واحد مشترک کمکی پژوهش و مهندسی «هوش یار-تواندار» (HT-CSURE)

Hooshyar-Tavandar Common Subsidiary Unit for Research & Engineering

واحد مشترک کمکی پژوهش و مهندسی «هوش یار-تواندار» (HT-CSURE)

Hooshyar-Tavandar Common Subsidiary Unit for Research & Engineering

o - 'AI brain scans' reveal what happens inside machine learning

'AI brain scans' reveal what happens inside machine learning

Bristol-based Graphcore has used its AI processing units and software to create maps of what happens during a machine learning process

Continue...

سه‌شنبه 3 مهر 1397 ساعت 14:36

0 نظر

Here's Why AI Can't Solve Everything

main article image

Here's Why AI Can't Solve Everything

Yes, even neural networks.

VYACHESLAV POLONSKI, THE CONVERSATION

27 MAY 2018

The hysteria about the future of artificial intelligence (AI) is everywhere. There seems to be no shortage of sensationalist news about how AI could cure diseases, accelerate human innovation and improve human creativity.

Just looking at the media headlines, you might think that we are already living in a future where AI has infiltrated every aspect of society.

While it is undeniable that AI has opened up a wealth of promising opportunities, it has also led to the emergence of a mindset that can be best described as "AI solutionism". This is the philosophy that, given enough data, machine learning algorithms can solve all of humanity's problems.

But there's a big problem with this idea. Instead of supporting AI progress, it actually jeopardises the value of machine intelligence by disregarding important AI safety principles and setting unrealistic expectations about what AI can really do for humanity.

AI solutionism

In only a few years, AI solutionism has made its way from the technology evangelists' mouths in Silicon Valley to the minds of government officials and policymakers around the world.

The pendulum has swung from the dystopian notion that AI will destroy humanity to the utopian belief that our algorithmic saviour is here.

We are now seeing governments pledge support to national AI initiatives and compete in a technological and rhetorical arms race to dominate the burgeoning machine learning sector.

For example, the UK government has vowed to invest £300m in AI research to position itself as a leader in the field.

Enamoured with the transformative potential of AI, the French president Emmanuel Macron committed to turn France into a global AI hub.

Meanwhile, the Chinese government is increasing its AI prowess with a national plan to create a Chinese AI industry worth US$150 billion by 2030. AI solutionism is on the rise and it is here to stay.

Neural networks – easier said than done

While many political manifestos tout the transformative effects of the looming "AI revolution", they tend to understate the complexity around deploying advanced machine learning systems in the real world.

One of the most promising varieties of AI technologies are neural networks. This form of machine learning is loosely modelled after the neuronal structure of the human brain but on a much smaller scale. Many AI-based products use neural networks to infer patterns and rules from large volumes of data.

But what many politicians do not understand is that simply adding a neural network to a problem will not automatically mean that you'll find a solution. Similarly, adding a neural network to a democracy does not mean it will be instantaneously more inclusive, fair or personalised.

Challenging the data bureaucracy

AI systems need a lot of data to function, but the public sector typically does not have the appropriate data infrastructure to support advanced machine learning.

Most of the data remains stored in offline archives. The few digitised sources of data that exist tend to be buried in bureaucracy. More often than not, data is spread across different government departments that each require special permissions to be accessed.

Above all, the public sector typically lacks the human talent with the right technological capabilities to fully reap the benefits of machine intelligence.

For these reasons, the sensationalism over AI has attracted many critics. Stuart Russell, a professor of computer science at Berkeley, has long advocated a more realistic approach that focuses on simple everyday applications of AI instead of the hypothetical takeover by super-intelligent robots.

Similarly, MIT's professor of robotics, Rodney Brooks, writes that "almost all innovations in robotics and AI take far, far, longer to be really widely deployed than people in the field and outside the field imagine".

One of the many difficulties in deploying machine learning systems is that AI is extremely susceptible to adversarial attacks. This means that a malicious AI can target another AI to force it to make wrong predictions or to behave in a certain way.

Many researchers have warned against the rolling out of AI without appropriate security standards and defence mechanisms. Still, AI security remains an often overlooked topic.

Machine learning is not magic

If we are to reap the benefits and minimise the potential harms of AI, we must start thinking about how machine learning can be meaningfully applied to specific areas of government, business and society. This means we need to have a discussion about AI ethics and the distrust that many people have towards machine learning.

Most importantly, we need to be aware of the limitations of AI and where humans still need to take the lead. Instead of painting an unrealistic picture of the power of AI, it is important to take a step back and separate the actual technological capabilities of AI from magic.

For a long time, Facebook believed that problems like the spread of misinformation and hate speech could be algorithmically identified and stopped. But under recent pressure from legislators, the company quickly pledged to replace its algorithms with an army of over 10,000 human reviewers.

The medical profession has also recognised that AI cannot be considered a solution for all problems. The IBM Watson for Oncology programme was a piece of AI that was meant to help doctors treat cancer.

Even though it was developed to deliver the best recommendations, human experts found it difficult to trust the machine. As a result, the AI programme was abandoned in most hospitals where it was trialled.

Similar problems arose in the legal domain when algorithms were used in courts in the US to sentence criminals. An algorithm calculated risk assessment scores and advised judges on the sentencing. The system was found to amplify structural racial discrimination and was later abandoned.

These examples demonstrate that there is no AI solution for everything. Using AI simply for the sake of AI may not always be productive or useful. Not every problem is best addressed by applying machine intelligence to it.

This is the crucial lesson for everyone aiming to boost investments in national AI programmes: all solutions come with a cost and not everything that can be automated should be.

Vyacheslav Polonski, Researcher, University of Oxford

This article was originally published on The Conversation. Read the original article.

دوشنبه 14 خرداد 1397 ساعت 01:51

0 نظر

ساخت هوش مصنوعیی که ذهن را می‌خواند

ساخت رباتی که ذهن را می‌خواند

دکتر میر شهرام صفری

نوروسافاری | محققان دانشگاه تورنتو دستگاهی تولید کرده‌اند که با اسکن مغز و ثبت فعالیت‌های آن، چهره افرادی که به آن‌ها فکر کرده‌ایم را بازسازی می‌کند.

به گزارش نوروسافاری از وبسایت دانشگاه تورنتو، روانشناسان یک دستگاه عجیب ساخته‌اند که می‌تواند با یک دقت باورنکردنی به بخش دیداری مغز کاربر نفوذ کند.

مطالعات این روانشناسان از طریق هوش مصنوعی و با استفاده از سیگنال‌های الکتریکی در مغز صورت گرفت تا چهره‌ای که توسط داوطلبان شرکت کننده در این مطالعه مشاهده شده بود را بازسازی کند.

این دستگاه می‌تواند به عنوان یک وسیله ارتباطی برای افرادی باشد که توانایی صحبت کردن ندارند و همچنین پیشرفتی برای توسعه پروتزهایی باشد که توسط افکار کنترل می‌شوند.

طراحی مطالعه

در این بررسی که در دانشگاه “اسکاربرو”( Scarborough) تورنتو صورت گرفت، از دستگاه نوار مغز استفاده شد.

هنگامی که تصویر چهره‌های مختلف به داوطلبان نشان داده می شد، نوار مغز فعالیت مغز آنها را ثبت می کرد. سپس توسط یک سری نرم افزار ویژه، از این اطلاعات استفاده می‌شد تا تصاویر به صورت دیجیتالی بازسازی شوند.

این سیستم‌های شبکه می‌توانند برای تشخیص الگوهای اطلاعاتی از قبیل اطلاعات گفتاری، داده‌های متنی یا تصاویر بصری استفاده شوند. لازم به ذکر است که این پیشرفت، مبنایی برای پیشرفت‌های دیگر در حوزه هوش مصنوعی در سال‌های اخیر محسوب می‌شود.

هوش مصنوعی این دستگاه در ابتدا قادر بود تا ویژگی‌هایی که چهره انسان را تشکیل می‌دهد، تشخیص دهد. سپس به نحوی طراحی شد که این ویژگی‌ها را با الگوهای فعالیت‌های نوار مغز مرتبط سازد.

در ابتدا فعالیت‌های مغزی که طی آزمایش توسط فرد مشاهده شده است با این اطلاعات تطابق داده می شود و سپس هوش مصنوعی، تصاویری که فرد دیده را دوباره تولید می کند.

نتایج این آزمایش درباره بازسازی چهره‌ای که داوطلبان مشاهده کرده بودند، بسیار صحیح بود.

این دستگاه محتوای ذهنی افراد را افشا می‌کند و راهی برای دسترسی، اکتشاف و تبادل افکار، حافظه و تخیلات ما فراهم می آورد.

این مطالعه اولین کاری هست که امکان تشخیص چهره بر مبنای سیگنالهای نوار مغزی را فراهم می کند.

فیلمی را در این باره ببینید:

لینک مقاله در ژورنال e-neuro:

The Neural Dynamics of Facial Identity Processing: insights from EEG-Based Pattern Analysis and Image Reconstruction

لینک خبر در وبسایت دانشگاه تورنتو:

Do you see what I see? Researchers harness brain waves to reconstruct images of what we perceive

ترجمه و نشر خبر اصلی از: ایسنا

شنبه 12 اسفند 1396 ساعت 02:06

0 نظر

Google's Latest Self-Learning AI Is Like an "Alien Civilization Inventing Its Own Mathematics

Google's Latest Self-Learning AI Is Like an "Alien Civilization Inventing Its Own Mathematics"

Okay, that's pretty awesome.

PETER DOCKRILL

19 OCT 2017

An AI that vanquished humanity at perhaps the most complex traditional game on Earth was inconceivably smart. But not smart enough to survive its own replacement by an even more awesome, alien intelligence.

Google's DeepMind researchers have just announced the next evolution of their seemingly indomitable artificial intelligence – AlphaGo Zero – which has dispensed with what may have been the most inefficient resource in its ongoing quest for knowledge: humans.

Zero's predecessor, dubbed simply AlphaGo, was described as "Godlike" by one of the crestfallen human champions it bested at the ancient Chinese board game, Go, but the new evolution has refined its training arsenal by eradicating human teachings from its schooling entirely.

The AlphaGo versions that kicked our butts at Go in a series of contests this year and last year first learned to play the game by analysing thousands of human amateur and professional games, but AlphaGo Zero is entirely self-taught, learning by 100 percent independent experimentation.

AlphaGo20Zero20Training20Time DeepMind

In a new study, the researchers report how that uncanny self-reliance sharpened Zero's intelligence to devastating effect: in 100 games against Zero, a previous AlphaGo incarnation – which cleaned the floor with us in 2016 – didn't pick up a single win. Not one.

Even more amazingly, that trumping came after just three days of self-play training by AlphaGo Zero, in which it distilled the equivalent of thousands of years of human knowledge of the game.

"It's like an alien civilization inventing its own mathematics," computer scientist Nick Hynes MIT told Gizmodo.

"What we're seeing here is a model free from human bias and presuppositions. It can learn whatever it determines is optimal, which may indeed be more nuanced that our own conceptions of the same."

After 21 days of self-play, Zero had progressed to the standard of its most powerful predecessor, known as AlphaGo (Master), which is the version that beat world number one Ke Jie this year, and in subsequent weeks it eclipsed that level of performance.

Aside from the self-reliance, the team behind AlphaGo Zero ascribe its Go dominance to an improved, single neural network (former versions used two in concert), and more advanced training simulations.

But just because the AI is racing ahead at such an awesome – if disquieting – pace, it doesn't necessarily mean Zero is smarter or more capable than humans in other fields away from this complex but constrained board game.

"AI fails in tasks that are surprisingly easy for humans," computational neuroscientist Eleni Vasilaki from Sheffield University in the UK told The Guardian.

"Just look at the performance of a humanoid robot in everyday tasks such as walking, running, and kicking a ball."

That may be true, but allow us our moment of silenced awe as we witness the birth of this astonishingly powerful synthetic way of thinking.

It might not do what humans can do, but it can do so many things we can't, too.

According to DeepMind, those capabilities will one day soon help Zero - or its inevitable, evolving heirs - figure out things like how biological mechanisms operate, how energy consumption can be reduced, or how new kinds of materials fit together.

Welcome to a bright new future, which clearly isn't ours alone.

The findings are reported in Nature.

Simple tasks don't test brain's true complexity
Rice University, ScienceDaily, 2017
"Deep Blue" Inspires Deep Thinking About Artificial Intelligence
University of California, Santa Cruz, ScienceDaily, 1997

جمعه 28 مهر 1396 ساعت 15:41

0 نظر

هوش مصنوعی، شبکه‌های عصبی و یادگیری ماشینی چه کاری انجام می‌دهند؟

بازیگران عرصه هوشمندی

هوش مصنوعی، شبکه‌های عصبی و یادگیری ماشینی چه کاری انجام می‌دهند؟

17 اسفند 1395

حمیدرضا تائبی

عصرشبکه

ماهنامه شبکه ۱۸۹

هر زمان یک برنامه کاربردی ادعا می‌کند به «فناوری هوش مصنوعی تجهیز شده است» احساس می‌کنیم در آینده قرار داریم. اما به‌راستی معنای این جمله چیست؟ اصطلاحات اعجاب‌انگیزی همچون هوش مصنوعی، یادگیری ماشینی، شبکه‌های عصبی و... دقیقاً چه کاری انجام می‌دهند؟ آیا این فناوری‌ها آن‌گونه که ادعا می‌شود، این پتانسیل را دارند تا عملکرد و کارایی برنامه‌های کاربردی را بهبود بخشند؟

گوگل و مایکروسافت به‌تازگی یادگیری مبتنی بر شبکه‌های عصبی را به برنامه‌های ترجمه خود اضافه کرده‌اند. گوگل گفته است از یادگیری ماشینی به‌منظور تهیه فهرستی از آهنگ‌های پیشنهادی استفاده می‌کند. Todoist می‌گوید از هوش مصنوعی به‌منظور مشخص کردن زمان پایان یافتن کارها استفاده می‌کند. Any.do ادعا کرده است بات مبتنی بر هوش مصنوعی این سایت قادر است یک سری از وظایف کاربران را خود انجام دهد. جالب آن‌که تمام این شرکت‌ها تنها در یک هفته این صحبت‌ها را مطرح کرده‌اند. در حالی که به نظر می‌رسد تعدادی از این گفته‌ها بیشتر تکنیک‌های تبلیغاتی هستند و شرکت‌ها سعی کرده‌اند، این‌گونه وانمود کنند که برنامه‌های ‌آن‌ها مورد علاقه طیف گسترده‌ای از کاربران قرار دارد. اما در بعضی موارد این فناوری‌ها تأثیرگذاری محسوس خود را نشان داده‌اند. هوش مصنوعی، یادگیری ماشینی و شبکه‌های عصبی همگی به توصیف راهکارهایی می‌پردازند که به کامپیوترها اجازه می‌دهند فعالیت‌های خود را به شکل پیشرفته‌تر و بر مبنای شرایط محیطی انجام دهد. در این بین تعدادی از توسعه‌دهندگان برنامه‌های کاربردی برای توصیف برنامه هوشمند خود به یک شکل از این اصطلاحات استفاده می‌کنند، اما واقعیت این است که این فناوری‌ها به طور کامل با یکدیگر متفاوت بوده و هر یک کارکرد خاص خود را دارند. ما در این مقاله سعی خواهیم کرد به بیانی ساده هر یک از این فناوری‌ها را مورد بررسی قرار دهیم.

شبکه‌های عصبی با تقلید از مغز انسان داده‌های پیچیده را تحلیل می‌کنند
(ANN) (سرنام Artificial Neural Networks) به گونه‌ای از شبکه‌های عصبی مصنوعی گفته می‌شود که رویکرد ویژه‌ای از مدل یادگیری را مورد استفاده قرار می‌دهند و از رویکرد سیناپس‌ها در مغز انسان الگوبرداری می‌کنند. رویکردهایی که در محاسبات‌ سنتی از آن‌ها استفاده می‌شود، به این شکل عمل می‌کنند که یک سری عبارات منطقی را برای انجام وظیفه‌ای مورد استفاده قرار می‌دهند. اما در شبکه‌های عصبی مجموعه‌ای از گره‌های شبکه (شبیه به سلول‌های عصبی عمل می‌کنند) و یال‌ها (Edges) که شبیه به سیناپس‌ها عمل می‌کنند برای پردازش داده‌ها مورد استفاده قرار می‌گیرند. ورودی‌ها به درون سامانه وارد شده، مورد پردازش قرار گرفته و یک سری خروجی را تولید می‌کنند. در ادامه، خروجی‌های تولید شده با داده‌های شناخته شده مورد مقایسه قرار می‌گیرد.

مطلب پیشنهادی

سرمقاله ماهنامه شبکه ۱۹۰

فرصتی برای شکفتن

به طور مثال، در نظر دارید به یک کامپیوتر آموزش دهید یک سگ را در یک تصویر شناسایی کند. برای این کار میلیون‌ها تصویر از سگ‌های مختلف را به درون این شبکه وارد می‌کنید و سپس تصاویری که سامانه تشخیص داده‌ است شبیه به سگ‌ها هستند را دریافت می‌کنید. در این گام، عامل انسانی می‌تواند به شبکه عصبی اعلام دارد کدام‌یک از خروجی‌ها دقیقاً تصویر متعلق به یک سگ است. به این ترتیب، مسیرهایی که منتهی به تشخیص درست می‌شوند را روی یک شبکه عصبی مصنوعی تقویت می‌کنید. با تکرار این پروسه به دفعات، شبکه عصبی مصنوعی به اندازه‌ای مهارت پیدا می‌کند که قادر خواهد بود تصویر متعلق به سگ‌ها را با دقیق‌ترین جزییات شناسایی کند. برای آن‌که از نزدیک با شیوه کارکرد این شبکه‌ها آشنا شوید، پیشنهاد می‌کنم سرویس Quick Draw گوگل را مورد آزمایش قرار دهید.
در این پروژه مطالعاتی گوگل به شبکه‌ای عصبی یاد می‌دهد تصاویری که مردم ترسیم می‌کنند را شناسایی کند. به طور مثال، در شکل‌های 1 و 2 شبکه عصبی موفق شد، شکل ترسیمی را شناسایی کرده و به کاربر بگوید (به شکل صوتی) این تصویر یک گربه است. حتی اگر مهارت‌های شما در رسم تصاویر ضعیف باشد، این شبکه عصبی باز هم قادر است تصاویر را تشخیص دهد. با وجود این، شبکه‌های عصبی مصنوعی را نمی‌توان برای حل تمام مشکلات مورد استفاده قرار داد. اما زمانی که با داده‌های پیچیده‌ای سروکار دارید، آن‌ها بهترین گزینه هستند. با توجه به این‌که فرآیند ترجمه متون کار تخصصی و سختی به شمار می‌رود، گوگل و مایکروسافت از این رویکرد قدرتمند در ارتباط با برنامه‌های ترجمه خود استفاده کرده و نتایج خوبی نیز به دست آورده‌اند. همه ما تا به امروز ترجمه‌های ضعیف بسیاری را مشاهده کرده‌ایم، اما شبکه‌های یادگیری عمیق عصبی به یک سامانه اجازه می‌دهند به‌مرور زمان از ترجمه‌های صحیحی که انجام داده است نکات بیشتری را یاد بگیرد.

شکل 1 - یک تصویر ابتدایی که توسط عامل انسانی رسم شده است.

مشابه چنین رویکردی در ارتباط با تشخیص گفتار نیز وجود دارد. زمانی که گوگل شبکه‌های عمیق عصبی را به سرویس صوتی خود Google Voice اضافه کرد، نرخ اشتباهات این برنامه به میزان 49 درصد کم شد. البته این قابلیت هیچ‌گاه کامل نخواهد بود، اما به‌مرور زمان ویژگی‌های عصبی بیشتری به موازات این دستاورد به برنامه‌ها افزوده خواهد شد. به هر ترتیب، با استفاده از رویکرد یادگیری مبتنی بر شبکه‌های عمیق عصبی، تحلیل داده‌های پیچیده‌تر روزبه‌روز پیشرفت خواهد کرد، به طوری که ویژگی‌های طبیعی‌تری به برنامه‌های کاربردی اضافه خواهد شد.

یادگیری ماشینی با رویکرد تمرین بیشتر باعث پیشرفت کامپیوترها می‌شود
یادگیری ماشینی یکی از پراستفاده‌ترین اصطلاحاتی است که این روزها آن ‌را مشاهده می‌کنید. هرگونه تلاشی که درنهایت به یک کامپیوتر اجازه دهد به شکلی مستقل و پیشرفته کارهای خود را انجام دهد، در زمره دستاوردهای این شاخه قرار می‌گیرد. اگر در نظر داشته باشیم این اصطلاح را به شکل تخصصی‌تری توصیف کنیم، باید بگوییم یادگیری ماشینی به سامانه‌هایی اشاره دارد که در آن عملکرد یک ماشین در انجام یک وظیفه منحصراً بر پایه تجربیاتی است که از اجرای همان وظیفه به دست آورده و بهبود پیدا کرده است. شبکه‌های عصبی مثالی از یادگیری ماشینی هستند. اما این فناوری را به اشکال مختلفی می‌توان پیاده‌سازی کرد. یکی دیگر از زیرشاخه‌های یادگیری ماشینی که این روزها به‌کرات شاهد آن هستیم، یادگیری تقویتی (Reinforcement Learning) است. در یادگیری تقویتی، کامپیوتر وظیفه‌ای را انجام داده و در ادامه نتایج مورد بررسی قرار می‌گیرد. بازی شطرنج مثال خوبی در این زمینه است. یک کامپیوتر یک بازی شطرنج را به طور کامل انجام می‌دهد و درنهایت یا برنده بازی می‌شود یا در بازی شکست می‌خورد. اگر کامپیوتر برنده این بازی باشد، به مجموعه حرکاتی که در طول بازی انجام داده و به پیروزی کامپیوتر منجر شده‌اند، یک امتیاز مثبت تخصیص داده می‌شود.

شکل 2 - شبکه عصبی تصویر را شناسایی می‌کند و اعلام می‌دارد که یک گربه است.

در ادامه، بعد از آن‌که میلیون‌‌ها بار این بازی را انجام داد، سامانه بر مبنای نتایجی که در این مدت به دست آورده است می‌تواند تشخیص دهد که چه حرکاتی احتمال برد او را در بازی‌ها بیشتر می‌کنند. در شرایطی که شبکه‌های عصبی برای انجام کارهایی همچون تشخیص الگوها در تصاویر کارکرد خوبی دارند، اما در مقابل مدل‌های دیگر یادگیری ماشینی می‌توانند به‌منظور انجام یک سری وظایف خاص به صورت بهینه‌سازی شده مورد استفاده قرار ‌گیرند. گوگل در این ارتباط گفته است: «برنامه موسیقی به این شکل عمل می‌کند که قطعه مورد علاقه شما را پیدا می‌کند و هر زمان شما اراده کنید که به موسیقی گوش فرا دهید آن قطعه را برای شما پخش می‌کند.»
این برنامه بر مبنای الگوی رفتاری شما کار کرده و فهرستی را منطبق با علایق شما آماده می‌کند. اگر شما از قطعه‌ای که برایتان انتخاب شده است راضی نباشید، به منزله آن است که سیستم شکست خورده است. با این حال، اگر هریک از قطعات موسیقی انتخابی را قبول کنید، سیستم این نتیجه مثبت را ثبت کرده و رویکردهایی که درنهایت به‌منظور ساخت یک فهرست شخصی مورد استفاده قرار می‌گیرند را تقویت می‌کند. به طور مثال، اگر برای اولین بار برنامه موسیقی گوگل را باز کنید، با پیشنهادات درهم و برهمی روبه‌رو می‌شود. اما هرچه بیشتر از این برنامه استفاده کنید پیشنهادات هدفمندتر و دقیق‌تری را مشاهده خواهید کرد. این رویکرد دقیقاً در ارتباط با یوتیوب نیز صدق می‌کند. کافی است با حساب کاربری خود وارد یوتیوب شوید و به جست‌وجو بپردازید. در زمان‌های بعد مشاهده خواهید کرد یوتیوب فهرست‌هایی را در اختیار شما قرار می‌دهد که در تشابه نزدیکی با علایق شما قرار دارند. با وجود‌ این باز هم یادگیری ماشینی را در همه امور نمی‌توان مورد استفاده قرار داد و ممکن است در بعضی موارد یک سری ناهمگونی‌هایی را مشاهده کنید.
به طور مثال، اگر هر 6 ماه یک بار از برنامه موسیقی گوگل استفاده کنید، پیشنهاداتی که ارائه می‌شوند هیچ‌گاه باب میل شما نخواهند بود. به عبارت دقیق‌تر، این رویکرد تنها زمانی دقیق و درست عمل می‌کند که شما به دفعات از آن استفاده کنید.
به هر ترتیب، یادگیری ماشینی به عنوان یکی از پرکاربردترین اصطلاحات روز دنیای فناوری نکات مبهم بسیاری در مقایسه با شبکه‌های عصبی دارد. ولی نشان داده است، اگر از نرم‌افزاری استفاده کنید و بازخوردهای مرتب و منظمی را در اختیار آن برنامه قرار دهید، به‌مرور زمان شاهد بهبود عملکرد آن برنامه خواهید بود.

هوش مصنوعی به هر شی‌ء هوشمند اطلاق می‌شود
دقیقاً مشابه با شبکه‌های عصبی که شکلی از یادگیری ماشینی هستند، یادگیری ماشینی خود شکلی از هوش مصنوعی است. با وجود این، گروه‌بندی‌های دیگری نیز در زیر شاخه هوش مصنوعی قرار می‌گیرند، اما آن‌گونه که باید و شاید مورد توجه نیستند، به طوری که در ارتباط با بعضی از این گروه‌ها ارائه یک تعریف واحد کمی بی‌معنا به نظر می‌رسد. در حالی که در تعدادی از فیلم‌های علمی و تخیلی یک سری تصورات ذهنی را مشاهده می‌کنیم. اما واقعیت این است که در بعضی از حوزه‌های هوش مصنوعی به اندازه‌ای از پیشرفت‌ دست پیدا کرده‌ایم که تا همین چند سال پیش تقریباً تصور آن‌ را هم نمی‌کردیم. به طور مثال، نویسه‌خوانی نوری (OCR) (سرنام Optical Character Recognition) از جمله نقاط عطف هوش مصنوعی به شمار می‌رود. این فناوری در شرایطی این روزها به سهولت در اختیار ما قرار دارد که تا چند سال پیش اگر در نظر داشتید این فناوری را در اختیار داشته باشید، باید هزینه سنگینی پرداخت می‌کردید. امروزه ابتدایی‌ترین گوشی‌ها نیز قادر هستند یک سند را اسکن و آن ‌را به متن تبدیل کنند. این فناوری به اندازه‌ای پیشرفت کرده است که به‌راحتی می‌توانید گوشی خود را روی یک تصویری که به طور مثال لغات فرانسوی در آن قرار دارد نگه داشته و برنامه به طور هم‌زمان کلمات را شناسایی و آ‌ن‌ها را به زبان مورد نظر شما ترجمه می‌کند. این فناوری دیگر هیجان‌برانگیز تلقی نمی‌شود و بیشتر به عنوان یکی از وظایف ابتدایی هوش مصنوعی از آن نام برده می‌شود. دلیل این‌که چنین کار ساده‌ای در مجموعه هوش مصنوعی قرار می‌گیرد به این دلیل است که ما دو رویکرد کلی ضعیف (Weak or narrow) و قوی (Strong) را در حوزه هوش مصنوعی داریم. ضعیف در حوزه هوش مصنوعی اشاره به سامانه‌هایی دارد که برای انجام یک یا چند وظیفه خاص طراحی شده‌اند. به طور مثال، سیری اپل و Google Assistant دو برنامه کاملاً قدرتمند هستند، با وجود این در این گروه قرار می‌گیرند به دلیل این‌که دامنه فعالیت‌های آن‌ها به یک سری دستورات صوتی و پاسخ دادن به آن‌ها محدود می‌شود. در حالی که تحقیقات گسترده‌ای برای پیاده‌سازی چنین قابلیت‌هایی از سوی گوگل و اپل انجام شده است، اما باز هم به این چنین برنامه‌هایی در حوزه هوش مصنوعی weak گفته می‌شود.

واقعیت این است که در بعضی از حوزه‌های هوش مصنوعی به اندازه‌ای از پیشرفت‌ دست پیدا کرده‌ایم که تا همین چند سال پیش تقریباً تصور آن‌ را هم نمی‌کردیم.

قوی در مقابل ضعیف قرار دارد. واژه قوی اشاره به هوش مصنوعی عمومی (AGI) (سرنام Artificial General Intelligence) دارد. در بعضی منابع از واژه هوش مصنوعی کامل (full AI) نیز استفاده می‌شود. این سامانه‌ها قادر هستند همانند انسان‌ها هر وظیفه‌ای را انجام دهند و همان‌ گونه که در مقاله شماره قبل «همزیستی مستقل انسان و هوش مصنوعی» به آن اشاره کردیم، هنوز چنین سامانه‌هایی ساخته نشده‌اند. در نتیجه نباید در آینده نزدیک در انتظار روبات‌های هوشمندی همچون Alan Tudky باشید که بتوانند تمام کارهای روزمره زندگی را انجام دهند. از آن‌جا که تقریباً تمام سامانه‌های هوشمندی که از آن‌ها استفاده می‌کنید در رده weak AI قرار دارند، هر زمان عبارت هوش مصنوعی را در ارتباط با یک برنامه مشاهده کردید، بدانید که منظور این است که برنامه فوق فقط هوشمند است. این احتمال وجود دارد که جملات یا پیشنهادهای جالب توجهی را در این ارتباط مشاهده کنید، اما باید این واقعیت را بدانید که هنوز هیچ‌یک از این برنامه‌ها قادر نیستند با هوش انسانی رقابت کنند.

دقیقاً مشابه با شبکه‌های عصبی که شکلی از یادگیری ماشینی هستند، یادگیری ماشینی خود شکلی از هوش مصنوعی است

در شرایطی که معناشناسی این اصطلاحات کمی پیچیده است، اما در مقابل پژوهش‌های علمی و دستاوردهایی که در حوزه هوش مصنوعی به دست آمده کارایی خود را به‌خوبی نشان داده‌اند. به طوری که امروزه در زندگی روزمره خود تأثیرات این پژوهش‌ها را مشاهده می‌کنیم. به طور مثال، هر زمان گوشی هوشمند شما مکانی که خودروی خود را در آن‌جا پارک کرده‌اید را به شما یادآوری می‌کند، چهره‌هایی را درون تصاویر مختلف شناسایی می‌کند یا در هنگام جست‌وجوی معمول نتایج مشابهی را به شما نشان می‌دهد یا قادر است تصاویر مربوط به سفرهای مختلف را به شکل دقیقی برچسب‌گذاری و طبقه‌بندی کند در تمام این موارد به طور مستقیم و غیر مستقیم از هوش مصنوعی استفاده کرده‌اید. تا حدی می‌توانیم تعریف هوش مصنوعی را به معنای هوشمندتر کردن برنامه‌های کاربردی بسط دهیم. رویکردی که همه ما به دنبال آن هستیم. این هوشمندی در شرایطی است که یادگیری ماشینی و به‌ پیروی آن شبکه‌های عمیق عصبی به شکل منحصر به فردی به منظور انجام یک سری از وظایف آن هم به شکلی ایده‌آل مناسب هستند.

اما به این نکته توجه داشته باشید زمانی که یک برنامه اعلام می‌دارد که از هوش مصنوعی استفاده می‌کند این حرف کمتر به معنای آن است که این برنامه از یادگیری ماشینی استفاده می‌کند. همین موضوع در ارتباط با شبکه‌های عصبی نیز صادق است. گفتن این حرف که یک برنامه از یادگیری ماشینی به منظور انجام بهتر کارها استفاده می‌کند، تقریباً شبیه به گفتن این جمله است که یک دوربین بهتر است، به این دلیل ‌که دیجیتالی است؛ بله دوربین‌های دیجیتالی برای انجام بعضی از کارها بهتر از دوربین‌های نگاتیو قدیمی هستند، اما این حرف لزوماً به معنای آن نیست که هر عکس دیجیتالی بهتر از یک عکس آنالوگ خواهد بود. به عبارت دیگر، خوب بودن هرچیز به طرز استفاده از آن وسیله بستگی دارد. تعدادی از شرکت‌ها این توانایی را دارند تا شبکه‌های عصبی قدرتمندی را توسعه دهند که به‌خوبی قادر به انجام وظایف پیچیده هستند، به طوری که زندگی بهتری را برای ما به ارمغان می‌آورند.

اما تعداد دیگری از این شرکت‌ها تنها یک برچسب یادگیری ماشینی روی محصولات خود قرار می‌دهند. در حالی که در عمل محصول آن‌ها همان کاری که در گذشته انجام می‌داده است را بدون هیچ‌گونه تغییری انجام می‌دهد. اما بدون شک در پشت صحنه، یادگیری ماشینی و شبکه‌های عصبی فناوری‌های هیجان‌برانگیزی هستند. با وجود این به این نکته توجه داشته باشید، هر زمان در توضیحات یک برنامه چنین اصطلاحاتی را مشاهده کردید، این حرف به معنای آن است که این برنامه‌ها احتمالاً کمی هوشمندتر است. در نتیجه همانند گذشته، ابتدا یک برنامه را مورد استفاده قرار دهید و بررسی کنید که این برنامه تا چه اندازه برای شما مفید بوده است، آن‌گاه درباره آن قضاوت کنید.