You are currently viewing شاخه های هوش مصنوعی

شاخه های هوش مصنوعی

هوش مصنوعی به عنوان شاخه‌ای از علوم کامپیوتر می باشد. یادگیری ماشین و یادگیری نمادین؛  شاخه‌های اصلی هوش مصنوعی به حساب می‌آیند. یادگیری ماشین را می‌توان به دو شاخه یادگیری آماری و یادگیری عمیق تقسیم کرد.

بینایی ماشین و رباتیک نیز دو شاخه از یادگیری نمادین محسوب می‌شوند.

به طور کلی شاخه‌های هوش مصنوعی شامل بخش های زیر می باشد :

 

  • تشخیص گفتار
  • پردازش زبان طبیعی
  • بینایی ماشین
  • رباتیک
  • تشخیص الگو
  • شبکه‌های عصبی مصنوعی
  • یادگیری عمیق
  • شبکه عصبی پیچشی
  • شبکه عصبی بازگشتی
  • یادگیری ماشین
  • یادگیری تقویتی

تشخیص گفتار در هوش مصنوعی

جهت برقراری ارتباط، انسان‌ها می‌توانند به زبان‌های گفتاری مختلف حرف بزنند و بشنوند. معادل این مهارت در هوش مصنوعی، حوزه تشخیص گفتار است. بخش وسیعی از تشخیص گفتار مبتنی بر علم آمار به حساب می‌آید که به آن یادگیری آماری (Statistical Learning) می‌گویند. تشخیص گفتار به توانایی ماشین در درک کلمات بیان شده گفته می‌شود. یک میکروفن صدای فردی را ضبط می‌کند و سخت‌افزار سیگنال مربوطه را از امواج صدای آنالوگ به صوت دیجیتال تبدیل می‌کند. سپس، داده صوتی به وسیله نرم‌افزار پردازش می‌شود تا تفسیر صدا را به صورت کلمات مجزا انجام دهد.

پردازش زبان طبیعی در هوش مصنوعی

انسان‌ها می‌توانند به زبان‌های گوناگونی متن را بخوانند و بنویسند. این مهارت در هوش مصنوعی با شاخه پردازش زبان طبیعی مرتبط است. پردازش زبان طبیعی که با سرنام NLP از آن یاد می‌شود، حوزه‌ای در هوش مصنوعی به حساب می‌آید که با تعامل بین کامپیوترها و انسان‌ها از راه زبان طبیعی سر و کار دارد. هدف نهایی NLP در خواندن، دریافت، درک و فهمیدن زبان‌های انسانی و استفاده از این توانایی در موارد استفاده ارزش‌آفرین خلاصه می‌شود.

بینایی ماشین در AI

انسان‌ها می‌توانند با چشمان خود ببینند و آنچه را می‌بینند تجزیه و تحلیل کنند. چنین مهارتی در هوش مصنوعی با بینایی ماشین محقق می‌شود. بینایی ماشین بخشی از شیوه‌های یادگیری نمادین جهت پردازش اطلاعات به وسیله کامپیوترها محسوب می‌شود. انسان‌ها صحنه‌های اطراف را از طریق چشم‌های خود تشخیص می‌دهند. این کار منتج به شکل‌گیری تصاویری از آن جهان می‌شود. به کارگیری حوزه پردازش تصویر با وجود اینکه مستقیماً جزئی از هوش مصنوعی به حساب نمی‌آید، اما در هر صورت برای بینایی ماشین ضروری است.

 

رباتیک در Artifitial Intelligence

انسان‌ها می‌توانند درکی از محیط اطراف خود داشته باشند و به راحتی در محیط نقل مکان کنند. به این شاخه هوش مصنوعی رباتیک (Robotics) می‌گویند. رباتیک نقطه تلاقی علم، مهندسی و فناوری است که برای تولید ماشین‌هایی به نام ربات استفاده می‌شود. یک ربات رفتار انسان را تقلید می‌کند و می‌توان ار آن به جای انسان در کاربردهای مختلف استفاده کرد.

ربات ماشینی است که می‌توان به وسیله آن برای انجام برخی اقدامات پیچیده برنامه‌ریزی کرد. سه محور اصلی رباتیک، تفکر (Think)، حس (Sense) و عمل (Act) است. یعنی تنها در صورتی می‌توان یک ماشین را ربات نامید که بتواند حس کند، تفکر کند و اعمالی را انجام بدهد.

 

تشخیص الگو در هوش مصنوعی

انسان‌ها توانایی تشخیص الگوها را دارند. مثلاً می‌توانند اشیاء مشابه را طبقه‌بندی کنند. به این حوزه در هوش مصنوعی بازشناسی الگو  می‌گویند. در حوزه تشخیص الگو، ماشین‌ها مهارت بیش‌تری دارند، زیرا می‌توانند داده‌ها و ابعاد داده بیش‌تری را در زمان کمتر پردازش کنند. تشخیص الگو بخشی از حوزه یادگیری ماشین محسوب می‌شود.

شبکه های عصبی مصنوعی در AI

مغز انسان از شبکه‌ای از نورون‌ها تشکیل شده است. انسان‌ها این شبکه نورون‌ها را برای یادگیری به کار می‌گیرند. اگر امکان بازتولید کارکرد و ساختار مغز انسان وجود داشته باشد، ممکن است بتوان در ماشین‌ها به قابلیت‌های هوشمندانه‌ دست پیدا کرد. به این حوزه در هوش مصنوعی شبکه‌های عصبی مصنوعی می‌گویند.

یادگیری عمیق در Artifitial Intelligence

در صورتی که شبکه‌های عصبی پیچیده‌تر و عمیق‌تر شوند و از آن‌ها برای یادگیری مسائل پیچیده استفاده شود، به آن یادگیری عمیق گفته می‌شود. یادگیری عمیق دارای انواع و روش‌های مختلفی برای بازتولید عملکرد مغز انسان است.

 

شبکه عصبی پیچشی در هوش مصنوعی

وقتی از شبکه‌های عصبی مصنوعی برای مرور تصاویر استفاده می‌شود، آن را شبکه عصبی پیچشی می‌نامند که مخفف آن هم CNN است. از CNN برای شناسایی اشیا در صحنه استفاده می‌شود. بنابراین، بینایی ماشین با استفاده از CNN نیز قابل انجام است. در ادامه به این موضوع پرداخته شده است که شاخه شبکه عصبی بازگشتی در هوش مصنوعی چیست ؟

شبکه عصبی بازگشتی در AI

انسان‌ها می‌توانند گذشته را به خاطر بسپارند. مثلاً یک فرد می‌تواند به یاد بیاورد که شام دیشب چه بوده است. می‌توان یک شبکه عصبی را به یادآوری گذشته به میزان محدود وا‌ داشت. به این شاخه هوش مصنوعی، شبکه عصبی بازگشتی می‌گویند. اینجا می‌توان به این نتیجه رسید که هوش مصنوعی به دو روش عمل می‌کند. یک روش به صورت نماد محور و شیوه دیگر به صورت داده محور است. در شیوه داده محور، که به آن یادگیری ماشین گفته می‌شود، لازم است داده‌های زیادی را برای یادگیری در اختیار ماشین گذاشت.

 

یادگیری ماشین در Artifitial Intelligence

یادگیری ماشین کاربردی از هوش مصنوعی به حساب می‌آید که امکان یادگیری خودکار و بهبود تجربه یادگیری را بدون برنامه‌ریزی دقیق در ماشین (کامپیوتر) فراهم می‌سازد. تمرکز یادگیری ماشین روی ساخت برنامه‌های کامپیوتری قرار دارد که می‌توانند به داده‌ها دسترسی داشته و از آن‌ها برای یادگیری به صورت خودکار استفاده کنند. به عنوان مثال، اگر داده‌های زیادی وجود داشته باشند که نسبت فروش به هزینه تبلیغات را نشان دهند، می‌توان این داده‌ها را در فضای دو‌بُعدی رسم کرد و به نوعی الگو رسید.

اگر ماشین بتواند چنین الگویی را یاد بگیرد، آنگاه می‌تواند بر اساس آنچه آموخته پیش‌بینی انجام دهد. در حالی که درک و یادگیری فضاهای یک، ۲ یا ۳ بُعدی برای انسان‌ها آسان است، ماشین‌ها می‌توانند در ابعاد بسیار بالاتری یادگیری انجام دهند. ماشین‌ها می‌توانند حجم‌های زیادی از داده‌ها را پردازش کنند و الگوهایی را در آن ها پیدا کنند. وقتی ماشین چنین الگوهایی را یاد بگیرد، می‌تواند پیش‌بینی‌هایی را انجام دهد که انسان هرگز قادر به انجام آن‌ها نخواهد بود.

فنون یادگیری ماشین چه هستند ؟

می‌توان از هر یک از فنون یادگیری ماشین برای حل مسائل استفاده کرد. از جمله این فنون می‌توان دسته‌بندی یا پیش‌بینی را نام برد. به عنوان مثال، وقتی از داده‌های مشتریان برای تخصیص آن‌ها به یک گروه خاص (مثل بزرگسالان جوان) استفاده شود، آنگاه عملیات دسته‌بندی یا همان طبقه‌بندی انجام شده است. در صورتی که از داده‌ها جهت پیش‌بینی نرخ از دست دادن مشتری‌ها استفاده شود، از روش پیش‌بینی در یادگیری ماشین استفاده شده است.

یادگیری نظارت شده و نظارت نشده چیست ؟

رویکرد دیگری برای دسته‌بندی الگوریتم‌های یادگیری در هوش مصنوعی وجود دارد. در این نگرش، الگوریتم‌ها به دو دسته کلی نظارت شده  و نظارت نشده تقسیم‌بندی می‌شوند. در ادامه این بخش از مطلب درس هوش مصنوعی، هر یک از این دو دسته شرح داده شده‌اند:

  • یادگیری نظارت شدهدر صورتی که الگوریتمی با داده‌هایی آموزش داده شود که دارای جواب هستند، این الگوریتم در دسته یادگیری نظارت شده قرار می‌گیرد. برای مثال، وقتی یک ماشین برای شناسایی افراد به وسیله نام آن‌ها آموزش داده می‌شود، باید اسامی آن‌ها را برای کامپیوتر تعیین کرد.
  • یادگیری نظارت نشده: در صورتی که الگوریتمی با داده‌هایی برای تشخیص الگوها آموزش داده شود، به آن یادگیری غیر نظارت نشده گفته می‌شود. مثلاً در یادگیری نظارت نشده، داده‌های مربوط به اجرام آسمانی در جهان هستی به ماشین خورانده می‌شوند و از ماشین این انتظار وجود دارد که به تنهایی الگوهایی را در داده‌ها بیابد.

یادگیری تقویتی در هوش مصنوعی

اگر برای هر الگوریتمی یک هدف تعیین شود و این انتظار از ماشین وجود داشته باشد که از طریق آزمون و خطا به آن هدف دست یابد، آنگاه به این کار یادگیری تقویتی گفته می‌شود. بنابراین، معرفی شاخه‌های مختلف هوش مصنوعی در اینجا به پایان می‌رسد. در ادامه مقاله درس هوش مصنوعی ، چکیده‌ای از این درس ارائه شده است.

 

دیدگاهتان را بنویسید