برای نمونه در ادامه به چند مثال معروف استفاده شرکتهای بزرگ داروسازی از هوش مصنوعی اشاره میکنیم. درس هوش مصنوعی پیشرفته ادامه درس هوش مصنوعی مقطع کارشناسی به حساب میآید. با پایان شرح فصل پنجم درس هوش مصنوعی ، در ادامه، به معرفی مباحث فصل ششم و ارائه خلاصه این فصل پرداخته شده است. پس از ارائه نیازمندیهای پسزمینه و مقدمات لازم، در این بخش از فصل اول درس هوش مصنوعی ، سیر تکاملی و تاریخچه هوش مصنوعی پوشش داده شده است. در واقع، «منطق» به عنوان سطح جامعی از بازنمایی برای پشتیبانی از عاملهای مبتنی بر دانش توسعه داده میشود. در صورتی که یک الگوریتم با دادههایی آموزش داده شود که شامل جواب هستند، این الگوریتم در دسته یادگیری نظارت شده (Supervised Learning) قرار میگیرد. در فصل دوم به برخی از این مشکلات پرداخته شده است. تشخیص گفتار به توانایی ماشین در فهم کلمات بیان شده گفته میشود. خبر خوب این است که هوش مصنوعی، بهویژه یادگیری ماشین و تحلیل دادههای کلان، ظرفیت بسیار بالایی برای پایین آوردن هزینههای تحقیق و توسعه داروهای جدید دارند. تشخیص الگو بخشی از حوزه یادگیری ماشین به حساب میآید. با استفاده از چنین سیستمی، زمان لازم برای ارزیابی عملکردهای حرکتی بیماران مبتلا به پارکینسون از بیش از 30 دقیقه به زیر 3 دقیقه کاهش مییابد.
سانوفی: سانوفی شرکت داروسازی چندملیتی فرانسوی است که دفتر مرکزیاش در سایت vector-robot پاریس قرار دارد. بنابر اعلام این شرکت در این سال جانسون با همکاری یک استارتاپ هوش مصنوعی فرانسوی طرحی را برای تقویت سیستم طراحی دارویی خود اجرا خواهد کرد. جانسوناندجانسون: جانسون اند جانسون یک شرکت آمریکایی بزرگ چندملیتی در حوزه داروسازی است. پیشنیازهای درس ساختمان دادهها و الگوریتمها درسهای برنامهنویسی پیشرفته و ریاضیات گسسته است. این الگوریتمها برای مسائلی مناسب هستند که در آنها همه آنچه اهمیت دارد، نه هزینه مسیر برای دستیابی به آن، بلکه حالت جواب است. سانوفی نیز از سال 2018 ارتباطش را با شرکتها و استارتاپهای هوش مصنوعی تقویت کرد و قراردادهایی با این شرکتها امضا کرده است. سال 2019 بود که فایزر اعلام کرد با شرکت Concreto HealthAI قرارداد همکاری امضا کرده است. فایزر: پس از ساخت واکسن کرونا، امروز کمتر کسی را میتوان یافت که نام شرکت فایزر را نشنیده باشد. عنوان درس مهندسی اینترنت برای دانشجویان رشته مهندسی کامپیوتر پیام نور ورودی سال ۹۷ به بعد، «مبانی و کاربردهای هوش مصنوعی» و برای دانشجویان ورودی قبل از سال ۹۷، «هوش مصنوعی و سیستمهای خبره» نام دارد که تنها هفت فصل ابتدایی کتاب هوش مصنوعی راسل و نورویگ را شامل میشود.
الگوریتم ژنتیک یک روش جستجوی تصادفی تپهنوردی است که در آن جمعیت بزرگی از حالتها نگهداری میشود. این روش تقریباً کارآمد خواهد بود، در صورتی که بتوان یک مجموعه برش را پیدا کرد. اگر بتوان دادههای این چنینی را بهصورت خودکار از طریق سیستمهای مبتنی بر هوش مصنوعی انجام داد بینشهای بسیار زیادی برای پزشکان و مدیران نظام سلامت در پی خواهد داشت. عاملهای مبتنی بر دانش میتوانند وظایف جدید را در قالب اهداف صریحاً توصیف شده بپذیرند. وقتی که به جامعه آماری مبتلایان به چنین بیماریهایی نگاه میکنیم به اهمیت توسعه راهحلهای مبتنی بر هوش مصنوعی برای غلبه بر این بیماریها پی میبریم. رفتار «عاملهای مبتنی بر هدف» بر اساس اهدافشان تعیین میشود و «عاملهای مبتنی بر سودمندی» سعی در بیشینه کردن رضایت مورد انتظار خودشان را دارند. یعنی ادراکها را دریافت میکرد و در مورد اعمال تصمیم میگرفت. در چنین مواردی، عامل میتواند دنبالههایی از اعمال را بسازد که منجر به دستیابی به اعمالش خواهند شد.
تا این بخش از درس هوش مصنوعی ، به وسیله توصیف رفتار، درباره عاملها بحث شده است. این کار باید تا حد امکان به طور کامل انجام شود. در ایران نیز روزانه دادههای بسیار زیادی در حوزههای مختلف نظام سلامت، از اطلاعات مربوط به بیماران تا اطلاعات مربوط به مدیریت بیمارستانها، تولید میشود. بنابراین، معرفی شاخههای مختلف هوش مصنوعی در اینجا به پایان میرسد. الگوریتمهای جستجوی CSP از ساختار حالتها به خوبی بهره میبرند و به جای استفاده از روشهای اکتشافی (ابتکاری) خاص مسئله، روشهای همهمنظوره را برای رسیدن به جواب مسائل پیچیده به کار میگیرند. سپس، الگوریتمهای جستجو همهمنظوره بسیاری شرح داده خواهند شد که برای حل این مسائل استفاده میشوند. بسیاری از شرکتها برای مدیریت و تحلیل دادههایشان بهسمت استفاده از پلتفرمهای مبتنیبر هوش مصنوعی رفتهاند. به این سبب، AI محبوبیت بسیاری دارد و افراد زیادی در حال ورود به این حوزه هستند. نمونههایی از کاربرد هوش مصنوعی وجود دارد که در آن استفاده از این فناوری باعث تشخیص بهموقع این بیماریها و در نتیجه کنترل و مدیریت بهتر آنها شده است. فرایند تحلیل و مدیریت این دادهها اگر بهصورت دستی و به روشهای سنتی انجام شود، بسیار زمانبر و فرسایشی خواهد بود. متاسفانه هنوز این دادهها بهصورت نظاممند و سیستماتیک تحلیل نمیشوند.
استفاده در تحلیل دادههای کلینیکی و تولید تحلیلهای بهتر: در بخش پزشکی و داروسازی هر روز حجم عظیمی از دادهها مربوط به بیماران، پژوهشهای پزشکی و دادههای تشخیصی تولید میشود. برقراری ارتباط اغلب در محیطهای چندعاملی رفتاری منطقی به حساب میآید. چنین پروسهای اغلب میتواند از نیازهای آنی به دور باشد. قابل مشاهده بودن کامل در برابر قابل مشاهده بودن ناقص: در صورتی که حسگر دسترسی کاملی از حالت محیط در هر لحظه از زمان به عامل بدهد، گفته میشود که محیط کاری کاملاً قابل مشاهده است. در یک بازنمایی اتمی، هر یک از حالتهای جهان غیر قابل تقسیم شدن هستند. وقتی هر متغیر دارای مقداری باشد که تمام محدودیتهای متغیر را برآورده کند، آنگاه مسئله حل میشود. در واقع هزینه تولید هر داروی جدید عددی بالغ بر 1.2 میلیارد دلار است. همین آمار بهتنهایی نشان میدهد که چقدر هزینه ساخت داروها و واکسنهای جدید در صنعت داروسازی بالاست. برای مثال در چند سال اخیر استفاده از پلتفرم هوش مصنوعی IBM Watson افزایش چشمگیری در صنعت داروسازی و سلامت داشته است. غولهای صنعت داروسازی زودتر از دیگران متوجه ظرفیت انقلابی استفاده از هوش مصنوعی در داروسازی شدند. بازیهای شانسی را میتوان با استفاده از یک افزونه در الگوریتم مینماکس مدیریت کرد.
در صورت عدم تسلط به مفاهیم طراحی الگوریتم، استفاده از دوره آموزشی طراحی الگوریتم پیش از شروع آموزش درس هوش مصنوعی به علاقهمندان و دانشجویان پیشنهاد میشود. مباحث تئوری و عملی مربوط به بهینه سازی چند هدفه در این دوره آموزش داده میشود. برای یادگیری بهتر درس هوش مصنوعی استفاده از دوره آموزشی ساختمان دادهها به دانشجویان و سایر علاقهمندان پیشنهاد میشود. در ادامه، هر یک از این مفاهیم به صورت فشرده و چکیده شرح داده شدهاند. این سیستم طراحی دارویی جدید قرار است پاسخی به چالشها در فرایند کشف و تولید داروها و واکسنهای جدید باشد. یعنی 9 دارو از هر 10 دارویی آزمایشی و جدید از پس همه مراحل تاییدیه گرفتن برای مصرف عمومی برنمیآیند. این هزینه بسیار بالاست و اغلب اوقات هزینه تولید بالای دارو باعث میشود داروها و واکسنها با قیمت بسیار بالای به دست بیماران و مصرفکنندگان برسد. در این مقاله به نقش هوش مصنوعی در صنعت داروسازی جهان میپردازیم و چالش های استفاده از آن را در داروسازی ایران توضیح میدهیم. در همان سال، Google Now ،Siri و Cortana تبدیل به جریان اصلی شدند.
برخلاف عاملهای هوشمند که بر اساس اطلاعات فراهم شده توسط یک برنامهنویس عمل میکنند، عاملهای یادگیرنده میتوانند وظایفی را انجام دهند، عملکرد را ارزیابی کنند و به دنبال راههای جدید برای بهبود آن وظایف باشند. مثلاً میتوانند اشیا مشابه را دستهبندی کنند. همچنین، دانشگاه کالیفرنیا مرکز هوش مصنوعی سازگار با انسان را راهاندازی کرد. یک مصنوع ساخته دست انسان چگونه تحت کنترل خودش عمل کند؟ در فصل پنجم درس هوش مصنوعی ، بازیهای مختلفی برای درک چیستی مفهوم بازی بهینه و درک نحوه خوب بازی کردن در عمل بررسی میشوند. تشخیص گفتار: برای کاربرد تشخیص گفتار، یک سیستم خودکار تشخیص صدا و مدیریت گفتگو برای بخش پاسخگویی تلفنی فروش بلیت شرکت هواپیمایی United Airlines مثال زده شده است. بهتر است فصل دوم را با ارائه خلاصهای از آن به پایان رساند. بنابراین، باید جستجو را از یک جایی به بعد متوقف کرد و تابع ارزیابی ابتکاری را به کار برد. در جستجوی برخط، عامل با حالتی مواجه میشود که در ابتدا ناشناخته است و باید کاوش شود. میتوان تابع عامل توصیف کننده هر عامل را جدولبندی کرد. در ادامه، هر یک از شاخههای هوش مصنوعی معرفی شدهاند.
هدف از این همکاری شناسایی و کمک به بیمارانی است که از تومورهای بدخیم خونی رنج میبرند. تنها پیشنیاز این کتاب، آشنایی با مفاهیم ابتدایی علوم کامپیوتر یعنی الگوریتمها، ساختمان داده و پیچیدگی محاسباتی است. وقتی یک عامل در محیطی قرار داده میشود، این عامل بر اساس ادراکی که دریافت میکند، یک توالی از اعمال را تولید میکند. تابع عامل، اقداماتی را برای یک عامل مشخص میکند که عامل در پاسخ به هر توالی ادراک انجام میدهد. هوش مصنوعی چه بخشهایی از صنعت داروسازی را متحول میکند؟ واقعیت این است که دیدگاه ما نسبت به AI مهم نیست، مهم این است که چه بخواهیم چه نخواهیم هوش مصنوعی صنعت داروسازی را متحول خواهد کرد. ساختمان داده ها یکی از دروس مهم و پایه رشته کامپیوتر به حساب میآید که پیشنیاز درس هوش مصنوعی است. این دوره برمبنای دو منبع مهم طراحی الگوریتم یعنی کتابهای کرمن و نیپولیتان تهیه شده است. این دوره آموزشی برای آن دسته از دانشجویان و فارغالتحصیلان مقطع کارشناسی رشتههای کامپیوتر و سایر رشتهها مناسب است که قصد دارند برای آزمون ورودی کارشناسی ارشد کامپیوتر گرایش هوش مصنوعی آماده شوند. همچنین دانشجویان و فارغالتحصیلانی که قصد شرکت در کنکور کارشناسی ارشد کامپیوتر گرایش هوش مصنوعی را دارند نیز میتوانند از محتوای دوره آموزشی هوش مصنوعی – مقدماتی استفاده کنند.
در ادامه فصل دوم درس هوش مصنوعی ، چگونگی تبدیل تمام این عاملها به عاملهای یاد گیرنده شرح داده شده است. در ادامه فصل دوم و این بخش از درس هوش مصنوعی نحوه مشخص کردن یک محیط کاری و مراحل انجام این کار با چند مثال آموزش داده شده است. در سال 2019 این شرکت نیز مانند فایزر خبر از همکاری با شرکتهای هوش مصنوعی داد. فایزر امیدوار است با کمک هوش مصنوعی بتواند روشهای درمانی جدید و دقیقتری برای انواع سرطان توسعه دهد. فایزر یکی از بزرگترین شرکتهای داروسازی جهان است. به بیان سادهتر، برای اثبات میزان موفقیت و اثربخشی یک دارو، شرکتهای داروسازی از مطالعات بالینی استفاده میکنند. هر ساله تعداد بسیار زیادی مطالعات بالینی در جهان انجام میشود که یافتن داوطلب برای این این مطالعات کاری زمانبر و طاقتفرساست. طبق آنچه در مقدمه کتاب بیان شده است، یک دانشجوی سال دوم در مقطع کارشناسی میتواند این درس را بگذراند. با اینکه هنوز تاثیرات هوش مصنوعی بر صنعت داروسازی در آغاز راه است، اما تا همینجا نیز مدیران کسبوکارها و مقامات بهداشتی دولتها از تاثیرات هوش مصنوعی در این صنعت شگفتزده شدهاند. یکی از راههای جدیدی که برای کنترل فرایند مطالعات بالینی توسعه داده شده است، استفاده از فناوریهای مثل الگوریتمهای بازشناسی چهره است.
برای مثال بنابر آمارها حدود یک درصد از جمعیت ایران از بیماری آلزایمر رنج میبرند. بهگفته شرکتهای دخیل در این آزمایش، با استفاده از هوش مصنوعی وفاداری داوطلبان به پروتکلها و دزهای مصرفی به بالای نود درصد رسید. در درس هوش مصنوعی روشهای مختلفی برای ارائه و نمایش این توابع به کار گرفته میشود. هوش مصنوعی میتواند در کنترل و مدیریت بیماریهای شناختهشدهای که درمان مشخصی ندارند، مانند پارکینسون، اوتیسم و آلزایمر، به کمک درمانگران و داروسازان بیاید. کاستن از زمان مطالعات بالینی به معنای تسریع در روند تولید تجاری داروها و بالا رفتن سرعت درمان بیماران است. با توجه به اهمیت کتاب هوش مصنوعی راسل و نورویگ ، در بخش بعدی توضیحات بیشتری پیرامون این کتاب ارائه شده است. استفاده از هوش مصنوعی در این بخش میتواند سرعت تحلیل دادهها را بالا ببرد و استفاده از نتایج این تحلیلها باعث افزایش دقت و سرعت فرایندهای درمانی و تشخیصی میشود. نتایج استفاده از این فناوری هوش مصنوعی بسیار خیرهکننده و شگفتانگیز بود. شاید مهمترین مشکل در این حوزه را بتوان نگاه سنتی و عدم آشنایی کسبوکارها و مدیران دولتی با پیشرفتهای تکنولوژیکی اخیر در زمینه هوش مصنوعی و ظرفیتهای بالای آنها در زمینه پزشکی دانست.
برای مثال شرکت فناوری Tencent Holdingچین، با همکاری یکی از شرکتهای بریتانیایی، سیستم مبتنیبر هوش مصنوعی ساخته است که میتواند به نظارت و کنترل بیماری پارکینسون از راه دور کمک کند. فلسفه – آیا میتوان از قوانین قاعدهمند برای نتیجهگیری معتبر استفاده کرد؟ از الگوریتمهای شبهکد برای درک بهتر ایدهها و مفاهیم کلیدی در درس هوش مصنوعی استفاده شده است. بنابراین قرار داد دو شرکت تحقیقاتی را با یکدیگر در حوزه سرطانشناسی از طریق استفاده از هوش مصنوعی و دادههای واقعی انجام خواهند داد. تدریس کامل این کتاب دو نیمسال (ترم) کامل زمان میبرد. به سمت راست برود. درس هوش مصنوعی یکی از منابع تخصصی کنکور کارشناسی ارشد کامپیوتر گرایش هوش مصنوعی به شمار میرود. درس هوش مصنوعی یکی از درسهای تخصصی رشتههای علوم کامپیوتر، مهندسی کامپیوتر و مهندسی فناوری اطلاعات است. مجموعه مدلهای ممکن، با یک واژگان گزارهای ثابت، مجموعهای متناهی است. در ادامه، مجموعه دورههای آموزشی هوش مصنوعی سایت فرادرس معرفی شدهاند. منابع مناسب درس هوش مصنوعی برای کنکور ارشد کدامند؟ بینایی ماشینی بخشی از روشهای یادگیری نمادین (Symbolic Learning) برای پردازش اطلاعات توسط کامپیوترها محسوب میشود.
کشف و ساخت داروهای جدید: بنابر آمارها از هر 10 تلاش برای ساخت دارو و واکسن، 9 تلاش به نوعی شکست میخورد. قطعی در برابر تصادفی: در صورتی که حالت بعدی محیط به طور کامل به وسیله حالت فعلی و عمل انجام شده توسط عامل مشخص شده باشد، گفته میشود که محیط قطعی و در غیر اینصورت تصادفی یا غیرقطعی است. رفتار یک عامل از جنبه ریاضی به وسیله تابع عامل توصیف میشود. وسایل نقلیه رباتیک: برای یک وسیله نقلیه رباتیک یا خودرو خودران، اتومبیل استنلی مثال زده شده است که فناوری سال ۱۳۸۴ محسوب میشود. آیا هدف مدلسازی انسان است یا کار بر اساس یک استاندارد آرمانی؟ اگر به آنها گفته شود یا از طریق یادگرفتن، عاملهای منطقی میتوانند به سرعت به سطح رقابتی برسند. عاملهای مبتنی بر هدف اعمال آینده را در نظر میگیرند. ضریب انشعاب در فضای حالت و d عمق کم عمقترین جواب در نظر گرفته میشود. 1. هیچ عامل فیزیکی در این جهان فضای کافی برای ذخیره جدول در اختیار نخواهد داشت. استفاده از هوش مصنوعی در این حوزه نیز فرایندها را به میزان بسیار زیادی تسریع کرده است. SAT Solving شامل یافتن مدلهای ممکنی است که توالیهای اعمال آیندهای را مشخص میکنند که به هدف میرسند.
برای مثال شرکت Abbvie در یکی از مطالعات بالینیاش از فناوریهای تشخیص چهره شرکت AiCure استفاده کرده است. استفاده از فناوریهای مبتنی بر هوش مصنوعی در ایران با چالشها و مشکلات بسیاری دست به گریبان است. با استفاده از هوش مصنوعی در داروسازی و به سیستمهایی از فناوریهای بههمپیوسته و خودکار دست یافت که میتوانند با کمی دخالت انسانی یا حتی بدون دخالت انسان، بهصورت مستقل عمل کنند. برنامهها در بازیهایی نظیر شطرنج، بازی چکرز و اتللو حتی از قهرمانان جهانی هم بهتر عمل میکنند. چند سالی میشود که پای هوش مصنوعی به بخشهای مختلف داروسازی، از تولید دارو تا فرایندهای تشخیصی و حتی مراقبت از بیماران باز شده است. اندازهگیری میزان مصرف دارو و کنترل مصرف آن: رعایت دز مصرفی و تبعیت از دستورهای مصرفی در صنعت داروسازی از اهمیت بالایی برخوردار است. اگر شرکتکنندگان در این بررسیها قوانین و پروتکلها را رعایت نکنند، میتوانند تاثیر منفی زیادی در نتایج مصرف این دارو و میزان اثربخشی آن بگذارند. این شرکت در حوزه تولید و بازاریابی دارو کار میکند. عامل واکنشی مبتنی بر مدل، با یافتن قانونی کار میکند که شرایط آن با حالت فعلی همخوانی داشته باشد. یک بازی میتواند به وسیله حالت اولیه (چگونگی چینش تخته بازی)، اعمال قانونی در هر حالت، نتیجه هر عمل، یک آزمون نهایی (Terminal Test) و یک تابع مطولبیت (Utility Function) تعریف شود.
در انتهای این بخش نیز، برای شفافسازی و درک بهتر مفاهیم، یک مثال ساده به نام «جهان جاروبرقی تنها با دو موقعیت» ارائه شده است. این مسئله، راننده تاکسی خودکار نام دارد. رباتیک نقطه تلاقی علم، مهندسی و فناوری برای تولید ماشینهایی به نام ربات محسوب میشود. از جمله بازیهای با اطلاعات ناقص میتوان به بازى جنگنما اشاره کرد. محیط قابل مشاهده ناقص در حالتی اتفاق میافتد که حسگرها نویزدار و نادقیق باشند یا اینکه بخشی از حالت در دادههای حسگر وجود نداشته باشد. پردازش زبان طبیعی: برای اینکه بتواند صحبت کند. منطق گزارهای زبان سادهای شامل نشانههای گزارهای و همبندهای منطقی (Logical Connective) است. پردازش زبان طبیعی که با سرنام NLP خطاب میشود، شاخهای از هوش مصنوعی است که با تعامل میان کامپیوترها و انسانها از طریق زبان طبیعی سر و کار دارد. این بخش مسئولیت پیشنهاد اعمالی را دارد که به تجربیات جدید و دارای اطلاعات مفید منجر میشود. طراحی مناسب برنامه عامل به طبیعت محیط بستگی دارد. این شرکت برای طیف گستردهای از بیماریها، از جمله بیماریهای مربوط به ضعف ایمنی بدن، انواع سرطانها، بیماریهای قلبی، غدد و بیماریهای عصبی دارو و واکسن تولید میکند. با استفاده از این فناوری داوطلبان هنگام مصرف داروی موردآزمایش با تلفن همراهشان از خود فیلم میگیرند و سیستمهای شرکت ایآی کر بهصورت خودکار تشخیص میدهد که آیا این همان فرد داوطلب است که دارو را مصرف میکند و آیا از دز درستی استفاده میکند یا نه.
رویکرد دیگری برای دستهبندی الگوریتمهای یادگیری در هوش مصنوعی وجود دارد. با وجود اینکه منطق گزارهای نسبت به منطق مرتبه اول (فصل هشتم) صراحت کمتری دارد، منطق گزارهای تمام مفهومهای اساسی منطق را منعکس میکند. یافتن بیماران داوطلب مناسب برای تست بالینی داروها: علیرغم اینکه دادههای بسیاری درباره جزئیات بیماری بیماران مختلف در دست است اما یافتن داوطلبان و گزینههای مناسب برای طی کردن فرایندهای آزمایشی برای شرکتهای بزرگ داروسازی همچنان امری چالشبرانگیز باقی مانده است. با استفاده از هوش مصنوعی دادههای مربوط به هزاران بیمار تحلیل میشود و از بین آنها گزینههای مناسب برای گذراندن مطالعات کلینکی انتخاب میشود. در بازیهای دونفره Zero-Sum با اطلاعات کامل، الگوریتم مینیماکس میتواند حرکتهای بهینه را به وسیله یک شمارش عمق اول از درخت بازی انتخاب کند. از جمله سرفصلهای این دوره آموزشی میتوان به مروری بر مبانی علم ژنتیک و منشا الهام الگوریتمهای تکاملی و الگوریتمهای ژنتیک، بررسی جامع انواع روشهای انتخاب والدین، انتخاب رقابتی (Tournament Selection)، انواع اپراتورها برای مسائل مختلف و سایر موارد اشاره کرد.