درک معنی اصطلاحات مهم در حوزه هوش مصنوعی که هر فردی باید با آنها آشنا باشد
امروزه هوش مصنوعی با سرعت بسیار زیادی به زندگی دیجیتال ما رخنه کرده و شاهد تاثیرات و نقش‌های مختلف آن در زندگی دیجیتال خودمان هستیم؛ از جمله مطالبی که در شبکه‌های اجتماعی برای ما انتخاب می‌شوند، تشخیص چهره افراد و یا حیوانات در تصاویر و حتی پیشگیری از وقوع تصادف در جاده‌ها. اگر شما هم تمایل به کسب اطلاعات بیشتر درباره هوش مصنوعی دارید، باید کار را با درک اصطلاحات پایه این حوزه شروع کنید.
به همین دلیل ما واژه نامه هوش مصنوعی را گردآوری کردیم و در آن پنج مورد از مهم‌ترین کلمات و عبارت این حوزه را به شما معرفی می‌کنیم تا درک بهتری از این حوزه تکنولوژی پیدا کنید.
اما باید توجه داشت که لزوماً همه درباره تعریف دقیق این کلمات توافق ندارند بنابراین ممکن است در وبسایت‌های مختلف شاهد کاربردهای متفاوتی از این کلمات باشید. سعی ما این بوده که تا حد امکان از تعاریف متداول‌تر این کلمات استفاده کنیم اما با توجه به رشد سریع و نو بودن این حوزه باز هم امکان مشاهده اختلاف درباره تعریف این مفاهیم وجود دارد.

•بررسی طرح‌های بلندپروازانه مایکروسافت در حوزه هوش مصنوعی

1. الگوریتم‌ها
الگوریتم‌ها مجموعه‌ای از قواعد هستند که برنامه‌های کامپیوتری قادر به دنبال کردن و پیروی از آنها هستند؛ بنابراین اگر بهترین دوست شما عکسی در فیسبوک منتشر کند، طبق این قواعد این عکس باید بالای بخش News Feed اکانت فیسبوک شما قرار بگیرد. یا مثلاً اگر قرار است روی گوگل مپ از محل A به محل B حرکت کنید، یک الگوریتم می‌تواند به شما برای پیدا کردن سریع‌ترین مسیر کمک کند.
معمولاً این قوانین که کامپیوترها آنها را دنبال می‌کنند، توسط انسان‌ها مشخص می‌شوند – بنابراین در مثال ما مهندسین فیسبوک باید مشخص کنند چه مطالبی مهم‌تر هستند و یا مهندسین گوگل باید تعیین کنند چه مسیرهایی سریع‌ترین مسیرها هستند. اما هوش مصنوعی سعی دارد با استفاده از یادگیری ماشینی این الگوریتم‌ها را تغییر داده و جابجا کند تا نرم افزارها بتوانند خودشان این قواعد و قوانین را سازماندهی کنند. مثل اینکه گوگل مپدر صورت دریافت داده‌هایی مبنی بر مسدود شدن یک جاده، الگوریتم انتخاب سریع‌ترین مسیر را تغییر دهد.
اما گاهی اوقات مثلاً در حوزه شناسایی تصویر ممکن است اشتباهاتی رخ دهد و با وجود استفاده از همان قواعد الگوریتمی قبلی، نتایج به دست آمده اشتباه باشد. مثلاً ممکن است شما در جستجوی گربه باشید اما تصویر سگی را مشاهده کنید که به گربه شباهت دارد. در مجموع، الگوریتم‌ها بلاک‌های سازنده اصلی یادگیری ماشینی هستند.

2. هوش مصنوعی
اما تعریف خود هوش مصنوعی چیست؟ هر چند پاسخ‌های مختلفی برای این سوال وجود دارد اما به صورت کلی هوش مصنوعی به هر نوع هوشی گفته می‌شود که به صورت مصنوعی ایجاد شود.
مثلاً از آنجا که تلاش شده Siri شبیه یک انسان واقعی به شما پاسخ دهد، پس هوش مصنوعی است یا با توجه به اینکه Google Photos اطلاع دارد که شکل و ظاهر گربه به چه صورت است، پس در آن هم هوش مصنوعی وجود دارد. یا مثلاً آنتونی دنیلز در نقش C-3PO در فیلم جنگ ستارگان – ربات متفکر و سخنگویی که در اصل توسط انسان کنترل می‌شد – نقش یک هوش مصنوعی را دارد.
تعریف هوش مصنوعی بسیار وسیع و گسترده است و به همین علت همیشه ابهاماتی در رابطه با این مفهوم وجود داشته است. هوش مصنوعی رویکردها و انواع متفاوتی دارد بنابراین باید این تفاوت‌ها را درک کنید چون وقتی گفته می‌شود، وسیله یا سیستمی مجهز به هوش مصنوعی است، طیف وسیعی از تکنولوژی‌های مختلف می‌توانند در آن به کار رفته باشند.

3. یادگیری عمیق
یادگیری عمیق یکی از انواع یا زیرمجموعه‌های یادگیری ماشینی است و به همین دلیل بسیاری از اوقات این دو اصطلاح با هم ترکیب می‌شوند و در خیلی مواقع برای توصیف یک هوش مصنوعی می‌توان از هر دوی این اصطلاحات استفاده کرد. یادگیری عمیق هم نوعی یادگیری ماشینی است اما با توجه به لایه‌ها و ظرافت‌های بیشتری که دارد، طوری طراحی شده که هوشمندتر باشد و شبیه‌تر به مغز انسان کار کند.
دو پیشرفت تکنولوژیکی همواره منجر به تقویت یادگیری عمیق شده اند که این دو پیشرفت عبارتند از: جمع آوری داده‌های بیشتر و قوی‌تر شدن سخت افزارها. به همین دلیل هر چند ریشه‌های اصلی این مفهوم به دهه‌ها قبل برمی گردد، اما به تازگی شاهد متداول شدن آن هستیم.
خیلی از اوقات در یادگیری ماشینی از شبکه‌های عصبی برای اضافه کردن لایه‌های هوشمندی استفاده می‌شود. مثلاً یادگیری عمیق و یادگیری ماشینی هر دو می‌توانند با اسکن میلیون‌ها عکس گربه، یک گربه را در یک عکس تشخیص دهند – اما تفاوت این دو از این جهت است که برای سیستمی که با یادگیری ماشینی کار می‌کند باید ویژگی‌های گربه را مشخص کرد اما یادگیری عمیق می‌تواند خودش با بررسی داده‌های خام (در صورت کافی بودن این داده‌ها) تشخیص دهد که شکل گربه به چه صورت است.

4. یادگیری ماشینی
اما همانطور که اشاره شد، یادگیری ماشینی به گونه‌ای است که با بررسی کامل نمونه‌ها، قادر به تشخیص ویژگی‌ها و یادگیری آنها است. یکی از کاربردهای شناخته شده یادگیری ماشینی، بحث شناسایی تصویر است. اگر به چنین سیستمی تعداد کافی عکس گربه ارائه کنید، در نهایت وقتی یک عکس گربه متفاوت به آن بدهید بدون کمک اپراتور انسانی می‌تواند گربه را در عکس تشخیص دهد. با پیشرفت هوش مصنوعی و فراتر رفتن آن از برنامه نویسی‌های ساده و ابتدایی، آموزش آن با استفاده از داده‌ها و بحث یادگیری ماشینی شکل گرفت.
یک مثال خوب دیگر از یادگیری ماشینی برنامه AlphaGo از گوگل است که توسط انسان آموزش دیده اما خود آن بر اساس این آموزش‌ها قادر به تصمیم گیری است. یکی دیگر از نکاتی که AlphaGo به خوبی آن را مشخص می‌کند این است که خیلی از انواع هوش مصنوعی کاربرد خاصی دارند و تک منظوره هستند؛ مثلاً این سیستم در انجام بازی Go مهارت فوق العاده‌ای دارد اما برای حرکت دادن یک ماشین خودکار کاملاً بلا استفاده است.

5. شبکه‌های عصبی
شبکه‌های عصبی که ارتباط تنگاتنگی با یادگیری عمیق دارد، سعی دارد فرایندهای مغز انسان را با توجه به اطلاعاتی که تا به امروز درباره عملکرد آن داریم، شبیه سازی کند. باز هم باید اشاره کرد که توسعه و پیشرفت شبکه‌های عصبی تنها در چند سال اخیر و با استفاده از پردازشگرهای پیشرفته میسر شده است.
این یعنی وجود لایه‌های مختلفی در شبکه عصبی که در آن به جای بررسی یک عکس و تصمیم گیری درباره اینکه آیا گربه‌ای در آن هست یا خیر، ویژگی‌های مختلف گربه و عکس در نظر گرفته می‌شود و به هر کدام یک درجه اهمیت تعلق می‌گیرد. نتیجه نهایی ایجاد یک موتور تشخیص گربه است که دقت بسیار بالاتری دارد (و به همین علت در سالهای اخیر حوزه شناسایی تصاویر پیشرفت زیادی پیدا کرده است).
اگر این مفهوم برای شما قابل درک نیست نباید نگران باشید چون بحث شبکه‌های عصبی از جمله مفاهیمی نیست که بتوانید آن را با یک توضیح مختصر در حد چند پاراگراف درک کنید. در مجموع، می‌توان آن را یکی دیگر از ابزارهای یادگیری ماشینی برشمرد که برای شبیه سازی برخی از ظرافت‌های هوش انسانی ساخته شده است.