هوش مصنوعی و شباهت بسیار آن به مغز انسان
اکثر افراد واژههای هوش مصنوعی یادگیری عمیق و یادگیری ماشینی را بهجای یکدیگر به کار میگیرند. درصورتیکه مفاهیمی متفاوت هستند. اما تفاوت آنها چیست؟
مفهوم هوش مصنوعی در سال ۱۹۵۶ در آمریکا مطرح شد. هنگامیکه مهندسان تلاش کردند یک برنامه کامپیوتری را با تقلید از هوش بشر بنویسند.
هدفشان این بود که کامپیوترها وظایفی که مختص انسان بود را انجام دهند. الان تورینگ سالهای آخر عمر خود را صرف این مطلب کرد که آیا کامپیوترها هم میتوانند فکر کنند یا نه.
تورینگ در آزمایشی که طراحی کرد، اثبات کرد ماشینها میتوانند از خودشان رفتار هوشمندانه نشان دهند اما الزاما هوشمند نیستند.
هوش مصنوعی اغلب به دو دسته اصلی تقسیمبندی میشود. سیستم Artificial intelligence محدود که فقط در یک کار خاص باهوش است.
و سیستم هوشمصنوعی عمومی که ما در فرهنگ عامی بیشتر با این دسته آشنا هستیم.
یادگیری ماشین
با توجه به اینکه مسائل با تکنیکهای اولیهای که در هوش مصنوعی استفاده میشد قابلحل نبود. برای چیزهایی مثل خارج کردن معنی از متن و شناسایی تصاویر الگوریتمهایی با کد مشخص کار نمیکردند.
بنابراین مشخص شد که تنها تقلید رفتار انسان راه حل نیست و تقلید چگونگی یادگیری انسانها نیز مهم است. ایده اصلی پشت یادگیری ماشینی این است که مقدار زیادی داده به یک الگوریتم بدهید و اجازه دهید که از چیزها سر دربیاورد.
به عنوان مثال دادههای معاملات مالی را به یک الگوریتم بدهید.
و از آن بخواهید که دادههای جعلی را مشخص کند و اجازه دهید تا الگوریتم بفهمد چه چیزی کلاهبرداری را نشان میدهد تا در آینده هم بتواند پیشبینی کند.
یادگیری ماشینی یک مسئله را به بخشهای مختلف تقسیم میکند درنهایت هرکدام از بخشها را به ترتیب حل و باهم ترکیب میکند تا یک پاسخ واحد به مسئله بدهد.
در یادگیری ماشینی، کامپیوتر یا ربات موردنظر این توانایی را دارد تا بهمرورزمان به خود آموزش دهد و با مقایسه کردن خروجیها و ورودیهایش بهتدریج دقیقتر از قبل عمل کند.
شباهت مغز انسان و شبکه هوش مصنوعی
دانشمندان نشان دادند که مغز از طریق یک شبکه پیچیده از نرونها اطلاعات را تولید میکند. مغز انسان از این اتصالات الکتریکی ساختهشده که مسیرهای عصبی را تولید میکند.
مسیرها از طریق بدن انسان اطلاعات را منتقل میکنند و امکان فکر کردن، حرکت و تنفس را به انسان میدهند.
اگر این مسیرها به طور مستقل از یکدیگر عمل میکردند انسان نمیتوانست بین افکارش ارتباط برقرار کند و عکس العمل آرامی داشت.
رابطه بین همه این مسیرها لازمه موفقیت این سیستم است که پردازش همزمان دادهها را ارتقا میدهد. یادگیری عمیق دقیقا همانند این شبکه نورونها است.
کامپیوترها میتوانند با مدیریت همزمان دادههای زیاد، زمان لازم برای پردازش دادهها را بهطور قابلملاحظه ای کاهش دهند.
تکنیک یادگیری عمیق شبکههای عصبی مصنوعی را بهبود بخشیده است.
این شبکهها از یکسری گره ورودی برای دریافت داده و گره خروجی برای نتیجهگیری داده و یکسری لایه گره که در وسط قرار دارد ساخته شدهاند.
هدف، تبدیل داده ورودی به چیزی است که گره خروجی بتواند از آن استفاده کند. در اینجاست که لایههای پنهان کاربرد دارند.
با پیشرفت داده در طول این گرههای پنهان، شبکه عصبی در مورد این که کدام گره باید داده را به گره بعدی برساند به صورت منطقی تصمیمگیری میکند.
گوگل دادههای زیاد خود را با استفاده از هوشمصنوعی مدیریت میکند. جیمیل بهتازگی به صورت هوشمند پاسخ میدهد.
تفاوت هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق
با اینکه یادگیری ماشینی به ما این امکان را میدهد تا معنی بسیاری از دادههایی که ساختهایم را متوجه شویم، بهطور مستقل فکر نمیکند.
برنامه نویسان الگوریتم را طراحی و قوانینی که یادگیری ماشینی باید اجرا کند را اعمال میکنند. البته این اقدام توسعهدهندگان عواقبی هم دارد.
یکی از عواقب یادگیری ماشینی به یکی از مهندسان گوگل در سال ۲۰۱۵ برمیگردد. او دریافت که الگوریتم تشخیص چهره شرکت او، دوستان سیاهپوستش را با برچسب گوریل نشان میدهد.
گوگل سریعا مشکل را با حذف کلمه گوریل از آموزش داده برطرف نمود. یادگیری عمیق ما را یکقدم به این هوش نزدیکتر میکند.
ساختارهای یادگیری عمیق نیاز به آموزشهای اولیه ندارد و بر اساس اطلاعات و منطق سیستم تصمیمگیری میکنند.
شاید این مسئله که تصمیم شبکه از ابتدا برای ما شفاف و روشن نیست ناخوشایند باشد اما این بدان معناست که توانسته هوش انسان را کپی کند.
درنهایت میتوان گفت که هوش مصنوعی یادگیری ماشینی و یادگیری آموزش هدف خاصی را دنبال میکنند.
هوشمصنوعی نشاندهنده مفهومی شبیه به هوش انسانی در ماشین است درصورتیکه یادگیری ماشینی و یادگیری آموزش تلاشی برای رسیدن به این نوع از هوش میباشند.
تعداد شرکتهایی که از هوشمصنوعی استفاده میکنند روزبهروز افزایش مییابد.