هوش مصنوعی عبارت است از تشخیص کامپیوتری، استدلال و عمل. این علم در مورد اعطای قدرت شبیه سازی رفتار انسان‌ها به ویژه ظرفیت شناختی آن‌ها به ماشین‌ها، عمل می‌کند. با این حال، هوش مصنوعی، یادگیری ماشین و علم داده همگی به یکدیگر مرتبط هستند و هدف اصلی آن‌ها این است که سیستم‌ها و ماشین‌های کامپیوتری در هنگام اجرای وظایف از رفتار انسان تقلید کنند.
اما این علم خود دارای شاخه‌های بسیار متنوعی است و علاقه مندان می‌توانند در حوزه‌های گوناگونی کار کنند. کاربردهای هوش مصنوعی بسیار متنوع بوده و با توجه به شاخه‌های مختلف آن بررسی می‌شود. در ادامه پس از بررسی تعریف به معرفی شاخه‌های هوش مصنوعی می‌پردازیم تا در صورت تمایل بتوانید به یادگیری در آن‌ها بپردازید.
از نظر تعریفی، هوش مصنوعی توانایی یک ماشین یا دستگاه کامپیوتری برای تقلید از هوش انسانی، کسب تجربیات، تطبیق با آخرین اطلاعات و انجام فعالیت‌های مشابه انسان است.
هوش مصنوعی وظایفی را به صورت هوشمند اجرا می‌کند که منجر به ایجاد دقت، سازگاری و بهره وری عظیم برای کل سیستم می‌شود. افراد به دنبال راه‌های زیادی برای پیاده‌سازی فناوری‌های هوش مصنوعی در کسب‌وکار خود هستند تا به آن‌ها ارزش بیافزایند.
به عنوان مثال، هوش مصنوعی، در صنعت رسانه، در مقیاس‌های بزرگ مانند رسانه‌های اجتماعی، در روزنامه نگاری، پزشکی، صنعت و … استفاده می‌شود. مثال دیگری را می‌توان در هوش مصنوعی در برنامه‌های بانکی مانند چت بات‌ها، بانکداری تلفن همراه، کشف کلاهبرداری، تعامل با مشتری و … مشاهده کرد.
علاوه بر آن، هوش مصنوعی دارای کاربردهای اساسی مختلفی است که شامل NLP، مراقبت‌های بهداشتی، صنعت خودرو، بازی، تشخیص گفتار، امور مالی، سیستم بینایی و … می‌شود. دستگاه‌های تحریک کننده برای شناسایی نتایج مسائل پیچیده مانند انسان و پیاده سازی آن‌ها به صورت الگوریتم‌های رایانه‌ای.
از شاخه‌های هوش مصنوعی به عنوان قابلیت‌های مهم این حوزه نیز یاد می‌شود. مجموعه گسترده‌ای از تکنیک‌ها در حوزه هوش مصنوعی مانند زبان‌شناسی، تعصب، بینش، برنامه‌ریزی، اتوماسیون فرآیند روباتیک، پردازش زبان طبیعی، علم تصمیم‌گیری و غیره وجود دارد. در ادامه به بررسی زیرشاخه‌های اصلی این علم می‌پردازیم.
از نظر فناوری پیشرفته، یکی از پرتقاضاترین زمینه‌ها و شاخه‌های هوش مصنوعی، یادگیری ماشینی است، که هر روز و در هر زمان که محصول جدیدی توسط هر شرکتی معرفی می‌شود که تکنیک‌ها و الگوریتم‌های ML را برای ارائه به مصرف کننده به شیوه‌ای بسیار خلاقانه به کار می‌گیرد، سر و صدای زیادی ایجاد می‌کند.
یادگیری ماشینی تکنیکی است که به رایانه‌ها پتانسیل یادگیری بدون برنامه ریزی را می‌دهد. بسیاری از برنامه‌های یادگیری ماشین در زندگی روزمره استفاده می شوند. اساساً این علم ماشین‌ها را قادر می‌سازد تا داده‌ها را برای حل مسائل دنیای واقعی ترجمه، اجرا و بررسی کنند.
برنامه نویسان الگوریتم‌های یادگیری ماشین را بر اساس مسائل پیچیده ریاضی طراحی می‌کنند که به زبان ماشین کدگذاری شده‌اند تا یک سیستم ML کامل بسازند. به این ترتیب، ML ما را قادر می‌سازد تا وظایفی را برای دسته بندی، رمزگشایی و تخمین داده‌ها از یک مجموعه داده معین انجام دهیم.
این علم در چند سال گذشته، خودروهای خودران، تشخیص تصویر و گفتار، مدل‌های پیش‌بینی تقاضا، جستجوی وب مفید و برنامه‌های کاربردی گسترده مختلف را در اختیار ما قرار داده است. یادگیری ماشین خود به سه نوع مختلف تقسیم می‌شود.
شبکه عصبی با ترکیب علوم شناختی و ماشین‌ها برای انجام وظایف استفاده می‌شود. در واقع شاخه‌ای از هوش مصنوعی است که از عصب شناسی (بخشی از زیست شناسی که به سیستم عصبی و مغز انسان مربوط می‌شود) استفاده می‌کند. شبکه عصبی مغز انسان را تکرار می‌کند که در آن مغز انسان از تعداد بی نهایت نورون تشکیل شده است و کد کردن نورون‌های مغز در یک سیستم یا یک ماشین کاری است که شبکه عصبی انجام می‌دهد.
به زبان ساده، شبکه عصبی مجموعه‌ای از الگوریتم‌ها است که برای یافتن روابط عنصری در میان دسته‌ای از داده‌ها از طریق فرآیندی که نحوه عملکرد مغز انسان را تقلید می‌کند، استفاده می‌شود. بنابراین، شبکه عصبی به سیستمی از نورون‌ها اطلاق می‌شود که ماهیت اصلی یا مصنوعی دارند.
یک نورون در یک شبکه عصبی یک تابع ریاضی (مانند توابع فعال سازی) است که کار آن جمع آوری و طبقه بندی اطلاعات بر اساس یک ساختار خاص صورت می‌گیرد. شبکه تکنیک‌های آماری مختلفی مانند تحلیل رگرسیون را برای انجام وظایف پیاده سازی می‌کند.
از این سیستم‌ها به طور گسترده برای کشف تقلب، تجزیه و تحلیل ریسک، پیش بینی بورس اوراق بهادار، پیش بینی فروش و بسیاری موارد دیگر استفاده می‌شود.
رباتیک یکی از شاخه‌های هوش مصنوعی است که از زمینه‌های بسیار هیجان انگیز آن محسوب می‌شود که با تحقیق و توسعه عمدتاً بر روی طراحی و ساخت ربات‌ها متمرکز است. رباتیک یک رشته میان رشته‌ای از علم و مهندسی است که با مهندسی مکانیک، مهندسی برق، علوم کامپیوتر و بسیاری دیگر ترکیب شده است.
رباتیک طراحی، تولید، بهره برداری و استفاده از ربات‌ها را تعیین می‌کند. با سیستم‌های کامپیوتری برای کنترل، ارائه نتایج هوشمند و تبدیل اطلاعات سروکار دارد. ربات‌ها بیشتر برای انجام وظایفی که ممکن است برای انسان‌ها به طور پیوسته دشوار باشد، مستقر می‌شوند.
عمده وظایف رباتیک شامل خط مونتاژ برای تولید خودرو، جابجایی اجسام بزرگ در فضا توسط ناسا و … است. محققان هوش مصنوعی همچنین در حال توسعه ربات‌هایی با استفاده از یادگیری ماشینی برای تنظیم تعامل در سطوح اجتماعی هستند.
سیستم‌های خبره در میان اولین مدل موفق نرم افزار هوش مصنوعی در نظر گرفته شدند. این سیستم‌ها برای اولین بار، در دهه 1970 طراحی شدند و پس از آن در دهه 1980 مورد استفاده قرار گرفتند. یک سیستم خبره به یک سیستم کامپیوتری اطلاق می‌شود که هوش تصمیم‌گیری یک متخصص انسانی را تقلید می‌کند.
این کار را با استخراج دانش از پایگاه دانش خود با اجرای قواعد استدلال و بینش بر حسب پرسش‌های کاربر انجام می‌دهد. این سیستم از برنامه نویسی مرسوم برای حل مسائل پیچیده استفاده نمی‌کند، بلکه از نمادهای منطقی برای رسیدن به چنین هدفی استفاده می‌کند.
اثربخشی سیستم خبره کاملاً متکی به دانش متخصصی است که در یک پایگاه دانش انباشته شده است. هر چه اطلاعات جمع آوری شده در آن بیشتر باشد، کارایی سیستم بیشتر و دقیق‌تر می‌شود. به عنوان مثال، سیستم خبره پیشنهاداتی را برای املا و اشتباهات در موتور جستجوی گوگل ارائه می‌دهد. همچنین در زمینه پزشکی برای راه اندازی امکانات پزشکی و تشخیص عفونت های ویروسی استفاده می شود.
در دنیای واقعی، گاهی اوقات ما با شرایطی روبرو می‌شویم که تشخیص درستی یا نبودن شرط دشوار است، منطق فازی آن‌ها انعطاف پذیری مناسبی را برای استدلال ارائه می‌دهد که منجر به عدم دقت و عدم قطعیت هر شرطی می شود.
به عبارت ساده‌تر، منطق فازی تکنیکی است که اطلاعات نامطمئن را با اندازه گیری میزان درستی فرضیه نشان داده و اصلاح می‌کند. منطق فازی همچنین برای استدلال در مورد مفاهیم غیر قطعی طبیعی استفاده می‌شود. منطق فازی برای پیاده سازی تکنیک‌های یادگیری ماشین راحت و انعطاف پذیر است و به تقلید منطقی فکر انسان کمک می‌کند.
در برخی موارد اگر مفهوم کاملاً درست باشد، منطق استاندارد برای مفهوم کاملاً نادرست 1.0 و 0.0 است. اما در منطق فازی یک مقدار میانی نیز وجود دارد که تا حدی درست و تا حدی نادرست است.
پردازش زبان طبیعی یکی دیگر از شاخه‌های هوش مصنوعی است. به زبان ساده، NLP بخشی از علوم کامپیوتر و هوش مصنوعی است که می‌تواند به برقراری ارتباط بین کامپیوتر و انسان با زبان طبیعی کمک کند. پردازش زبان طبیعی یک تکنیک پردازش محاسباتی زبان‌های انسانی است که کامپیوتر را قادر می‌سازد تا با تقلید از زبان طبیعی انسان، داده‌ها را بخواند و درک کند.
NLP روشی است که به جستجو، تجزیه و تحلیل، درک و استخراج اطلاعات از فرم متنی داده‌ها می‌پردازد. به منظور آموزش کامپیوترها برای استخراج اطلاعات معنی دار از داده‌های متنی، کتابخانه‌های NLP توسط برنامه نویسان استفاده می‌شود. یک مثال رایج از NLP، تشخیص هرزنامه است، الگوریتم‌های رایانه‌ای می‌توانند با نگاه کردن به موضوع یک خط یا متن ایمیل، بررسی کنند که آیا ایمیل هرزنامه است یا خیر.
اجرای NLP مزایای مختلفی دارد از جمله؛
برخی از برنامه‌های NLP عبارتند از ترجمه متن، تجزیه و تحلیل احساسات و تشخیص گفتار. به عنوان مثال، توییتر از تکنیک NLP برای فیلتر کردن زبان تروریستی از توییت‌های مختلف استفاده می‌کند، همچنین آمازون NLP را برای تفسیر نظرات مشتریان و افزایش تجربه آن‌ها پیاده‌سازی می‌کند.
یکی از منحصربه‌فردترین زیرشاخه‌های هوش مصنوعی، الگوریتم ژنیتک است. این الگوریتم بر اساس نحوه تکامل انسان طراحی شده که از تکنیک‌های زیست‌شناسی برای تجزیه و تحلیل داده‌ها استفاده می‌کند. تمامی حالات وراثت، جهش و حتی قوانین و اصول داروین در این الگوریتم استفاده شده که از آن می‌توان برای یافتن راه‌حل‌های تقریبی در مدل‌های ریاضی و حل مسائل بهره جست.
همان‌طور که می‌دانید هر سلول در بدن انسان متشکل از مجموعه‌ای از کروموزوم‌ها است که به صورت رشته‌ای تحت عنوان DNA در کنار هم قرار گرفته‌اند. در الگوریتم ژنتیک این کروموزوم‌ها به صورت رشته‌های 0 و 1 هستند. در واقع این الگوریتم به گونه‌ای کار می‌کند که همانند سیر تکاملی انسان، بهترین مقادیر را ارائه دهد. طبق گفته چارلز داروین:”نه قوی‌ترین و نه باهوش‌ترین گونه‌ها زنده می‌مانند. بلکه سازگارترین گونه‌ها با تغییرات محیطی قادر به ادامه حیات خود هستند.” در علم ژنتیک نیز افرادی جامعه هدف هستند که بتوانند با تغییرات محیطی سازگار باشند و به زندگی خود ادامه دهند. الگوریتم ژنیتک نیز در محاسبات خود از همین اصل الهام گرفته و ایده اصلی آن بقای گونه‌های برازنده است.
از این الگوریتم می‌توان در علوم مختلفی مانند: بیوانفورماتیک، فیلوژنتیک، علوم محاسباتی، رشته‌های مهنسی، حل مسائل اقتصاد، رشته‌های مرتبط با شیمی، تولید، فیزیک، ریاضیات و … برای ایجاد یک راه‌حل مفید در مسائل بهینه‌سازی استفاده کرد.
سیستم‌های هوش مصنوعی با افزایش اندازه و پیچیدگی، قابلیت گسترش بیشتری پیدا می‌کنند. تحلیلگران هوش مصنوعی به طور مداوم در تلاش برای ایجاد سیستم‌های نرم افزاری برای کاربردهای متنوعی مانند یادگیری خودکار، دانش، زبان طبیعی و تشخیص گفتار هستند.
بسته به عملکرد سیستم‌های هوش مصنوعی، به معرفی شش شاخه از شاخه‌های هوش مصنوعی پرداخته شد. اکنون این شش حوزه در صنایع و سازمان‌ها حرف اول را می‌زند. شرکت‌های متعددی آن را تبلیغ می‌کنند تا از آن استفاده کنند و با رویکردی بسیار بهتر به مردم خدمت کنند.
