هوش مصنوعی یا ترس از دنیای آینده رباتیک

هوش ‌مصنوعی کلمه‌ای ترکیبی است که این روز‌ها خیلی آن را می‌شنویم، اما شاید با مفهوم، کاربرد و نحوه عملکرد آن خیلی آشنا نباشیم. در این نوشتار برآنیم تا درآمدی بر این مفهوم جذاب و کاربردی، برای کسانی که شاید پیشینه چندانی هم از مباحث رایانه‌ای نداشته، اما علاقه‌مند به فناوری‌های جدید هستند، ارائه شود.

هوش مصنوعی به سیستم‌هایی گفته می‌شود که می‌توانند واکنش‌هایی مشابه رفتارهای هوشمند انسانی از جمله درک شرایط پیچیده، شبیه‌سازی فرایندهای تفکری و شیوه‌های استدلالی انسانی و پاسخ موفق به آنها، یادگیری و توانایی کسب دانش و استدلال برای حل مسایل را داشته باشند.

هوش مصنوعی Artificial intelligence شاخه‌ای از علوم کامپیوتر است که در آن به ساخت ماشین‌هایی هوشمند پرداخته می‌شود که مانند انسان‌ها عمل می‌کنند و واکنش انجام می‌دهند.یک عامل هوشمند، سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را پس از تحلیل و بررسی افزایش می‌دهد. هوش مصنوعی در آینده‌ای نه چندان دور زندگی بیشنر انسان‌ها را تحت تاثیر قرار خواهد داد.

بنا بر تحقیق معتبر دانشگاه آکسفورد که در سال ۲۰۱۳ انجام گرفته است؛ ۴۷ درصد از کل جایگاه‌های شغلی ایالات متحده در سال ۲۰۳۰ به شکل اتوماسیون و بدون حضور انسان انجام می‌گیرند. همچنین برنامه‌نویسان و مهندسان نرم‌افزار در ۲۰ سال آینده تنها ۸ درصد امکان اتوماسیون شغلشان وجود دارد. محققین براین باوراند که نهایتا مهندسان نرم‌افزار روزی با برنامه‌ای هوشمند جایگزین خواهند شد؛ برنامه ای که می‌تواند کدها را خود کپی کند، بنویسد و آن‌ها را بهبود بخشد.

تعاریف مختلفی از هوش ‌مصنوعی ارائه شده است. راسل و نورویگ در یکی از تعاریف ساده و روان آورده‌اند که «واژه هوش‌ مصنوعی اغلب برای توصیف یک ماشین یا رایانه که به تقلید فرایندهای شناختی و هوشمندانه انسان‌ها می‌پردازد، تعلق می‌گیرد. یادگیری و حل مسئله نمونه‌ای از این فرایندهای شناختی هستند».

البته هرکدام از این تعاریف از جنبه خاصی به هوش‌ مصنوعی می‌نگرند و هرکدام تا اندازه‌ای درست بوده و می‌توانند دارای نقطه‌ضعف‌هایی نیز ‌باشند؛ به‌عنوان‌مثال در تعریف فوق تنها اشاره شده که هوش ‌مصنوعی به تقلید فرایندهای شناختی انسان‌ها می‌پردازد که این‌طور نیست، بلکه هوش ‌مصنوعی به دنبال بهره‌گیری از هر رفتار هوشمندانه‌ای است که در جهان ‌آفرینش وجود دارد، ازهمین‌رو یکی از زیرمجموعه‌های علم هوش‌ مصنوعی، الگوریتم‌های الهام‌ گرفته‌شده از طبیعت (Bio-Inspired Algorithms) است مانند: الگــوریـتم ژنتیک(Genetic Algorithm)، کلونی مورچگان (Ant Colonies)، ازدحام پرندگان (Bird Flocking) و رشد باکتری (Bacterial Growth).

از تعاریف و نظریات که بگذریم، مهم‌ترین جنبه هوش ‌مصنوعی برای ما این خواهد بود که این علم قرار است چه مسائلی را برای ما در دنیای واقعی حل کند یا قرار است به ما چه کمکی بکند. هوش‌ مصنوعی به‌عنوان یکی از مهم‌ترین شاخه‌های علوم رایانه، گستره وسیعی از نیازمندی‌های دنیای واقعی بشر را مورد هدف قرار داده و بر آن است تا در شئون مختلف زندگی بشر وارد شود و به او یاری رساند، به‌نحوی‌که می‌توان گفت آینده در سیطره هوش‌ مصنوعی خواهد بود! در ادامه همراه ما باشید تا در مورد هوش مصنوعی بیشتر بدانیم.

 

چرا هوش مصنوعی مهم است؟

هوش مصنوعی فرآیند یادگیری تکراری (Repetitive Learning) و کشف و شناسایی از طریق داده‌ها را خودکار می‌کند. اما این نکته، با اتوماسیون سخت‌افزاری روباتیک تفاوت دارد. هوش مصنوعی به خودکارسازی وظایف دستی نمی‌پردازد بلکه وظایف رایانه‌ای تکراری و متعدد را به شکلی قابل‌اعتماد و خستگی‌ناپذیر سامان می‌دهد. برای انجام این نوع از خودکارسازی، پژوهش‌های انسانی برای تنظیم سیستم و پرسیدن پرسش‌های درست و مناسب، همچنان ضروری است.

هوش مصنوعی، هوشمندی را به محصولات فعلی اضافه می‌کند. در بیشتر موارد هوش مصنوعی در قالب یک اپلیکیشن مستقل فروخته نخواهد شد بلکه بهبود عملکرد محصولات مورد استفاده کاربران را به همراه دارد، مانند Siri که به عنوان یک قابلیت، به نسل جدید محصولات اپل اضافه شده است. هوش مصنوعی می‌تواند اتوماسیون، پلت‌فرم‌های گفت‌وگو، روبات‌ها و ماشین‌های هوشمند را با مقادیر انبوهی از داده‌ها ترکیب کند. این کار با هدف ارتقای بسیاری از فناوری‎های مورد استفاده در منازل و محیط‌های کاری انجام می‌شود، از هوش امنیتی (Security Intelligence) گرفته تا تجزیه و تحلیل سرمایه‌گذاری (Investment Analysis).

هوش مصنوعی از طریق الگوریتم‌های پیشرفته یادگیری، امکان برنامه‌نویسی داده‌ها را فراهم می‌کند. هوش مصنوعی می‌تواند با کشف ساختار و قواعد موجود در داده‌ها، مهارت کسب کند. در این ‌صورت، این الگوریتم به یک دسته‌بندی‌کننده (Classifier) یا پیشگو تبدیل خواهد شد. شبکه‌های عصبی دارای لایه‌های پنهانی هستند و هوش مصنوعی می‌تواند با استفاده از این شبکه‌ها، به گونه‌ای عمیق‌تر و گسترده‌تر، داده‌ها را تحلیل کند.

تا چند سال گذشته ساخت یک سامانه تشخیص تقلب با پنج لایه پنهان تقریبا ناممکن بود ولی امروزه با توجه به قدرت شگفت‌انگیز توان پردازشی و نیز کلان داده‌ها این قضیه کاملا تغییر یافته است. شما برای آموزش مدل‌های یادگیری عمیق، به داده‌های بسیار زیادی نیاز دارید زیرا آنها به طور مستقیم از داده‌ها آموزش می‌گیرند. هر چه بتوانید مدل‌ها را با داده‌های بیشتری تغذیه کنید، دقت آنها افزایش می‌یابد.

هوش مصنوعی قادر است به دقت باورنکردنی موجود در شبکه‌های عصبی دست یابد؛ چیزی که درگذشته غیرممکن بوده است. برای نمونه، تعاملات شما با الکسا، Google Search و Google Photos همگی مبتنی بر یادگیری عمیق (Deep Learning) است و هرچه بیشتر از این ابزار استفاده کنید، دقت آنها بیشتر می‌شود. در حوزه پزشکی، امروزه تکنیک‌های هوش مصنوعی اعم از یادگیری عمیق، طبقه‌بندی تصاویر و تشخیص شیء (Object Recognition) می‌تواند با همان دقت رادیولوژیست‌های آموزش‌دیده و بسیار حرفه‌ای، برای شناسایی سرطان در ام‌آرآی‌ها به کار رود.

هوش مصنوعی بیشترین استفاده را از داده‌ها می‌برد. اصولا پاسخ‌ها در داده‌ها نهفته است؛ کافی است شما آنها را در اختیار هوش مصنوعی قرار دهید. امروزه نقش داده‌ها بیش از هر زمان دیگری اهمیت یافته و این موضوع، زمینه‌ساز خلق یک مزیت رقابتی شده است. اگر شما در یک صنعت پررقابت، بهترین داده‌ها را در اختیار داشته باشید، حتی اگر همگان از فناوری‌های مشابه استفاده کنند، برگ برنده از آن بهترین داده‌ها خواهد بود.

 

کاربردهای هوش ‌مصنوعی

برای روشن‌ترشدن اهمیت هوش ‌مصنوعی در زندگی روزمره انسان‌ها، ابتدا به سراغ معرفی کاربردهای این علم در زمینه‌های مختلف می‌رویم. در ادامه 20 زمینه منتخب از کاربردهای هوش ‌مصنوعی بیان می‌شود. البته به منظور اختصار تنها به سه کاربرد در هر زمینه اکتفا شده است.

 

کاربرد در بانکداری و بورس:

شناسایی جلوگیری از کلاهبرداری‌های مالی و پول‌شویی
(Fraud and Money-Laundering)
پیش‌بینی شاخص بورس و ارائه پیشنهاد برای سرمایه‌گذاری
بخش‌بندی مشتریان و ارائه خدمات سفارش‌شده به آنها

 

حمل‌ونقل:

ارائه خودروهای هوشمند بدون راننده
کاهش بار ترافیک با استفاده از تحلیل ترافیک و مسیریابی هوشمند
جلوگیری کامل از هرگونه تصادف رانندگی با استفاده از تعامل هوشمند بین خودروها در بستر شبکه ویژه خودروها
(Vehicular Ad-hoc Networks (VANETs)

 

خرده‌فروشی:

تحلیل بسته‌های پرخرید کاربران و ارائه پیشنهادهای تخفیف سفارشی بر اساس نیازهای هر کاربر
چینش هوشمند اقلام در فروشگاه‌ها و حتی چینش هوشمند محتویات سایت‌های فروشگاه‌های اینترنتی
پیش‌بینی میزان فروش و انبارداری هوشمند
آموزش و پرورش و دانشگاه‌ها:
برگزاری کلاس‌های هوشمند با استفاده از تعامل در محیط مجازی
تشخیص تقلب و دزدی ادبی و علمی به صورت هوشمند
ارزیابی و نمره‌دهی هوشمند و خودکار

 

مخابرات و ارتباطات:

ترجمه برخط گفتار مکالمه‌کننده که باعث می‌شود همه افراد در سراسر دنیا بتوانند با یکدیگر به راحتی مکالمه کنند!
سیستم‌های پاسخ‌گویی هوشمند به تماس‌های تلفنی و ایمیل‌ها
تشخیص و حذف تماس‌های مزاحم تلفنی و هرزنامه‌های در صندوق ایمیل

 

بازی‌های رایانه‌ای:

هوشمند‌سازی بازی‌های رایانه‌ای به‌نحوی‌که از رفتار کاربران یاد گرفته و در هر مرحله، الگوریتم بازی رفتار هوشمندانه‌تری از خود نشان خواهد داد.
تعامل با محیط بازی‌های رایانه‌ای با استفاده از حرکات بدن و حتی تفکرات کاربران!
راهنمایی و آموزش کاربران توسط مربی هوشمند مجازی
رسانه:
ارائه روزنامه‌های هوشمند که به طور خودکار و هوشمند محتویات آنها آماده شده و به صورت تعاملی و بر اساس نیاز کاربران تغییر نیز می‌کنند!
روزنامه‌نگار هوشمند مجازی!
تحلیل هوشمند خبرها و ارائه آمار و اطلاعات تحلیلی از اخبار موجود

 

هتل‌داری:

ارائه روبات‌های دربان و پاسخ‌گو برای راهنمایی مسافران
اتاق‌های هوشمند! (کمک به برنامه‌ریزی سفر و آماده‌سازی اتاق به صورت هوشمند)
مشتری‌یابی هوشمند و خودکار
صنایع سرگرمی:
پیشنهاد فیلم و موزیک به کاربران بر‌اساس سلیقه آنها
تولید موسیقی و نقاشی به صورت هوشمند و خودکار
تولید فیلم‌های ساختگی از روی چهره و فیلم‌های کاربران!

 

صنعت:

ارائه روبات‌های صنعتی برای ساخت همه تولیدات کارخانه‌ای اعم از خودرو، وسایل دیجیتالی و… .
پایش هوشمند و خودکار ایمنی کارکنان در محیط‌های کارخانه‌ای
بهینه‌سازی مصرف مواد اولیه در کارخانه‌ها و حتی کاهش مصرف انرژی به صورت هوشمند و خودکار

 

ورزش:

تحلیل رفتار و کارایی ورزشکاران به صورت هوشمند
کارگردانی هوشمند پخش زنده مسابقات
داور هوشمند مجازی
صنعت هواپیمایی:
خلبان هوشمند!
پیش‌بینی هوشمند آب‌وهوا
مسیر‌یابی هوشمند برای همه پروازها

 

فروشگاه‌های اینترنتی:

ارائه اتاق‌های تعویض لباس مجازی!
ارائه پیشنهادها برای خرید به کاربران به صورت هوشمند
ارائه چت‌بات‌های هوشمند برای خرید و پشتیبانی از مشتریان

 

حوزه سلامت:

روبات‌های جراح که با کمترین خطا و جراحت، تخصصی‌ترین جراحی‌ها را انجام می‌دهند و همچنین نانو‌ روبات‌ها برای باز‌کردن رگ‌ها و از‌بین‌بردن تومورها!
تشخیص هوشمند بیماری‌ها و ارائه بهترین تجویز‌ها
ارائه اعضای مصنوعی روباتیک و ابزارهای پوشیدنی پایش سلامت و جلوگیری‌کننده از حملات قلبی، صرع و… .

 

کشاورزی:

ماشین‌ها و روبات‌های هوشمند برای برداشت محصول
پایش سلامت محصولات و سم‌پاشی و آبیاری هوشمند
تحلیل پیشگویانه برای کاشت بهترین محصولات برای برداشت بیشترین محصول بر‌اساس شرایط آب‌وهوا و… .

 

شبکه‌های اجتماعی:

جست‌وجوی افراد با استفاده از تصویر و صدای آنها
پیشنهاد هوشمند روابط دوستی و یافتن دوستان قدیمی
ارسال اخبار و محتویات مختلف بر‌اساس علایق و رفتار کاربران

 

صنایع نظامی:

ارائه ارتش روباتیک، شامل پهپادها، کشتی‌ها و سربازان روباتیک هوشمند!
ارائه بازی جنگ و شبیه‌سازی و آموزش سربازان
اتخاذ استراتژی و تصمیمات نظامی به صورت خودکار و هوشمند و تحقق فرماندهی کنترل هوشمند مجازی

 

زندگی شهروندی:

ارائه خانه‌های هوشمند (Smart Home) برای دستوردهی به همه ابزارهای خانه اعم از وسایل سرمایشی-گرمایشی تا ابزارهای امنیتی
ارائه شهر هوشمند برای ارائه خدمات هوشمند به شهروندان
مدیریت انرژی مصرفی به صورت هوشمند و بهینه

 

صنعت بیمه:

تحلیل ریسک در صنعت بیمه به صورت هوشمند
قیمت‌گذاری سبد بیمه به صورت سفارشی برای هر کاربر
پشتیبانی از کاربران به صورت هوشمند و خودکار

 

سیاست و دولت:

پایش هوشمند افکار عمومی
پیش‌بینی نتایج انتخابات و ایجاد هدفمند کمپین‌های سیاسی
پیش‌بینی خرابی زیرساخت‌ها و پایش و نگهداری از آنها

 

اهمیت سرمایه‌گذاری در حوزه هوش ‌مصنوعی:

با توجه به کاربردهای متنوع و راه‌گشای علم هوش‌ مصنوعی در زمینه‌های مختلف زندگی بشر، اهمیت و جایگاه سرمایه‌گذاری و پرداختن به این علم و بهره‌برداری از دستاوردهای آن، بیش‌ازپیش آشکار می‌شود؛ از‌این‌رو در دنیا سرمایه‌گذاری‌های فراوانی در این زمینه شده است و در آینده نیز این سرمایه‌گذاری‌ها روند فزاینده‌ای خواهد داشت؛ اما برخی از کشورها این اهمیت را بیشتر دریافته‌اند و سرمایه‌گذاری بسیار جدی‌تری در مقایسه با کشورهای دیگر در این زمینه انجام داده‌اند.

دو کشور برتر در سرمایه‌گذاری در حوزه فناوری‌های هوش‌ مصنوعی به ترتیب چین و آمریکا هستند؛ به‌طوری‌که چین 48 درصد و آمریکا 38 درصد کل سرمایه‌گذاری‌های کشورهای دنیا را بر هوش مصنوعی به خود اختصاص داده‌اند. 13 درصد باقی‌مانده نیز سهم دیگر کشورها است.

درک اهمیت سرمایه‌گذاری و برنامه‌ریزی برای استفاده از فناوری‌های هوش‌ مصنوعی در جای‌جای زندگی بشر، حتی به جایی رسیده است که کشوری مانند امارات متحد عربی نیز در سال 2017 وزارت هوش ‌مصنوعی را راه‌اندازی کرده و وزیر هوش‌ مصنوعی خود را به دنیا معرفی می‌کند! به هر ترتیب، سرمایه‌گذاری در حوزه فناوری‌های هوش‌ مصنوعی، به‌قدری پراهمیت است که همه کشور‌های توسعه‌یافته، برنامه‌ریزی‌هایی بسیار جدی در این زمینه تدوین کرده‌اند. پیش‌بینی‌ها از درآمدهای بازار هوش‌ مصنوعی در آینده به‌گونه‌ای است که سرمایه‌گذاری در این زمینه را بسیار منطقی و اجتناب‌ناپذیر می‌کند.

 

شاخه‌های هوش‌ مصنوعی

در علم هوش‌ مصنوعی شاخه‌های (Branch) گوناگونی وجود دارد که برای حل مسائل مختلف از یک یا چند تا از این شاخه‌ها استفاده می‌شود. در کل این شاخه‌بندی چندان علمی نیست؛ اما می‌تواند برای ایجاد تصویری کلی از رویکردهای هوش‌ مصنوعی برای حل مسائل محل استفاده قرار گیرد. برخی از این شاخه‌ها عبارت‌اند از:

 

یادگیری ماشین (Machine Learning):

یادگیری ماشین به‌عنوان یکی از شاخه‌های اصلی، وسیع و پرکاربرد هوش مصنوعی، به تنظیم و اکتشاف شیوه‌ها و الگوریتم‌هایی می‌پردازد که بر اساس آنها رایانه‌ها و سامانه‌ها، توانایی تعلم و یادگیری پیدا می‌کنند. در تعریف یادگیری ماشین آمده است که «یادگیری ماشین فرایندی است که تجربه را به دانش تبدیل می‌کند. این فرایند به سیستم این توانایی را می‌دهد که الگوها و قوانین را با سرعتی که همواره در حال افزایش است، شناسایی کند».

شما احتمالا چندین‌بار در روز از یادگیری ماشین استفاده می‌کنید، حتی بدون آنکه بدانید. هر بار که شما یک جست‌وجوی اینترنتی در گوگل یا بینگ انجام می‌دهید، یادگیری ماشینی انجام می‌شود؛ چراکه نرم‌افزار یادگیری ماشینی آنها، با استفاده از کلمات جست‌وجوی شما و سپس کلیک‌های شما روی نتایج، یاد می‌گیرد چگونه نتایج را بهتر رتبه‌بندی کند!

هر بار که ایمیل خود را چک می‌کنید و فیلتر هرزنامه شما را از داشتن مجدد هزاران هرزنامه (Spam) خلاص می‌کند نیز یکی از کاربردهای یادگیری ماشین است؛ زیرا رایانه شما آموخته‌ است که هرزنامه‌ را از غیر هرزنامه تشخیص دهد. این علمی است که باعث می‌شود رایانه‌ها بدون نیاز به یک برنامه صریح، درباره یک موضوع خاص یاد بگیرند!

 

شبکه عصبی مصنوعی (Artificial Neural Networks):

شبکه‌های عصبی مصنوعی (به اختصار شبکه عصبی) در حقیقت یک شبیه‌سازی از مغز انسان هستند که از مجموعه‌ای از نرون‌های متصل به یکدیگر برای تقلید فرایند یادگیری انسان استفاده می‌کنند! نورون کوچک‌ترین واحد پردازشگر اطلاعات است که اساس عملکرد شبکه‌های عصبی را تشکیل می‌دهد.

یک شبکه عصبی مجموعه‌ای از نورون‌هاست که با قرارگرفتن در لایه‌های مختلف، معماری خاصی را بر مبنای ارتباطات بین نورون‌ها در لایه‌های مختلف تشکیل می‌دهد. نورون می‌تواند یک تابع ریاضی غیرخطی باشد، در نتیجه یک شبکه‌ عصبی که از اجتماع این نورون‌ها تشکیل می‌شود نیز می‌تواند یک سامانه کاملا پیچیده و غیرخطی باشد. در شبکه عصبی هر نورون به‌طور مستقل عمل می‌کند و رفتار کلی شبکه، برایند رفتار نورون‌های متعدد است. به عبارت دیگر، نورون‌ها در یک روند همکاری، یکدیگر را تصحیح می‌کنند.

یک شبکه عصبی مصنوعی از سه لایه ورودی، خروجی و مخفی (لایه پردازش) تشکیل می‌شود. خود لایه مخفی می‌تواند چندین لایه در درون خود داشته باشد. هر لایه شامل گروهی از سلول‌های عصبی (نورون) است که عموما با همه‌ نورون‌های لایه‌های دیگر در ارتباط هستند؛ مگر در معماری‌های خاص از شبکه‌های عصبی. برای نمونه، روش‌های یادگیری عمیق
(Deep Learning) یکی از روش‌های پرطرفدار یادگیری است که بر اساس شبکه‌های عصبی کار می‌کند.

در حقیقت شالوده اصلی یادگیری عمیق، شبکه‌های عصبی (Neural Networks) است. بسیاری از کاربردهای امروزی هوش ‌مصنوعی بر پایه یادگیری عمیق هستند. به لطف امکان گسترش‌دادن سریع طراحی شبکه‌های عصبی و تبدیل‌کردن آنها به سیستم‌هایی پیچیده‌تر و قوی‌تر با لایه‌های جدید، مقیاس یادگیری عمیق را می‌توان به‌سادگی تغییر داد و آن را با کاربردهای بسیار زیادی منطبق کرد.

 

بینایی ماشین (Machine Vision):

بینایی ماشین یکی از شاخه‌های جذاب علم هوش‌ مصنوعی است که شامل روش‌های مربوط به دستیابی تصاویر، پردازش، آنالیز و درک محتوای آنهاست. معمولا این پردازش‌ها، تصاویر تولید‌شده در دنیای واقعی را به‌عنوان ورودی دریافت و داده‌هایی عددی یا سمبولیک را به‌عنوان خروجی تولید می‌کنند. این داده‌های عددی و سمبولیک می‌توانند نماینده رده (کلاس) اشیای مشاهده‌شده در تصویر یا فیلم باشند یا حتی توصیفی از آنچه در تصویر یا فیلم رخ‌ داده است، باشند. در نتیجه یکی از شاخه‌های بینایی ماشین، به شبیه‌سازی توانایی بینایی انسان می‌پردازد.

البته بینایی ماشین به مسائل مختلفی ازجمله استخراج داده از عکس، فیلم، مجموعه چند عکس از زوایای مختلف و همچنین پردازش تصاویر پزشکی نیز می‌پردازد. معمولا ترکیبی از روش‌های مربوط به پردازش تصاویر (Image Processing) و ابزارهای یادگیری ماشینی (Machine Learning) و علم آمار و احتمال برای حل مسائل مختلف در این شاخه استفاده می‌شود.

 

سیستم‌های خِبره (Expert System):

سامانه‌های خِبره یا سیستم‌های خِبره به دسته‌ای خاص از نرم‌افزارهای رایانه‌ای اطلاق می‌شود که در راستای کمک به کاردانان و متخصصان انسانی یا جایگزینی آنان در زمینه‌های تخصصی تلاش دارند! این‌گونه سامانه‌ها، در واقع، نمونه‌هایی از فناوری پیشرفته سامانه‌های دانش‌بنیان (Knowledge-Based Systems) به‌شمار می‌آیند. مطلب مهمی که در تعریف سیستم‌های خبره آمده، این است که «دقت یک سیستم خبره در یک زمینه خاص، حداقل باید برابر با کاربر خبره انسانی در آن زمینه باشد». در نتیجه هدف نهایی این سامانه‌ها ارائه خبره‌های هوشمند است که بتوانند در زمینه‌های تخصصی یا معادل با خبره انسانی عمل کنند یا بهتر از آنها!

این سامانه‌ها معمولا اطلاعات را به شکل واقعیت‌ها (Facts) و قواعد (Rules) در پایگاه‌هایی به نام پایگاه ‌دانش به شکل ساختارمند ذخیره می‌کنند. سپس با بهره‌گیری از روش‌های خاص استنتاج، از این داده‌ها نتایج مورد نیاز حاصل می‌شود. در حقیقت به‌واسطه الگوبرداری این سامانه‌ها از نظام منطق و استدلال انسان و نیز یکسان‌بودن منابع دانش مورد استفاده آنها، پیامد کار یک سامانه خبره می‌تواند تصمیماتی باشد که در حوزه‌ها و قلمروهای گوناگون قابل استفاده، مورد اطمینان و تأثیرگذار هستند. بسیاری بر این باورند که سامانه‌های خبره بیشترین پیشرفت را در «هوش مصنوعی» به وجود آورده‌اند! برای مثال سامانه‌های هوشمند کنترل موشک‌ و سامانه‌های پدافند موشکی و سامانه‌های هوشمند کنترل و مدیریت نیروگاه‌های هسته‌ای، نمونه‌هایی از کاربردهای سیستم‌های خبره هستند.

 

پردازش زبان طبیعی

پردازش زبان‌های طبیعی یکی از زیرشاخه‌های بااهمیت در حوزه گسترده هوش مصنوعی است که یکی از اهداف آن تعامل بین رایانه و انسان با استفاده از زبان‌های طبیعی (انسانی) است؛ بنابراین پردازش زبان‌های طبیعی بر فهم زبان‌های طبیعی که انسان‌ها برای تعامل از آنها استفاده می‌کنند، متمرکز است. پس چالش اصلی و عمده در این زمینه درک زبان طبیعی و ماشینی‌کردن فرایند درک و برداشت مفاهیم بیان‌شده با یک زبان طبیعی انسانی است.

به تعریف دقیق‌تر، پردازش زبان‌های طبیعی عبارت است از استفاده از رایانه برای پردازش زبان گفتاری و زبان نوشتاری؛ به این معنی که رایانه‌ها را قادر سازیم که گفتار یا نوشتار تولیدشده در قالب و ساختار یک زبان طبیعی را تحلیل و درک کرده یا آن را تولید کنند. از کاربردهای فراوان پردازش زبان‌ طبیعی می‌توان به ترجمه زبان‌ها توسط رایانه، استفاده از صفحات وب و بانک‌های اطلاعاتی نوشتاری برای پاسخ‌دادن به پرسش‌های کاربران، ایجاد سامانه‌های پرسش و پاسخ هوشمند و جست‌وجوهای محتوامحور در داده‌های متنی، اشاره کرد. اینها تنها مثال‌هایی از کاربردهای متنوع پردازش زبان‌های طبیعی هستند.

هدف اصلی در پردازش زبان طبیعی، ایجاد تئوری‌هایی محاسباتی از زبان، با استفاده از الگوریتم‌ها و ساختارهای داده‌ای موجود در هوش‌ مصنوعی است. بدیهی است که در راستای تحقق این هدف، به دانشی وسیع از زبان نیاز است و علاوه بر محققان هوش ‌مصنوعی، به دانش زبان‌شناسان نیز در این حوزه نیاز داریم. با پردازش اطلاعات زبانی می‌توان اطلاعات مورد نیاز برای کار با زبان طبیعی را استخراج کرد. کاربردهای پردازش زبان طبیعی به دو دسته کلی قابل تقسیم است: کاربردهای نوشتاری و کاربردهای گفتاری.

از کاربردهای نوشتاری آن می‌توان به استخراج اطلاعاتی خاص از یک متن، ترجمه یک متن به زبانی دیگر یا یافتن مستنداتی خاص در یک پایگاه داده نوشتاری (مثلا یافتن کتاب‌های مرتبط به هم در یک کتابخانه) اشاره کرد. نمونه‌هایی از کاربردهای گفتاری پردازش زبان عبارت‌اند از: سیستم‌های پرسش و پاسخ انسان با رایانه، سرویس‌های اتوماتیک ارتباط با مشتری از طریق تلفن، سیستم‌های آموزش به فراگیران و سیستم‌های کنترلی توسط فرمان‌های صوتی کاربر. در سال‌های اخیر این حوزه تحقیقاتی توجه دانشمندان را به خود جلب کرده و تحقیقات قابل ملاحظه‌ای در این زمینه شده ‌است.

 

محاسبات تکاملی یا فرگشتی

محاسبات تکاملی یا فرگشتی (رایانش فرگشتی)، شاخه‌ای از هوش ‌مصنوعی است که شامل مسائل بهینه‌سازی ترکیبی می‌شود. از لحاظ فنی این الگوریتم‌ها متعلق به حل‌کننده‌های آزمون و خطا هستند و می‌توان آنها را از روش‌های بهینه‌سازی کلی با ماهیت فراابتکاری یا بهینه‌سازی تصادفی قلمداد کرد که به‌وسیله استفاده از جمعی از راه‌حل‌های پیشنهادی (‌به‌جای تکرارکردن یک روش در فضای جست‌وجو) متمایز می‌شوند. بسیاری از الگوریتم‌های محاسبات تکاملی بر آن هستند تا با الهام از جهان ‌آفرینش و فرایندهایی که موجودات زنده در حل مسئله از آنها استفاده می‌کنند، برای حل مسائل استفاده کنند؛ برای مثال الگوریتم‌های کلونی مورچگان (Ant Colonies)، ازدحام پرندگان (Bird Flocking) و کلونی زنبورها (Bee Colonies) نمونه‌هایی از این الگوریتم‌ها هستند.

به عنوان مثالی دیگر، الگوریتم ژنتیک (Genetic Algorithm) یک نمونه از الگوریتم‌هایی است که در زیرمجموعه محاسبات تکاملی قرار دارد و برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جست‌وجو استفاده می‌شود. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکاملی است که از تکنیک‌های زیست‌شناسی تکاملی مانند وراثت، جهش زیست‌شناسی و اصول انتخابی داروین برای یافتن فرمول بهینه، برای پیش‌بینی یا تطبیق الگو استفاده می‌کند.

در مدل‌سازی، الگوریتم ژنتیک یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به‌عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود، ورودی‌هایی دارد که در یک فرایند الگوبرداری‌شده از تکامل ژنتیکی، به راه‌حل‌ها تبدیل می‌شود. سپس راه‌حل‌ها، به‌عنوان کاندیداهایی توسط تابع ارزیاب (Fitness Function)، ارزیابی می‌شوند و چنانچه شرط خروج مسئله فراهم شده باشد، الگوریتم خاتمه می‌یابد. به‌طورکلی این الگوریتم‌، الگوریتمی‌ مبتنی بر تکرار است که اغلب بخش‌های آن به‌صورت فرایندهای تصادفی انتخاب می‌شوند.

 

روباتیک (Robotic):

روباتیک شاخه‌ای میان‌رشته‌ای از مهندسی و علم است که شامل مهندسی مکانیک، مهندسی برق و علوم رایانه و چند رشته دیگر می‌شود. روباتیک شامل طراحی، ساخت، راه‌اندازی و استفاده از روبات‌هاست. همچنین مانند سیستم‌های رایانه‌ای، کنترل، بازخورد حسگرها و پردازش اطلاعات نیز در این گروه قرار می‌گیرند. یکی از مهم‌ترین بخش‌های علم روباتیک مربوط به نرم‌افزارهای هوشمند برای راه‌اندازی روبات‌هاست که در واقع مانند روحی در کالبد فیزیکی روبات‌ها عمل می‌کند و به روبات‌ها زندگی می‌بخشد!

این همان‌جایی است که هوش مصنوعی وارد مبحث روباتیک می‌شود. این فناوری‌ها با یکدیگر استفاده می‌شوند تا ماشین‌ها را به‌گونه‌ای ارتقا دهند که جایگزین انسان شوند. روبات‌ها می‌توانند در هر موقعیت و برای هر منظوری به کار بروند ولی امروزه بسیاری از آنها در محیط‌های خطرناک (مانند تشخیص و غیرفعال‌سازی بمب‌ها)، فرایندهای تولید یا مکان‌هایی که انسان قادر به حیات نیست، استفاده می‌شوند.

روبات‌ها می‌توانند به هر شکل و قیافه‌ای باشند ولی بعضی از آنها طراحی می‌شوند تا شبیه انسان به نظر برسند که به آنها روبات‌های انسان‌نما (Humanoid) می‌گویند. گفته می‌شود این کار انجام می‌شود تا رفتارهای این روبات‌ها که از مردم عادی تقلید می‌شود، بیشتر مورد قبول قرار گیرد و انسان‌ها بتوانند با آنها راحت‌تر تعامل داشته باشند.
تلاش می‌شود که روبات‌های انسان‌نما بتوانند راه‌رفتن، حرف‌زدن، شناختن و مخصوصا هر چیزی را که انسان می‌تواند انجام دهد، تقلید کنند. یکی از نمونه‌های استفاده از این روبات‌های انسان‌نما، استفاده از آنها به‌عنوان پیش‌خدمت یا کارکنان راهنما در هتل‌ها یا همایش‌ها است.

ظاهر و توانمندی‌های بسیاری از روبات‌های امروزی از طبیعت الهام گرفته ‌است. ازاین‌رو این روبات‌ها در پهنه روبات‌های مقلدِ موجودات زنده قرار می‌گیرند. اما یکی از نگران‌کننده‌ترین استفاده‌ها از روبات‌ها، استفاده از آنها در حوزه فعالیت‌های نظامی است. درحال‌حاضر بسیاری از پیشرفته‌ترین روبات‌ها در حوزه نظامی استفاده می‌شوند. اکثر سرمایه‌گذاری‌های روباتیک کشورهایی چون آمریکا نیز در زمینه روبات‌های نظامی است؛ به‌نحوی‌که در سال 2030 ارتش روباتیک آمریکا آماده‌به‌کار خواهد شد! این در حالی است که در حوزه نظامی از تمامی انواع روبات‌ها مانند روبات‌های پرنده (پهپادها)، روبات‌های انسان‌نما، روبات‌های حیوان‌نما و حتی نانو روبات‌ها (Nanorobots) استفاده می‌شود.

 

سیستم‌های فازی (Fuzzy Systems)

سیستم‌های فازی، سیستم‌هایی هستند که بر اساس منطق فازی (Fuzzy Logic) کار می‌کنند. منطق فازی شکلی از منطق‌های چندارزشی بوده که در آن مقادیر درستی متغیرها ممکن است هر عدد حقیقی بین 0 و 1 و خود صفر یا یک باشد. این منطق به‌منظور به‌کارگیری مفهوم درستی جزئی بنا شده است؛ به‌طوری‌که مقادیر هر متغیر فازی می‌تواند برای مثال به‌جای درست و غلط، با مقادیری بین کاملا درست و کاملا غلط مقداردهی شود. اصطلاح منطق فازی اولین بار در پی تنظیم نظریه مجموعه‌های فازی به‌وسیله پروفسور لطفی‌زاده (۱۹۶۵ م) در صحنه محاسبات نو ظاهر شد. واژه فازی که از کلمه فارسی فوژ گرفته شده، به معنی درهم‌تنیده است.

کاربرد این بخش در علوم نرم‌افزاری را می‌توان به‌طور ساده این‌گونه تعریف کرد: منطق فازی از منطق ارزش‌های «صفر و یک» نرم‌افزارهای کلاسیک فراتر رفته و درگاهی جدید برای دنیای علوم نرم‌افزاری و رایانه‌ها می‌گشاید. زیرا فضای شناور و نامحدود بین اعداد صفر و یک را نیز در منطق و استدلال‌های خود به کار برده و به چالش می‌کشد. منطق فازی از فضای بین دو ارزش «برویم» یا «نرویم»، ارزش‌های جدید «شاید برویم» یا «می‌رویم اگر» یا حتی «احتمال دارد برویم» را استخراج کرده و به کار می‌گیرد.

به‌این‌ترتیب برای مثال مدیر بانک پس از بررسی رایانه‌ای بیلان اقتصادی یک بازرگان می‌تواند فراتر از منطق «وام می‌دهیم» یا «وام نمی‌دهیم» رفته و بگوید: «وام می‌دهیم اگر…» یا «وام نمی‌دهیم ولی…». در حقیقت منطق فازی و استنتاج فازی به‌دنبال دریافت و حل مسائل دنیای واقعی به نحوی است که بیشترین شباهت را به استنتاج انسان‌ها برای فهم و حل این مسائل، داشته باشد.

 

آموزش و یادگیری چگونه انجام می‌شود؟

مهندسی دانش بخش بزرگی از پژوهش‌های مورد نیاز هوش مصنوعی را تشکیل می‌دهد. ماشین‌ها در صورتی می‌توانند مانند انسان‌ها رفتار کنند که اطلاعات فراوانی از جهان اطراف خود داشته باشند.

یادگیری ماشین نیز یکی دیگر از بخش‌های اصلی هوش مصنوعی است. آموزش به ماشین به شکل‌های گوناگونی دسته بندی شده است. ساده ترین راه برای یادگیری ماشین روش “آزمون و خطا” است. برای مثال، یک برنامه ساده برای کیش و مات کردن شاهِ حریف در یک بازی شطرنج را در نظر بگیرید. برنامه مهره‌های شطرنج را به صورت تصادفی آن قدر حرکت می‌دهد تا موفق به کیش و مات کردن طرف مقابل شود و در دفعه‌ی بعدی که همین مسئله‌ دوباره به کامپیوتر داده شود می‌تواند سریعاً مسئله را حل کند و پاسخ را بیابد.

هدف یادگیری ماشینی این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها بازدهی بالاتری در وظیفهٔ مورد نظر پیدا کند. گستردهٔ این وظیفه می‌تواند از تشخیص خودکار چهره با دیدن چند نمونه از چهرهٔ مورد نظر تا فراگیری شیوهٔ گام‌برداری برای روبات‌های دوپا با دریافت سیگنال پاداش و تنبیه باشد. یکی از پروژه‌های معروف یادگیری ماشینی، پروژه‌ی تشخیص سن از روی تصویرِ شرکت مایکروسافت است.

 

هوش مصنوعی به چند نوع تقسیم می‌شود؟

آنچه امروزه به هوش مصنوعی مشهور است به دو دسته‌ی “ANI” و “AGI” تقسیم می‌شود.

 

ANI

ANI مخفف Artificial Narrow Intelligence (هوش محدود مصنوعی) است و معمولاً به آن “هوش مصنوعی ضعیف” هم می‌گویند. این نوع هوش مصنوعی تنها می‌تواند در یک حیطه‌ی محدودی از تخصص فعالیت کند. برای مثال می‌توان به آبی بزرگ (Big Blue) اشاره کرد. ابر کامپیوتری که IBM در سال ۱۹۹۷ ساخت تا بزرگ‌ترین شطرنج بازان جهان را شکست دهد. آبی بزرگ یک کار را بسیار عالی انجام می‌دهد: شکست انسان در شطرنج. اما تخصص آن به همین مورد محدود می‌شود.

شاید تا به حال متوجه این موضوع نبوده باشید، ولی همین حالا هم توسط هوش مصنوعی ضعیف یا ANI محاصره شده‌ایم. ماشین‌هایی که عادات جستجوی شما در گوگل را ردگیری می‌کنند و بر اساس هزاران متغییر مختلف تبلیغات مناسب را برای شما به نمایش در می‌آورند، بر اساس ANI های ابتدایی ساخته شده‌اند که در طول زمان سلایق شما را یاد می‌گیرند. مثال دیگر فیلترهای هوشمند سرویس‌های ایمیل برای پاکسازی اینباکس شما از اسپم است. سیستم‌هایی که در یک لحظه بین میلیون‌ها پیام به جستجو می‌پردازند و تصمیم می‌گیرند که کدام یک واقعی است و کدام باید حذف شود.

هوش‌ مصنوعی امروزی کار‌هایی را انجام می‌دهد که از قبل برای آن برنامه ریزی شده ‌است. برای مثال دستیار‌های صوتی امروزه به صورتی برنامه ریزی شده‌اند که تنها قادر به نمایش وضعیت آب و هوا،ارسال پیام، تنظیم آلارم، پخش آهنگ و … باشند. آن‌ها کار‌هایی خارج از چیزی که برایشان از قبل تعریف شده انجام نمی‌دهند. آن‌ها فکر نمی‌کنند و دارای احساسات نیستند و برای جواب سوالاتی‌ که از آن‌ها می‌پرسیم برنامه‌ریزی شده اند. در واقع پایگاه داده‌ای از مجوعه‌ی سوال و جواب به آن‌ها داده شده است. شاید برای رفع این مشکل نیاز به شبیه سازی یک مغز مانند مغز انسان باشد! این گونه دستیار‌های صوتی، خود قادر به جمله سازی برای پاسخ به سوالات کاربران هستند و دیگر پاسخ‌های تکراری نمی‌دهند. (برخی از دستیار‌های صوتی مانند کورتانا، پاسخ برخی از سوالات پیچیده را در اینترنت جستجو می‌کند و جواب می‌دهند.)

ANI نسخه‌ی مفید و نسبتاً بی‌ضرر هوش ماشین است که می‌تواند به تمام بشریت سود برساند؛ زیرا اگرچه قادر به پردازش میلیاردها عدد و درخواست در یک زمان است، اما همچنان مقید به عمل در یک حیطه‌ی خاص است که آن عملکرد هم محدود به تعداد ترانزیستورهایی است که ما به آن اجازه می‌دهیم داشته باشد. در سمت دیگر، هوش مصنوعی‌ای که نگرانی بسیاری را بر انگیخته است “Artificial General Intelligence” (هوش عمومی مصنوعی) یا به اختصار AGI است.

 

AGI

ساختن چیزی که حتی با کمی اغماض بتوان نام AGI بر آن گذاشت می‌تواند بزرگترین دستاورد علوم کامپیوتر باشد و اگر روزی به آن دست پیدا کنیم، همه‌ی زوایای جهانی را که می‌شناسیم را تغییر خواهد داد. موانع زیادی برای رسیدن به هوش مصنوعی برابر با ذهن انسان وجود دارد. یکی از موانع این است که هرچند شباهت‌های زیادی بین نحوه‌ی عملکرد مغز ما و شیوه‌ی پردازش اطلاعات توسط کامپیوترها وجود دارد، اما وقتی نوبت به تفسیر اطلاعات مانند مغز انسان می‌رسد، ماشین‌ها عادت بدی دارند که بیش از حد به جزئیات توجه می‌کنند. شاید حکایت کسی که برای تفریح به طبیعت رفته بود و “درخت ها نمی‌گذاشتند جنگل را ببیند!” به خوبی توصیف کننده‌ی این وضعیت باشد.

دانشمندان در پی شبیه سازی مغز انسان هستند. اما به دلیل توان کم ابر کامپیوتر‌های فعلی و مصرف زیاد انرژی این کار به صورت کامل امکان پذیر نیست. IBM برای رفع مشکل مصرف انرژی ابر کامپیوتر‌ها، در حال توسعه‌ی تراشه‌هایی مبتنی بر شبکه‌‌های عصبی است. IBM تا به حال توانسته به قدرتی فراتر از قدت پردازشی مغز یک موش دست پیدا کند. اندازه کل مجموعه‌ی طراحی شده برابر با سایز یک یخچال کوچک است.

درون این مجموعه بسته‌‌های کوچکی به اندازه‌ی درایو دیسک سخت ( هارد درایو) رایانه قرار گرفته است. داخل این بسته‌های کوچک تراشه‌هایی که همگی مبتنی بر فناوری شبکه‌های عصبی هستند قرار گرفته‌اند. IBM این تراشه‌ها را TrueNorth نام گذاریکرده است. این تراشه‌ها با استفاده از سیلیکون و متشکل از آنالوگ‌های فیزکی طراحی شده‌اند که شامل نئورون‌ها و سیناپس‌ها (ارتباط بین نئورون) هستند و به صورت اختصاصی برای فعالیت در بستر شبکه‌های عصبی طراحی شده‌اند.
هر تراشه شامل بیش از یک میلیون نئورون و ۲۵۶ سیناپس بین نئورون‌ها است.

درون هر بسته بیش از ۴۸ میلیون نئورون سیلیکونی قرار گرفته که تعداد آن‌ها از نئورون‌های موجود در غشا مغزی یک موش بیشتر است. مغز موش‌ها بیش از ۲۱ میلیون نئورون در خود جای داده است. با در نظر گرفتن این موضوع می‌توان به جرات گفت که قدرت پردازشی فوق‌العاده‌ای درون این بسته‌ها جا گرفته است. پیاده‌سازی چنین شبکه‌ی عظیمی با استفاده از معماری‌های معمول می تواند فضای زیادی را اشغال کند بطوریکه انرژی مورد نیاز برای راه‌اندازی آن می‌توان با انرژی الکتریکی مورد نیاز یک شهر برابری کند؛ اما آنچه که IBM ساخته است تنها به ۷۰ میلی وات انرژی نیاز دارد.

اما اگر روزی یک شبیه سازی کامل از مغز انسان ساخته شود؛ این شبیه ساز باید قادر به فکر کرن درک احساسات انسانی مانند عشق، نفرت و درد باشد و همانند یک انسان عمل کند.

 

هوش مصنوعی جه کاربردهایی دارد؟

کاربرد‌ها در زندگی

امروزه نیز می‌توان کاربرد‌های هوش مصنوعی‌ را در زندگی روزمره مشاهده کرد. برای مثال برخی از چراغ‌های راهنمایی رانندگی هوشمند با محاسبه زمان مورد نیاز برای توقف خودرو‌ها در پشت چراغ قرمز از هوش مصنوعی استفاده می‌کنند. غلط یاب‌ گوشی‌های هوشمند کلماتی را که نادرست نوشته شده‌اند را شناسایی و آن را با کلمه‌ی درست جایگذاری می‌کنند. آن‌ها شیوه نگارش شما را یاد می‌گیرند و کلماتی مناسب را برای تکمیل جمله ارائه می دهند.

دستیار‌های صوتی گوگل (Google Now) ، اپل (Siri) و مایکروسافت (Cortana) به سوالات و درخواست‌های شما پاسخ می‌دهند و در هنگام رانندگی تنها با گوش سپردن به سخنان شما؛ برای دوستانتان پیامک می نگارد و ارسال می‌کند . همچنین با شناختی که از شما دارند (مانند سلیقه) به بررسی رستوران‌های نزدیک مورد علاقه شمامی‌پردازند و بهترین رستوران را پیشنهاد می‌دهند.

همچنین برخی از موتور‌های جستجوگر مانند گوگل شیوه جستجو نمودن شما را یاد می‌گیرند و متناسب با آنچه که به دنبال آن می‌گردید، نتایج را سفارش سازی می‌کنند. به تبلیغات هوشمند گوگل نیز می‌‌توان اشاره کرد: کافی است یک اپلیکیشن را از فروشگاه اپلیکیشن گوگل (Google Play) دانلود و یا فیلمی را از یوتیوب نگاه کنید تا تبلیغات مرتبط با آن‌ها را در سایت‌هایی که از کد‌های تبلیغاتی گوگل استفاده می‌کنند مشاهده کنید. اپلیکیشن و سایت فیسبوک را نیز می‌توان به عنوان یکی از سایت‌هایی نام برد که با استفاده از هوش مصنوعی، تبلیغات خود را برای کاربران هدفمند نموده و باعث شده است تا سودی چند برابر به دست آورد.

از دیگر کاربرد‌های هوش مصنوعی می‌توان تطابق دادن اثر انگشت‌ها یا چهره‌ها برای باز نمودن قفل امنیتی گوشی‌های هوشمند را نام برد.
در حال حاضر نرم افزار‌هایی با استفاده از یادگیری ماشینی ساخته شده‌اند که قادر به تشخیص و توصیف اجسام درون تصویر و تشخیص حالات (احساسات) از روی صورت هستند. شرکت‌های بزرگی مانند گوگل و مایکروسافت نیز اقدام‌هایی در مورد توسعه‌ی پروژه‌هایی مانند سیستم تشخیص اجسام درون تصویر نیز انجام داده‌اند؛ اما تا به حال آن را برای استفاده عموم منتشر نکرده اند. از معروف‌ترین پروژه‌های بینایی ماشین با قابلیت تشخیص اشیاء، می‌توان پروژه‌ی Image Identification شرکت Wolfram را نام برد که برای استفاده عموم به صورت آنلاین منتشر شده است.

هوش مصنوعی و دیپ فیک

دیپ فیک از فناوری‌های پر سروصدای ین روزها محسوب می‌شود و اخبار نگران‌کننده‌ی بسیاری در مورد آن منتشر می‌شود. آیا این فناوری مزیتی هم دارد؟دیپ فیک را می‌توان یکی از مهم‌ترین موضوعات خبری دنیای امروز بواسطه هوش مصنوعی دانست. خطر فناوری مذکور روزبه‌روز بیشتر در رسانه‌ها دیده می‌شود و همه از سرعت بالای پیشرفت و در دسترس بودن آن واهمه دارند. پیچیدگی فناوری مذکور در کنار کاربردهای متنوع و بعضا خطرناک آن، دسته‌های متعدد مردم را نیز به رسانه‌ها بی‌اعتماد می‌کند. به‌هرحال اطلاع‌رسانی درباره‌ی خطرات یک فناوری جدید می‌‌تواند فوایدی را هم برای عموم جامعه به‌همراه داشته باشد.
امروز همه می‌‌دانیم که استفاده‌ی سوء از دیپ فیک، چالش‌هایی را برای جامعه به‌همراه خواهد داشت. به‌علاوه با افزایش آگاهی از زمینه‌های سوءاستفاده، پیشگیری از عواقب آن‌ها نیز آسان‌تر خواهد بود. البته درنهایت این فناوری توسعه یافته است و در دنیای آینده‌ی ما حضور جدی خواهد داشت. شاید با نگاهی عمیق‌تر بتوان کاربردهای مفیدی هم از آن استخراج کرد که به نفع همه‌ی جوامع هم باشند.