هوش مصنوعی

هوش مصنوعی چیست؟

در حالی که تعدادی از تعاریف هوش مصنوعی (AI) در چند دهه اخیر ظاهر شده است، "این علم و مهندسی است. ساخت ماشین‌های هوشمند، به‌ویژه برنامه‌های رایانه‌ای هوشمند. این به کار مشابه استفاده از رایانه برای درک هوش انسان مربوط می‌شود، اما هوش مصنوعی مجبور نیست خود را به روش‌هایی محدود کند که از نظر بیولوژیکی قابل مشاهده هستند.»

با این حال، چندین دهه قبل از این تعریف، تولد مکالمه هوش مصنوعی با کار اصلی "ماشین‌های محاسباتی و هوش" ، که در سال 1950 منتشر شد، نشان داده شد. تورینگ که اغلب به عنوان پدر علم کامپیوتر از آن یاد می شود، سوال زیر 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 همچنان بخش مهمی از تاریخ هوش مصنوعی و همچنین یک مفهوم مداوم در فلسفه است زیرا از ایده‌های پیرامون زبان‌شناسی استفاده می‌کند.

استوارت راسل و پیتر نورویگ سپس اقدام به انتشار «هوش مصنوعی: رویکردی مدرن» کردند و تبدیل به یکی از کتاب‌های درسی پیشرو در مطالعه هوش مصنوعی 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:

رویکرد انسانی:

     سیستم هایی که مانند انسان فکر می کنند

     سیستم هایی که مانند انسان عمل می کنند

رویکرد ایده آل:

     سیستم هایی که منطقی فکر می کنند

     سیستم هایی که منطقی عمل می کنند

تعریف آلن تورینگ در دسته «سیستم هایی که مانند انسان عمل می کنند» قرار می گیرد.

در ساده‌ترین شکل، هوش مصنوعی حوزه‌ای است که علم کامپیوتر و مجموعه داده‌های قوی را ترکیب می‌کند تا امکان حل مسئله را فراهم کند. همچنین حوزه‌های فرعی یادگیری ماشین و یادگیری عمیق را در بر می‌گیرد که اغلب در ارتباط با هوش مصنوعی ذکر می‌شوند. این رشته ها متشکل از الگوریتم های هوش مصنوعی هستند که به دنبال ایجاد سیستم های خبره ای هستند که بر اساس داده های ورودی پیش بینی یا طبقه بندی می کنند.

در طول سال‌ها، هوش مصنوعی چرخه‌های زیادی از هیاهو را پشت سر گذاشته است، اما حتی به

به نظر می رسد که انتشار ChatGPT OpenAI نقطه عطفی است. 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 است. و این فقط زبان نیست: مدل‌های مولد همچنین می‌توانند دستور زبان کد نرم‌افزار، مولکول‌ها، تصاویر طبیعی و انواع مختلف داده‌های دیگر را بیاموزند.

برنامه های کاربردی این فناوری هر روز در حال افزایش است و ما تازه شروع به آن کرده ایم

احتمالات را بررسی کنید اما همانطور که هیاهوی استفاده از هوش مصنوعی در تجارت بالا می رود،

گفتگوهای پیرامون اخلاق بسیار مهم می شود. برای مطالعه بیشتر در مورد جایگاه IBM در گفتگو پیرامون اخلاق هوش مصنوعی، با ما همراه باشید.

انواع هوش مصنوعی – هوش مصنوعی ضعیف در مقابل هوش مصنوعی قوی

هوش مصنوعی ضعیف – که به آن هوش مصنوعی باریک یا هوش مصنوعی ضعیف (ANI) نیز می‌گویند – هوش مصنوعی آموزش دیده و متمرکز برای انجام وظایف خاص است. هوش مصنوعی ضعیف بیشتر هوش مصنوعی را که امروز ما را احاطه کرده است هدایت می کند. «Narrow» ممکن است توصیف دقیق‌تری برای این نوع هوش مصنوعی باشد، زیرا چیزی جز ضعیف است. برخی از برنامه های بسیار قوی مانند سیری اپل، الکسای آمازون، آی بی ام واتسون و وسایل نقلیه خودران را فعال می کند.

هوش مصنوعی قوی از هوش عمومی مصنوعی (AGI) و ابر هوش مصنوعی (ASI) تشکیل شده است. هوش عمومی مصنوعی (AGI)، یا هوش مصنوعی عمومی، شکلی نظری از هوش مصنوعی است که در آن یک ماشین دارای هوشی برابر با انسان است. این یک آگاهی خودآگاه است که توانایی حل مشکلات، یادگیری و برنامه ریزی برای آینده را دارد. ابر هوش مصنوعی (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 هیچ نمونه عملی امروزی مورد استفاده قرار نمی گیرد، 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 سرکش و مافوق بشر در سال 2001: یک ادیسه فضایی.

یادگیری عمیق در مقابل یادگیری ماشینی

از آنجایی که یادگیری عمیق و یادگیری ماشین به جای یکدیگر مورد استفاده قرار می گیرند، ارزش توجه به تفاوت های ظریف بین این دو را دارد. همانطور که در بالا ذکر شد، یادگیری عمیق و یادگیری ماشین هر دو زیر شاخه های هوش مصنوعی هستند و یادگیری عمیق در واقع زیر شاخه یادگیری ماشین است.

یادگیری عمیق در واقع از شبکه های عصبی تشکیل شده است. "عمیق" در یادگیری عمیق به یک شبکه عصبی متشکل از بیش از سه لایه - که شامل ورودی ها و خروجی ها می شود - اشاره دارد که می تواند یک الگوریتم یادگیری عمیق در نظر گرفته شود.

تفاوت یادگیری عمیق و یادگیری ماشین در نحوه یادگیری هر الگوریتم است. یادگیری عمیق بسیاری از بخش استخراج ویژگی فرآیند را خودکار می کند و برخی از مداخلات دستی انسان را حذف می کند و امکان استفاده از مجموعه داده های بزرگتر را فراهم می کند. همانطور که لکس فریدمن در همان سخنرانی MIT از بالا اشاره کرد، می توانید یادگیری عمیق را به عنوان "یادگیری ماشین مقیاس پذیر" در نظر بگیرید. یادگیری ماشین کلاسیک یا "غیر عمیق" بیشتر به مداخله انسان برای یادگیری وابسته است. متخصصان انسانی سلسله مراتب ویژگی‌ها را برای درک تفاوت‌های بین ورودی‌های داده تعیین می‌کنند و معمولاً برای یادگیری به داده‌های ساختاریافته بیشتری نیاز دارند.

یادگیری ماشینی «عمیق» می‌تواند از مجموعه داده‌های برچسب‌گذاری‌شده، که به عنوان یادگیری نظارت‌شده نیز شناخته می‌شود، برای اطلاع‌رسانی الگوریتم خود استفاده کند، اما لزوماً به مجموعه داده برچسب‌گذاری‌شده نیاز ندارد. می‌تواند داده‌های بدون ساختار را به شکل خام (مثلاً متن، تصاویر) وارد کند و می‌تواند به‌طور خودکار سلسله مراتب ویژگی‌هایی را تعیین کند که دسته‌های مختلف داده‌ها را از یکدیگر متمایز می‌کند. برخلاف یادگیری ماشینی، برای پردازش داده ها نیازی به مداخله انسانی نیست و به ما امکان می دهد یادگیری ماشین را به روش های جالب تری مقیاس بندی کنیم.

ظهور مدل های مولد

هوش مصنوعی مولد به مدل‌های یادگیری عمیق اطلاق می‌شود که می‌توانند داده‌های خام را بگیرند - مثلاً تمام ویکی‌پدیا یا آثار جمع‌آوری‌شده رامبراند - و «یاد بگیرند» تا در صورت درخواست، خروجی‌های آماری احتمالی تولید کنند. در سطح بالا، مدل‌های مولد یک ساده شده را رمزگذاری می‌کنند

نمایش داده های آموزشی آنها و ترسیم از آنها برای ایجاد یک کار جدید مشابه،

اما با داده های اصلی یکسان نیست.

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. در میان اولین کلاس از مدل‌هایی که به این شاهکار متقاطع دست یافتند، 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.

«VAEها با آسان‌تر کردن مدل‌ها، دروازه‌های مدل‌سازی مولد عمیق را باز کردند

آکاش سریواستاوا، کارشناس هوش مصنوعی مولد در آزمایشگاه هوش مصنوعی MIT-IBM Watson گفت.

بسیاری از آنچه امروز به عنوان هوش مصنوعی مولد به آن فکر می کنیم از اینجا شروع شد.

نمونه‌های اولیه مدل‌ها، مانند GPT-3، BERT، یا DALL-E 2، نشان داده‌اند که چه چیزی ممکن است. آینده مدل هایی است که بر روی مجموعه گسترده ای از داده های بدون برچسب آموزش دیده اند که می توانند 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 هوش مصنوعی گسترده‌ای می‌دهند که به طور کلی‌تر یاد می‌گیرد و در دامنه‌ها و مشکلات کار می‌کند. 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.

زمانی که صحبت از هوش مصنوعی مولد به میان می‌آید، پیش‌بینی می‌شود که مدل‌های پایه به طرز چشمگیری پیشرفت کنند

تسریع پذیرش هوش مصنوعی در سازمان کاهش الزامات برچسب گذاری آن را بسیار افزایش می دهد

برای کسب‌وکارها آسان‌تر غواصی می‌کنند، 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 طیف وسیع‌تری از موقعیت‌های حیاتی مأموریت به کار گیرند. برای آی‌بی‌ام، امید این است که در نهایت بتوان قدرت مدل‌های پایه را در یک محیط ابری-هیبرید بدون اصطکاک به هر سازمانی رساند.

کاربردهای هوش مصنوعی

امروزه کاربردهای واقعی و متعددی از سیستم های هوش مصنوعی وجود دارد. در زیر برخی از رایج ترین موارد استفاده آورده شده است:

     تشخیص گفتار: همچنین با نام‌های تشخیص خودکار گفتار (ASR)، تشخیص گفتار رایانه‌ای یا گفتار به متن نیز شناخته می‌شود و قابلیتی است که از پردازش زبان طبیعی (NLP) برای پردازش گفتار انسان در قالب نوشتاری استفاده می‌کند. بسیاری از دستگاه‌های تلفن همراه برای انجام جستجوی صوتی از تشخیص گفتار در سیستم‌های خود استفاده می‌کنند. سیری—یا دسترسی بیشتری در مورد ارسال پیامک فراهم کنید.

     خدمات مشتری: نمایندگان مجازی آنلاین در طول سفر مشتری جایگزین عوامل انسانی می شوند. آنها به سؤالات متداول (سؤالات 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 رایانه: این فناوری هوش مصنوعی رایانه‌ها و سیستم‌ها را قادر می‌سازد تا اطلاعات معنی‌داری را از تصاویر دیجیتال، ویدیوها و سایر ورودی‌های بصری به دست آورند و بر اساس آن ورودی‌ها، می‌تواند اقدام کند. این توانایی در ارائه توصیه ها آن را از وظایف تشخیص تصویر متمایز می کند. بینایی رایانه با پشتیبانی از شبکه های عصبی کانولوشنال، کاربردهایی در برچسب گذاری عکس در رسانه های اجتماعی، تصویربرداری رادیولوژی در مراقبت های بهداشتی و خودروهای خودران در صنعت خودرو دارد.

     موتورهای توصیه: با استفاده از داده‌های رفتار مصرف گذشته، الگوریتم‌های هوش مصنوعی می‌توانند به کشف روندهای داده‌ای که می‌توانند برای توسعه استراتژی‌های فروش متقابل مؤثرتر مورد استفاده قرار گیرند، کمک کنند. این برای ارائه توصیه‌های افزودنی مرتبط به مشتریان در طول فرآیند پرداخت برای خرده‌فروشان آنلاین استفاده می‌شود.

     معاملات خودکار سهام: پلتفرم‌های معاملاتی با فرکانس بالا مبتنی بر هوش مصنوعی که برای بهینه‌سازی پرتفوی سهام طراحی شده‌اند، هزاران یا حتی میلیون‌ها معامله را در روز بدون دخالت انسان انجام می‌دهند.

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 کتاب ماشین های محاسباتی و هوش را منتشر کرد. در این مقاله، تورینگ - که به دلیل شکستن کد ENIGMA نازی ها در طول جنگ جهانی دوم مشهور است - پیشنهاد می کند به این سوال پاسخ دهد که آیا ماشین ها می توانند فکر کنند؟ و تست تورینگ را برای تعیین اینکه آیا یک کامپیوتر می تواند همان هوش (یا نتایج همان هوش) را به عنوان یک انسان نشان دهد، معرفی می کند. ارزش آزمون تورینگ از آن زمان مورد بحث بوده است.

     1956: جان مک کارتی در اولین کنفرانس هوش مصنوعی در کالج دارتموث، اصطلاح "هوش مصنوعی" را ابداع کرد. (مک کارتی به اختراع زبان Lisp ادامه داد.) 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 کامپیوتر مبتنی بر یک شبکه عصبی که از طریق 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.

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

     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 دسته بندی تصاویر با دقت بالاتری نسبت به انسان معمولی استفاده می کند.

     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 مدل های زبان بزرگ یا LLM ها مانند ChatGPT،

     تغییر عظیم در عملکرد هوش مصنوعی و پتانسیل آن برای افزایش ارزش سازمانی.

     با این شیوه های جدید هوش مصنوعی مولد، می توان مدل های یادگیری عمیق را از قبل آموزش داد

تفاوت هوش مصنوعی و برنامه نویسی

ما در برنامه نویسی ورودی‌های معلوم و مشخص داریم و با استفاده از دستورات شرطی مانند if و else میتوانیم معادلات را حل کنیم و به نتیجه‌ی دلخواه برسیم ولی مسائلی که با هوش مصنوعی حل می‌شوند از تنوع ورودی زیادی بهره مند هستند به همین دلیل نمی‌توان با برنامه نویسی معمولی تمام جنبه‌ها را پوشش داد مثل یک سیستم تبدیل صدا به متن یا تشخیص چهره که داده‌های ورودی آنها بسیار متنوع هستند به همین دلیل مجبور به استفاده از مدل‌های هوش مصنوعی برای انجام این کارها هستیم

شاخه های هوش مصنوعی

هوش مصنوعی یک علم بسیار گسترده و پیچیده است که شاخه‌های متعددی دارد؛ شاخه های هوش مصنوعی عبارتند از:

    سیستم خبره (Experts Systems)

    رباتیک (Robotics)

    یادگیری ماشین (Machine Learning)

    شبکه عصبی (Neural Network)

    منطق فاری (Fuzzy Logic)

    پردازش زبان طبیعی (Natural Language Processing)

دسته بندی سیستم‌های هوش مصنوعی

آرنت هینتز، استادیار زیست شناسی تلفیقی و علوم کامپیوتر دانشگاه ایالتی میشیگان، هوش مصنوعی را به چهار دسته کلی تقسیم بندی می کند. این دسته بندی شامل سیستم هایی که امروزه وجود دارند تا سیستم های احساسی که هنوز وجود ندارند را در بر می‌گیرد. این دسته ها به شرح زیر هستند:

نوع اول: ماشین های انفعالی

نمونه این دسته deep blue است که یک برنامه شطرنج بود که در دهه 1990 توانست گری کاسپاروف، قهرمان شطرنج جهان را شکست دهد. deep blue می توانست مهره های روی هر خانه شطرنج را شناسایی کند و حرکت های پیش رو را پیش بینی کند. مشکل برنامه آن بود که نمی توانست تجربه های قبلی خود را به یاد بسپارد و از آن برای حرکت های آینده اش استفاده کند. این برنامه هربار تمام حرکت های استراتژیک ممکن خود و رقیب را بررسی و آنالیز می کرد و بهترین آن ها را انتخاب می کرد. این نوع از هوش مصنوعی و برنامه های این چنینی برای هدف های محدودی قابل استفاده هستند و نمی توانند به راحتی در موقعیت های دیگری کاربرد داشته باشند.

نوع دوم: حافظه محدود

این سیستم هوش مصنوعی برعکس قبلی می تواند از تجارب گذشته برای تصمیمات آینده اش استفاده کند. برخی از کارکرد های تصمیم گیری در ماشین های خودران از این نوع طراحی هستند. این نوع ماشین ها از مشاهداتشان برای تصمیماتی که در آینده ای نه چندان دور می خواهند بگیرند استفاده می کنند. مثلا اینکه لاینی که در آن در حال رانندگی هستند را عوض کنند. البته این نوع مشاهدات و تجربیات به صورت همیشگی ذخیره نمی شوند.

نوع سوم: تئوری ذهن

این نوع از هوش مصنوعی هنوز وجود ندارد اما اساس این عبارت روانشناختی به تمامی اعتقادات و دانش ها، آرزوها و آمال و نیت هر فرد بر می گردد و تاثیری که هر کدام از آن ها بر تصمیم گیری یک فرد دارد. این هوش مصنوعی قادر به درک و آنالیز این نوع از تصمیم گیری ها می باشد.

نوع چهارم: خود آگاهی

در این دسته سیستم هوش مصنوعی آگاهی از خود و هوشیاری وجود دارد. ماشین های دارای خود آگاهی می توانند بفهمند که در چه سطح و حالتی هستند و می توانند از اطلاعاتی که بدست می آورند احساسات دیگران را نتیجه گیری کنند. البته این نوع از هوش مصنوعی نیز همانند مورد سوم هنوز وجود ندارد.

کاربرد هوش مصنوعی در کسب و کارهای مختلف

از این علم می توان در کسب و کارهای مختلف استفاده کرد و در هر کسب و کاری منفعت های بسیاری را به همراه خواهد داشت. در ادامه به چند نمونه از این کاربرد ها در هر حوزه می پردازیم:

هوش مصنوعی در حوزه سلامت

مهم ترین نکته در این حوزه بهبود نتایج بیماران و در عین حال کاهش هزینه است. شرکت های فعال در حوزه سلامت می خواهند با استفاده از یادگیری ماشین، روند تشخیص و درمان را بهتر و سریعتر انجام دهند. یکی از شناخته شده ترین فناوری ها در این زمینه سیستم IBM Watson است. این سیستم زبان طبیعی را درک می کند و قادر به پاسخگویی به سوالاتی که از آن پرسیده می شود است. این سیستم تمام اطلاعات مربوط به بیمار از منابع موجود را استخراج می کند تا یک فرضیه ایجاد کند و پس از اطمینان آن را ارائه می دهد. سایر برنامه هایی که هوش مصنوعی دارند مانند چت بات ها، می توانند به بیماران برای برنامه ریزی قرار ملاقات، پاسخ به پرسش ها، صدور صورت حساب کمک کنند و یا به صورت یک دستیار سلامت مجازی به فرد بازخوردهای پزشکی ارائه دهد.

هوش مصنوعی در حوزه کسب و کار

برای کارها و فرآیندهای بسیار تکراری که در هر کسب و کار توسط انسان ها انجام می شود، می توان از فرآیندهای اتوماسیون رباتیک استفاده کرد. الگوریتم های یادگیری ماشین می توانند با analytics و CRM ادغام شوند تا با کشف اطلاعات لازم، بهتر به مشتریان خدمت کنند. از چت بات ها نیز می توان برای ارائه خدمات فوری به مشتریان در وب سایت نیز استفاده کرد.

هوش مصنوعی در حوزه آموزش و پرورش

هوش مصنوعی در این حوزه می تواند به خودکار شدن نمره دهی و درجه بندی دانش آموزان کمک کند و به معلمان زمان بیشتری بدهد. هوش مصنوعی می تواند دانش آموزان را ارزیابی کند و با نیازهای آن ها سازگار باشد و با هر فرد متناسب با سرعت او کار کند. سیستم های مربی هوش مصنوعی می توانند پشتیبانی بیشتری به دانش آموزان ارائه دهند و اطمینان حاصل کنند که روند آموزش آن ها در راه درستی قرار دارد. Artificial intelligence می تواند نحوه یادگیری و مکان یادگیری دانش آموزان را تغییر دهد و حتی برخی از معلمان او را عوض کند. البته در خصوص درجه بندی دانش آموزان میتوان توضیح داد که این کار در هر صورت اشتباه است و امید است که با کمک هوش مصنوعی بتوانیم دانش آموزان را با توجه به استعداد هایی که دارند ارزیابی کنیم و لازم به یکدست شدن دانش آموزان به صورت ربات نباشد.

هوش مصنوعی در حوزه اقتصاد

سیستم های هوش مصنوعی در برنامه های مالی شخصی، مانند Mint یا Turbo Tax، می توانند اطلاعات مالی شخصی هر فرد را جمع آوری کنند و به آن ها مشاوره مالی دهند. از برنامه های دیگر مانند IBM Watson حتی در روند خرید خانه نیز می توان استفاده کرد. امروزه نرم افزارها در وال استریت بخش عظیمی از معاملات را انجام می دهند.

هوش مصنوعی در حوزه قانون و قضا

روند کشف اسناد و مدارک غالبا برای انسان ها بسیار سخت است. اتوماسیون و هوش مصنوعی می تواند به این فرآیند کمک کرده و کارآمدتر از زمان استفاده کند. استارتاپ ها در حال ساخت دستیارهای رایانه ای هستند که پرسش و پاسخ ها را غربال می کند و می توانند با بررسی و طبقه بندی و یک بانک اطلاعاتی ، سؤالات برنامه ریزی شده در زمینه هستی شناسی را پاسخ دهد.

هوش مصنوعی در حوزه تولید

این زمینه ای است که ربات ها هرچه تمام تر می توانند کار را به گردش دربیاورند. ربات های صنعتی می توانند تک تک وظایف محول شده را به طور کامل انجام دهند و جدا از کارکنان انسانی فعالیت کنند.

هوش مصنوعی در برقراری امنیت

از هوش مصنوعی و تکنولوژی پردازش تصویر در برقراری امنیت، ردیابی مجرمان، پیدا کردن هویت خلافکاران و… استفاده می‌شود. این سیستم‌ها قادرند با استفاده از هوش مصنوعی چهره افراد مختلف، موجودیت اشیاء و … را تشخیص دهند و هنگام مشاهده انجام تخلفات یا عملی مجرمانه آن را تشخیص داده و به نهاد مربوطه هشدار دهد.

هوش مصنوعی و تفسیر داده‌ها

کلان داده یا بیگ دیتا (Big Data) عبارتی است که برای توصیف مقادیر بزرگی از داده (اعم از داده های ساختار یافته و بدون ساختار) استفاده می‌شود. از کلان داده ها می‌توان برای استخراج اطلاعات مورد نیاز برای تصمیم گیری‌های مهم و حیاتی استفاده کرد و حرکات استراتژیک و حساس را با دقت بیشتری اجرا نمود. یک دانشمند داده به کمک کلان داده‌ها نه تنها قادر به تجزیه و تحلیل نیازهای افراد می‌باشد بلکه از قوانین حاکم بر بازارها و روندهای مختلف نیز اطلاع می‌یابد. تحلیل مقادیر زیادی داده، بدون هیچ گونه سیستم هوشمند و تنها به وسیله انسان امکان پذیر نیست. زیرا هم حجم داده بسیار گسترده است و هم هر روز بر میزان این حجم افزوده می‌شود. بنابراین مشخص است که با استفاده از هوش مصنوعی در تفسیر کلان داده‌ها است که به بسیاری از مفاهیم جدید می‌رسیم که نتیجه‌اش قابلیت متحول کردن بخش عظیمی از جامعه و زندگی انسان‌ها را دارد.

چالش‌های هوش مصنوعی

به کارگیری هوش مصنوعی نه تنها در ایران بلکه در بسیاری از کشورهای پیشرفته با چالش‌های متعددی مواجه است. چالش عمده ای که کسب و کارها در به کارگیری هوش مصنوعی با آن سر و کار دارند مربوط به افراد و نیروی انسانی، داده‌ها و اطلاعات مورد نیاز و یا ترجیحات و ترازهای تجاری می باشد. در ادامه هر کدام از این چالش‌ها را به طور مختصر بررسی می‌کنیم.

چالش‌های مربوط با داده‌ها و اطلاعات

مشکل مربوط به داده ها احتمالا یکی از مسائلی است اکثر شرکت ها با آن درگیر خواهند بود. هر سیستم هوش مصنوعی به اندازه داده‌هایی که به آن داده می‌شود عملکرد خوبی خواهد داشتدر حقیقت داده عنصر اصلی مورد نیاز تمام راه حل‌هایی است که هوش مصنوعی قرار است پیش روی یک کسب و کار قرار دهد. برخی از مشکلات مربوط به داده و جمع آوری آن عبارتند از:

    چگونگی کیفیت و کمیت داده ها

    برچسب داده ها

    قابل فهم و شرح بودن

    Case-specific بودن فرآیند آموزش

    جانب داری

    مقابله با خطاهای مدل ها

چالش‌های مربوط به افراد و نیروهای انسانی

دو مشکل عمده در رابطه با افراد برای به کارگیری هوش مصنوعی وجود دارد و این دو مشکل یکی نبود درکی از هوش مصنوعی در بین افراد غیر متخصص و کارمندان یک شرکت است و دیگری کمبود متخصصان هوش مصنوعی در حوزه هر کسب و کار می باشد. به کارگیری هوش مصنوعی در یک کسب و کار تا حد زیادی نیاز به مدیریتی آشنا با هوش مصنوعی و درک آن تکنولوژی دارد. متاسفانه هنوز بسیاری از افراد به هوش مصنوعی به صورت یک افسانه نگاه می‌کنند و انتظارات غیر علمی و تا حدی تخیلی از آن دارند و نمی‌دانند که هوش مصنوعی چه تحولی را می‌تواند در کسب و کار آن‌ها ایجاد کند.

چالش‌های درون سازمانی و سیاست‌های درونی هر کسب و کار

در هر کسب و کارو سازمانی برای به کارگیری هوش مصنوعی چند مشکل عمده وجود دارد که ناشی از سیاست‌های داخلی سازمان و تصمیمات درون سازمانی است. این چالش‌ها عبارتند از:

    کمبود ترازهای بیزینسی

    دشواری در ارزیابی

    چالش های ادغام کسب و کار و هوش مصنوعی با یکدیگر

    مسائل حقوقی