هوش مصنوعی (به انگلیسی: Artificial Intelligence) که گاهی اوقات هوش ماشینی نامیده می شود، به هوشمندی نشان داده شده به وسیله ماشین ها در شرایط مختلف، اطلاق می شود که در مقابل هوش طبیعی در انسان ها قرار دارد؛ به عبارت دیگر، هوش مصنوعی به سامانه هایی گفته می شود که می توانند واکنش هایی مشابه رفتارهای هوشمند انسانی از جمله، درک شرایط پیچیده، شبیه سازی فرایندهای تفکری و شیوه های استدلالی انسانی و پاسخ موفق به آن ها، یادگیری و توانایی کسب دانش و استدلال برای حل مسایل را داشته باشند. بیشتر نوشته ها و مقاله های مربوط به هوش مصنوعی آن را به عنوان (دانش شناخت و طراحی عامل های هوشمند) تعریف کرده اند. هوش مصنوعی را باید گستره پهناور تلاقی و ملاقات بسیاری از دانش ها، علوم، و فنون قدیم و جدید دانست. ریشه ها و ایده های اصلی آن را باید در فلسفه، زبان شناسی، ریاضیات، روان شناسی، عصب شناسی، فیزیولوژی، تئوری کنترل، احتمالات و بهینه سازی جستجو کرد و کاربردهای گوناگون و فراوانی در علوم رایانه، علوم مهندسی، علوم زیست شناسی و پزشکی، علوم اجتماعی و بسیاری از علوم دیگر دارد. از زبان های برنامه نویسی هوش مصنوعی می توان به Lisp، Prolog، Java، Python و ++C اشاره کرد. یک «عامل هوشمند» سامانه ای است که با شناخت محیط اطراف خود، شانس موفقیت خود را پس از تحلیل و بررسی افزایش می دهد. جان مکارتی که واژه هوش مصنوعی را در سال ۱۹۵۶ استفاده نمود، آن را «دانش و مهندسی ساخت ماشین های هوشمند» تعریف کرده است. هوش مصنوعی در علم پزشکی امروزه به دلیل گسترش دانش و پیچیده تر شدن فرایند تصمیم گیری، استفاده از سامانه های اطلاعاتی به خصوص سامانه های هوش مصنوعی در تصمیم گیری، اهمیت بیشتری یافته است. گسترش دانش در حوزهٔ پزشکی و پیچیدگی تصمیمات مرتبط با تشخیص و درمان - به عبارتی حیات انسان - توجه متخصصین را به استفاده از سامانه های پشتیبان تصمیم گیری در امور پزشکی جلب نموده است. به همین دلیل، استفاده از انواع مختلف سامانه های هوشمند در پزشکی رو به افزایش است، به گونه ای که امروزه تأثیر انواع سامانه های هوشمند در پزشکی مورد مطالعه قرار گرفته است.
کاربردهای هوش مصنوعی
هوش مصنوعی کاربردهای متنوعی دارد. تعدادی از مهمترین کاربردهای هوش مصنوعی شامل استفاده در وسایل نقلیه خودگردان (مثل پهپادها و اتومبیل های خودران)، تشخیص های پزشکی، خلق آثار هنری، اثبات قضیه های ریاضی، انجام بازی های فکری، تعیین هویت تصاویر و صداها، ذخیره انرژی، جستجوگرهای اینترنتی، تهیه قراردادها و پیش بینی آرای قضایی می شوند.
فلسفه هوش مصنوعی
به طور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات، استقراء و تحلیل تجربیات به منظور رسیدن به دانش یا ارائه تصمیم است. در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسائل دریافت شده تلقی می شود. هوش مصنوعی علم و مهندسی ایجاد ماشین هایی هوشمند با به کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی یا حیوانی و نهایتاً دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی است. در مقایسهٔ هوش مصنوعی با هوش انسانی می توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسایل در جهت قضاوت و اخذ تصمیم است در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هایی از قبل تعبیه شده بر روی کامپیوتر است. در نتیجه علی رغم وجود رایانه های بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوش های مصنوعی نبوده ایم. به طور کلّی، هوش مصنوعی را می توان از زوایای متفاوتی مورد بررسی و مطالعه قرار داد. مابین هوش مصنوعی به عنوان یک هدف، هوش مصنوعی به عنوان یک رشتهٔ تحصیلی دانشگاهی، یا هوش مصنوعی به عنوان مجموعهٔ فنون و راه کارهایی که توسط مراکز علمی مختلف و صنایع گوناگون تنظیم و توسعه یافته است باید تفاوت قائل بود.
انواع مختلف هوش مصنوعی
به طور کلی اصطلاح هوش مصنوعی برای تشریح کردن سیستم هایی به کار می رود که هدف آن ها استفاده از ماشین ها برای تقلید و شبیه سازی هوش انسانی و رفتارهای مرتبط با آن است. در زیر به انواع مختلف هوش مصنوعی اشاره شده است.
-
هوش مصنوعی نمادین
هوش مصنوعی نمادین (Symbolic) با نمادهایی انتزاعی کار می کند که برای نشان دادن دانش استفاده می شوند. هوش مصنوعی نمادین، هوش مصنوعی کلاسیکی است که بر اساس این ایده کار می کند که تفکر انسان را می توان در سطحی سلسله مراتبی و منطقی بازسازی کرد. در این روش اطلاعات از بالا با کار کردن روی نمادهای معنی دار برای انسان، ارتباطات انتزاعی و نتیجه گیری های منطقی پردازش می شوند.
-
هوش مصنوعی عصبی
هوش مصنوعی عصبی (Neural AI) در اواخر دهه ی ۸۰ میلادی در علوم کامپیوتر محبوبیت پیدا کرد. در این گونه، دانش با استفاده از نمادها نمایش داده نمی شود، بلکه به جای آن، نورون های مصنوعی و ارتباط میان آن ها نماینده ی دانش هستند. این هوش مصنوعی چیزی شبیه به یک مغز بازسازی شده است. در این روش دانش کسب شده به قطعاتی کوچک تر (نورون ها) خرد و سپس از آن گروه هایی متصل به هم تشکیل می شود. این نوع هوش مصنوعی رویکردی پایین به بالا دارد. بر خلاف هوش مصنوعی نمادین، یک سیستم هوش مصنوعی عصبی باید ابتدا آموزش داده شود و در معرض محرک هایی قرار بگیرد تا شبکه های عصبی در آن تجربه کسب کنند، بزرگ شوند و اندوخته ی دانش بیشتری داشته باشند.
-
شبکه های عصبی
شبکه های عصبی (Neural Networks) در لایه هایی سازماندهی می شوند که با خطوطی شبیه سازی شده به یکدیگر متصل هستند. بالاترین لایه، لایه ی دریافت است. این لایه مانند حسگری عمل می کند که اطلاعات را برای پردازش دریافت می کند و آن ها را به لایه های پایین تر می فرستد. این فرآیند پس از دریافت اطلاعات با حداقل دو لایه ی دیگر (در سیستم های بزرگ تا بیش از بیست لایه) ادامه پیدا می کند که به صورت سلسه مراتبی روی هم قرار دارند و اطلاعات را با استفاده از پیوندها دسته بندی و ارسال می کنند. در پایین ترین بخش سلسله مراتب لایه ی خروجی قرار دارد که به طور معمول تعداد نورون های مصنوعی آن از تمام لایه های دیگر کمتر است. این لایه داده های محاسبه شده را به فرمتی تبدیل می کند که برای ماشین قابل خواندن باشد.
شیوه ها و ابزارهای هوش مصنوعی
ابزارها و شیوه های مختلفی برای به کار بردن هوش مصنوعی در دنیای واقعی وجود دارد که برخی از آن ها را می توان در ترکیب با هم استفاده کرد. اساس کار تمام این روش ها «یادگیری ماشینی» (Machine Learning) است. تعریف یادگیری ماشینی سیستمی است که تجربه را به دانش تبدیل می کند. این پروسه به سیستم این توانایی را می دهد که الگوها و قوانین را با سرعتی که همواره در حال افزایش است شناسایی کند. در انواع مختلف یادگیری ماشینی از هر دو نوع هوش مصنوعی نمادین و عصبی استفاده می شود. یادگیری عمیق (Deep Learning) زیرگونه ای از یادگیری ماشینی است که اهمیت آن رو به افزایش است. در این مورد تنها از هوش مصنوعی عصبی یا همان شبکه های عصبی استفاده می شود. اکثر کاربردهای امروزی هوش مصنوعی بر پایه ی یادگیری عمیق هستند. به لطف امکان گسترش دادن سریع طراحی شبکه های عصبی و تبدیل کردن آن ها به سیستم هایی پیچیده تر و قوی تر با لایه های جدید، مقیاس یادگیری عمیق را می توان به سادگی تغییر داد و آن را با کاربردهای بسیار زیادی منطبق کرد. سه نوع پروسه ی یادگیری برای آموزش دادن شبکه های عصبی وجود دارد: تحت نظارت، بدون نظارت و یادگیری تقویتی. این سه پروسه روش های متفاوت زیادی را مهیا می کنند تا بتوان نحوه ی تبدیل ورودی به خروجی دلخواه را تنظیم کرد. در یادگیری تحت نظارت، ارزش ها و پارامترها از بیرون برای سیستم مشخص می شود، ولی در یادگیری بدون نظارت این خود سیستم است که تلاش می کند الگوهایی را در اطلاعات ورودی کشف کند که ساختاری قابل تشخیص دارند و می توان آن ها را بازتولید کرد. در یادگیری تقویتی هم ماشین به صورت مستقل کار می کند، ولی بر اساس موفقیت یا شکست، تشویق یا تنبیه می شود.
سخن نهایی
هوش مصنوعی چیزی نیست که یک شبه از هیچ پدید آمده باشد. ولی به نظر می رسد این تکنولوژی در حوزه ی لوازم الکترونیک مصرفی به یک نقطه ی عطف و پیشرفت بزرگ نزدیک می شود. همین نکته کافی است تا همگان تلاش کنند اطلاعات خود را در این موضوع به روز نگه دارند.