کهکشان هوش مصنوعی و کشف سیاره زمین در آن

 

یادداشت دوم  از طرح مبحث ارتباط مدیریت و هوش مصنوعی

نویسندگان: دکتر سهیلا داروئیان/ دکتر محمدرضا میرباقری     AI Reasarchers in management

 

هوش مصنوعی برتر  (ASI)یكی از انواع هوش مصنوعی است که فراتر از هوش انسانی به حساب می آید و می تواند هر کاری را بهتر از انسان انجام دهد. چشم انداز ابر هوش مصنوعی نه صرفا شبیه سازی و درک احساسات انسانی است، بلكه شامل قابلیت برانگیختن عواطف، نیازها، باورها و آرزوهای انسانی نیز می شود. در حال حاضر، دستیابی به این هدف در حد یک فرضیه است. هرچند که ابر هوش مصنوعی هنوز در مرحله نظری باقی مانده، تحقیقات اخیر بر روی یادگیری عمیق و شبکه‌های عصبی مصنوعی نویدبخش پیشرفت‌هایی در این حوزه هستند. برخی ویژگیهای برجسته ابر هوش مصنوعی شامل فكر کردن، حل معما، قضاوت کردن و تصمیم گرفتن به صورت مستقل است.

 

به طور کلی انواع هوش مصنوعی از لحاظ قابلیت به سه دسته تقسیم می شود:

1. هوش مصنوعی محدود (Weak AI): متمرکز بر وظایف خاص و عدم توانایی در انجام وظایف خارج از محدوده تعیین‌شده.
2. هوش مصنوعی عمومی (AGI): توانایی درک و یادگیری هر نوع وظیفه‌ای که انسان می‌تواند انجام دهد. هنوز این نوع هوش به‌طور کامل تحقق نیافته است.
3. ابر هوش مصنوعی (ASI): فراتر از هوش انسانی و توانایی در انجام تمامی وظایف با دقت و سرعت بالاتر.

 

و هوش مصنوعی از لحاظ کارکرد به چهار دسته تقسیم می شود:

1. ماشین‌های واکنشی: انجام کارها بر اساس ورودی‌های فوری بدون یادگیری.
2. نظریه محدود شده: توانایی درک وضعیت‌ها و پیش‌بینی نتایج.
3. نظریه ذهن: درک احساسات و نیت‌های انسانی.
4. خودآگاهی: آگاهی از خود و توانایی درک موقعیت‌های پیچیده.

 

هوش مصنوعی محدود

هوش مصنوعی محدود که نام دیگرش هوش مصنوعی ضعیف است صرفا بر یک کارکرد خاص متمرکز است و نمی تواند فراتر از آن فعالیت کند.هوش مصنوعی محدود بر زیرمجموعه ای واحد از کارکردهای شناختی تمرکز دارد.کاربردهای این نوع هوش مصنوعی در زندگی ما و با توسعه هر چه بیشتر یادگیری ماشین و یادگیری عمیق,بیش ازپیش فراگیر شده است.

برخی نمونه های دیگر از هوش مصنوعی محدود شامل مترجم گوگل، برنامه های بازشناسی تصویر، سیستمهای توصیه گر ریكامندر، فیلتر اسپم و الگوریتم های گوگل در سئو است.

هوش مصنوعی عمومی

هوش مصنوعی عمومی که به هوش مصنوعی قوی نیز شناخته شده است می تواند هر کارکرد هوشمندانه انسانی را درک کند وآن را یاد بگیرد.دانشمندان حوزه هوش مصنوعی تا به حال موفق نشده اند در خصوص هوش مصنوعی عمومی دستاوردی کسب نمایند. فوجیستو یکی از سریع ترین ابر کامپیوترهای جهان به نام “کا” را ساخته است. این پروژه یکی از مهم ترین فعالیتها در راستای دستیابی به هوش مصنوعی قوی است.شبیه سازی یک ثانیه عملکرد اعصاب انسان تقریبا 40 دقیقه پردازش در این ابرکامپیوتر نیاز دارد. بنابراین نمیتوان به سادگی مشخص کرد که دستیابی به هوش مصنوعی قوی به زودی امكان پذیر خواهد بود یا خیر.

 

ابرهوش مصنوعی

هوش مصنوعی برتر یكی از انواع هوش مصنوعی است که فراتر از هوش انسانی به حساب می آید و میتواند هر کاری را بهتر از انسان انجام دهد. چشم انداز ابر هوش مصنوعی نه صرفا شبیه سازی و درک احساسات انسانی است، بلكه شامل قابلیت برانگیختن عواطف، نیازها، باورها و آرزوهای انسانی نیز میشود. در حال حاضر، دستیابی به این هدف در حد یک فرضیه است. برخی ویژگیهای برجسته ابر هوش مصنوعی شامل فكر کردن، حل معما، قضاوت کردن و تصمیم گرفتن به صورت مستقل است.

برنامه نویسی هوش مصنوعی پاسخ این سوال بسیار گسترده است و میتواند موارد مختلفی برای پیاده سازی و انجام یک وظیفه خاص از ایجاد و کد نویسی برنامه هایی برای تشخیص الگو در یادگیری ماشین گرفته تا توسعه سیستمهای خبره را شامل شود. معمولا برنامه نویسی هوش مصنوعی بر اساس مسئله تعریف شده، انجام میشود و نمود پیدا میکند. به عبارتی دیگر زمانی که یک پروژه تعریف میشود، بر اساس نیاز و هدفهای پروژه، برنامه نویسی هوش مصنوعی آن انجام خواهد شد. برنامه نویسی هوش مصنوعی پس از پژوهش و یافتن مسیر صحیح ساخت پروژه انجام میشود و میتوان آن را به سه بخش کلی زیر تقسیم کرد.

الف-آماده سازی و پیش پردازش داده ها

ب-طراحی الگو، مدل و هسته اصلی پروژه

ج-آزمایش و ایجاد نتایج نهایی پروژه

هر کدام از بخشهای فوق میتوانند با یک زبان برنامه نویسی متفاوتی ایجاد شوند.

انواع هوش مصنوعی

شبکه های عصبی مصنوعی

 

شبکه‌های عصبی مصنوعی (ANN) با الهام از ساختار مغز انسان طراحی شده‌اند. این شبکه‌ها قادر به یادگیری از طریق تجربه‌اند و با تحلیل داده‌ها، الگوها را شناسایی می‌کنند. استفاده از این شبکه‌ها در حوزه‌های مختلف از جمله پزشکی، مدیریت و مالی، کارایی قابل توجهی داشته است. در سال‌های اخیر، ظهور شبکه‌های عصبی عمیق (Deep Neural Networks) و مدل‌های پیشرفته‌تر نظیر ترنسفورمرها و GANs (Generative Adversarial Networks) به پیشرفت‌های چشم‌گیری در پردازش زبان طبیعی، شناسایی تصویر و تولید محتوا منجر شده است.

 

 

با الهام از شبکه نورونهای مغز انسان ,سعی در توسعه پردازش اطلاعات دارد.در واقع به جای دیکته کردن کاری که باید انجام شود خود کامپیوتر را برای دادن واکنش مناسب به اتفاقات آموزش می دهد.

فرآیند یادگیری این شبکه عصبی درست مثل مغز انسان است. ما از زمان تولد، با دیدن مثال‌های مختلف از مسائلی که باید حل کنیم (حرکت، خوردن و نوشیدن، ارتباط برقرار کردن و…) به‌تدریج آموزش می‌بینیم. در نهایت به‌جایی می‌رسیم که در هر موقعیت متناسب با شرایط واکنش مناسبی را ارائه می‌دهیم. شبکه عصبی مصنوعی هم دقیقا به همین شکل از ابتدای شکل‌گیری شروع به یادگیری می‌کند تا در نهایت بتواند واکنش درخوری را به یک موقعیت خاص بدهد.

ساختار شبکه عصبی مصنوعی برای کپی کردن روش پردازش داده‌ها در انسان طراحی شده است. در این ساختار گره‌های پرشماری در کنار یکدیگر به‌صورت موازی با هدف پردازش کلی فعالیت می‌کنند. این گره‌ها هر کدام یک ساختار داده هستند. این ساختار داده‌ها در یک شبکه ارتباطی با یکدیگر قرار گرفته و این شبکه توسط انسان مورد آموزش و یادگیری قرار می‌گیرد. گره‌های این شبکه دو حالت ۰ یا ۱ دارند و هر یال یک وزن مخصوص به خود را دارد. این وزن یا مثبت است (با رسیدن به یک گره آن را فعال می‌کند) و یا منفی است (با رسیدن به یک گره آن را غیرفعال می‌کند).

شبکه‌های عصبی را می‌توان با اغماض زیاد، مدل‌های الکترونیکی از ساختار عصبی مغز انسان نامید. مکانیسم فراگیری و آموزش مغز اساساً بر تجربه استوار است. مدل‌های الکترونیکی شبکه‌های عصبی طبیعی نیز بر اساس همین الگو بنا شده‌اند و روش برخورد چنین مدل‌هایی با مسائل، با روش‌های محاسباتی که به‌طور معمول توسط سیستم‌های کامپیوتری در پیش گرفته شده‌اند، تفاوت دارد. می‌دانیم که حتی ساده‌ترین مغز‌های جانوری هم قادر به حل مسائلی هستند که اگر نگوییم که کامپیوترهای امروزی از حل آنها عاجز هستند، حداقل در حل آنها دچار مشکل می‌شوند. به عنوان مثال، مسائل مختلف شناسایی الگو، نمونه‌ای از مواردی هستند که روش‌های معمول محاسباتی برای حل آنها به نتیجه مطلوب نمی‌رسند. درحالی‌که مغز ساده‌ترین جانوران به‌راحتی از عهده چنین مسائلی بر می‌آید.

 

استفاده از شبکه عصبی مصنوعی در دنیای مدیریت

 

حفظ یک مشتری برای شرکت تنها از طریق توجه ویژه به او و نیازهایش ممکن خواهد بود. با شبکه عصبی مصنوعی یادگیرنده می‌توان فهمید چه نظمی در خریدهای مشتری وجود دارد. مثلا فردی که هر دو ماه برای خرید کارتریج اقدام می‌کند. فهمیدن عادات خرید و نمایش تبلیغات برند در زمان‌های مناسب، شانس خرید دوباره مشتری را بالاتر خواهد برد.

موفقیت در ارتباط با مشتری پس از خرید، کلید موفقیت در دنیای امروزی کسب‌وکارها است. از طریق شناخت عادات خرید مشتریان مختلف، می‌توانیم کمپین‌های هدف‌دار طراحی کنیم. مثلا دسته‌ای از مشتریان شرکت نیاز زیادی به کارتریج پیدا می‌کنند، ما با فهمیدن این مسئله از طریق هوش مصنوعی، یک کمپین تخفیف ویژه برای آن‌ها طراحی کرده و در قالب ایمیل یا دیگر بخش‌های مسیر آن‌ها در اینترنت (که این را هم هوش مصنوعی مشخص می‌کند) در معرض دیدشان قرار می‌دهیم.

هوش مصنوعی تحول عظیمی را در نرم‌افزارهای مربوط به بورس یا دیگر بازارهای مالی ایجاد کرده است. با شبکه‌عصبی مصنوعی می‌توان کارهایی مثل تحلیل روندهای بازار و گرفتن بعضی تصمیمات لحظه‌ای با توجه به شرایط بازار را انجام داد. هرچقدر اطلاعات بیشتری به‌عنوان ورودی به شبکه بدهیم، پیش‌بینی دقیق‌تری دریافت خواهیم کرد.

سیستم خبره در هوش مصنوعی

این نوع سیستم‌ها در حل مسائلی کاربرد دارند که به دانش تخصصی و استنتاج منطقی بر اساس داده‌ها و تجربه‌های پیشین نیازمند هستند. سیستم خبره، برنامه‌‌ای کامپیوتری است که به منظور حل مسائل پیچیده و گرفتن تصمیمات مختلف طراحی می‌شود. سیستم های خبره در راستای حل چالش‌ها، اطلاعاتی را از داده‌های موجود استخراج می‌‌کنند و با استدلال و استنتاج و بر اساس «پُرسمان» (کوئری) کاربر، به نتیجه‌گیری می‌پردازند.

سیستم های خبره بخشی از حوزه هوش مصنوعی هستند. نخستین پژوهش‌ این حوزه در سال ۱۹۷۰ انجام شد و هدف آن طراحی سیستمی بود که بتواند بر پایه اطلاعات حقیقی و احتمالات، همانند انسان خبره به حل مسائل در حوزه‌ای خاص بپردازد.

سیستم های خبره دارای ویژگی هایی هستند که در ادامه به آنها اشاره شده است :

1-کارآیی بالا-سیستم های خبره را میتوان برای حل مسائل مختلف به کاربرد و از نتیجه گیری و استدلال منطقی آن برای تصمیم گیری های مهم استفاده کرد.

2-ارائه نتایج قابل فهم -سیستم خبره می تواند با زبان انسان با کاربر ارتباط برقرار کند و خروجی را نیزبه زبان قابل درک انسان ارائه دهد.

3-ارائه نتایج معتبر-از آنجا که سیستم های خبره بر اساس واقعیت ها ,تجربیات و استدلال های منطقی گذشته به تحلیل نتایج می پردازد ,نتایج و خروجی هایی را ارائه می دهد که تا حد زیادی دقیق و کارآمد هستند.

4-ارائه پاسخ در زمان کوتاه-سیستم های خبره می توانند در کوتاه ترین زمان ممکن به حل پیچیده ترین مسائل بپردازند.

در سیستم خبره، قابلیت های تصمیم گیری یک متخصص انسانی توسط یک سیستم کامپیوتری تقلید می شود. سیستم های خبره بخشی از هوش مصنوعی هستند. اینها برنامه های کامپیوتری هستند که با داده های ناقص و نامطمئن سروکار دارند. سیستم های خبره نشان دهنده دانش خاص حوزه هستند. سیستم های خبره می توانند مشکلات را برای استخراج اطلاعات جدید در نظر بگیرند. آنها می توانند با استفاده از فرآیندهایی مانند تکامل طبیعی، دانش را از عمل به دست آورند و پیش بینی کنند. سیستم های خبره اجازه می دهند برخی از نتایج احتمالی با درجه های مختلف اطمینان انتخاب شوند.

خروجی یک سیستم خبره ممکن است آموزنده، یک درس یا یک حکم ریسک باشد. یک سیستم خبره از دو بخش تشکیل شده است. قطعات پایگاه دانش و موتور استنتاج هستند. حقایق و قوانین توسط پایگاه دانش نشان داده می شود. این نقش موتور استنتاج برای اعمال قوانین بر روی واقعیت ها است و قابلیت توضیح و اشکال زدایی دارد. در یک سیستم خبره، برای آموزش یک فرد، دانش همیشه توسط متخصص حوزه یا مهندس دانش ارائه می شود. مهندس دانش اطلاعات را در پایگاه دانش رمزگذاری می کند. پایگاه دانش داشتن دانش است