1
تکنولوژی و هوش مصنوعی

دانای کل؛ آیا هوش مصنوعی شما را بهتر از دوستانتان می‌شناسد؟

  • کد خبر : 7697
  • 12 دی 1401 - 16:25
دانای کل؛ آیا هوش مصنوعی شما را بهتر از دوستانتان می‌شناسد؟
بسیاری از اوقات، پاسخ واقعی با آن‌چه فکرش را می‌کنیم تفاوت دارد. بیشتر افراد در پاسخ به این سؤال به دوست صمیمی‌شان اشاره می‌کنند؛ اما پاسخ صحیح معمولاً کامپیوتر یا به بیان دقیق‌تر، هوش مصنوعی است.

به گزارش ما آنلاین، قبل از این‌که نقش هوش مصنوعی در زندگی‌هایمان را درک کنیم، ابتدا باید بدانیم چطور کار می‌کند. بسیاری از اوقات، پاسخ واقعی با آن‌چه فکرش را می‌کنیم تفاوت دارد. بیشتر افراد در پاسخ به این سؤال به دوست صمیمی‌شان اشاره می‌کنند؛ اما پاسخ صحیح معمولاً کامپیوتر یا به بیان دقیق‌تر، هوش مصنوعی است.

هوش مصنوعی

این روزها اسم هوش مصنوعی به گوش همه خورده است و با این‌که بیشتر افراد آشنایی کمی با آن دارند، ممکن است درک درست و عمیقی از کارکردش در زندگی‌شان نداشته باشند. هوش مصنوعی تقریباً تمامی صنایع را تحت تأثیر قرار داده است و حتی به ارتباطات میان‌فردی نیز شکل می‌دهد. پیش از همه باید بدانیم که هوش مصنوعی چیست؟

به بیان ساده، هوش مصنوعی را می‌توان به‌عنوان فناوری‌ تعریف کرد که به کامپیوترها اجازه می‌دهد مسائلی را که معمولاً به دست انسان‌ها انجام می‌شوند، اجرا کنند.

تعریف فوق بسیار ساده و کلی است و ماهیت پیچیده‌ این فناوری را به‌صورت کامل پوشش نمی‌دهد. به‌خاطر داشته باشید که هوش مصنوعی شامل تعاریف زیر هم می‌شود:

  • کالایی هوشمند که به دست انسان‌ها خلق شده است؛
  • قابلیت استدلال و یادگیری ماشین‌ها؛
  • قابلیت تفکر منطقی؛
  • قابلیت انجام مسائل بدون دستورالعمل‌های واضح؛
  • قابلیت برقراری ارتباط با زبان طبیعی.

تصویر پایین نیز تمامی عناصر گوناگون هوش مصنوعی را نشان می‌دهد:

هوش مصنوعی چیست

یادگیری ماشینی و یادگیری عمیق

در یادگیری ماشینی، همان‌طور که از اسمش برمی‌آید، کامپیوتر با تجربه و تمرین می‌آموزد تا مسائل مشخصی را به‌درستی حل کند و به یک دانای کل تبدیل شود. نحوه‌ یادگیری ماشین‌ها را می‌توان در این چند گام خلاصه کرد:

گام اول: تعریف هدف

کامپیوتر باید هدف مشخصی داشته باشد تا در راستای تحقق آن کار کند. این هدف می‌تواند هر چیزی باشد؛ اما در حال حاضر، کامپیوترها تنها می‌توانند در هر برهه از زمان روی یک مسئله‌ خاص تمرکز کنند. درهرصورت، تعریف هدف از اهمیت زیادی برخوردار است، چون گام‌های بعدی را تعیین می‌کند.

گام دوم: جمع‌آوری داده

جمع‌آوری داده به‌صورت دستی می‌تواند امری طولانی و طاقت‌فرسا باشد، اما امروزه با دسترسی به هزاران دیتاست گوناگون، این مرحله خیلی آسان‌تر از قبل شده است. باید به خاطر داشت که در طول فرایند جمع‌آوری داده، نوع داده‌های موردنیاز بسته به هدف مشخص‌شده متفاوت خواهد بود. کامپیوتر روابط میان این داده‌ها را می‌آموزد؛ به همین دلیل است که کیفیت و اندازه‌ دیتاست نقش بسیار مهمی بر عهده دارد.

گام سوم: پاکسازی و سازماندهی داده‌ها

 فارغ از این‌که داده‌ها به‌صورت دستی گردآوری شده‌اند یا از اینترنت به دست آمده‌اند، باید پاکسازی و سازماندهی شوند؛ به‌بیان‌دیگر، باید به فرمت درست درآیند تا تحلیل شوند. این گام گسستگی‌ها و مشکلات بالقوه را که می‌توانند بر خروجی تأثیر بگذارند، حل می‌کند.

گام چهارم: تحلیل داده

قبل از تغذیه‌ داده‌ها به کامپیوتر برای شروع فرایند یادگیری، داده‌ها را باید تحلیل کرد. این فرایند را تحت عنوان تحلیل اکتشافی داده نیز می‌شناسند و هدف از آن، درک الگوهایی است که تصویر کلی و دقیقی از ورودی کامپیوتر در اختیار می‌گذارند.

گام پنجم: آموزش کامپیوتر

کامپیوتر شروع به یادگیری از روی داده‌های آموزشی می‌کند. از بین داده‌های جمع‌آوری‌شده، ۸۰ درصد داده‌ آموزشی و ۲۰ درصد دیگر داده‌ آزمایشی هستند.

قبل از این‌که وارد جزئیات بیشتر شویم و ببینیم که یک ماشین چگونه به دانای کل تبدیل می‌شود، لازم است با انواع یادگیری ماشینی آشنایی پیدا کنیم.

یادگیری ماشینی

انواع یادگیری ماشین

  • یادگیری نظارت‌شده: در این رویکرد، ماشین‌ها از داده‌هایی برای آموزش استفاده می‌کنند که برچسب دارند. این روش را می‌توان به آموزش شنا به کودکان تشبیه کرد که طی آن، کودکان در کلاس‌های شنا شرکت می‌کنند و دستورالعمل‌ها و بازخوردهای مداوم دریافت می‌کنند. یادگیری نظارت‌شده برای حل دو نوع مسئله به کار می‌رود:
    • رگرسیون: پیش‌بینی طیفی پیوسته از خروجی بر اساس ورودی.
    • طبقه‌بندی: پیش‌بینی طبقه‌ای که ورودی به آن تعلق دارد.
  • یادگیری غیرنظارت‌شده: داده‌های آموزشی که در اختیار کامپیوتر قرار می‌گیرند برچسب ندارند و کامپیوترها باید الگوها و روابط موجود را خودشان درک کرده و بیاموزند. بر اساس مثال پارگراف قبلی، این رویکرد را می‌توان به موقعیتی تشبیه کرد که کودک را مستقیماً به داخل آب می‌اندازند تا خودش شنا را یاد بگیرد. یادگیری غیرنظارت‌شده معمولاً برای این نوع مسائل به کار می‌رود:
    • خوشه‌بندی: تقسیم داده‌ها/ورودی‌ها به چندین گروه، بر اساس شباهت.
    • تشخیص ارتباطات: پیداکردن ارتباطات و تداعی‌های بین داده‌ها.
  • یادگیری تقویتی: طی این رویکرد، کامپیوتر در ازای انجام اقدامات مناسب پاداش دریافت می‌کند. مقادیر مثبت به اقدامات تعلق می‌گیرند تا کامپیوتر تشویق شود. از سوی دیگر، مقادیر منفی کامپیوتر را از انجام مسائل خاص باز می‌دارد. در ادامه‌ مثال‌های بالا، تصور کنید کودکی که در حال آموزش شناست، برای هر حرکت درست، یک شکلات دریافت کند و یا در صورت انجام حرکت اشتباه، تنبیه شود.

جدول پایین انواع یادگیری ماشینی و خلاصه‌ای از تفاوت‌های میان‌شان را نشان می‌دهد:

انواع یادگیری ماشینی

یادگیری عمیق

یادگیری عمیق که تحت عنوان شبکه‌ عصبی نیز شناخته می‌شود، یکی از چشمگیرترین و برجسته‌ترین بخش‌های هوش مصنوعی است. یادگیری عمیق با انجام مسائلی گره خورده است که به تفکر پیشرفته نیاز دارند؛ این مسائل با یادگیری ماشینی قابل انجام نیستند. شبکه‌های عصبی را می‌توان به مغز انسان‌ها تشبیه کرد، چون بر اساس و با الهام از ساختار مغز مدلسازی شده‌اند. وقتی نورون‌های مختلف (در مغز) یا گره‌ها (در شبکه‌های عصبی) فعال می‌شوند، اتصالاتی بین‌شان شکل می‌گیرد.

تصویر پایین ساختار کلی شبکه‌های عصبی را نشان می‌دهد:

یادگیری عمیق

 

شبکه‌های عصبی از چندین لایه تشکیل می‌شوند: لایه‌ ورودی، لایه‌های نهان و لایه‌ خروجی. هر لایه شامل چندین گره‌ به هم متصل است که در تصویر بالا، به صورت دایره نشان داده شده‌اند. این گره‌ها داده‌ها را پردازش می‌کنند. بیشتر شبکه‌های عصبی امروزی از نوع پیش‌خور هستند؛ یعنی تنها در یک جهت کار می‌کنند.

هر یک از اتصالات موجود در این شبکه‌ها وزن متفاوتی دارد؛ این وزن عددی است که اثرگذاری گره‌برگره‌ دیگر را نشان می‌دهد. وزن مثبت بدین معنی است که گره‌ مذکور گره‌ دیگری را فعال می‌کند. از سوی دیگر، وزن منفی نشان می‌دهد آن گره، گره‌های دیگر را بازداری می‌کند. این فرایند شباهت زیادی به نحوه‌ فعالسازی نورون‌های مغز دارد که در طول سیناپس‌ها یکدیگر را فعال می‌کنند؛ اما بر خلاف آن‌چه در مغز اتفاق می‌افتد، هرچه وزن بیشتر باشد، اثرگذاری آن گره نیز بیشتر است. در ابتدا، وزن‌ها به‌صورت متغیرهای تصادفی به گره‌ها داده می‌شوند.

اما طی آموزش، این وزن‌ها تغییر کرده و می‌چرخند تا درنهایت شبکه به خروجی صحیح برسد. شبکه‌های عصبی از طریق فرایند پس‌انتشار یاد می‌گیرند؛ طی این فرایند، خروجی واقعی با خروجی مدنظر مقایسه می‌شود. شبکه‌ عصبی از گره‌ها و وزن‌ها استفاده می‌کند تا ورودی را تشخیص دهد. به‌صورت‌کلی، مراحل کارکرد شبکه‌های عصبی را می‌توان بدین صورت خلاصه کرد (فرض کنید یک شبکه‌ عصبی داریم که قرار است نوع حیوانی را که در تصویر نمایش داده می‌شود، تعیین کند):

  1. لایه‌ ورودی تصویر را می‌گیرد و گره‌های مخصوص بر اساس ویژگی‌های شناخته‌شده، «روشن می‌شوند». برای مثال، اگر در کل سه گره داشته باشیم که یکی گوش، یکی دم و دیگری پولک را تشخیص می‌دهند، وقتی حیوان موجود در تصویر گربه باشد، دو گره‌ مربوط به گوش و دم روشن می‌شوند.
  2. برای حرکت به لایه‌ بعدی، مجموعه‌ گره‌های فعال‌شده بر اساس وزنی که به اتصالات نسبت داده شده است، محاسبه می‌شوند. بدین‌ترتیب، گره‌های مختلف در لایه‌ بعدی، که لایه‌ نهان است، فعال می‌شوند.
  3. این فرایند در طول لایه‌های مختلف ادامه می‌یابد. هرچه محاسبات دقیق‌تر شوند، شبکه به تشخیص حیوان نزدیک‌تر می‌شود.
  4. در انتها، آخرین لایه‌ نهان گره‌های فعالی خواهد داشت که گره‌ موجود در لایه‌ خروجی را که می‌گوید این حیوان گربه است، فعال می‌کنند.
نقش هوش مصنوعی در شبکه‌های اجتماعی

نقش هوش مصنوعی در شبکه‌های اجتماعی

هوش مصنوعی را می‌توان مغز متفکر شبکه‌های اجتماعی دانست. نقش هوش مصنوعی در شبکه‌های اجتماعی است که ویدئوها و تصاویر خاص را به شما پیشنهاد می‌کند؛ چون بر اساس رفتاری که در شبکه‌های اجتماعی از خود به نمایش می‌گذاریم، آن‌چه را دوست داریم یا نداریم، تشخیص می‌دهد. هدف نهایی این است که کاربر زمان بیشتر و بیشتری را در آن سامانه سپری کند.

هوش مصنوعی انواع روش‌های یادگیری را به کار می‌برد، تا محتوای موردعلاقه‌مان را به ما پیشنهاد دهد:

  • خوشه‌بندی: گروه‌بندی فعالیت‌هایمان در شبکه‌های مجازی بر اساس شباهت‌های موجود و دسته‌بندی موضوعات.
  • تشخیص ارتباطات: پیداکردن ارتباطات میان موضوعات و افراد مختلفی که دنبال می‌کنیم.
  • یادگیری تقویتی: سپری‌کردن زمان بیشتر در شبکه‌های اجتماعی به‌عنوان ضریب مثبت، هوش مصنوعی را تقویت می‌کند و به او می‌گوید محتوا درست را پیشنهاد داده است. درنتیجه، محتوای بیشتر در همان زمینه به ما پیشنهاد می‌شود.

هربار گوشی به دست می‌گیریم یا پشت کامپیوتر می‌نشینیم و در شبکه‌های اجتماعی مختلف می‌گردیم، هوش مصنوعی بیشتر و بیشتر ما را می‌شناسد. این فناوری آن‌چه دوست داریم را به خاطر می‌سپارد. درست مثل یک دوست، با این تفاوت که هوش مصنوعی هیچ‌وقت از گوش‌دادن خسته نمی‌شود. هوش مصنوعی همواره مشغول تماشا و تحلیل تک‌تک حرکات ماست! حال اگر به موضوعاتی که در اینترنت جست‌وجو می‌کنیم، نگاهی بیندازیم، می‌بینیم که رابطه‌مان با هوش مصنوعی خیلی نزدیک‌تر از رابطه‌مان با دوست‌های صمیمی‌مان است. هوش مصنوعی همه چیز را می‌بیند؛ به‌بیان‌دیگر و ترسناک‌تر، هیچ‌چیز را نمی‌توان از این دانای کل مخفی کرد.

هوش مصنوعی و حریم خصوصی

هوش مصنوعی و حریم خصوصی

پیرامون موضوع هوش مصنوعی و حریم خصوصی می‌توان گفت که متأسفانه هوش مصنوعی تا حدودی حریم خصوصی‌مان را زیر پا می‌گذارد. بااین‌حال، کارکردها و اثرات مثبت این فناوری، جلوه‌ ترسناک آن را تحت تأثیر قرار می‌دهند.

هوش مصنوعی ابزار بسیار مفیدی در مبارزه با محتوای منفی و نامناسب است، چون ماشین‌ها می‌توانند داده‌ها را خیلی بهتر و مؤثرتر از انسان‌ها جست‌وجو و بررسی کنند. یافتن و غربال‌کردن این محتوای نامناسب به امنیت سامانه‌ها و شبکه‌های اجتماعی می‌افزاید. علاوه بر این، پژوهشی جدید از دانشگاه واشنگتون نشان داد که هوش مصنوعی می‌تواند نشانه‌های بیماری‌های روان‌شناختی را از روی پیام‌های کاربران تشخیص دهد. با تشخیص راحت‌تر و سریع‌تر این بیماری‌ها، درمان نیز مؤثرتر می‌شود.

سخن آخر

هوش مصنوعی همین‌حالا هم ارتباطات ما را تحت‌تأثیر قرار داده است و قابلیت تغییر بیشتر زندگی‌هایمان را نیز دارد. این فناوری کاربردها و مزایای فراوان دارد. شاید این‌که هوش مصنوعی به یک دانای کل تبدیل شود و از دوست صمیمی‌مان هم بیشتر ما را می‌شناسد، آن‌قدرها هم چیز بدی نباشد!

 

انتهای پیام

لینک کوتاه : https://cmmagazine.ir/?p=7697
  • ارسال توسط :

ثبت دیدگاه

دیدگاهها بسته است.