مترجم هوشمند مایکروسافت، یک قدم نزدیک‌تر به آینده

“چه می شود اگر نه فاصله و نه زبان مهم باشند؟ چه می شود اگر فناوری بتواند به شما کمک کند در هر کجا که نیاز دارید باشید و به هر زبانی صحبت کنید؟ با استفاده از فناوری هوش مصنوعی و تجربیات هولوگرافی این امر امکان پذیر است و قرار است تحول به پا کند.” این صحبت های جولیا وایت یکی از مدیران ارشد شرکت مایکروسافت است.

دوباره مایکروسافت با یک پروژه خارق العاده همه را غافلگیر کرد. فناوری جدید مایکروسافت که با نام AI neural TTS and holograms معرفی شده است، قادر است هولوگرامی از یک فرد بسازد که توانایی صحبت به هر زبان دلخواه را دارد و فرد می تواند این هولوگرام به هر جای دنیا که نیاز دارد ارسال کند.

از این فناوری فوق العاده توسط جولیا وایت، یکی از مدیران ارشد شرکت مایکروسافت، در کنفرانس Microsoft Inspire 2019 رو نمایی شد. وایت صحبت های خود را با جملاتی شروع کرد که هم یکی از آرزوهای دیرینه انسان را بیان می کرد و هم  چشم انداز شرکت مایکروسافت در سال های آینده را برای حضار تشریح کرد.  این فناوری جدید مایکروسافت شاید بتواند سر آغازی برای رسیدن انسان به قدرت‌های جدید و خارق العاده ای باشد که سال ها نظاره‌گر آن در فیلم های تخیلی بوده‌ایم.

در حین سخنرانی، نسخه هولوگرامی وایت بر روی صحنه ظاهر شد و به زبان ژاپنی سخنرانی او را ادامه داد. این نسخه دقیقا با صدای خود او شروع به سخنرانی کرد و حالات او را در حین صحبت کردن تقلید می کرد. برای این کار مایکروسافت از قبل جولیا وایت را در استودیو واقعیت مختلط خود اسکن کرد و یک نسخه هولوگرامی دقیق از جولیا وایت را تولید کرد.

برای این کار مایکروسافت از از فناوری های Azure AI و تبدیل متن به گفتار neural استفاده کرد. پس از آن از صدای خام وایت استفاده شد تا این هولوگرام قادر باشد که با استفاده از مشخصات صحبت کردن او و امضای صوتی خود او صحبت کند. بااین کار صدای نسخه دیجیتال دقیقا مانند صدای خود وایت است و همان تغییرات آوایی و لحن صحبتی را دارد که خود وایت هنگام سخنرانی همان گونه سخنانش را ادا می کند.

مایکروسافت قبلا نیز از فناوری ساخت هولوگرام از افراد رونمایی کرده بود، اما اینکه به این فناوری قدرت ترجمه سخنان داده است جنبه کاربردی تر و گام فراتری است که تنها با استفاده از HoloLens امکان پذیر بود. در حال حاضر این فناوری یک نسخه اولیه می باشد اما تصور کنید که با پیشرفت این تکنولوژی قادر به انجام چه کارهایی خواهیم بود.

با این حال همین نسخه اولیه نیز چشم اندازی از آینده به ما می دهد که بسیار خارق العاده و جذاب است. بر کسی پوشیده نیست که این فناوری یک پیشرفت چشم گیر برای شرکت مایکروسافت به همراه خواهد داشت. قطعا این فناوری در آینده ای نزدیک بسیار پیشرفته تر و کاربردی تر و نه تنها به صورت یک اسکن از فرد با صحبت های از پیش تعیین شده خواهد بود.

سوپر هوش مصنوعی (Artificial Super Intelligence)

همه ی ما به تدریج در دنیای دیجیتال به استفاده روزمره از هوش مصنوعی در زندگی، بدون اینکه متوجه باشیم، عادت کرده ایم. از دستیارهای هوشمند (همانند سیری و دستیار گوگل) گرفته تا الگوریتم هایی که در اپلیکیشن هایی که با آن ها کار میکنیم
پیشنهادات مختلفی به ما ارائه می دهند و ما روزانه از آن ها استفاده می کنیم هوش مصنوعی هستند. هوش مصنوعی روز به روز در حال پیشرفت و حل تسک های سخت تری می باشد. با وجود همه ی این پیشرفت ها، بشر هنوز نتوانسته است به نوعی از هوش مصنوعی دست یابد که برتر از هو ش انسانی باشد. این نوع از هوش مصنوعی که از آن به عنوان سوپر هوش مصنوعی یاد می شود، از دو نوع دیگر از هوش مصنوعی (یعنی هوش مصنوعی محدود و هوش مصنوعی عمومی) توانا تر خواهد بود و به سطحی از آگاهی خواهد رسید که هوش انسان نیز از داشتن آن عاجز است.

سوپر هوش مصنوعی به چه معنا است؟

سوپر هوش مصنوعی در واقع عبارتی است که به زمانی اشاره می کند که ماشین ها دارای هوش فرا بشری خواهند شد و در آن زمان یک ربات قادر خواهد بود که هوش انسانی را کنار بزند. “هوش مصنوعی” در واقع به توانایی ماشین ها به دنبال تقلید از روش فکر کردن انسان می باشد در حالی که “سوپر هوش مصنوعی” سطحی از هوش مصنوعی است که می تواند به راحتی هوش انسانی را کنار بزند و به سطحی بالاتر برسد. در حقیقت ادعا می شود که با دست یافتن به هوش مصنوعی توانایی درک و فهم ماشین ها از سطح انسان عبور خواهد کرد.

بیشتر متخصصان معتقدند که هنوز هیچ جامعه انسانی به سوپر هوش مصنوعی دست نیافته است. تلاش های مهندسان و دانشمندان علم هوش مصنوعی تا به حال برای رسیدن به نقطه ای بود که بتوان آن را هوش مصنوعی کامل نام نهاد، و در این نقطه ماشین ها به توانایی تفکر و سطح آگاهی مشابه به انسان می رسند. با این که پیشرفت هایی در این زمینه وجود داشته است (برای مثال ابر کامپیوتر IBM Watson که توانست در برنامه تلویزیونی Jeopardy که یک مسابقه پرسش و پاسخ بود افراد انسانی شرکت کننده در مسابقه را شکست دهد)، هیچ ماشینی تا به حال به سطحی از درک و شعور و وسعت دانش یک انسان بالغ نرسیده اند. آزمون تورینگ، که در چند دهه قبل بنا نهاده شد، هنوز هم برای این که بفهمیم یک ماشین تا چه حد در گفتار و تفکر به انسان شبیه است استفاده می شود و هنوز هیچ نوع از هوش مصنوعی و ماشین و سیستمی نتوانسته است این آزمون را پشت سر بگذارد.

هرچند نظریه هایی وجود دارند که بیان می کنند که رسیدن به سوپر هوش مصنوعی از آن چه در ذهن افراد است زودتر اتفاق خواهد افتاد اما باز هم راه طولانی تا رسیدن به ماشین هایی با ذهنی فرا انسانی وجود دارد. با استفاده از نمونه های مانند قانون مور، که تراکم فزاینده ترانزیستور ها را پیش بینی می کند، و با اشاره به مسائلی مانند تکینگی و رشد چشم گیر و استثنائی فناوری، متخصصان اعتقاد دارند که انسان ها قادر به دستیابی به هوش مصنوعی کامل در آینده ای نزدیک خواهند بود و پس از آن سوپر هوش مصنوعی نیز خلق خواهد شد و بدین صورت در قرن بیست و یک می توانیم شاهد ظهور سوپر هوش مصنوعی باشیم.

رسیدن به سوپر هوش مصنوعی، آنچه انسان آن را می خواهد

به هر حال پیش بینی ها حاکی از آن است که در آینده سوپر هوش مصنوعی امکان پذیر خواهد بود، اما سوال اصلی این است که آیا مردم حاضرند تا آن را توسعه دهند و به زندگی خود راه دهند؟ جواب این سوال به طور قطع بله خواهد بود. با سرمایه گذاری ها و پیشرفت هایی که در زمینه فناوری شده است، شرکت های مدعی فناوری خواهان پیشرفت روز افزون و تولید محصولات بی همتا و سود آور خواهند بود. محصولاتی که هیچ یک از هم رقیبانشان آن را ارائه نداده باشد. پس قطعا کمپانی های بزرگ به دنیال خلق چنین محصول قدرتمندی خواهند بود و چه بسا سرمایه گذاری هایی بر روی دستیابی به آن انجام شده است.

در مقابل مردم نیز خواهان کامپیوترها و سیستم ها و برنامه های پیشرفته تر خواهند بود و تمام این پیشرفت ها تکنولوژی را در راه رسیدن به یک سیستم پیشرفته و متعالی قرار خواهد داد.

بر فرض اینکه روزی انسان ها توانستند به سوپر هوش مصنوعی دست یابند، سوال این است که آیا باید از آن روز بترسیم؟ جواب این سوال تا حد زیادی به طرز تفکر و خوش بینی و یا بد بین بودن شما بر می گردد. تصور کنید که برای اداره جامعه به یک نیروی پیشرفته با ذهنی بسیار خارق العاده دسترسی داشته باشیم. نیرویی که می تواند برای حل مشکل ها و پر کردن خلاء های موجود راه حل های پیشرفته و متنوعی ارائه دهد و خیلی از کارهای دیگری که از توان بشر خارج است انجام دهد. آیا این به خودی خود ترسناک خواهد بود؟

اگر محتوا برای شما جالب بود آن را با دوستانتان به اشتراک بگذارید.

استفاده از هوش مصنوعی در مراکز تماس

امروزه دنیای دیجیتال به سرعت نور در حال تغییر و توسعه است و یکی از مهم ترین توسعه هایی که در آن اتفاق افتاده را می توان پیشرفت هوش مصنوعی در سال های اخیر دانست. در عصر جدید با استفاده از هوش مصنوعی ضمن اتوماسیون کردن بخش های به خصوصی از کسب و کارها و صنایع، با کاهش بسیاری از هزینه ها زمینه های رشد و پیشرفت در صنایع مختلف فراهم شده است. هوش مصنوعی و به خصوص یادگیری ماشینی در سال های اخیر راه خود را به مراکز تماس ها باز کرده اند، که باعث شده تا جایگزین بسیار مناسب و کاربردی برای نیروی کار انسانی در ارتباط با مشتریان و خدمات رسانی به آن ها باشد.

در سال های اخیر بسیاری از کسب و کارها در سراسر جهان برای بخش خدمات مشتریان و مراکز تماس خود به هوش مصنوعی روی آورده اند و از سود و پیشرفت هایی که این زمینه جدید برای آن ها به ارمغان آورده است با آغوش باز استقبال نموده اند. با این حال لازم است که صاحبان کسب و کارهای مختلف با هوش مصنوعی و مزیت هایی که این فناوری برای آن ها به همراه خواهد داشت آشنا شوند.

هوش مصنوعی چیست؟

عبارت هوش مصنوعی (artificial intelligence) در واقع اولین بار طی ورکشاپ Dartmouth توسط دانشمندانی که بر روی راه هایی برای پیشرفت یادگیری ماشین کار می کرند، در سال 1955 ابداع شد. از حل کردن مسائل ریاضی ساده تا فهمیدن زبان طبیعی، همه ی این ها جز تسک هایی است که هوش مصنوعی توانسته در طی سال ها فرا بگیرد و انجام دهد و روز به روز بیشتر پیشرفت کند.

امروزه هوش مصنوعی به بخش مهمی از فناوری های دیجیتال تبدیل شده است. با شروع اتوماسیون کردن بخش های به خصوصی از کسب و کارها، از هوش مصنوعی نه تنها به عنوان جایگزینی برای نیروی کار انسانی استفاده شده است، بلکه باعث افزایش عملکرد سرویس های ارائه شده به مشتریان نیز شده است.

یکی از بخش های بخصوصی که هوش مصنوعی می تواند بسیار به پیشرفت آن کمک کند، مراکز تماس کسب و کارها هستند. هوش مصنوعی در مراکز تماس توانسته است سهم چشم گیری در بهبود تجربه مشتریان (customer experience) و کمک به کارمندان این مراکز داشته باشد. کاری که در زمان های گذشته صرفا توسط یک سری کارمند آموزش دیده انجام می شده امروزه با کمک هوش مصنوعی توانسته به سطح بسیار بالاتری از آن چه در گذشته بوده است برسد.

مزیت های هوش مصنوعی برای مراکز تماس

در پس پرده، هوش مصنوعی توانسته مزایای بسیار زیادی برای بخش خدمات مشتریان کسب و کارها به ارمغان بیاورد. هوش مصنوعی توانسته با آماده کردن جواب ها و در اختیار قرار دادن اطلاعات مورد نیاز در زمان بسیار کم برای کارمندان در زمان های تلف شده صرفه جویی کند. این امر باعث شده تا فرآیند سرویس های خدمات مشتریان بسیار کار آمد تر از قبل باشند. علاوه بر آن هوش مصنوعی مزایای دیگری برای مراکز تماس و بخش خدمات مشتریان کسب و کارها خواهد داشت که در ادامه به آن ها اشاره خواهد شد:

ساده و موثر کردن فرآیند: 

همان گونه که گفته شد هوش مصنوعی سهم به سزایی در موثر کردن فرآیند خدمات مشتریان و ساده کردن روند پاسخ به آن ها برای کارمندان مراکز تماس دارد و باعث شده تا مشتریان هر چه راحت تر به اطلاعات مورد نظر خود و جواب سوال هایشان برسند. هوش مصنوعی می تواند گستره ای از کارهای مربوط به خدمات مشتریان را به نحو احسن انجام دهد. از کنار هم گذاشتن اطلاعات مربوط به مشتریان و جواب دادن به سوال های آن ها، راهنمایی کردن افراد در راه درست و… تمام آن ها کارهایی است که هوش مصنوعی می تواند برای سرعت بخشیدن به روند کاری مراکز تماس انجام دهد.

درک صحبت های مشتریان در کسری از ثانیه: 

یکی از کارهایی که هوش مصنوعی در این زمینه انجام می دهد کاهش زمان مورد نیاز کارمندان مراکز تماس برای پاسخگویی به هر مشتری به صورت روزانه می باشد. هوش مصنوعی با دادن میزان قابل توجهی اطلاعات و جزئیات مورد نیاز برای پاسخگویی به هر مشتری زمان پاسخگویی به هر مشتری را کاهش می دهد (در زمان گذشته این روند با رجوع کارکنان به آموخته های قبلی و پاسخگویی به مشتری از دانسته ها صورت می گرفت که اکثر اوقات درصدی از خطا و طولانی شدن روند را به همراه داشت).

شناسایی زبان: 

این مزیت به طور قطع یکی از مهم ترین دستاورد های هوش مصنوعی خواهد بود. توانایی هوش مصنوعی برای شناخت زبان طبیعی و گویش های مختلف باعث شده تا فرآیند برقراری ارتباط با مشتریان با کمپانی ها بهتر انجام شود. با اتوماسیون شدن شناخت زبان طبیعی فرآیند ارتباط با مشتریان سرعت و کارایی بیشتری یافته است و به همین دلیل مشتریان می توانند راحت تر و سریع تر به جواب سوالات و اطلاعات مورد نیاز خود دست یابند و به درستی در صورت نیاز به بخش های مختلف هدایت شوند.

با پیشرفت های هوش مصنوعی در سال های گذشته، اپراتورهای هوش مصنوعی در مراکز تماس از صدای طبیعی برخوردار شده اند و بدون اینکه به مشتریان احساس صحبت با فردی غیر انسانی بدهد به پرسش و پاسخ و رفع نیازهای مشتریان بپردازد. با گذشت زمان نیز هوش مصنوعی در آینده ای نزدیک قادر خواهد بود تا به نحو احسن به ارتباط با مشتریان بپردازد و فرآیند خدمات به مشتریان را برای کمپانی های مختلف آسان تر کند.

استفاده از هوش مصنوعی برای مراکز تماس در ایران

در حال حاضر تنها شرکتی که در داخل کشور موفق به تولید اپراتوری هوشمند برای مراکز تماس و خدمات مشتریان و پشتیبانی آن ها شده است، شرکت عامر اندیش هوشمند می باشد. محصول تولیدی این شرکت که هوشتل نام دارد اپراتوری هوشمند مبتنی بر هوش مصنوعی می باشد که به نوعی جایگزینی برای اپراتورهای انسانی مراکز تماس خواهد بود. این محصول یک سامانه کامل برای برقراری ارتباط با مشتری به زبان فارسی و بروی بستر VOIP است که به صورت هوشمند صحبت های مشتری را شنیده و آن ها را تبدیل به متن کرده، سپس به پردازش متن های دریافتی پرداخته و در انتها پس از یافتن پاسخ مناسب، به مانند یک عامل انسانی آن را برای مشتری اعلام می کند.

هوش مصنوعی عمومی Artificial General Intelligence چیست؟

یک هوش مصنوعی عمومی در واقع ماشینی است که می تواند دنیای اطراف خود را همانند یک انسان درک کند و دارای ظرفیت و گنجایش مشابه برای انجام تسک ها و کارهای مختلف می باشد. در حال حاضر هوش مصنوعی عمومی وجود ندارد اما می توانیم رد پای آن را در داستان های تخیلی از قرن پیش مشاهده کنیم و در فیلم های مانند 2001:اودیسه فضایی ببینیم..

داستان های تخیلی و فیلم هایی که راجب هوش مصنوعی وجود دارند به طور گسترده ای با آن چه در واقعیت وجود دارد متفاوت هستند، البته بیشتر آن ها علاقه دارند تا ذهن ها را به سمت تصور نابجا در مورد ماشین های هوشمندی که قرار است انسان ها را ریشه کن کنند و یا به بردگی بکشند، ببرند. در چنین داستان هایی ، هوش مصنوعی عمومی اغلب به شکل موجودی بی تفاوت نسبت به درد و رنج انسان یا حتی کسی که خواهان نابودی بشر هستند تصویر می شوند.

در مقابل چنین تصوری، رمان ها و داستان هایی نیز وجود دارند که هوش مصنوعی عمومی را به عنوان متولیان خیر و خوبی نمایش می دهند که جوامع را با عدالت اداره می کنند و رنج ها را از بین می برند و آن را تبدیل به جایی می کنند که ساکنانش می توانند با شور و شوق و با یک سرعت نفس گیر به پیشرفت خود ادامه دهند.

این که این تصورات تا چه میزان نزدیک به هوش مصنوعی عمومی است و یا چه میزان با دنیای واقعی ارتباط دارد، به دلیل اینکه هنوز نتوانسته ایم به چنین چیزی به طور کامل دست پیدا کنیم در هاله ای از ابهام وجود دارد و هیچ کس نمی تواند به قطعیت بگوید خوب است یا بد. اما در هر صورت علم در دنیا دارد به سمتی می رود که روزی یک ماشین بتواند همانند انسان فکر کند و تصمیم بگیرد و عمل کند.

یک هوش مصنوعی عمومی چه کاری می تواند انجام دهد؟

از نظر تئوری یک هوش مصنوعی عمومی می تواند تمام کارهایی که یک انسان انجام می دهد را به طور کامل اجرا کند همین طور بسیاری از کارهایی که انسان از پس آن ها بر نمی آید. می توان گفت هوش مصنوعی عمومی حداقل می تواند همانند انسان عمل کند، تفکر و استدلال انعطاف پذیرداشته باشد و کارهای محاسباتی انجام دهد.

باید بدانیم که با این سطح از آگاهی و دانش یک ماشین یا دستگاه می تواند هر تسک و کاری که بر انسان محول می شود را به شیوه آن انجام دهد و با گذشت زمان نیز هوش مصنوعی می تواند تمام نقش های مختلف انسان را به راحتی اجرا کند. در ابتدای این راه ممکن است نیرو کار انسانی ارزان تر از نیرو کار هوش مصنوعی باشد و یا ممکن است نیرو انسانی و هوش مصنوعی در کنار یک دیگر کار کنند اما کم کم با پیشرفت هوش مصنوعی، هوش مصنوعی نیروی کار انسانی را به کنار می راند.

این خاتمه دادن به نیاز حضور نیروی انسانی هم جنبه های مثبت و هم جنبه های منفی در زندگی اجتماعی و سایر وجوح زندگی انسان ها خواهد داشت و باید از این نظر از ابتدا برای آن تفکر شود تا باعث به وجود آمدن معضل نشود.

امروزه که بحث ها در زمینه هوش مصنوعی عمومی و محدود و کاربرد های آن بالا گرفته است برخی خواستار جدی شدن مبحث معرفی درآمد عمومی جهانی (UBI) هستند. بر طبق این مبحث دولت ها موظف خواهند بود تا به طور مستمر به شهروندان حقوق بدهند.

گذشته از تاثیرات منفی ای که تصور می شود هوش مصنوعی عمومی به همراه داشته باشد، ظهور این نوع هوش مصنوعی می تواند بسیار مفید باشد. تصور کنید که جمعیتی از دانش با بهترین و درخشان ترین ذهن ها به توسعه فن آوری و تولید بپردازند و در چنین شرایطی بسیاری از مشکل هایی که در حال حاضر انسان با آن ها دست و پنجه نرم می کند، مانند تغییرات شدید آب و هوایی، رفع خواهد شد.

در سطح عادی، چنین سیستم هایی می توانند کارهای عادی تر و روزمره را انجام دهند، از کارهای ساده مانند رانندگی اتومبیل تا کارهایی مانند تشخیص پزشکی و عمل جراحی را انجام دهد و در بخش های مهم مربوط به مال و جان انسان ها بسیار مفید باشد.

آیا هوش مصنوعی عمومی می تواند به هوش ابر انسانی برسد؟

بله، چنین هوشی نه تنها از توانایی های کلی انسانی برخوردار است بلکه می تواند تمام مزایایی که کامپیوتر و ماشین ها نسبت به انسان دارد را در بهترین سطح دارا باشند.

چه زمانی انسان ها به هوش مصنوعی عمومی دست پیدا می کنند؟

با توجه به اینکه از چه کسی چنین سوالی می پرسید پاسخ سوالتان از 11 سال دیگر تا هیچ زمانی متفاوت خواهد بود. یکی از دلایل آن است که چنین سیستمی به سختی قابل پیاده سازی می باشد. امروزه بیشتر سیستم های مبنی بر هوش مصنوعی به صورت خدمات آنلاین هستند و سیستم هایی می باشند که می توانند زبان را بشناسند، گفتار را بفهمند و تشخیص چهره و عکس و فیلم  داشته باشید و بتواند آن را تجزیه و تحلیل کند. این پیشرفت های ساده در هوش مصنوعی و کمک هایی که به توسعه و پیشرفت می کنند می تواند چشم انداز مثبتی از هوش مصنوعی عمومی را در اختیار بشریت قرار دهند.

با این حال سیستم های هوش مصنوعی که امروزه مورد استفاده قرار می گیرند بسیار ساده و تک محوری هستند و تنها می توانند از پس یک تسک محول شده بر آیند که این کار نیز پس از آموزش های گسترده قابل اجراست و برای کار دیگری نمی توان از آن ها استفاده کرد. ماهیت این نوع از هوش مصنوعی (هوش مصنوعی عمومی) در واقع هوشی است که بتواند هر تسکی که به آن محول می شود را انجام دهد و در واقع هوش مصنوعی محدود پله ای کوچک برای رسیدن به آن است.

منبع: zdnet.com

اگر به این مطلب علاقه داشتید، آن را با دوستان خود به اشتراک بگذارید.

هوش مصنوعی محدود (artificial narrow intelligence)

هوش مصنوعی محدود نوعی از هوش مصنوعی است که در آن یک فناوری نسبت به انسان در تسک تعریف شده خاصی بهتر عمل می کند. بر خلاف هوش مصنوعی عمومی ، هوش مصنوعی محدود بر زیر مجموعه واحد از توانایی ها و پیشرفت های شناختی در یک کار بخصوص تمرکز دارد.

تعریف هوش مصنوعی محدود

در تاریخچه هوش مصنوعی ، هوش مصنوعی محدود بسیار زودتر از انواع دیگر هوش مصنوعی پدید آمده است. ممکن است بنظر برسد  که برخی از اولین سیستم های رایانه ای نیز از انسان ها در نوع خاصی از محاسبات و کارهای کمیتی ، بهتر عمل کرده است. بنابراین ممکن است تصور شود که آن فناوری ها باعث به وجود آمدن هوش مصنوعی محدود شده اند.

این روزها نمونه های هوش مصنوعی محدود زیاد است. رایانه ها در بازی های پیچیده ای مانند شطرنج ، تصمیم گیری هوشمندانه در زمینه تجارت و در انواع دیگر کارهای مفید و برجسته توانسته اند از انسانها پیشی بگیرند و بسیار خوب عمل کنند. با توجه به این موضوع ، جامعه فناوری به سمت تکامل سیستم های هوش مصنوعی گسترده تر و عمومی تر پیش می رود.

هوش مصنوعی محدود یک هدف آسان تر بود ، و هنوز بحث زیادی در مورد اینکه چگونه کامپیوترها با توجه به پیچیدگی مغز انسان قادر به برتری در هوش مصنوعی به طور کلی خواهند بود ، وجود دارد. با این حال ، پدیده هایی مانند پیشرفت هایی که در پردازش زبان طبیعی صورت گرفته است به رایانه ها امکان نوشتن اخبار و رمان های داستانی را می دهند ، و به ایده آل های انسان درباره آنچه می تواند الگوی هوش مصنوعی عمومی باشد ، نزدیک می شوند.

تفاوت بین هوش مصنوعی محدود و عمومی

هوش مصنوعی ضعیف جایی است که ما در حال حاضر در آن قرار داریم و هوش مصنوعی عمومی آینده ای است که می خواهیم به آن برویم. هوش مصنوعی محدود به نوعی از هوش مصنوعی اطلاق می شود که قادر است تنها یک کار خاص را انجام دهد. یک فیلترینگ اسپم یا لیست پخش پیشنهادی از Spotify یا حتی یک اتومبیل خود ران- که همه کاربردهای فناوری پیشرفته به حساب می آیند- جز هوش مصنوعی محدود دسته بندی می شود. حتی واتسون ، ابر رایانه رسانه ای IBM که می تواند متخصصان انسانی را مغلوب خود کند فقط نمونه ای از هوش مصنوعی محدود می باشد.

هوش مصنوعی محدود به این معنا است که در آن سیستم هوش مصنوعی میزان خاصی از هوش را در یک زمینه خاص به کار برده می شود ، اما این سیستم تنها رایانه یا ماشینی است که وظایف بسیار تخصصی و محدود را برای انسان ها انجام می دهد.

هوش مصنوعی عمومی بسیار پیچیده تر است. این واژه به سیستمی اطلاق می شود که قادر به مقابله با هر کار کلی است که از آن خواسته می شود ، دقیقاً همانند یک انسان. ایده آل هوش مصنوعی عمومی آن است که این سیستم توانایی های شناختی و درک تجربی کلی از محیط هایی که در آن قرار دارد را به همراه توانایی پردازش این داده ها با سرعت بسیار بیشتر از انسان ها داشته باشند.

از این رو نتیجه می گیریم که این سیستم ها در بعد دانش ، توانایی شناختی و سرعت پردازش از نظر انسانی قوی تر می شوند و لحظه ای همه چبز جالب تر می شود که بدانیم این هوش برتر در حقیقت ساخته همان انسان است. یکی از این موارد همان چیزی است که ریموند کورزویل ، مدیر مهندسی Google ، از آن به عنوان “تکینگی” یاد می کند.

از نظر کورزویل ، تا سال 2029 سیستم هوش مصنوعی آزمایش سنتی تورینگ را پشت سر می گذارد و به سطح هوش انسانی خواهد رسید. او تا سال 2045 پیش بینی می کند که تکینگی تکنولوژیکی رخ خواهد داد و در آن انسان قادر خواهد بود تا نئوکورتکس خود را به نوعی از سیستم ذخیره سازی – به احتمال زیاد مبتنی بر فضای ابری یا احتمالاً متصل به dna – مجهز کند و قادر به ادغام این نئوکورتکس با تقویت کننده هوش مصنوعی باشد. در اصل ، نهادهای هوش مصنوعی با آگاهی انسانی ادغام می شوند و فواید شناختی برای گونه های انسانی به ارمغان می آورند.

کاربردهای هوش مصنوعی محدود

از هوش مصنوعی محدود می توان در زمینه های زیر استفاده کرد:

• اتومبیل های خود ران که یاد می گیرند چگونه رانندگی کنند مانند اتومبیل های گوگل و Uber ، که هم اکنون نیز وجود دارند.
• تشخیص چهره در دفاتر بانکی که می تواند به شما در انجام کارهای شخصی کمک کند.
• با توجه به تمام اطلاعات مالی شما فرم مالیاتتان را تکمیل می کند.
• یک ربات که با توجه به ترجیحات قبلی شما ، پروازها و هتل های مورد نظرتان را برای شما رزرو می کند.
• برنامه ریزی مجازی که دست راست شما برای مدیریت برنامه هایتان و گردهمایی های شما خواهد بود.
• ایجاد لیست پخش موسیقی شخصی برای شما که بر اساس روال تمرینات ورزشی روزانه و غیره است.

این زیر مجموعه های هوش مصنوعی ، که ممکن است در تشخیص صدا و درک لهجه های رایج مانند دستیاران فردی مانند Siri و Cortana باشد ، می توانند با یادگیری ماشین و یادگیری عمیق به کمک شما بیایند و از کیفیت بسیار بالایی برخوردار هستند تا بتواند تحلیلی عظیم و اطلاعات ساختاری در نظر گرفته شده را برای شما انجام دهند.

منبع: ZDnet.com

تعریف یادگیری عمیق

یادگیری عمیق نوعی از یادگیری ماشین و هوش مصنوعی است که در واقع از روشی که ذهن انسان برای یادگیری موضوع خاصی به کار می گیرد، تقلید می کند. این نوع از یادگیری یکی از عناصر مهم در علم داده می باشد که شامل آمار و مدل سازی پیش بینی است. یادگیری عمیق برای دانشمندان داده که وظیفه جمع آوری ، تجزیه و تحلیل و تفسیر مقادیر زیادی از داده ها را دارند ، بسیار مفید است و این روند را سریعتر و آسان تر می کند.

به نوعی می توان گفت یادگیری عمیق در واقع همان یادگیری ماشین است به گونه ای که در سطح کارهای پیچیده، نمایش یا انتزاع، یادگیری را برای ماشین انجام می دهد و به این صورت ماشین درک بهتری از واقعیت های وجودی پیدا می کند و می تواند الگو های مختلف را شناسایی کند. در ساده ترین سطح، یادگیری عمیق را می توان راهی برای خودکار سازی تجزیه و تحلیل پیش بینی ها دانست. الگوریتم های یادگیری عمیق در سلسله مراتب افزایش پیچیدگی و انتزاع قرار دارند در حالی که یادگیری ماشین سنتی بصورت خطی است.

برای فهم بهتر یادگیری عمیق، یک کودک نوپا را در نظر بگیرید که اولین کلمه ای که یاد گرفته “سگ” است. روشی که این کودک یاد گرفته که یک موجود “سگ” هست یا نه، آن است که به موجود اشاره می کند و کلمه “سگ” را می گوید. در این زمان والدین او می گویند ” بله آن یک سگ است” یا ” نه آن سگ نیست”. هرچه بیشتر این کودک به موارد مختلفی اشاره کند، بیشتر می فهمد چه نوع موجوداتی جز کلمه “سگ” دسته بندی می شوند. کاری که این کودک  نوپا انجام می دهد  بدون اینکه خودش بداند، در حقیقت به نوعی مشخص کردن یک مفهوم پیچیده است -تعریفی از یک سگ- با ساختن سلسه مراتبی است که در آن هر سطح انتزاعی با دانش ایجاد می شود که آن هم به نوبه خود از سلسه مراتب قبلی بدست آمده است و این کار همانند فرآیند یادگیری عمیق است

یادگیری عمیق چگونه کار می کند

برای شناسایی نحوه یادگیری عمیق باید با شبکه های عصبی آشنا باشید. این نوع یادگیری در واقع همان یادگیری به وسیله شبکه های عصبی ای هستند که دارای لایه پنهان زیادی می باشند و هر چقدر در این لایه ها جلو تر بروید به مدل های پیچیده تر و کامل تری می رسید.

یادگیری عمیق در عصر دیجیتال تکامل پیدا کرده است، و این امر باعث شده تا به انفجاری از داده ها در اشکال مختلف در همه ی دنیا داشته باشیم. این دیتا ها که به کلان داده معروف هستند، از منابع متفاوتی مانند شبکه های اجتماعی، موتورهای جست و جوی اینترنت، پلتفورم های تجارت الکترونیکی و… بدست می آیند.

با این حال این نوع داده، که معمولا بدون ساختار هستند، آنقدر وسیع است که شاید برای انسان چندین دهه طول بکشد تا بتواند آن را درک کند و اطلاعات مربوط به این داده ها را استخراج کند. کسب و کارهای مختلف به پتانسیل های بیشمار و باور نکردنی حاصل از این انبوه از اطلاعات پی برده اند و هر روز شاهد کسب و کارهایی هستیم که خود را با هوش مصنوعی سازگار کرده و آن را به دل کسب و کارهای خود می آورند، بخصوص برای اتوماسیون کردن پشتیبانی مشتریان خود.

متد های یادگیری عمیق

متدهای مختلف و متفاوتی برای به وجود آوردن مدل های یادگیری عمیق وجود دارند. این تکنیک ها و متد ها شامل روش های زوال و فروپاشی نرخ یادگیری، انتقال یادگیری، آموزش از طریق چرک نویس ها و داده های از قلم افتاده است.

زوال نرخ یادگیری :

نرخ یادگیری در واقع یک فرا پارامتر محسوب می شود (عملی که یک سیستم را تعریف می کند و یا قبل از فرآیند یادگیری شرایط عملکرد آن را تعیین می کند) که هر بار مقدار تغییرات مدل در پاسخ به اندازه گیری و خطای تخمین زده شده را کنترل می کند. نرخ یادگیری که بیش از حد بالا باشد ممکن است باعث شود فرآیند یادگیری ناپایدار باشد و یا اینکه یادگیری پایین تر از حد مطلوب و استاندارد صورت بگیرد. نرخ یادگیری هایی که بسیار اندک هستند نیز ممکن است فرآیند یادگیری را طولانی کنند که ممکن است باعث گیر افتادن شود.

روش زوال نرخ یادگیری (که به نرخ یادگیری با دوام و یا نرخ یادگیری منطقی نیز شناخته می شود) فرآیندی است برای سازگاری نرخ یادگیری به منظور افزایش کارایی به همراه کاهش زمان آموزش. ساده ترین و رایج ترین روش سازگاری میزان نرخ یادگیری در طول آموزش و شامل تکنیک هایی برای کاهش سرعت یادگیری در طول زمان است.

یادگیری جایگزین:

این فرآیند شامل بهسازی مدلی است که از قبل آموزش دیده است و نیاز به یک رابط کاربری داخلی یک شبکه پیش بینی شده دارد. اول ، کاربران داده های جدید شبکه موجود را که حاوی طبقه بندی های قبلی ناشناخته است ، تغذیه می کنند. پس از ایجاد تنظیمات در شبکه ، می توان کارهای جدیدی را با قابلیت طبقه بندی خاص تر انجام داد. این روش این مزیت را دارد که نیاز به داده های بسیار کمتری نسبت به سایرین دارد ، بنابراین زمان محاسبه را به دقیقه یا ساعت کاهش می دهد.

یادگیری از چرک نویس ها:

این روش به یک توسعه دهنده نیاز دارد تا یک مجموعه داده بزرگ برچسب دار را جمع کند و یک معماری شبکه را تنظیم کند که بتواند ویژگی ها و مدل را بیاموزد. این تکنیک به خصوص برای برنامه های جدید و همچنین برنامه های کاربردی با تعداد زیادی دسته بندی خروجی مناسب است. با این حال ، به طور کلی ، این رویکرد کمتر متداول است ، زیرا به مقادیر بسیار زیادی از داده ها نیاز دارد و باعث می شود روزها یا هفته ها آموزش طول بکشد.

حذفی ها و از قلم افتادگی:

در این روش سعی شده تا مشکل آموزش بیش از حد اتصالات در شبکه هایی با مقادیر زیادی پارامتر با رها کردن تصادفی واحدها و اتصالات آنها از شبکه عصبی در حین آموزش حل شود. ثابت شده است که این می تواند عملکرد شبکه های عصبی را بر روی تسک های یادگیری نظارت شده در زمینه هایی مانند تشخیص گفتار ، طبقه بندی اسناد و… بهبود بخشد.

یادگیری عمیق چه استفاده ای دارد؟

امروزه موارد استفاده از یادگیری عمیق شامل انواع برنامه های کاربردی تجزیه و تحلیل داده های بزرگ ، به ویژه مواردی است که در پردازش زبان طبیعی ، ترجمه زبان ، تشخیص پزشکی ، سیگنال های معاملات سهام بورس ، امنیت شبکه و تشخیص تصویر شده اند.

استفاده هایی که در حال حاضر از یادگیری عمیق می شود شامل موارد زیر است:

• تجربه ی مشتری. مدل های یادگیری عمیق قبلاً برای چت روم ها استفاده می شدند. و همچنان که به تکامل خود ادامه می دهد ، انتظار می رود که یادگیری عمیق در مشاغل مختلف به منظور بهبود تجربیات مشتری و افزایش رضایت مشتری اجرا شود.
• تولید متن. به ماشين ها دستور زبان و سبك يك متن داده مي شود و سپس از اين مدل استفاده مي كنند تا بطور خودكار متني كاملاً جديد متناسب با املای مناسب ، دستور زبان و سبك متن اصلي را بسازد.
• هوافضا و نظامی. از یادگیری عمیق برای شناسایی اشیاء از ماهواره هایی که مناطق مورد نظررا شناسایی می کنند ، و همچنین برای تشخیص مناطق امن یا نا امن برای سربازان استفاده می شود.
• اتوماسیون صنعتی. یادگیری عمیق با ارائه خدماتی که به طور خودکار در نزدیکی یک کارگر یا شیء به ماشین نزدیک می شود ، ایمنی کارگران را در محیط هایی مانند کارخانه ها و انبارها بهبود می بخشد.
• اضافه کردن رنگ. با استفاده از مدل های یادگیری عمیق ، می توان رنگ ها و عکس ها و فیلم ها را به تصاویر های سیاه و سفید اضافه کرد. در گذشته ، این یک فرایند دستی بسیار وقت گیر بود.
• تحقیقات پزشکی. محققان سرطان به عنوان روشی برای تشخیص خودکار سلول های سرطانی ، از یادگیری عمیق را در کارهای خود استفاده می کنند.
• دید رایانه ای. یادگیری عمیق باعث افزایش چشم انداز رایانه شده است ، و دقت بالایی برای رایانه ها در تشخیص اشیاء و طبقه بندی تصویر ، ترمیم و تقسیم بندی فراهم می کند.

یادگیری عمیق در مقابل یادگیری ماشین

یادگیری عمیق زیر مجموعه ای از یادگیری ماشین است که که وجه تمایز آن روش حل مشکلات است. یادگیری ماشین برای شناسایی بیشتر ویژگی های کاربردی به یک متخصص دامنه نیاز دارد. از طرف دیگر ، یادگیری عمیق ویژگی ها را به صورت تدریجی فرا می گیرد ، بنابراین نیاز به تخصص دامنه را از بین می برد. این امر باعث می شود الگوریتم های یادگیری عمیق نسبت به الگوریتم های یادگیری ماشین که فقط به چند ثانیه تا چند ساعت زمان نیاز دارند ، زمان بیشتری برای آموزش نیاز داشته باشند. با این حال ، در هنگام آزمایش ، برعکس صادق است. الگوریتم های یادگیری عمیق نسبت به الگوریتم های یادگیری ماشین که زمان آزمون به همراه اندازه داده ها افزایش می یابد ، زمان کمتری برای اجرای تست ها می گیرند.

بعلاوه ، یادگیری ماشینی به همان ماشینهای پرهزینه و پرمصرف و GPU هایی با کارایی بالا نیاز ندارد که یادگیری عمیق یه همه ی آن ها نیاز دارد.

در پایان ، بسیاری از دانشمندان داده ها به دلیل تفسیر برتر آن ، یا توانایی در درک راه حل ها ، یادگیری ماشین سنتی را از طریق یادگیری عمیق انتخاب می کنند. همچنین الگوریتم های یادگیری ماشین نیز وقتی داده های کوچک هستند ترجیح داده می شوند.

مواردی که یادگیری عمیق ترجیح داده می شود شامل موقعیت هایی است که مقدار زیادی از داده ها وجود دارد ، مانند عدم درک دامنه برای درون نویسی ویژگی ها یا مشکلات پیچیده ، مانند تشخیص گفتار و پردازش زبان طبیعی.

منبع: techtarget.com

چنانچه این محتوا برای شما جذاب بود آن را با دوستان خود به اشتراک بگذارید.

یادگیری ماشین چیست؟ تعریف ساده

یادگیری ماشین (Machine Learning) یکی از زیر مجموعه های هوش مصنوعی است که به سیستم ها این امکان را می دهد تا به صورت خودکار یادگیری و پیشرفت داشته باشند بدون اینکه به برنامه نویسی صریحی برای آن داشته باشند. تمرکز اصلی یادگیری ماشینی بر توسعه برنامه های رایانه ای است که بتوانند به داده ها دسترسی پیدا کنند و از آن برای یادگیری خود استفاده کنند.

فرآیند یادگیری با مشاهدات یا داده ها آغاز می شود، مانند مثال ها، تجارب مستقیم و یا دستور العمل ها، تا به یک الگو در داده ها برسند و بر اساس این مثال هایی که ارائه می دهیم، تصمیمات بهتری بگیرند. هدف اصلی آن است که به کامپیوتر این اجازه را بدهیم که بدون دخالت و کمک انسان به طور اتوماتیک یادگیری داشته باشند و بتوانند اقدامات خود را بر مطابق با آن تنظیم کنند.

مفهوم ساده یادگیری ماشین

الگوریتم های بسیار مختلفی برای یادگیری ماشین وجود دارد و هر روزه صدها الگوریتم جدید نیز تولید می شوند، و به طور معمول توسط سبک یادگیری (learning style) (مانند یادگیری نظارت شده، یادگیری بدون نظارت، یادگیری نیمه نظارت) و یا با توجه به شباهتشان در فرم و عملکرد ( مانند طبقه بندی، برگشت، درخت تصمیم گیری، دسته کردن، یادگیری عمیق و…) گروه بندی می شوند. صرف نظر از سبک یادگیری یا عملکرد، تمام الگوریتم های یادگیری ماشینی به شرح زیر هستند:

• نمایش: مجموعه ای از طبقه بندی کننده ها یا زبانی که کامیوتر آن را می فهمد.
• ارزشیابی:  همچنین معروف به عملکرد هدف/نمره دهی.
• بهینه سازی: روش جست و جو؛ اغلب طبقه بندی کننده ای با بالاترین امتیاز.

 هدف اساسی الگوریتم های یادگیری ماشین ، تعمیم یادگیری ها به فراتر از نمونه های آموزش داده شده است، یعنی تفسیر موفقیت آمیز داده ها.

برخی از روش های یادگیری ماشین

الگوریتم های یادگیری ماشین عمدتا در دو نوع نظارت شده و نظارت نشده دسته بندی می شوند.

• الگوریتم یادگیری ماشین نظارت شده می تواند از آن چه که در گذشته آموخته اند و همچنین داده های جدید برچسب گذاری شده، برای پیشبینی آینده استفاده کند. این کار از آنالیز مجموعه داده های آموزشی شروع می شود، الگوریتم یادگیری یک عملکرد استنباطی تولید می کند تا پیش بینی های مربوط به مقادیر خروجی را انجام دهد. این نوع سیستم قادر است پس از آموزش های کافی برای هر داده جدیدی هدف مشخص کند. این الگوریتم یادگیری همچنین می تواند خروجی اش را با خروجی درست و از قبل تعیین شده مقایسه کند و خطاهای موجود را بیابد تا بر اساس آن مدل را اصلاح کند.
  • در مقابل، زمانی از الگوریتم های یادگیری ماشین بدون نظارت استفاده می شود که اطلاعات مورد نیاز برای آموزش نه طبقه بندی شده باشد و نه برچسب زده باشد. یادگیری بدون نظارت چگونگی اینکه سیستم می تواند توصیف ساختار پنهان از داده های بدون برچسب استنباط کنند، مطالعه می کند. این نوع سیستم خروجی مناسب را مشخص نمی کند و تنها می تواند داده ها را کاوش کند و از داده های برچسب زده نشده ساختارهای پنهان را استنتاج می کند.
  • الگوریتم یادگیری ماشین نیمه نظارت شده بین دو نوع قبلی قرار دارد. این سیستم از هر دو نوع داده برچسب زده شده و برچسب نزده شده برای آموزش استفاده می کند. سیستم هایی که از این روش استفاده می کنند، می توانند دقت یادگیری را تا میزان قابل توجهی بهبود ببخشند. معمولا زمانی این نوع یادگیری را انتخاب می کنیم که داده های برچسب زده شده بدست آمده  نیاز به منابع ماهر و مرتبط برای آموزش و یادگیری دارند. در غیر این صورت ، دستیابی به داده های دارای برچسب معمولاً نیازی به منابع اضافی ندارد.
  • الگوریتم های یادگیری ماشین تقویت کننده روشی هستند که به وسیله اقدامات با محیط خود در تعامل هستند و خطاها و پاداش ها را کشف می کنند. آزمایش، جست و جوی خطاها و  پاداش های تاخیری مهم ترین ویژگی های یادگیری تقویتی هستند. این نوع یادگیری به ماشین ها و عوامل نرم افزار اجازه می دهد تا به طور خودکار، برای به حداکثر رساندن عملکرد خود، رفتار ایده آل خود را مشخص کنند. این سیستم از بازخورد پاداش ساده استفاده می کند تا ببیند کدام عمل بهتر بهتر است و این امر به عنوان سیگنال تقویت شناخته شده است.

یادگیری ماشین آنالیز مقادیر انبوهی از داده ها را امکان پذیر می کند. این یادگیری در شناسایی فرصت های سودآور و یا خطرناک معمولا نتایج سریعتر و دقیق تری ارائه می کند اما برای آموزش آن ممکن است به زمان و منابع اضافی نیاز داشته باشیم.  تلفیقی از یادگیری ماشین و هوش مصنوعی و فناوری های شناختی می تواند در پردازش حجم زیادی از اطلاعات موثر باشد.

منبع: emerj.com

اگر این مطلب برای شما نیز مفید بود، آن را با دوستان خود به اشتراک بگذارید.