معرفی و کاربرد انواع هوش مصنوعی که باید بدانید

رشد سریع هوش مصنوعی (Artificial Intelligence | AI) و قابلیت‌های قدرتمند آن و همچنین، تحول ایجاد شده به وسیله هوش مصنوعی در صنایع مختلف، رهبران کسب و کار و عموم مردم را به این فکر واداشته است که به اوج تحقیقات هوش مصنوعی و به حداکثر رساندن پتانسیل هوش مصنوعی نزدیک هستیم. با این حال، درک انواع هوش مصنوعی که در حال حاضر وجود دارند، تصویر واضح‌تری از قابلیت‌های هوش مصنوعی موجود و راه طولانی پیش‌ رو برای تحقیقات هوش مصنوعی ارائه می‌دهد. هوش مصنوعی دارای دسته‌بندی‌های مختلفی است که مطالعه و شناخت آن را تسهیل می‌کند.

 

 

هوش مصنوعی چیست ؟

کاربردهای بسیار و فراگیر بودن هوش مصنوعی نیازمند معرفی نیست. هوش مصنوعی امرزوه صرفا یک «واژه باب روز» نیست، بلکه واقعیتی محسوب می‌شود که در تمامی ابعاد زندگی ما نمود عملیاتی پیدا کرده است. شرکت‌های سازنده ماشین‌های هوشمند که اهداف و کاربری‌های مختلفی را دنبال می‌کنند، صنعت را متحول ساخته‌اند.

هوش مصنوعی عبارت است از فرایند ایجاد ماشین‌های هوشمند که با استفاده از داده‌های انبوه و حجیم انجام می‌شود. ماشین‌ها تجربیات گذشته را یاد می‌گیرند و فعالیت‌های شبه‌انسانی انجام می‌دهند. به موجب این فعالیت‌های ماشینی، دقت، سرعت و اثربخشی بهبود می‌یابد.

 

هوش مصنوعی الگویتم‌ها و روش‌های پیچیده‌ای را به‌کار می‌گیرد تا ماشین‌ها بتوانند به طور مستقل و به‌خودی خود عمل تصمیم‌گیری را انجام دهند. «یادگیری ماشین» (ماشین لرنینگ | Machine Learning) و «یادگیری عمیق» (Deep Learning) مولفه‌های اساسی تشکیل‌دهنده هوش مصنوعی هستند. هوش مصنوعی در حال حاضر، تقریبا در تمامی بخش‌های کسب‌ و کار، شامل حمل‌ و نقل، بهداشت‌ و سلامت، بانکداری، خرده‌فروشی، سرگرمی و تفریحات و تجارت الکترونیک مورد استفاده قرار می‌گیرد.

فیلم آموزش هوش مصنوعی – مقدماتی
اینجا کلیک کنید

انواع هوش مصنوعی

به طور عمده انواع هوش مصنوعی از دو جنبه قابل دسته‌بندی است که انواع هوش مصنوعی بر اساس قابلیت‌ها و انواع AI بر اساس کارکرد را شامل می‌شود. در این بخش ابتدا فهرستی از هر یک از این جنبه‌های متفاوت انواع هوش مصنوعی ارائه می‌شود و سپس هر یک از آن‌ها به طور جداگانه شرح داده خواهند شد.

  • انواع هوش مصنوعی بر اساس قابلیت‌ها:
    1. «هوش مصنوعی محدود» (Narrow AI)
    2. «هوش مصنوعی عمومی» (General AI)
    3. «ابَر هوش مصنوعی» (Super AI)
  • انواع هوش مصنوعی بر اساس کارکرد:
    1. «ماشین‌های واکنشی» (Reactive Machines)
    2. «نظریه محدود شده» (Limited Theory)
    3. «نظریه ذهن» (Theory of Mind)
    4. «خود آگاهی» (Self-Awareness)

انواع هوش مصنوعی و نحوه تقسیم‌بندی آن از دو جنبه بیان شده، در تصویر زیر نیز به صورت گرافیکی نمایش داده شده است.

انواع هوش مصنوعی بر اساس قابلیت‌

در این بخش به شرح هر یک از انواع هوش مصنوعی به لحاظ قابلیت‌های آن‌ها پرداخته شده است. همان‌طور که در بخش قبل فهرست شده است، انواع AI براساس قابلیت، شامل General AI ،Narrow AI و Super AI می‌شود. ابتدا هوش مصنوعی محدود یا Narrow AI را معرفی می‌کنیم.

هوش مصنوعی محدود (Narrow AI)

هوش مصنوعی محدود که نام دیگر آن «هوش مصنوعی ضعیف» (Weak AI) است، صرفا بر یک کارکرد خاص متمرکز است و نمی‌تواند فراتر از آن فعالیت کند. هوش مصنوعی محدود بر زیرمجموعه‌ای واحد از کارکردهای شناختی تمرکز دارد. کاربردهای این نوع هوش مصنوعی در زندگی ما و با توسعه هرچه بیشتر یادگیری ماشین و یادگیری عمیق، بیش از پیش فراگیر شده است.

  • دستیار صوتی هوشمند Siri اپل نمونه‌ای از هوش مصنوعی محدود است که با مجموعه‌ای از کارکردهای از پیش‌تعریف‌شده عمل می‌کند. فعالیت‌ Apple Siri در خارج از محدوده ممکن است آن را دچار اختلال کند.
  • دستیار IBM Watson نیز نمونه‌ای دیگر از هوش مصنوعی محدود به حساب می‌آید که با به‌کارگیری «رایانش شناختی» (Cognitive Computing)، یادگیری ماشین و «پردازش زبان طبیعی» (Natural Language Processing)، اطلاعات را پردازش می‌کند و به سوالات کاربران پاسخ می‌دهد. IBM Watson توانست یکبار رقیب انسانی خود را در نمایش بازی محبوب «Jeopardy» شکست دهد و قهرمان شود.
  • برخی نمونه‌های دیگر از هوش مصنوعی محدود شامل مترجم گوگل، برنامه‌های بازشناسی تصویر، سیستم‌های توصیه‌گر (ریکامندر)، فیلتر اسپم و الگوریتم های گوگل در سئو است.

هوش مصنوعی عمومی (General AI)

هوش مصنوعی عمومی که به «هوش مصنوعی قوی» (Strong AI) نیز معروف است، یکی دیگر از انواع هوش مصنوعی به حساب می‌آید که می‌تواند هر کارکرد هوشمندانه انسانی را درک کند و آن را یاد بگیرد. هوش مصنوعی عمومی به‌کارگیری مهارت و استفاده از دانش را در زمینه‌های مختلف برای ماشین ممکن می‌سازد.

پژوهشگران AI تاکنون موفق به دستیابی به هوش مصنوعی قوی نشده‌اند. شرط لازم برای دستیابی به این هدف و به منظور هوشمند‌سازی کامل ماشین‌ها، برنامه‌نویسی مجموعه کاملی از توانایی‌های شناختی است. شرکت مایکروسافت به منظور توسعه هوش مصنوعی عمومی، در موسسه OpenAI، مبلغ یک میلیارد دلار سرمایه ‌گذاری کرده است.

«فوجیتسو» (Fujitsu) یکی از سریع‌ترین ابرکامپیوترهای جهان به نام کامپیوتر K را ساخته است. این پروژه یکی از مهم‌ترین فعالیت‌ها در راستای دستیابی به هوش مصنوعی قوی به حساب می‌آید. شبیه‌سازی یک ثانیه عملکرد اعصاب انسانی تقریبا ۴۰ دقیقه زمان نیاز دارد. بنابراین نمی‌توان به سادگی مشخص کرد که دستیابی به هوش مصنوعی قوی به‌زودی امکان‌پذیر خواهد بود یا خیر.

«Tianhe- ابرکامپیوتری است که توسط دانشگاه ملی فناوری دفاع چین توسعه داده شده است. این ابرکامپیوتر توانایی پردازش ۳۳/۸۶ پتافلاپ (کوادریلیون) محاسبه بر ثانیه (cps) را دارد. اگرچه این موضوع هیجان‌انگیز به نظر می‌رسد، اما تخمین زده می‌شود که مغز انسان قادر به انجام یک اگزافلاپ، یعنی یک میلیارد محاسبه بر ثانیه باشد.

ابر هوش مصنوعی (Super AI)

هوش مصنوعی برتر یکی از انواع هوش مصنوعی است که فراتر از هوش انسانی به حساب می‌آید و می‌تواند هر کاری را بهتر از انسان انجام دهد. چشم‌انداز ابر هوش مصنوعی نه صرفا شبیه‌سازی و درک احساسات انسانی است، بلکه 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 فکر کردن، حل معما، قضاوت کردن و تصمیم‌گرفتن به صورت مستقل است.

معرفی فیلم های آموزش هوش مصنوعی

مجموعه‌های آموزشی فرادرس، دوره‌های ویدیویی هستند که برای یک موضوع آموزشی خاص ارائه شده‌اند. در پلتفرم فرادرس برای اکثر موضوعات آموزشی و مهارت‌های حرفه‌ای مجموعه‌های آموزشی مختلفی قابل دسترسی هستند. مجموعه آموزش‌های هوش مصنوعی نیز با در نظر گرفتن سطوح ابتدایی تا پیشرفته و علوم زیرمجموعه‌ همچون یادگیری ماشین، یادگیری عمیق، داده‌کاوی و مهارت‌های برنامه‌نویسی‌ مرتبط با آن‌ها از جمله زبان برنامه‌نویسی پایتون، متلب، جاوا، سی‌شارپ و غیره ارائه و منتشر شده است. تصویر بالا تنها تعداد محدودی از آموزش‌های این مجموعه را نمایش می‌دهد.

انواع هوش مصنوعی بر اساس کارکرد

همان‌طور که پیش‌تر اشاره شد، برای توصیف انواع سیستم‌های هوش مصنوعی می‌توان هوش مصنوعی را بر اساس نحوه کارکرد هم دسته‌بندی کرد. بنابراین در این بخش به انواع هوش مصنوعی از جنبه عملکردی پرداخته شده است که عموماً شامل ۴ دسته می‌شود. ابتدا ماشین‌های واکنشی و سپس ۳ نوع دیگر AI از این جنبه معرفی شده است.

هوش مصنوعی از نوع ماشین واکنشی (Reactive Machine)

ماشین واکنشی که به آن ماشین انفعالی یا منفعل هم می‌گویند، شکل اولیه‌ای از انواع هوش مصنوعی است که از تجربیات و سوابق گذشته برای پیشبینی استفاده نمی‌کند و تنها از داده‌های حاضر استفاده می‌کند. ماشین واکنشی دنیای پیرامون را درک می‌کند و نسبت به آن واکنش نشان می‌دهد. کارکردهای خاصی در ماشین‌های واکنشی تعریف شده‌اند و امکان فعالیت فراتر از آن برای این نوع از ماشین‌ها امکان‌پذیر نیست.

هوش مصنوعی Deep Blue (متعلق به شرکت IBM) که استاد بزرگ شطرنج، گری کاسپاروف، را شکست داد، یک ماشین واکنشی است که با دیدن محل مهره‌های صفحه شطرنج نسبت به آن‌ها واکنش نشان می‌دهد. ماشین Deep Blue نمی‌تواند سوابق و تجربیات قبلی خود را در نظر بگیرد و با یادگیری از عملیات قبلی، خود را بهبود بدهد. این ماشین صرفا مهره‌های شطرنج را شناسایی می‌‌کند، نحوه حرکت آن‌ها را می‌داند و پیش‌بینی می‌کند حرکت‌های بعدی او و رقیبش چه خواهند بود. دیپ‌بلو هیچ یک از داده‌های قبل از لحظه حاضر را در نظر نمی‌گیرد و با نگاه به صفحه شطرنج از بین حرکت‌های ممکن، یک حرکت را انتخاب و اجرا می‌کند.

هوش مصنوعی از نوع حافظه محدود (Limited Memory)

سیستم‌های با حافظه محدود، دسته‌ای از انواع هوش مصنوعی هستند که از داده‌های گذشته یاد می‌گیرند تا بتواند تصمیم‌گیری کنند. حافظه در چنین سیستم‌هایی کوتاه مدت است. این سیستم‌ها صرفا در بازه زمانی معینی امکان استفاده از داده‌ها را دارند و مجاز به بایگانی داده‌ها در کتابخانه تجربیات خود نیستند. این نوع تکنولوژی در خودروهای خودران مورد استفاده قرار می‌گیرد.

نحوه عملکرد هوش مصنوعی حافظه محدود در خودروهای خودران به صورت زیر است.

  • هوش مصنوعی حافظه محدود مشاهده می‌کند که وسایل نقلیه در محیط اطراف، در زمان حاضر و با گذر زمان، چگونه حرکت می‌کنند.
  • این نوع ماشین، علاوه بر دریافت جریان داده‌های مستمر، داده‌های ایستا شامل خط‌کشی مسیر و چراغ‌های راهنمایی‌ و رانندگی را ذخیره می‌کند.
  • موقعی که وسیله نقلیه تصمیم دارد خط مسیر خود را تغییر دهد، این داده‌ها فراخوانی می‌شوند؛ به‌طوری که در حرکت دیگر رانندگان اختلالی ایجاد نشود یا تصادفی رخ ندهد.

شرکت میتسوبیشی الکتریک در حال انجام تحقیقاتی برای بهبود این نوع از هوش مصنوعی در موارد استفاده مختلفی از جمله خودروی خودران است.

هوش مصنوعی از نوع نظریه ذهن (Theory of Mind)

این نوع از هوش مصنوعی بیان‌گر کلاس پیشرفته‌ای از تکنولوژی و در حال حاضر صرفا به‌صورت یک مفهوم است. نظریه ذهن یکی از انواع هوش مصنوعی بر اساس کارکرد است که بیان می‌کند افراد و اشیای موجود در محیط می‌توانند احساسات و رفتارها را تغییر دهند. این نوع هوش مصنوعی باید عواطف، احساسات و افکار را درک کند. اگر چه این حوزه پیشرفت‌های زیادی داشته، اما هنوز به تکامل نرسیده است.

  • ماشین Kismet نمونه عملی نظریه ذهن به حساب می‌آید که شامل یک روبات به شکل سر انسان است و توسط پژوهشگری در مرکز فناوری‌های ماساچوست (MIT) در اواخر دهه ۹۰ ساخته شد. Kismet می‌تواند از عواطف انسانی تقلید کند و آن‌ها را تشخیص دهد. هر دوی این توانمندی‌ها، پیشرفت‌های مهمی در نظریه ذهن و AI به حساب می‌آیند، اما Kismet قادر نیست تماس چشمی برقرار کند و به انسان‌ها توجه نشان دهد.
  • «سوفیا» (Sophia) از «هانسون روباتیکس» (Hanson Robotics)، مثال دیگری از نظریه ذهن است. دوربین‌های کار گذاشته شده در چشمان سوفیا با استفاده از الگوریتم‌های کامپیوتری به او حس بینایی می‌بخشند. سوفیا می‌تواند افراد را بشناسد، نگاه‌ها را دنبال کند و تماس چشمی برقرار کند.

هوش مصنوعی از نوع خود آگاهی (Self Awareness)

این نوع AI در حد فرضیه است. چنین سیستم‌هایی ویژگی‌ها، حالت‌ها و شرایط درونی خود و همچنین احساسات انسانی را درک می‌کنند. این ماشین‌ها هوشمندتر از ذهن انسانی خواهند بود. سیستم خودآگاه نه تنها قادر است عواطف را در تعامل با دیگران درک کند و برانگیخته سازد، بلکه عواطف، نیازها و اعتقادات خود را دارد.

انواع کاربردهای هوش مصنوعی

در اینجا به ۱۴ مورد از انواع کاربردهای برجسته AI اشاره شده است و در ادامه به شرح مختصر برخی از آن‌ها پرداخته‌ایم:

فیلم آموزش اشتغال در حوزه هوش مصنوعی و علوم داده با مروری بر کسب و کارهای مرتبط (رایگان)
اینجا کلیک کنید
  • کاربرد هوش مصنوعی در تجارت الکترونیک
    • خرید شخصی
    • دستیاران مجهز به هوش مصنوعی
    • جلوگیری از کلاه‌برداری
  • کاربرد هوش مصنوعی در آموزش
    • خودکارسازی فعالیت‌های اداری مدرسین
    • تولید هوشمند محتوا
    • دستیارهای صوتی
    • یادگیری شخصی‌ سازی‌ شده
  • کاربرد هوش مصنوعی در سبک زندگی
  • کاربرد هوش مصنوعی در ناوبری
  • کاربرد AI در رباتیک
  • کاربرد هوش مصنوعی در منابع انسانی
  • کاربرد AI در پزشکی و مراقبت های بهداشتی
  • کاربرد هوش مصنوعی در کشاورزی
  • کاربرد AI در بازی
  • کاربرد هوش مصنوعی در خودرو
  • کاربرد در رسانه‌های اجتماعی
  • کاربرد هوش مصنوعی در بازاریابی
  • در چت‌ بات‌ها
  • کاربردهای هوش مصنوعی در امور مالی

 

کاربرد انواع هوش مصنوعی در زندگی

هوش مصنوعی تاثیرات زیادی در سبک زندگی ما داشته است. در این بخش به شرح تعدادی از این کاربردها پرداخته‌ایم.

  • خودروهای خودران
  • فیلتر اسپم
  • تشخیص چهره
  • سیستم توصیه‌‌گر

کاربرد انواع هوش مصنوعی در ساخت خودروهای خودران

شرکت‌های خودروسازی مانند تویوتا، آئودی، ولوو و تسلا از یادگیری ماشین برای آموزش کامپیوترهای وسایل نقلیه استفاده می‌کنند. هوش مصنوعی در خودروهای خودران، همانند انسان‌، در محیط، اشیا را تشخیص می‌دهد، به طوری که در رانندگی، تصادف رخ ندهد.

کاربرد انواع هوش مصنوعی در ساخت سیستم های پالایش هرزنامه

روزانه ایمیل‌های هرزنامه ارسال شده از طریق انتقال به پوشه‌های اسپم یا سطل زباله به وسیله سیستم‌های هوش مصنوعی فیلتر و پالایش می‌شوند و ما بدون توجه به این سیستم‌های هوشمند از آن‌ها بهره‌مند می‌شویم. جیمیل توانسته است به ظرفیت فیلترینگ تقریباً ۹۹.۹ درصدی دست یابد.

کاربرد انواع هوش مصنوعی در تشخیص چهره

دستگاه‌های مورد علاقه ما مانند تلفن‌ها، لپ‌تاپ‌ها و کامپیوتر‌های شخصی از روش‌های تشخیص چهره و از فیلترهای چهره استفاده می‌کنند تا شناسایی و دسترسی ایمن امکان‌پذیر شود. تشخیص چهره علاوه بر استفاده شخصی، به طور گسترده در صنایع گوناگون و در موارد فوق امنیتی کاربرد دارد.

فیلم آموزش مقدماتی پردازش تصویر با اپن سی وی OpenCV در پایتون Python
اینجا کلیک کنید

کاربرد انواع هوش مصنوعی در سیستم های توصیه گر

پلتفرم‌های مختلفی که ما در زندگی روزمره خود از آن‌ها استفاده می‌کنیم مانند تجارت الکترونیک، وب‌سایت‌های سرگرمی، رسانه‌های اجتماعی، پلت‌فرم‌های اشتراک‌گذاری ویدیو مانند یوتیوب و غیره، همگی از «سیستم‌های توصیه‌گر» (Recommender System) برای دریافت اطلاعات کاربر، ارائه توصیه‌های سفارشی به کاربران و برای افزایش تعامل بهره می‌برند. این کاربرد فراگیر است و مکررا در صنایع مختلف مورد استفاده قرار می‌گیرد.

کاربرد انواع هوش مصنوعی در پزشکی و مراقبت های بهداشتی

هوش مصنوعی کاربردهای مختلفی در پزشکی و مراقبت‌های بهداشتی دارد. از هوش مصنوعی در مراقبت‌های بهداشتی برای ساخت ماشین‌های پیچیده‌ای استفاده می‌شود که می‌توانند بیماری‌ها را تشخیص دهند و سلول‌های سرطانی را شناسایی کنند. هوش مصنوعی با استفاده از داده‌های آزمایشگاهی و سایر داده‌های پزشکی می‌تواند به تجزیه و تحلیل شرایط مزمن برای اطمینان از تشخیص زودهنگام کمک کند. هوش مصنوعی می‌تواند با استفاده از ترکیب داده‌های تاریخی و هوش پزشکی، داروهای جدیدی کشف کند.

فیلم آموزش یادگیری عمیق در پزشکی
اینجا کلیک کنید

انواع الگوریتم های هوش مصنوعی

الگوریتم‌های متعددی در یادگیری ماشین و داده‌کاوی برای «دسته‌بندی» (Classification)، «خوشه‌بندی» (Clustering) و مدل‌سازی داده‌ها مورد استفاده قرار می‌گیرند که برخی از معروف‌ترین و پرکاربردترین این الگوریتم‌ها در این بخش معرفی شده‌اند. انواع الگوریتم‌های هوش مصنوعی را می‌توان در سه دسته اصلی «یادگیری با نظارت» (Supervised Learning)، «یادگیری بدون نظارت» (Unsupervised Learning) و «یادگیری عمیق» (Deep Learning) جای داد.

انواع الگوریتم های یادگیری با نظارت در هوش مصنوعی

یادگیری نظارت شده زیرمجموعه‌ای از یادگیری ماشین و هوش مصنوعی است که با استفاده از مجموعه داده‌های برچسب‌گذاری‌شده برای آموزش مدل‌هایی تعریف می‌شود که داده‌ها را طبقه‌بندی یا نتایج را با دقت پیش‌بینی می‌کنند. یادگیری تحت نظارت به سازمان‌ها کمک می‌کند تا انواع مشکلات دنیای واقعی را در مقیاس بزرگ حل کنند. مهم‌ترین الگوریتم‌های نظارت‌شده در ادامه فهرست شده‌اند.

  • «رگرسیون خطی» (Regression)
  • «رگرسیون لجستیک» (Logistic Regression)
  • «شبکه عصبی مصنوعی» (Artificial Neural Network | ANN)
  • «ماشین بردار پشتیبان» (Support Vector Machine | SVM)
  • «K نزدیک‌ترین همسایه» (K-Nearest Neighbors | KNN)
فیلم آموزش یادگیری ماشین و پیاده سازی در پایتون Python – بخش یکم
اینجا کلیک کنید

انواع الگوریتم های یادگیری بی نظارت در هوش مصنوعی

یادگیری بدون نظارت از الگوریتم‌های یادگیری ماشین برای تجزیه و تحلیل و خوشه‌بندی مجموعه داده‌های بدون برچسب استفاده می‌کند. این الگوریتم‌ها الگوهای پنهان یا گروه‌بندی نهفته در داده‌ها را بدون نیاز به دخالت انسان کشف می‌کنند. توانایی این روش در کشف شباهت‌ها و تفاوت‌ها در اطلاعات، آن را به راه‌حلی ایده‌آل برای تجزیه و تحلیل داده‌های اکتشافی، گروه‌بندی مشتریان و تشخیص تصاویر تبدیل می‌کند. فهرست مهم‌ترین الگوریتم‌های یادگیری بی‌نظارت در ادامه آمده است.

  • خوشه‌بندی (Clustering)
    • K-means (لوید | Lloyd)
    • سلسله مراتبی (Hierarchical)
  • قواعد انجمنی (Association Rules)
فیلم آموزش یادگیری ماشین و پیاده سازی در پایتون Python – بخش دوم
اینجا کلیک کنید

یادگیری تقویتی در هوش مصنوعی

«یادگیری تقویتی» (Reinforcement Learning) یک روش آموزش یادگیری ماشینی بر اساس پاداش دادن به رفتارهای دلخواه و/یا تنبیه رفتارهای ناخواسته است. به طور کلی، یک عامل یادگیری تقویتی قادر است محیط خود را درک و تفسیر کند، اقداماتی انجام دهد و از طریق آزمون و خطا یاد بگیرد.

مطلب پیشنهادی:

یادگیری تقویتی (Reinforcement Learning) — راهنمای ساده و کاربردی

شروع مطالعه

 

هوش محاسباتی

«هوش محاسباتی» (Computational Intelligence | CI) تئوری، طراحی، کاربرد و توسعه پارادایم‌های رایانشی با انگیزه بیولوژیکی و زبانی است. به طور سنتی سه ستون اصلی CI، شامل شبکه‌های عصبی، سیستم‌های فازی و رایانش تکاملی است. البته بسیاری از الگوهای محاسباتی الهام گرفته شده از طبیعت در طول زمان تکامل یافته‌اند. بنابراین CI حوزه‌ای در حال تکامل است و در حال حاضر علاوه بر سه بخش اصلی، پارادایم‌های رایانشی مانند هوش محیطی، زندگی مصنوعی، یادگیری فرهنگی، «شبکه‌های غدد درون‌ریز مصنوعی» (Artificial Endocrine Networks)، استدلال اجتماعی و «شبکه‌های هورمونی مصنوعی» ( Artificial Hormone Networks) را در بر می‌گیرد.

هوش محاسباتی نقش مهمی در توسعه سیستم‌های هوشمند موفق، شامل بازی‌ها و سیستم‌های رشد شناختی ایفا می‌کند. در چند سال گذشته، تحقیقات گسترده‌ای در زمینه یادگیری عمیق، به‌ویژه شبکه‌های عصبی پیچشی عمیق صورت گرفته است. امروزه یادگیری عمیق به روش اصلی در هوش مصنوعی تبدیل شده است. در واقع، برخی از موفق‌ترین سیستم‌های هوش مصنوعی مبتنی بر CI هستند. در ادامه تعدادی از مهم‌ترین الگوریتم‌ها و روش‌های مورد استفاده در هوش محاسباتی به طور مختصر معرفی و شرح داده شده‌اند.

شبکه های عصبی

شبکه‌های عصبی مصنوعی (ANN) شبکه‌های موازی توزیع شده‌ای هستند که با الهام از مغز و اعصاب انسانی، توانایی یادگیری و تعمیم از مثال‌ها را دارند. این حوزه تحقیقاتی شامل NNهای پیشخور، NNهای بازگشتی، NNهای خودسازمانده، یادگیری عمیق، شبکه‌های عصبی پیچشی و غیره است.

مطلب پیشنهادی:

شبکه عصبی چیست ؟ — کامل و به زبان ساده

شروع مطالعه

سیستم های فازی

سیستم‌های فازی (FS) با الهام از زبان انسانی، عدم دقت زبانی را مدل‌سازی می‌کنند و مسائل نامشخص را بر اساس تعمیم منطق سنتی حل می‌کنند که ما را قادر می‌سازد تا استدلال تقریبی را انجام دهیم. این حوزه تحقیقاتی شامل مجموعه‌ها و سیستم‌های فازی، خوشه‌بندی و طبقه‌بندی فازی، کنترل‌کننده‌های فازی، خلاصه‌سازی زبانی، شبکه‌های عصبی فازی، مجموعه‌ها و سیستم‌های فازی نوع ۲ و غیره است.

محاسبات تکاملی

محاسبات تکاملی (Evolutionary Computing) با الهام از فرایندهای تکاملی و شبیه‌سازی آن‌ها، مسائل بهینه‌سازی را با تولید، ارزیابی و اصلاح جمعیتی از راه‌حل‌های ممکن حل می‌کند. محاسبات تکاملی شامل الگوریتم‌ ژنتیک، برنامه‌ریزی تکاملی، استراتژی‌های تکاملی، برنامه‌ریزی ژنتیکی، هوش ازدحامی، تکامل دیفرانسیل، سخت‌افزار تکامل‌پذیر، بهینه‌سازی چندهدفه و غیره است.

فیلم آموزش مبانی محاسبات تکاملی و بهینه سازی هوشمند
اینجا کلیک کنید

سوالات رایج و پرتکرار

در این بخش به تعدادی از سوالات متداول و پرتکرار در رابطه با انواع هوش مصنوعی و مفاهیم وابسته به آن پرداخته شده است تا بتوان در حد امکان ابهامات را در این خصوص برطرف کرد.

رایج‌ترین نوع هوش مصنوعی کدام است؟

رایج‌ترین نوع هوش مصنوعی، هوش مصنوعی محدود است. هوش مصنوعی محدود نمی تواند فراتر از حوزه یا محدوده خود عمل کند، زیرا فقط برای یک کار خاص آموزش دیده است. این نوع هوش مصنوعی نشان دهنده تمام هوش مصنوعی موجود، از جمله پیچیده ترین و توانمندترین هوش مصنوعی است که تا به امروز ایجاد شده است. هوش مصنوعی محدود در واقع به سیستم‌های هوش مصنوعی اطلاق می‌شود که تنها می‌توانند یک کار خاص را به صورت مستقل و با استفاده از قابلیت‌های شبیه انسان انجام دهند. این ماشین‌ها نمی‌توانند کاری بیش از آنچه برای انجام آن برنامه‌ریزی شده‌اند انجام دهند و بنابراین دارای طیف بسیار محدود یا باریکی از قابلیت‌ها هستند.

هوش مصنوعی قوی و ضعیف چیست؟

هوش مصنوعی ضعیف نوعی هوش مصنوعی است که بر روی یک کار یا مسئله محدود متمرکز شده است. تمام سیستم‌های هوش مصنوعی موجود در حال حاضر در واقع هوش مصنوعی از نوع ضعیف هستند. هوش مصنوعی قوی ماشینی است که دارای آگاهی و احساس است. هوش مصنوعی قوی یک ماشین فرضی است که قادر است مانند یک انسان به تنهایی فکر کند و کارها را انجام دهد.

تفاوت یادگیری ماشین و هوش مصنوعی چیست؟

هوش مصنوعی به سیستم‌ها یا ماشین‌هایی اطلاق می‌شود که از هوش انسان برای انجام وظایف تقلید می‌کنند و می‌توانند بر اساس اطلاعاتی که جمع‌آوری می‌کنند، خود را به طور مکرر بهبود بخشند. یادگیری ماشینی زیرمجموعه هوش مصنوعی از الگوریتم‌هایی استفاده می‌کند تا به‌طور خودکار بینش‌ها و الگوها را بیاموزد و از این یادگیری برای تصمیم‌گیری بهتر استفاده کند.

در کدام زمینه ها از هوش مصنوعی بیشتر استفاده می شود ؟

استفاده از هوش مصنوعی در زمینه ها و حوزه های زیر کاربرد بیشتری دارد:

  • خرده‌ فروشی، خرید و مد.
  • امنیت و نظارت.
  • تجزیه و تحلیل ورزشی.
  • ساخت و تولید.
  • مدیریت سهام.
  • خودروهای خودران.
  • مراقبت‌های بهداشتی و تجزیه و تحلیل تصویربرداری پزشکی.
  • انبارداری و زنجیره تامین لجستیک.

جمع‌بندی

در این مقاله به انواع هوش مصنوعی پرداخته شد. هوش مصنوعی بر اساس قابلیت‌ها و کارکردهایش تقسیم‌بندی می‌شود. انواع AI‌ بر اساس قابلیت‌ها شامل موارد زیر است.

  1. هوش مصنوعی محدود
  2. هوش مصنوعی قوی
  3. هوش مصنوعی برتر

همچنین انواع هوش مصنوعی بر اساس کارکرد نیز به چهار دسته‌ی زیر تقسیم می‌شود.

  1. ماشین‌های انفعالی
  2. نظریه محدود
  3. نظریه ذهن
  4. خود آگاهی

در این مقاله علاوه بر موارد فوق، مباحثی چون انواع کاربردها، به‌خصوص کاربردهای هوش مصنوعی در سبک زندگی و در پزشکی و همین‌طور انواع الگوریتم‌های هوش مصنوعی را نیز پوشش داده است. ما ممکن است از ماشین‌هایی که خودآگاه هستند و قادر به حل همه مسائل هستند فاصله زیادی داشته باشیم، اما توجه‌مان را باید بر درک این موضوع متمرکز کنیم که ماشین‌ها چگونه به طور مستقل یاد می‌گیرند و آموزش می‌بینند. باید توانایی تصمیم‌گیری ماشین بر اساس تجربیات گذشته را بهبود دهیم.

0 Reviews

→ خواندن مطلب قبلی

تأملی بر فیواستارهای توئیتر فارسی در زمستان ۱۴۰۱: اکانت‌های سیاسی و عمدتا ناشناس فضای توییتر را شکل داده‌اند

نوشتن نظر شما

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محبوب ترین