اهمیت سیستم هوش مصنوعی
چند وقت پیش یک سیستم هوش مصنوعی توانست در شطرنج گاسپارف (قهرمان شطرنج جهان) را شکست دهد، شاید وقت آن رسیده باشد که ذهن انسان بازنشست شود و جای خودش را به این سیستم دهد. امروزه با توجه به ظهور حجم وسیع اطلاعات و دادههای موجود و گسترش روشهای جمعآوری آن، ذهن انسان در بسیاری از موارد به علت سرعت عملکرد آن در پردازش دادهها و امکان وجود خطاها و بایاسهای ذهنی توانایی پردازش و نتیجهگیری روی دادهها را ندارد. علیالخصوص دادههایی که با گذشت مدت زمان بسیار کوتاهی ارزش خود را از دست میدهند و نیاز به پردازش سریع دارند. دادههایی مانند اطلاعات دریافتی یک سیستم autopilot هواپیما هنگام هدایت آن و یا دادههایی که بر اساس آنها میتوان شرایط جوی را پیشبینی کرد؛ زیرا این گونه دادهها تنها در چند ثانیه یا دقیقه قابل استفاده هستند و ذهن انسان در این موارد ناتوان است.
سیستم هوش مصنوعی چیست؟
سیستم هوش مصنوعی نوعی سیستم کامپیوتری است بر پایه علم رباتیک که شبیه به انسان فعالیت میکند و در حوزههای زیر به کار میرود:
یادگیری
پیشبینی
حل مسأله
یک متد ساده و پر کاربرد در یادگیری
مدلهای مختلفی برای یادگیری این سیستم وجود دارد که رایجترین آنها یادگیری مبتنی بر خطا است. به عنوان مثال بازی شطرنج را درنظر بگیرید؛ در این بازی سیستم هوش مصنوعی میتواند روشهای مختلف را برای بازی امتحان کند و روشهایی که به شکست منجر میشود را فراگرفته و در دفعات بعدی آنها را تکرار نکند و این فرایند تا جایی ادامه پیدا کند که سیستم به خطای نزدیک به صفر رسیده و راه و روش بهینه را بیابد. این روش به علت امکان آزمون و خطا و سرعت بالای سیستم هوش مصنوعی یکی از پرکاربردترین و سادهترین متدها در یادگیری است.
روش دیگری که برای یادگیری مبتنی بر هوش مصنوعی به کار برده میشود روش عمومی سازی است. این الگوریتم به این شکل است که یک سیستم با استفاده از دادههای پیشین و تجربههای گذشته، حالاتی که جدید هستند را فراگیرد. این سیستم نسبت به سیستم پیشین پیچیدهتر است زیرا همواره ممکن است شرایطی رخ دهد که الگوهای پیشین پاسخگوی آن نباشد. به عنوان مثال یک سیستم هوش مصنوعی یادگرفته است که برای گذشته ساختن افعال انگلیسی کافی است ed را به آخر آنها بیافزاید. اما بعضاً با افعالی مانند go که در حالت گذشته went است روبهرو خواهد شد که این مدل تا وقتی برای سیستم تعریف نشود امکان یادگیری برای آن وجود نخواهد داشت.
پیشبینی توسط سیستم های هوش مصنوعی
این مدل به این معنا است که سیستمی که توسط یک شرکت هوش مصنوعی پیاده سازی میشود با استفاده از دادههایی که در فرایندهای پیشین وجود داشته و نتایجی که از آن دادهها منتج شده، آینده را پیشبینی کرد به این نحو که با توجه به دستهبندی دادهها و نتیجهای که وقوع آن دادهها رقم زده است، سیستم با توانایی سناریو نویسی میتواند پیشبینی کند که اگر n% از اتفاقاتی که در گذشته به وقوع پیوسته است مجددا تکرار شود، آینده p به احتمال ضریبی از n% اتفاق خواهد افتاد. یکی از کاربردهای رایج این مدل پیشبینی وضعیت آب و هوا است. در این مدل سیستم هوش مصنوعی با استفاده از جمعآوری دادههای پیشین (الگوهای آب و هوایی تشکیل شده) و نتایجی که اتفاق افتاده است و ترکیب آن با الگوی تشکیل شده کنونی پیشبینی کند که قرار است چه اتفاقی بیافتد: طوفان، بارش، سونامی و…
مسأله یابی و حل مسأله توسط سیستم های مبتنی بر هوش مصنوعی
روشهای متعددی وجود دارد که یک سیستم هوش مصنوعی بر اساس آن میتواند به حل مسأاله بپردازد که یکی از رایجترین آنها سیستم مبتنی بر رد گزینه است؛ در این روش، سیستم در گام نخست تمامی احتمالات یک مسأله را در نظر میگیرد، سپس با استفاده از رد گزینه و حذف گزینههای نامحتمل نزدیکترین جواب را برای مسأله مییابد. به عنوان مثال در یک مسأله بیان شده است: “شخصی در روزهای فرد به کتابخانه و در روزهای زوج به سینما میرود. امروز روز فرد است، این شخص الان کجا است؟” در این مسأله سیستم گزینههای مرتبط با روز زوج را حذف کرده و به جواب “کتابخانه” میرسد.
مدل دیگری که برای حل مسأله استفاده میشود مدل “عمل، بازخورد و ذخیره” است به این نحو که به عنوان مثال وقتی یک بازوی مکانیکی میخواهد یک شیء را در نقطهای قرار دهد بجای اینکه مختصات دقیق محل قرارگیری به سیستم داده شود سیستم به طور اتوماتیک شیء را به محل مورد نظر نزدیک میکند و از سنسورهای موجود بازخورد میگیرد، سپس با توجه به بازخوردهای گرفته شده موقعیت خود را اصلاح کرده، اطلاعات را ذخیره کرده و این فرایند را آنقدر تکرار خواهد کرد تا شیء سر جای خود قرار گیرد. مزیت این مدل امکان یادگیری گسترده نسبت به المانها مختلف است به این صورت که اگر محل قرارگیری اولیه بازو تغییر کند، این سیستم میتواند وظیفه خود را به درستی ایفا کرده و خطای مقدار اولیه را حذف کند.