یک مهندس کدها را به صورت دستورالعملهای صریح و گام به گام برای کامپیوتر مینویسد تا از آن تبعیت کند. این اختلاف نظرها از یکسو و وجود لغات و اصطلاحات متعدد در حوزه هوش مصنوعی از سوی دیگر موجب شده تا درک آن بسیار پیچیده به نظر بیاید. ابزارها و شیوههای مختلفی برای به کار بردن هوش مصنوعی در دنیای واقعی وجود دارد که برخی از آنها را میتوان در ترکیب با هم استفاده کرد. این فرآیند پس از دریافت اطلاعات با حداقل دو لایهی دیگر (در سیستمهای بزرگ تا بیش از بیست لایه) ادامه پیدا میکند که به صورت سلسه مراتبی روی هم قرار دارند و اطلاعات را با استفاده از پیوندها دستهبندی و ارسال میکنند.

و اما مفهوم استنتاج، که در تعریف معنای لغوی آن در فرهنگ لغت آمده «عمل یا فرآیند اشتقاق نتایج منطقی بر اساس مفروضات شناخته شده یا مواردی که صحیح فرض میشوند». اما شروع توسعهی این تکنولوژی در واقع به خیلی قبلتر برمیگردد؛ یعنی زمانی در دههی ۵۰ میلادی که «دانشگاه دارتموث» (Dartmouth College) در ایالات متحده یک پروژهی تحقیقات تابستانی را به هوش مصنوعی اختصاص داد. اما قصد داریم فراتر از این گام برداریم و نوع جدیدی از هوش مصنوعی را بسازیم که میتواند آمار مربوط به دادههای مورد استفاده در کسبوکارها، بهداشت و درمان و دیگر حوزهها را درک کند. اگر اطلاعات تصویر رمزگذاری نشده باشد و ماشین بتواند آنها را بخواند، عکسها و ویدیوها را به سادگی میتوان با این روش در دستههای مختلفی قرار داد که امکان جستوجو و یافتن آنها وجود دارد. به لطف امکان گسترش دادن سریع طراحی شبکههای عصبی و تبدیل کردن آنها به سیستمهایی پیچیدهتر و قویتر با لایههای جدید، مقیاس یادگیری عمیق را میتوان به سادگی تغییر داد و آن را با کاربردهای بسیار زیادی منطبق کرد. گوگل برای آموزش یادگیری شبکه عصبی به علاقمندان این مبحث، ابزاری ارائه میکند که میتوان با استفاده از آن در مرورگر وب با یک شبکه عصبی بازی کرد و حالات گوناگون آن را مورد بررسی قرار داد.

دو مبحث شبکههای عصبی و یادگیری عمیق بسیار بهم پیوسته و مرتبط هستند و همین امر موجب شده تا گاهی از آنها به جای یکدیگر نامبرده شود. دلیل این امر از یک سو دشواری ارائه یک تعریف اختصاصی از «هوشمندی»، و از سوی دیگر آن است که عامه مردم، به اغلب فناوریهای کامپیوتری از سادهترین چیزها گرفته تا موارد بسیار پیچیده هوش مصنوعی میگویند. همین امر موجب شده تا یادگیری عمیق یک روش قدرتمند باشد که با دریافت میزان مناسبی از دادههای ورودی بتواند خروجی (پاسخ) با صحت قابل توجه ارائه کند. با توجه به کاربردهای مختلف، این نوع دستیارها میتوانند سادهتر یا پیچیدهتر باشند. تعریف هوش مصنوعی آن را به عنوان شاخهای از علوم کامپیوتر مشخص میکند که با خودکارسازی رفتارهای هوشمندانه سروکار دارد. این لایه دادههای محاسبه شده را به فرمتی تبدیل میکند که برای ماشین قابل خواندن باشد. مکانیزمهای هوش مصنوعی برای تشخیص، شناسایی و دستهبندی اشیا و افراد در عکسها ویدیوها بسیار کارآمد هستند. در مثال پیشگیری از نابینایی، ویژگیهای مورد استفاده، رنگ، شکل و الگوی چشم افراد است که یک چشم سالم را از چشم بیمار متمایز میسازد. یادگیری عمیق با روشهای سنتی موجود متمایز است.

روشهای محاسبه، رتبهبندی و نمایش نتایج جستوجو تا حد زیادی بر پایهی مکانیزمهایی کار میکنند که از یادگیری ماشینی در آنها استفاده میشود. در این روش اطلاعات از بالا با کار کردن روی نمادهای معنیدار برای انسان، ارتباطات انتزاعی و نتیجهگیریهای منطقی پردازش میشوند. در یک بیمارستان بزرگ چشم پزشکی در چین، با استفاده از یادگیری ماشین توانایی شناسایی دلایل بالقوه نابینایی برای متخصصان بالینی، از ۷۰ الی ۸۰ درصد به ۹۳ درصد ارتقا یافته است. به طور کلی اصطلاح هوش مصنوعی برای تشریح کردن سیستمهایی به کار میرود که هدف آنها استفاده از ماشینها برای تقلید و شبیهسازی هوش انسانی و رفتارهای مرتبط با آن است. اکنون دو اصطلاح آموزش و استنتاج باقی مانده که باید تشریح شوند. بلکه باید آنها را آموزش دهند! با این روشها میتوان نظرسنجیهایی را به صورت ناشناس برگزار کرد. در یادگیری تقویتی هم ماشین به صورت مستقل کار میکند، ولی بر اساس موفقیت یا شکست، تشویق یا تنبیه میشود. اساس کار تمام این روشها «یادگیری ماشینی» (Machine Learning) است. هوش مصنوعی نمادین (Symbolic) با نمادهایی انتزاعی کار میکند که برای نشان دادن دانش استفاده میشوند. در مثال بیان شده در رابطه با سیستم غربالگری چشم Aier، مرحله آموزش شامل دادن تصاویر دارای برچسب چشم سالم و بیمار به الگوریتم میشود.

بر اساس این تعریف، یک شبکه عصبی، مجموعهای از نورونهای نرمافزاری است که ساخته و به هم متصل شدهاند، این اتصالات امکان تبادل پیام با یکدیگر را برای نورونها فراهم میکند. به بیان ساده، یادگیری عمیق یک روش خاص یادگیری ماشین است که بر اساس استفاده از شبکههای عصبی بنا نهاده شده. شبکههای عصبی (Neural Networks) در لایههایی سازماندهی میشوند که با خطوطی شبیهسازی شده به یکدیگر متصل هستند. در این گونه، دانش با استفاده از نمادها نمایش داده نمیشود، بلکه به جای آن، نورونهای مصنوعی و ارتباط میان آنها نمایندهی دانش هستند. نقش هوش مصنوعی هر روز در زندگی ما بیشتر میشود. با هر بار تلاش و افزایش قدرت اتصالات، موفقیت شبکه افزایش یافته و شرایطهایی که به شکست میانجامند حذف میشود. این هدف گاه ممکن است با استفاده از الگوریتمهای ساده و الگوهای از پیش تعیین شده محقق شود، ولی گاهی هم نیاز به الگوریتمها فوقالعاده پیچیده دارد. انجام چنین فعالیتهایی برای انسانها بسیار دشوار و چه بسا غیر ممکن است. تعریف رسمیتری که در اینتل برای یادگیری ماشین استفاده میشود عبارت است از: «ساخت و مطالعه الگوریتمهایی که میتوانند از دادهها بیاموزند که پیشبینی یا تصمیمسازی کنند».

به عبارت دیگر، ماشینها به مرور هوشمندتر شده و هرچه بیشتر «مطالعه» کنند، باهوشتر میشوند. استفاده از چتباتها در بخش خدمات مشتریان روز به روز بیشتر میشود. در یک برنامه یادگیری ماشین، با گذر زمان و ارائه دادههای ورودی بیشتر و بهتر، خروجی بهبود بخشیده میشود. آموزش، روشی است که با بهرهگیری از آن، نرمافزار کاربردی یادگیری عمیق با دریافت دادههای ورودی و خروجی (جهت تنظیم برنامه کاربردی) «برنامهریزی» میشود. در آنالوژی نرمافزار، آموزش همان نوشتن برنامه و استنتاج در واقع استفاده از آن است. روشهای هوش مصنوعی در یک زیرمجموعه بسیار گسترده قرار میگیرند که به آن «یادگیری ماشین» گفته میشود. این سه پروسه روشهای متفاوت زیادی را مهیا میکنند تا بتوان نحوهی تبدیل ورودی به خروجی دلخواه را تنظیم کرد. تعریف یادگیری ماشینی سیستمی است که تجربه را به دانش تبدیل میکند. این لایه مانند حسگری عمل میکند که اطلاعات را برای پردازش دریافت میکند و آنها را به لایههای پایینتر میفرستد. چنین تشخیصهایی را همچنین میتوان برای اطلاعات صوتی هم به کار برد. کوالکام هم حدود دو سال است که روی NPU خاص خودش به نام پردازشگر Zeroth کار میکند. در تراشههای جدید گوشیهای هوشمند مانند تراشهی Kirin 970 شرکت هواوی، هوش مصنوعی بخش ویژهای برای خودش به نام NPU یا «واحد پردازش عصبی» (Neural Processing Unit) دارد.