هوش مصنوعی

هوش مصنوعی (AI) به سیستم‌های کامپیوتری اطلاق می‌شود که قادر به انجام وظایف پیچیده‌ای هستند که از نظر تاریخی فقط یک انسان می‌توانست انجام دهد، مانند استدلال، تصمیم‌گیری یا حل مشکلات.

امروزه، اصطلاح «AI» طیف گسترده‌ای از فناوری‌ها را توصیف می‌کند که بسیاری از خدمات و کالاهایی را که ما هر روز استفاده می‌کنیم – از برنامه‌هایی که نمایش‌های تلویزیونی را توصیه می‌کنند تا ربات‌های چت که پشتیبانی مشتری را در زمان واقعی ارائه می‌کنند، تقویت می‌کنند. اما آیا همه اینها واقعاً همان طور که بیشتر ما تصور می کنیم، هوش مصنوعی را تشکیل می دهند؟ و اگر نه، پس چرا ما اغلب از این اصطلاح استفاده می کنیم؟

در این مقاله، در مورد هوش مصنوعی، آنچه که در واقع انجام می دهد و انواع مختلف آن بیشتر خواهید آموخت. در پایان، شما همچنین با برخی از مزایا و خطرات آن آشنا خواهید شد و دوره‌های انعطاف‌پذیری را کاوش خواهید کرد که می‌توانند به شما کمک کنند دانش خود را از هوش مصنوعی حتی بیشتر گسترش دهید.

تعریف هوش مصنوعی – آکادمی دکتر ابراهیم پور

هوش مصنوعی چیست؟

هوش مصنوعی یا AI، فناوری است که رایانه‌ها و ماشین‌ها را قادر می‌سازد تا هوش انسانی و قابلیت‌های حل مسئله را شبیه‌سازی کنند.
هوش مصنوعی به تنهایی یا همراه با سایر فناوری‌ها (مانند حسگرها، مکان‌یابی جغرافیایی، روباتیک) می‌تواند وظایفی را انجام دهد که در غیر این صورت به هوش یا مداخله انسانی نیاز دارند. دستیارهای دیجیتال، راهنمایی GPS، وسایل نقلیه خودران، و ابزارهای هوش مصنوعی (مانند Open AI’s Chat GPT) تنها چند نمونه از هوش مصنوعی در اخبار روزانه و زندگی روزمره ما هستند.

به عنوان یک رشته از علوم کامپیوتر، هوش مصنوعی شامل (و اغلب همراه با آن ذکر می شود) یادگیری ماشین و یادگیری عمیق است. این رشته‌ها شامل توسعه الگوریتم‌های هوش مصنوعی هستند که بر اساس فرآیندهای تصمیم‌گیری مغز انسان مدل‌سازی شده‌اند، که می‌توانند از داده‌های موجود «یاد بگیرند» و در طول زمان طبقه‌بندی یا پیش‌بینی دقیق‌تری را انجام دهند.

هوش مصنوعی چرخه های زیادی از تبلیغات را پشت سر گذاشته است، اما حتی برای افراد شکاک، به نظر می رسد انتشار ChatGPT نقطه عطفی باشد. آخرین باری که هوش مصنوعی مولد به این بزرگی ظاهر شد، پیشرفت ها در بینایی کامپیوتری بود، اما اکنون جهش به جلو در پردازش زبان طبیعی (NLP) است. امروزه، هوش مصنوعی مولد می‌تواند نه تنها زبان انسان، بلکه انواع دیگر داده‌ها از جمله تصاویر، ویدئو، کد نرم‌افزار و حتی ساختارهای مولکولی را بیاموزد و ترکیب کند.

برنامه های کاربردی برای هوش مصنوعی هر روز در حال افزایش هستند. اما با افزایش تبلیغات در مورد استفاده از ابزارهای هوش مصنوعی در تجارت، گفتگوها پیرامون اخلاق هوش مصنوعی و هوش مصنوعی بسیار مهم می شوند.

چرا هوش مصنوعی مهم است؟

هدف هوش مصنوعی ارائه ماشین‌ها با قابلیت‌های پردازش و تجزیه و تحلیل مشابه انسان‌ها است که هوش مصنوعی را به یک همتای مفید برای مردم در زندگی روزمره تبدیل می‌کند. هوش مصنوعی قادر است داده ها را در مقیاس تفسیر و مرتب کند، مشکلات پیچیده را حل کند و وظایف مختلف را به طور همزمان خودکار کند، که می تواند باعث صرفه جویی در زمان و پر کردن شکاف های عملیاتی از دست رفته توسط انسان شود.

هوش مصنوعی به عنوان پایه ای برای یادگیری کامپیوتر عمل می کند و تقریباً در هر صنعت – از مراقبت های بهداشتی و مالی گرفته تا تولید و آموزش – استفاده می شود و به تصمیم گیری های مبتنی بر داده ها و انجام وظایف تکراری یا محاسباتی فشرده کمک می کند.

بسیاری از فناوری های موجود از هوش مصنوعی برای افزایش قابلیت ها استفاده می کنند. ما آن را در گوشی های هوشمند با دستیارهای هوش مصنوعی، پلتفرم های تجارت الکترونیک با سیستم های توصیه و وسایل نقلیه با توانایی های رانندگی مستقل می بینیم. هوش مصنوعی همچنین با اجرای آزمایشی سیستم‌های تشخیص تقلب به صورت آنلاین و ربات‌ها برای مشاغل خطرناک و همچنین تحقیقات پیشرو در مراقبت‌های بهداشتی و ابتکارات آب و هوایی به محافظت از مردم کمک می‌کند.

انواع هوش مصنوعی: هوش مصنوعی ضعیف در مقابل هوش مصنوعی قوی

. هوش مصنوعی ضعیف: همچنین به عنوان هوش مصنوعی باریک یا هوش مصنوعی باریک (ANI) شناخته می شود – هوش مصنوعی برای انجام وظایف خاص آموزش دیده و متمرکز است. هوش مصنوعی ضعیف بیشتر هوش مصنوعی را که امروز ما را احاطه کرده است هدایت می کند. “Narrow” ممکن است توصیف مناسب تری برای این نوع هوش مصنوعی باشد زیرا هر چیزی جز ضعیف است: برخی از برنامه های بسیار قوی مانند سیری اپل، الکسای آمازون و وسایل نقلیه خودران را فعال می کند.

. هوش مصنوعی قوی: از هوش عمومی مصنوعی (AGI) و ابر هوش مصنوعی (ASI) تشکیل شده است. AGI یا هوش مصنوعی عمومی، شکلی نظری از هوش مصنوعی است که در آن یک ماشین دارای هوشی برابر با انسان است. خودآگاهی با آگاهی است که توانایی حل مشکلات، یادگیری و برنامه ریزی برای آینده را داشته باشد. ASI – که به عنوان ابر هوش نیز شناخته می شود – از هوش و توانایی مغز انسان پیشی می گیرد. در حالی که هوش مصنوعی قوی هنوز کاملاً تئوری است و امروزه هیچ نمونه عملی در آن استفاده نمی شود، این بدان معنا نیست که محققان هوش مصنوعی نیز در حال بررسی توسعه آن نیستند. در این میان، بهترین نمونه های ASI ممکن است از داستان های علمی تخیلی باشد، مانند HAL، دستیار کامپیوتر مافوق بشر و سرکش در سال 2001: یک ادیسه فضایی.

کاربرد هوش مصنوعی – آکادمی دکتر ابراهیم پور

یادگیری عمیق در مقابل یادگیری ماشینی

یادگیری ماشینی و یادگیری عمیق زیرشاخه‌های هوش مصنوعی هستند و یادگیری عمیق زیرشاخه‌ای از یادگیری ماشینی است. هم الگوریتم‌های یادگیری ماشین و هم الگوریتم‌های یادگیری عمیق از شبکه‌های عصبی برای «یادگیری» از حجم عظیمی از داده‌ها استفاده می‌کنند. این شبکه‌های عصبی ساختارهای برنامه‌ای هستند که بر اساس فرآیندهای تصمیم‌گیری مغز انسان مدل‌سازی شده‌اند. آنها از لایه‌هایی از گره‌های به هم پیوسته تشکیل شده‌اند که ویژگی‌هایی را از داده‌ها استخراج می‌کنند و پیش‌بینی می‌کنند که داده‌ها چه چیزی را نشان می‌دهند.

یادگیری ماشینی و یادگیری عمیق در انواع شبکه‌های عصبی که استفاده می‌کنند و میزان مداخله انسان متفاوت است. الگوریتم‌های یادگیری ماشین کلاسیک از شبکه‌های عصبی با یک لایه ورودی، یک یا دو لایه پنهان و یک لایه خروجی استفاده می‌کنند. به طور معمول، این الگوریتم‌ها محدود به یادگیری تحت نظارت هستند: داده‌ها باید توسط متخصصان انسانی ساختار یا برچسب‌گذاری شوند تا الگوریتم بتواند ویژگی‌هایی را از داده‌ها استخراج کند.

الگوریتم‌های یادگیری عمیق از شبکه‌های عصبی عمیق استفاده می‌کنند – شبکه‌هایی که از یک لایه ورودی، سه یا بیشتر (اما معمولاً صدها) لایه پنهان و یک طرح‌بندی خروجی تشکیل شده‌اند. این لایه‌های چندگانه، یادگیری بدون نظارت را امکان‌پذیر می‌کنند: آنها استخراج ویژگی‌ها را از مجموعه داده‌های بزرگ، بدون برچسب و بدون ساختار خودکار می‌کنند. از آنجایی که به مداخله انسانی نیاز ندارد، یادگیری عمیق اساساً یادگیری ماشین را در مقیاس ممکن می‌سازد.

ظهور مدل های مولد

هوش مصنوعی مولد به مدل‌های یادگیری عمیق اطلاق می‌شود که می‌توانند داده‌های خام (مثلاً تمام ویکی‌پدیا یا آثار جمع‌آوری‌شده رامبراند) را بگیرند و «یاد بگیرند» تا در صورت درخواست، خروجی‌های آماری احتمالی تولید کنند. در سطح بالایی، مدل‌های مولد نمایش ساده‌شده‌ای از داده‌های آموزشی خود را رمزگذاری می‌کنند و از آن برای ایجاد یک اثر جدید مشابه، اما نه یکسان، با داده‌های اصلی استفاده می‌کنند.

مدل های مولد برای سال ها در آمار برای تجزیه و تحلیل داده های عددی مورد استفاده قرار گرفته اند. با این حال، ظهور یادگیری عمیق، گسترش آنها را به تصاویر، گفتار و دیگر انواع داده های پیچیده ممکن کرد. از جمله اولین کلاس‌های مدل‌های هوش مصنوعی برای دستیابی به این شاهکار متقاطع، رمزگذارهای خودکار متغیر یا VAE بودند که در سال 2013 معرفی شدند. VAEها اولین مدل‌های یادگیری عمیق بودند که به طور گسترده برای تولید تصاویر و گفتار واقعی مورد استفاده قرار گرفتند.

نمونه های اولیه از مدل ها، از جمله GPT-3، BERT، یا DALL-E 2، نشان داده اند که چه چیزی ممکن است. در آینده، مدل‌ها بر روی مجموعه گسترده‌ای از داده‌های بدون برچسب آموزش داده می‌شوند که می‌توانند برای کارهای مختلف با حداقل تنظیم دقیق مورد استفاده قرار گیرند. سیستم‌هایی که وظایف خاصی را در یک دامنه انجام می‌دهند، جای خود را به سیستم‌های هوش مصنوعی گسترده‌ای می‌دهند که به طور کلی‌تر یاد می‌گیرند و در دامنه‌ها و مشکلات کار می‌کنند. مدل‌های بنیادی که بر روی مجموعه داده‌های بزرگ و بدون برچسب آموزش دیده‌اند و برای مجموعه‌ای از برنامه‌ها به‌خوبی تنظیم شده‌اند، این تغییر را هدایت می‌کنند.

در مورد آینده هوش مصنوعی، زمانی که صحبت از هوش مصنوعی مولد به میان می آید، پیش بینی می شود که مدل های پایه به طور چشمگیری پذیرش هوش مصنوعی را در سازمان ها تسریع کنند. کاهش الزامات برچسب‌گذاری، کار را برای کسب‌وکارها آسان‌تر می‌کند و اتوماسیون بسیار دقیق و کارآمد مبتنی بر هوش مصنوعی که آنها را فعال می‌کنند به این معنی است که شرکت‌های بسیار بیشتری قادر خواهند بود هوش مصنوعی را در محدوده وسیع‌تری از موقعیت‌های حیاتی ماموریت به کار گیرند. برای آی‌بی‌ام، امید این است که قدرت محاسباتی مدل‌های پایه را در نهایت بتوان در یک محیط ابری-هیبریدی بدون اصطکاک به هر سازمانی رساند.

کاربردهای هوش مصنوعی

امروزه برنامه های کاربردی متعددی در دنیای واقعی برای سیستم های هوش مصنوعی وجود دارد. در زیر برخی از رایج ترین موارد استفاده آورده شده است:

. تشخیص گفتار
همچنین به عنوان تشخیص خودکار گفتار (ASR)، تشخیص گفتار کامپیوتری، یا گفتار به متن شناخته می شود، تشخیص گفتار از NLP برای پردازش گفتار انسان در قالب نوشتاری استفاده می کند. بسیاری از دستگاه‌های تلفن همراه برای انجام جستجوی صوتی (مثلاً Siri) از تشخیص گفتار در سیستم‌های خود استفاده می‌کنند یا دسترسی بیشتری را در مورد ارسال پیامک به زبان انگلیسی یا بسیاری از زبان‌های پرکاربرد فراهم می‌کنند.

. خدمات مشتری
عوامل مجازی آنلاین و چت بات ها جایگزین عوامل انسانی در طول سفر مشتری می شوند. آنها به سؤالات متداول (پرسش های متداول) در مورد موضوعاتی مانند حمل و نقل پاسخ می دهند، یا مشاوره شخصی، فروش متقابل محصولات یا پیشنهاد اندازه به کاربران ارائه می دهند، و طرز فکر ما را در مورد تعامل با مشتری در وب سایت ها و پلتفرم های رسانه های اجتماعی تغییر می دهند. به عنوان مثال می‌توان به ربات‌های پیام‌رسان در سایت‌های تجارت الکترونیک با عوامل مجازی، برنامه‌های پیام‌رسانی مانند Slack و Facebook Messenger و کارهایی که معمولاً توسط دستیاران مجازی و دستیارهای صوتی انجام می‌شود، اشاره کرد.

. بینایی کامپیوتر
این فناوری هوش مصنوعی رایانه‌ها و سیستم‌ها را قادر می‌سازد تا اطلاعات معنی‌داری را از تصاویر دیجیتال، ویدیوها و سایر ورودی‌های بصری استخراج کنند و بر اساس آن ورودی‌ها، می‌تواند اقدام کند. این توانایی در ارائه توصیه ها آن را از وظایف تشخیص تصویر متمایز می کند. بینایی کامپیوتر با استفاده از شبکه های عصبی کانولوشنال دارای کاربردهایی در برچسب گذاری عکس در رسانه های اجتماعی، تصویربرداری رادیولوژی در مراقبت های بهداشتی و خودروهای خودران در صنعت خودروسازی است.

. زنجیره تامین
روباتیک تطبیقی ​​بر روی اطلاعات دستگاه اینترنت اشیا (IoT) و داده های ساختاریافته و بدون ساختار برای تصمیم گیری مستقل عمل می کند. ابزار NLP می تواند گفتار انسان را درک کند و به آنچه به آنها گفته می شود واکنش نشان دهد. تجزیه و تحلیل پیش بینی برای پاسخگویی به تقاضا، موجودی و بهینه سازی شبکه، تعمیر و نگهداری پیشگیرانه و تولید دیجیتال اعمال می شود. الگوریتم‌های جستجو و تشخیص الگو – که دیگر فقط پیش‌بینی نیستند، بلکه سلسله مراتبی هستند – داده‌های بلادرنگ را تجزیه و تحلیل می‌کنند و به زنجیره‌های تامین کمک می‌کنند تا به هوش افزوده و تولید شده توسط ماشین واکنش نشان دهند و در عین حال دید و شفافیت فوری را فراهم می‌کنند.

. پیش بینی آب و هوا
مدل های آب و هوایی که پخش کنندگان برای انجام پیش بینی های دقیق به آن تکیه می کنند شامل الگوریتم های پیچیده ای است که روی ابررایانه ها اجرا می شوند. تکنیک‌های یادگیری ماشینی این مدل‌ها را با کاربردی‌تر و دقیق‌تر کردن آن‌ها تقویت می‌کنند.

. تشخیص ناهنجاری
مدل‌های هوش مصنوعی می‌توانند مقادیر زیادی از داده‌ها را بررسی کنند و نقاط داده غیرمعمول را در یک مجموعه داده کشف کنند. این ناهنجاری ها می توانند آگاهی را در مورد تجهیزات معیوب، خطای انسانی یا نقض امنیت افزایش دهند.

استراتژی هوش مصنوعی – آکادمی دکتر ابراهیم پور

هوش مصنوعی چگونه کار می کند؟

سیستم های هوش مصنوعی با استفاده از الگوریتم ها و داده ها کار می کنند. ابتدا، حجم عظیمی از داده ها جمع آوری شده و برای مدل های ریاضی یا الگوریتم ها اعمال می شود، که از اطلاعات برای شناسایی الگوها و پیش بینی در فرآیندی به نام آموزش استفاده می کنند. هنگامی که الگوریتم ها آموزش داده شدند، در برنامه های مختلف مستقر می شوند، جایی که به طور مداوم از داده های جدید یاد می گیرند و با آنها سازگار می شوند. این به سیستم‌های هوش مصنوعی اجازه می‌دهد تا وظایف پیچیده‌ای مانند تشخیص تصویر، پردازش زبان و تجزیه و تحلیل داده‌ها را با دقت و کارایی بیشتر در طول زمان انجام دهند.

فراگیری ماشین
رویکرد اولیه برای ساخت سیستم‌های هوش مصنوعی از طریق یادگیری ماشینی (ML) است، جایی که رایانه‌ها از مجموعه داده‌های بزرگ با شناسایی الگوها و روابط درون داده‌ها یاد می‌گیرند. یک الگوریتم یادگیری ماشینی از تکنیک های آماری استفاده می کند تا به آن کمک کند تا «بیاموزد» که چگونه به تدریج در یک کار بهتر شود، بدون اینکه لزوماً برای آن کار خاص برنامه ریزی شده باشد. از داده های تاریخی به عنوان ورودی برای پیش بینی مقادیر خروجی جدید استفاده می کند. یادگیری ماشینی هم از یادگیری نظارت شده (جایی که خروجی مورد انتظار برای ورودی به لطف مجموعه داده های برچسب دار مشخص است) و هم از یادگیری بدون نظارت (که در آن خروجی های مورد انتظار به دلیل استفاده از مجموعه داده های بدون برچسب ناشناخته هستند) تشکیل شده است.

شبکه های عصبی
یادگیری ماشینی معمولاً با استفاده از شبکه‌های عصبی انجام می‌شود، مجموعه‌ای از الگوریتم‌ها که داده‌ها را با تقلید از ساختار مغز انسان پردازش می‌کنند. این شبکه‌ها از لایه‌هایی از گره‌های به هم پیوسته یا «نورون‌ها» تشکیل شده‌اند که اطلاعات را پردازش کرده و بین یکدیگر ارسال می‌کنند. با تنظیم قدرت اتصالات بین این نورون‌ها، شبکه می‌تواند الگوهای پیچیده درون داده‌ها را تشخیص دهد، بر اساس ورودی‌های جدید پیش‌بینی کند و حتی از اشتباهات درس بگیرد. این باعث می شود شبکه های عصبی برای تشخیص تصاویر، درک گفتار انسان و ترجمه کلمات بین زبان ها مفید باشند.

یادگیری عمیق
یادگیری عمیق زیرمجموعه مهمی از یادگیری ماشینی است. از نوعی شبکه عصبی مصنوعی به نام شبکه‌های عصبی عمیق استفاده می‌کند که حاوی تعدادی لایه پنهان است که داده‌ها از طریق آن‌ها پردازش می‌شوند و به ماشین اجازه می‌دهد تا در یادگیری خود «عمق» پیش برود و الگوهای پیچیده‌تر را تشخیص دهد، اتصالات و ورودی‌های وزنی ایجاد کند. بهترین نتایج یادگیری عمیق به ویژه در کارهایی مانند تشخیص تصویر و گفتار و پردازش زبان طبیعی موثر است و آن را به یک جزء حیاتی در توسعه و پیشرفت سیستم‌های هوش مصنوعی تبدیل می‌کند.

پردازش زبان طبیعی
پردازش زبان طبیعی (NLP) شامل آموزش کامپیوترها برای درک و تولید زبان نوشتاری و گفتاری به روشی مشابه انسان است. NLP علوم کامپیوتر، زبان‌شناسی، یادگیری ماشین و مفاهیم یادگیری عمیق را با هم ترکیب می‌کند تا به رایانه‌ها کمک کند تا متن یا داده‌های صوتی بدون ساختار را تجزیه و تحلیل کنند و اطلاعات مرتبط را از آن استخراج کنند. NLP عمدتاً با تشخیص گفتار و تولید زبان طبیعی مقابله می کند و برای موارد استفاده مانند تشخیص هرزنامه و دستیارهای مجازی استفاده می شود.

کامپیوتر ویژن
بینایی کامپیوتری یکی دیگر از کاربردهای رایج تکنیک‌های یادگیری ماشین است که در آن ماشین‌ها تصاویر خام، ویدئوها و رسانه‌های بصری را پردازش می‌کنند و بینش مفیدی را از آنها استخراج می‌کنند. شبکه‌های عصبی کانولوشن و یادگیری عمیق برای تجزیه تصاویر به پیکسل و برچسب‌گذاری بر اساس آن‌ها استفاده می‌شوند که به رایانه‌ها کمک می‌کند تفاوت بین اشکال و الگوهای بصری را تشخیص دهند. بینایی کامپیوتری برای تشخیص تصویر، طبقه‌بندی تصویر و تشخیص اشیا استفاده می‌شود و وظایفی مانند تشخیص چهره و تشخیص را در ماشین‌های خودران و روبات‌ها تکمیل می‌کند.

انواع هوش مصنوعی – آکادمی دکتر ابراهیم پور

تاریخچه هوش مصنوعی: تاریخ ها و نام های کلیدی

ایده “ماشینی که فکر می کند” به یونان باستان برمی گردد. اما از زمان ظهور محاسبات الکترونیکی (و نسبت به برخی از موضوعات مورد بحث در این مقاله) رویدادها و نقاط عطف مهم در تکامل هوش مصنوعی شامل موارد زیر است:

1950: آلن تورینگ ماشین های محاسباتی و هوش را منتشر کرد. در این مقاله، تورینگ – معروف به شکستن کد ENIGMA آلمان در طول جنگ جهانی دوم و اغلب به عنوان “پدر علوم کامپیوتر” شناخته می شود – این سوال را مطرح می کند: “آیا ماشین ها می توانند فکر کنند؟” از آنجا، او آزمایشی را ارائه می دهد که اکنون به نام “آزمون تورینگ” معروف است، که در آن یک بازجوی انسانی سعی می کند بین پاسخ متنی کامپیوتری و انسانی تمایز قائل شود. در حالی که این آزمون از زمان انتشار خود مورد بررسی دقیق قرار گرفته است، اما بخش مهمی از تاریخ هوش مصنوعی و همچنین یک مفهوم مداوم در فلسفه است زیرا از ایده‌های پیرامون زبان‌شناسی استفاده می‌کند.

1956: جان مک کارتی اصطلاح “هوش مصنوعی” را در اولین کنفرانس هوش مصنوعی در کالج دارتموث ابداع کرد. در اواخر همان سال، آلن نیوول، جی سی شاو و هربرت سایمون، نظریه منطقی را ایجاد کردند، اولین برنامه نرم افزاری هوش مصنوعی در حال اجرا.

1967: فرانک روزنبلات Mark 1 Perceptron را ساخت، اولین رایانه مبتنی بر یک شبکه عصبی که با آزمون و خطا “یاد گرفت”. فقط یک سال بعد، ماروین مینسکی و سیمور پیپرت کتابی با عنوان پرسپترون‌ها منتشر کردند که هم به کار برجسته در مورد شبکه‌های عصبی تبدیل شد و هم حداقل برای مدتی استدلالی علیه پروژه‌های تحقیقاتی شبکه‌های عصبی آینده.

دهه 1980: شبکه‌های عصبی که از یک الگوریتم پس انتشار برای آموزش خود استفاده می‌کنند، به طور گسترده در کاربردهای هوش مصنوعی مورد استفاده قرار گرفتند.

1995: استوارت راسل و پیتر نورویگ کتاب هوش مصنوعی: رویکردی مدرن را منتشر کردند، که به یکی از کتاب‌های درسی پیشرو در مطالعه هوش مصنوعی تبدیل شد. در آن، آنها به چهار هدف یا تعریف بالقوه هوش مصنوعی می پردازند، که سیستم های کامپیوتری را بر اساس عقلانیت و تفکر در مقابل عمل متمایز می کند.

1997: دیپ بلو از IBM در یک مسابقه شطرنج (و مسابقه مجدد) قهرمان شطرنج جهان، گری کاسپاروف را شکست داد.

2004: جان مک کارتی مقاله ای با عنوان هوش مصنوعی چیست؟، و تعریفی را که اغلب از هوش مصنوعی استناد می شود، پیشنهاد می کند.
2011: IBM Watson قهرمانان Ken Jennings و Brad Rutter را در Jeopardy شکست داد!
2015: ابرکامپیوتر Minwa Baidu از نوع خاصی از شبکه عصبی عمیق به نام شبکه عصبی کانولوشن برای شناسایی و دسته‌بندی تصاویر با دقت بالاتری نسبت به انسان معمولی استفاده می‌کند.

2016: برنامه AlphaGo DeepMind که توسط یک شبکه عصبی عمیق پشتیبانی می شود، لی سودول، بازیکن قهرمان جهان Go را در یک مسابقه پنج بازی شکست داد. این پیروزی با توجه به تعداد زیادی حرکات ممکن در طول بازی (بیش از 14.5 تریلیون تنها پس از چهار حرکت!) قابل توجه است. بعداً، گوگل DeepMind را به مبلغ 400 میلیون دلار خریداری کرد.

2023: افزایش مدل‌های زبان بزرگ یا LLM‌ها، مانند ChatGPT، ایجاد یک تغییر عظیم در عملکرد هوش مصنوعی و پتانسیل آن برای افزایش ارزش سازمانی. با این شیوه‌های جدید هوش مصنوعی مولد، مدل‌های یادگیری عمیق را می‌توان بر روی مقادیر وسیعی از داده‌های خام و بدون برچسب از قبل آموزش داد.

تاریخچه هوش مصنوعی – آکادمی دکتر ابراهیم پور

نمونه های هوش مصنوعی

نمونه های خاص هوش مصنوعی عبارتند از:

ابزارهای مولد هوش مصنوعی
ابزارهای مولد هوش مصنوعی، که گاهی اوقات به عنوان چت ربات هوش مصنوعی شناخته می‌شوند – از جمله ChatGPT، Gemini، Claude و Grok – از هوش مصنوعی برای تولید محتوای نوشتاری در قالب‌های مختلف، از مقاله گرفته تا کد و پاسخ به سوالات ساده استفاده می‌کنند.

دستیاران هوشمند
دستیاران هوش مصنوعی شخصی، مانند الکسا و سیری، از پردازش زبان طبیعی برای دریافت دستورالعمل‌های کاربران برای انجام انواع «کارهای هوشمند» استفاده می‌کنند. آنها می توانند دستوراتی مانند تنظیم یادآورها، جستجوی اطلاعات آنلاین یا خاموش کردن چراغ های آشپزخانه شما را انجام دهند.

ماشین های خودران
اتومبیل های خودران نمونه قابل تشخیصی از یادگیری عمیق هستند، زیرا از شبکه های عصبی عمیق برای شناسایی اشیاء اطراف خود، تعیین فاصله آنها از سایر اتومبیل ها، شناسایی علائم راهنمایی و رانندگی و موارد دیگر استفاده می کنند.

پوشیدنی ها
بسیاری از سنسورها و دستگاه‌های پوشیدنی مورد استفاده در صنعت مراقبت‌های بهداشتی از یادگیری عمیق برای ارزیابی وضعیت سلامت بیماران، از جمله سطح قند خون، فشار خون و ضربان قلب آنها استفاده می‌کنند. آنها همچنین می‌توانند الگوهایی را از داده‌های پزشکی قبلی بیمار استخراج کنند و از آن برای پیش‌بینی هر گونه شرایط سلامتی آینده استفاده کنند.

فیلترهای بصری
فیلترهای مورد استفاده در پلتفرم‌های رسانه‌های اجتماعی مانند TikTok و Snapchat به الگوریتم‌هایی برای تمایز بین سوژه تصویر و پس‌زمینه، ردیابی حرکات صورت و تنظیم تصویر روی صفحه بر اساس کاری که کاربر انجام می‌دهد متکی هستند.