تکنوو هر روز با تکنولوژی روز

هوش مصنوعی در علوم

انقلاب هوش مصنوعی در علوم

از زمان های گذشته در هر بازه ی زمانی  توانایی جمع آوری داده ها برای بشر رو به ترقی بوده است . مثلا در  علوم زیستی با پایگاه داده بزرگ و در حال رشد از اطلاعات ژنوم و پروتیین ها روبه رو می شویم ، در علوم نجومی با پتابایت ها  اطلاعات مترقی و متغیر شامل نتایج بررسی و نقشه برداری از فضا، روبه رو هستیم . در علوم شبکه های اجتماعی با جاری شدن میلیون ها پست و تویت در سراسر اینترنت، مواجه خواهیم بود. طوفان این همه اطلاعات می تواند بینش و قدرت تحلیل انسان را دچار سردرگمی کند اما پیشرفت های حوزه کامپیوتر منجر به ساخت و پرورش ابزارهایی برای درک و کنترل داده ها و اطلاعات لجام گسیخته، خواهد شد انقلاب هوش مصنوعی در علوم در پی خواهد داشت.

در انقلابی که در اکثر زمینه های علوم شاهد آن هستیم محققان در حال رها سازی هوش مصنوعی در علوم مختلف و در پهنه اطلاعات و پردازش ها هستند. البته در شکل جدید شبکه های عصبی که در جریان سهمگین داده ها قرار میگیرند، نیازی به برنامه ریزی کردن شبکه با مهارت هایی که از دانش بشر برخواسته نیست، که البته بر خلاف مفاهیم و مقاصد قدیمی تر هوش مصنوعی می باشد. شبکه های عصبی با در اختیار گرفتن مجمو عه های بزرگ داده و یافتن الگو ها و موقعیت یابی ناهنجاری ها در مجموعه های اطلاعاتی شلوغ که از عهده انسان ها خارج است، به خودی خود مهارت های جدید را فرا می گیرند.

هوش مصنوعی تنها در حال تغییر دادن و دگرگون کردن علوم نیست همین حالا هم هوش مصنوعی به وسیله گوشی هوشمندتان با شما صحبت می کند، ماشین های بدون راننده را در جاده ها به پیش می برد و صدها مثال دیگر. آینده نگرهای نگران در مورد موج عظیم بیکاری ناشی از هوش مصنوعی همواره هشدار می دهند اما دانشمندان چشم انداز روشنی را برای آینده متصور می شوند زیرا هوش مصنوعی می تواند سرعت تحقیق و گسترش دانش را با شتاب زیاد اضافه کند.

برخلاف یک دانشجوی فارغ التحصیل یا فوق دکترا، شبکه های عصبی مصنوعی نمی توانند در مورد نحوه فکر کردن و رویدادهای تحلیلی خود توضیحی ارائه دهند و محاسبات منجر به جواب از دید ما مخفی هستند که این امر موجب پدید آمدن شاخه علمی به نام روانکاوی یا عصب شناسی هوش مصنوعی شده است، که تلاشی است برای دستیابی به درون جعبه سیاه شبکه های عصبی .در حال حاظر  پایش درونی ماشین های هوش مصنوعی فعلا به یکی از مهمترین رکن های توسعه ی این علم تبدیل شده است.

مردم چه چیزی را از عبارت هوش مصنوعی برداشت می کنند؟ مرزهای حوزه تعریف این رویداد فعلا برای کسی آشکار نیست و هوش مصنوعی در علوم زیادی مورد استفاده قرار گرفته است . در سال ۱۹۵۶ در کارگاهی متعلق به دانشگاه دارتموث هانور ، هوش مصنوعی به عنوان ویژگی های یک ماشین تعریف شد که وجود این ویژگی ها در انسان هوش را پدید می آورند. یادگیری ماشینی (machine learning) اخیرا پیشرفت بسیار مهمی در حوزه هوش مصنوعی بوده است و نمونهای از آن را در بررسی کننده املا یا Spellchecher، که در اسمارتفون ها مورد استفاده است دیده اید و یا در خودروهای بدون راننده ای که رانندگی را از نو فقط با پایش رفتار راننده انسانی و وضعیت خودرو فرا میگیرند . machine learning قالبا توسط زبان برنامه نویسی پایتون پیاده می شود و کسانی که به هوش مصونی و machine learning علاقه مند هستند در این لینک می تواند آموزش پایتون خوبی را مشاهده کنند.
بد نیست با برخی از اصطلاحات این انقلاب عظیم زیبا و شاید ترسناک آشنا شویم :

آلگوریتم : مجموعه ای از دستورالعمل های قدم به قدم که می تواند ساده باشند ( آلگوریتمی که در ساعت ۳ پیغامی را بفرستد ) یا پیچیده باشند (آلگوریتم شناسایی عابر پیاده ).

بازپردازش : روش یادگیری بسیاری از شبکه های عصبی بازپرداخت و یا بازپردازش می باشد. شبکه ها  میتوانند خروجی های خود را با خروجی های مطلوب مقایسه کنند و با اجرای ترتیبی معکوس توابع وارون، راه حل را به سمت جواب های مطلوب تغییر دهند .

جعبه سیاه : توصیفی برای عمق ماشین ها یا سیستم های یادگیری خودکار. سیستم ورودی را در اختیار میگیرد و خروجی را تحویل میدهد اما محاسباتی که در این مسیر انجام شده اند برای انسان ها به راحتی قابل درک نیستند.

یادگیری عمیق :  رشد درک شبکه های عصبی با لایه های چندگانه به الگوهای مفهومی بیشتر .

سیستم کارشناس : نوعی از هوش مصنوعی که در راه تکثیر و تکرار تخصص های انسانی  در یک محدوده فعالیت می کند، مانند انسان های مشغول در یک آزمایشگاه تشخیص طبی. این سیستم دانش به دست آمده را با مجموعه ای از قانون هایی که از قبل توسط انسان کدنویسی شده اند، ترکیب می کند تا دانشی جدید و تایید شده را به دست آورد. مکانیزم های یادگیری ماشینی به تدریج جایگزین کدنویسی دستی خواهند شد.

یادگیری ماشینی : استفاده از آلگوریتم ها برای یافتن الگوهایی در مابین داده ها بدون داشتن دستورالعملی صریح. یک سیستم باید بتواند یاد بگیرد که چگونه متعلقات ورودی ها مانند عکسها و خروجی ها مانند برچسب ها را به هم وابسته کند.

پردازش زبان طبیعی : توانایی یک کامپیوتر برای فهم زبان از روی نوشته یا گفتار.

شبکه عصبی : بهره گیری از ماشین های یادگیری با مفاهیم ساده سازی شده و برگرفته از ساز و کار مغز انسان.

چیپ شبه عصبی : یک چیپ کامپیوتری که طراحی آن برگرفته از شبکه های عصبی می باشد و مانند آن ها عمل می کند. این چیپ می تواند صرفا یک چیپ آنالوگ یا دیجیتال باشد یا ترکیبی از هردوی آن ها .

پرسپتران ( persepatron ) : مدلی ابتدایی از شبکه های عصبی که در دهه ۱۹۵۰ توسعه یافت . تبلیغات زیادی برای آن ترتیب داده شد اما در عمل به دلیل محدودیت های اجرایی گسترده ، بازار توسعه و اخبار شبکه های عصبی مصنوعی را به تعطیلی چند ساله کشاند.

یادگیری تقویت شده : نوعی از یادگیری ماشینی که در آن کامپیوتر با پیاده کردن راه کاری برای دستیابی به هدف مشخص و از پیش تعیین شده ، خود را آموزش می دهد.

هوش مصنوعی قوی : هوش مصنوعی بسیار با ذکاوت در سطح هوش انسان. در حال حاظر برای بعضی این امر محال به نظر می رسد.

یادگیری با نظارت مستمر : نوعی دیگر از یادگیری که در آن آلگوریتم به طور مداوم نتایج را با جواب های صحیح در طول آموزش مقایسه می کند. در یادگیری بدون نظارت ، آلگوریتم به دنبال یافتن الگوهایی در مجموعه ای از داده ها، کاوش می کند.

تنسرفلو (TENSERFLOW ) :  مجموعه ای از برنامه های توسعه داده شده توسط هلدینگ آلفابت یا همان گوگل برای به کار گیری در یادگیری عمیق ماشینی. این ابزارها منبع باز می باشند و هرکسی در توسعه و بهبود آن میتواند ایفای نقش کند. پروژه های مشابهی مانند Tourch و Theano وجود دارند.

یادگیری انتقالی : تکنیکی در یادگیری ماشینی که در آن آلگوریتم ، تجربیات قبلی در حل مسائل را در مسائل پیچیده تر و جدیدتر اما متشابه و یا مرتبط ، به کار میگیرد.

آزمون تورینگ :  تستی برای سنجش میزان هوش یک ماشین می باشد. در این تست دو انسان و یک ماشین با هم به گفت و گو می پردازند و یکی از انسان ها به عنوان قاضی باید انسان واقعی را از ماشین تشخیص دهد، اگر شخص قضاوت کننده فریب بخورد و ماشین را در جایگاه انسان واقعی انتخاب کند ، ماشین آزمون را با موفقیت پشت سر گذاشته است.