هوش مصنوعی – مقدمه ای بر هوش مصنوعی و عملکرد آن

هوش مصنوعی (Artificial intelligence (AI))

هوش مصنوعی یا ( ai ) توانایی رایانه دیجیتال یا ربات کنترل شده توسط رایانه برای انجام وظایفی که معمولاً با موجودات هوشمند مرتبط است.

این اصطلاح غالباً به پروژه در حال توسعه سیستم های دارای فرآیندهای فکری مشخصه انسان بکار می رود.

مانند توانایی استدلال ، کشف معنا ، تعمیم یا آموختن از تجربه گذشته. از زمان توسعه رایانه دیجیتال در دهه 1940 ، ثابت شده است. که کامپیوترها می توانند برای انجام کارهای بسیار پیچیده برنامه ریزی شوند – به عنوان مثال:

کشف اثبات مسایل ریاضی یا بازی شطرنج – با مهارت بسیار زیاد. هنوز هم ، با وجود پیشرفت مداوم در سرعت پردازش کامپیوتر و ظرفیت حافظه هنوز هیچ برنامه ای وجود ندارد که بتواند انعطاف پذیری انسان را نسبت به حوزه های گسترده تر یا در کارهایی که به دانش روزمره نیاز دارند مطابقت دهد.

از سوی دیگر، برخی از برنامه ها به سطح عملکرد متخصصان و متخصصان انسانی در انجام برخی از وظایف خاص دست یافته اند. به طوری که هوش مصنوعی ( ai ) به این معنی محدود در برنامه های خاصی مانند:

  • تشخیص پزشکی ،
  • موتورهای جستجوی رایانه ،
  • تشخیص صدا یا دست خط.

هوش چیست؟

همه چیز حتی ساده ترین رفتارهای انسانی به هوش نسبت داده می شود.

در حالی که حتی پیچیده ترین رفتار حشرات نیز هرگز به عنوان نشانه ای از هوش در نظر گرفته نمی شود.

تفاوت در چیست؟ رفتار زنبورهای حفار ، Sphex ichneumoneus را در نظر بگیرید. وقتی زنبور ماده با غذا به سوراخ خود برمی گردد ، ابتدا آن را در آستانه سوراخ می گذارد. در داخل سوراخ خود وجود افراد متجاوز را بررسی می کند و تنها در این صورت ، اگر خانه امن باشد ، غذای خود را به داخل حمل می کند.

ماهیت واقعی رفتار غریزی زنبور هنگامی آشکار می شود که در حالی که شهد را حمل می کند ، چند اینچ از ورودی سوراخ دور شود.

او کل مراحل را به دفعات جابجایی غذا تکرار می کند. هوش – به طور آشکار در مورد Sphex وجود ندارد – باید شامل توانایی سازگاری با شرایط جدید باشد.

روانشناسان معمولاً هوش انسان را فقط با یک ویژگی تعریف نمی کنند بلکه با ترکیب بسیاری از توانایی های متنوع مشخص می کنند.

تحقیقات در هوش مصنوعی ( ai ) بیشتر بر روی مولفه های زیر هوش متمرکز شده است:

  1. یادگیری ،
  2. استدلال ،
  3. حل مسئله ،
  4. درک و استفاده از زبان.

یادگیری

یادگیری یکی از خصوصیات مهم در هوش مصنوعی است
یادگیری یکی از خصوصیات مهم در هوش مصنوعی است

انواع مختلفی از یادگیری وجود دارد که در هوش مصنوعی ( ai ) اعمال می شود. ساده ترین آن یادگیری با آزمون و خطاست.

به عنوان مثال ، یک برنامه ساده رایانه ای برای حل مشکلات شطرنج ممکن است حرکات را به طور تصادفی امتحان کند تا زمانی که بهترین انتخاب پیدا شود.

سپس برنامه ممکن است فرمول را با موقعیت ذخیره کند تا دفعه بعد که کامپیوتر با همان موقعیت روبرو شد ، راه حل را به یاد بیاورد.

این به خاطر سپردن ساده موارد و رویه های منفرد – معروف به یادگیری ریشه ای – اجرای آن در کامپیوتر نسبتاً آسان است.

چالش برانگیزتر مسئله اجرای آنچه کلی گویی نامیده می شود است. تعمیم شامل استفاده از تجربه گذشته در موقعیتهای جدید مشابه است.

به عنوان مثال ، برنامه ای که افعال منظم انگلیسی را با استفاده از rote بیاموزد ، قادر به تولید زمان گذشته کلمه ای مانند پرش نخواهد بود.

مگر اینکه قبلاً با jumped ارائه شده باشد ، در حالی که برنامه ای که قادر به تعمیم باشد. می تواند یاد بگیرد قانون “add ed” و بنابراین زمان گذشته پرش را براساس تجربه با افعال مشابه تشکیل دهید.

توان استدلال

هوش مصنوعی یا ( ai ) توان استدلال و استنتاج از حل مسایل یا خواهد داشت.

نتیجه گیری متناسب با شرایط است. استنباط ها به صورت قیاسی یا استقرایی طبقه بندی می شوند. نمونه ای از موارد قبلی این است:

“فرد باید در موزه یا کافه باشد. او در کافه نیست. بنابراین او در موزه است”. او یا باید در کافه می بود و یا در موزه. در کافه نبود پس استدلال اول غلط بود. در نتیجه استدلال دوم صحیح بود.

مهمترین تفاوت بین این اشکال استدلال این است که در قضیه استنباط حقیقت مقدمات حقیقت نتیجه را تضمین می کند. در حالی که در قضیه استنباط حقیقت پیش فرض بدون اطمینان کامل از نتیجه گیری حاصل می شود.

استدلال استقرایی در علم معمول است ، جایی که داده ها جمع آوری می شوند و مدل های آزمایشی برای توصیف و پیش بینی رفتار آینده تولید می شوند.

تا زمانی که ظهور داده های غیر عادی ، مدل را مجبور به تجدید نظر می کند.

استدلال قیاسی در ریاضیات و منطق معمول است. جایی که ساختارهای مفصل مسایل انکار ناپذیر از مجموعه کوچکی از بدیهیات و قواعد اساسی ساخته می شوند.

در برنامه نویسی رایانه ها برای استنباط ، به ویژه استنتاج های قیاسی ، موفقیت چشمگیری حاصل شده است. با این حال ، استدلال واقعی فراتر از صرف استنتاج است. این شامل ترسیم استنباط مربوط به حل مسایل یا ایجاد موقعیتی خاص است. این یکی از سخت ترین مشکلات رویارویی با هوش مصنوعی ( ai ) است.

حل مسئله

از جمله وظایف اصلی هوش مصنوعی ( ai )حل مسایل پیچیده در کوتاه ترین زمان است
از جمله وظایف اصلی هوش مصنوعی حل مسایل پیچیده در کوتاه ترین زمان است

حل مسئله ، به ویژه در هوش مصنوعی ، ممکن است به عنوان جستجوی سیستماتیک از طریق طیف وسیعی از اقدامات ممکن برای دستیابی به هدف یا راه حل از پیش تعیین شده مشخص شود.

روشهای حل مسئله به هدف خاص و هدف کلی تقسیم می شوند. یک روش با هدف خاص برای یک مسئله خاص ساخته می شود و اغلب از ویژگی های بسیار خاص موقعیتی که مشکل در آن نهفته است بهره برداری می کند.

در مقابل ، یک روش هدف کلی برای انواع مختلفی از مشکلات قابل استفاده است. یکی از تکنیک های هدف کلی که در هوش مصنوعی ( ai ) به کار می رود ، تجزیه و تحلیل هدف است – کاهش گام به گام ، یا افزایشی ، تفاوت بین وضعیت فعلی و هدف نهایی.

این برنامه اقدامات را از لیستی از ابزارها انتخاب می کند. در مورد یک ربات ساده ، این ممکن است شامل PICKUP ، PUTDOWN ، MOVEFORWARD ، MOVEBACK ، MOVELEFT و MOVERIGHT باشد – تا رسیدن به هدف.

بسیاری از مشکلات متنوع با برنامه های هوش مصنوعی حل شده است. برخی از نمونه ها یافتن حرکت برنده (یا توالی حرکات) در یک بازی تخته ای است. ابداع اثبات ریاضی و دستکاری “اشیا virtual مجازی” در دنیای تولید شده توسط رایانه است.

ادراک

از نظر ادراک ، محیط با استفاده از اندامهای حسی مختلف ، واقعی یا مصنوعی اسکن می شود. و صحنه در در مختلف مکانی با اجسام جداگانه شکل می گیرد.

تجزیه و تحلیل با این واقعیت پیچیده است که یک شی ممکن است بسته به زاویه ای که از آن مشاهده می شود. جهت و شدت نور در صحنه و میزان تضاد جسم با میدان اطراف متفاوت باشد.

در حال حاضر ، درک مصنوعی به اندازه کافی پیشرفته است که حسگرهای نوری را قادر می سازد تا افراد ، وسایل نقلیه بی سرنشین را برای رانندگی با سرعت متوسط در جاده باز و ربات ها در ساختمان های جمع آوری قوطی های سودا خالی پرسه بزنند.

یکی از اولین سیستم های ادغام ادراک و عمل ، FREDDY بود ، یک روبات ثابت با یک چشم تلویزیونی متحرک و یک انگشت قلاب ، که در دانشگاه ادینبورگ ، اسکاتلند ، در طی سالهای 1966-73 به راهنمایی دونالد میشی ساخته شد.

FREDDY قادر بود اشیا variety گوناگونی را تشخیص دهد و می توان به وی دستور داد که مصنوعات ساده ای مانند یک ماشین اسباب بازی را از یک انبوه تصادفی از اجزا جدا کند.

زبان

زبان ، سیستمی از نشانه هاست که طبق قرارداد معنا می یابد. از این نظر نیازی نیست که زبان فقط در کلمه گفتاری باشد. به عنوان مثال علائم راهنمایی و رانندگی یک زبان کوچک تشکیل می دهند ، این یک امر قراردادی است که … در برخی از کشورها به معنای “خطر پیش رو” است. از نظر زبانها متمایز است که واحدهای زبانی طبق قرارداد دارای معنا هستند و معنای زبانی با آنچه معنای طبیعی خوانده می شود بسیار متفاوت است.

که در جملاتی مانند “این ابرها به معنای باران است” و “افت فشار به معنی سو عملکرد سوپاپ است” بسیار متفاوت است.

ویژگی مهم زبانهای انسانی تمام عیار – برخلاف تماس پرندگان و علائم راهنمایی و رانندگی – بهره وری آنهاست. یک زبان تولیدی می تواند جملات متنوعی را به صورت نامحدود تنظیم کند.

نوشتن برنامه های رایانه ای که به نظر می رسد ، در شرایط بسیار محدود ، قادر به پاسخگویی روان به زبان انسانی به سوالات و گفته ها هستند ، نسبتاً آسان است.

اگرچه هیچ یک از این برنامه ها در واقع زبان را نمی فهمند ، اما اصولاً ممکن است به حدی برسند که فرماندهی آنها درباره یک زبان از یک انسان عادی قابل تشخیص نباشد.

بنابراین ، اگر حتی رایانه ای که از یک زبان مانند یک زبان مادری بومی استفاده می کند تصدیق نشود که درک کند ، چه چیزی در درک واقعی است؟

هیچ پاسخ توافق جهانی برای این سوال دشوار وجود ندارد. بر اساس یک نظریه ، درک یا عدم درک شخص نه تنها به رفتار بلکه به تاریخچه وی نیز بستگی دارد:

برای اینکه گفته شود شما باید درک کنید ، باید زبان را یاد گرفته باشید و آموزش دیده باشید تا جای خود را در جامعه زبانی بدست آورید. تعامل با سایر کاربران زبان.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *