هوش مصنوعی، تعریف شده به عنوان هوشمندی قابل ملاحظه در ماشینها، کاربردهای بسیاری درجامعه امروزی یافتهاست. دقیقتر بگوییم، این هوش مصنوعی ضعیف است که کاربردیست، گونهای که برای انجام وظایف خاص طراحی شده و من جمله رده گسترده فعالیتهایی که در آن بکار گرفته میشود عبارتند از تشخیصهای پزشکی، پلتفرمهای تجارت الکترونیک، کنترل ربات و دورسنجی (remote sensing).
هوش مصنوعی، برای خلق و توسعه زمینههای تخصصی و صنایع بسیاری شامل امور مالی، بهداشت و درمان، آموزش، حمل و نقل و بیش از اینها بکار گرفته شدهاست.
هوش مصنوعی برای نیکی (به انگلیسی: AI for Good) عنوان نهضتی است که در آن نهادها از هوش مصنوعی برای برطرف ساختن برخی از بزرگترین چالشهای بشریت بهره میجویند. به طورمثال، دانشگاه کالیفرنیای جنوبی «مرکز هوش مصنوعی در جامعه» را براه انداخت تا هدف استفاده ازAI برای پرداختن به مسائل حائز اهمیت اجتماعی مانند بیخانمانی را دنبال کند. در استنفورد محققان از AI استفاده میکنند تا تصاویر ماهوارهای را تحلیل کنند که دریابند کدام نواحی دارای بیشترین سطوح فقرمیباشند.
در حوزه کشاورزی، پیشرفتهای جدید هوش مصنوعی، بهبودهایی را در محصولبرداری و پیشبرد تحقیقات پیرامون پرورش گیاهان به بار آوردهاست. هماکنون هوش مصنوعی نوین میتواند زمان رسیده شدن و آمادگی برای برداشت محصولاتی همانند گوجهفرنگی را پیشبینی کند و بدین نحو بازدهی کشاورزی را بالا برد. پیشرفتها البته بدینجا ختم نمیشود و دیگر مواردی از قبیل نظارت بر خاک و محصول، رباتهای کشاورزی و تحلیل داده پیشبیننده (predivtive analytics). نظارت بر خاک و محصول از الگوریتمهای جدید و دادهای گردآورده از زمین زراعی بهرهبرداری میکند سلامت کشت را تضمین کند و بدین صورت کشاورزی را کمهزینهتر و پایدارتر سازند.
مثالهایی دیگر از AI کارآموخته در کشاورزی را میتوان مواردی چون اتوماسیون، شبیهسازی، مدلسازی و تکنیکهای بهینهسازی گلخانهها برشمرد.
درپی فزونییافتن جمعیت و رشد تقاضا برای خوراک در آینده برای تأمین این نیاز به حداقل ۷۰ درصد افزایش باروری کشاورزی میباشد. هرروزه قشر بیشتری از عموم بدین باور میرسد که بکارگرفتن این تکنیکهای جدید و استفاده از AI ما را برای رسیدن به آن هدف یاری خواهد داد.
گروهان عملیاتهای هوایی(AOD) ارتش ایالات متحده AIرا برای ساخت سیستمهای متخصص(expert systems) قانونمحور بکارمیبندد. AI برای AOD کاربستهایی دارد اعم از در نقش متصدی جانشین در شبیهسازهای تمرینی و پیکار، دستیار مدیریت مأموریت، سامانههای پشتیبان برای تصمیمگیریهای تاکتیکی و پسپردازش دادههای شبیهساز و تبدیلشان به خلاصهنامههای سمبولیک.
کاربست AI در شبیهسازها برای AODبسیار مفید نمودهاست. شبیهسازهای هواپیما برای پردازش دادههای حاصل از پروازهای شبیهسازی شده از AI بهره میگیرند. به غیر از پرواز شبیهسازی شده، مورد رویارویی شبیهسازی شدهٔ هواگردها (aircrafts) نیز هست. رایانهها علاوه بر اینکه قادرند تا بهترین سناریوهای پیروزی را در این شرایط تولید نمایند؛ میتوانند استراتژیهایی مبنی بر قرارگیری، ابعاد، سرعت و قدرت نیروهای حمله و ضد حمله طرح کنند. رایانهها میتوانند درحین درگیری خلبانان را یاری رسانند. هوش مصنوعی نه تنها در توان دارد که اطلاعات را دستهبندی کرده و بهترین مانورها را در اختیار خلبان قرار دهد بلکه مانورهای خارج از عهده انسان را نیز کنار میگذارد. برای دستیابی به تقریبهایی مناسب از برخی محاسبات، دادههای پرواز چندین هواگرد لازمند که ایجاب میکند خلبانهای شبیهسازی شده مورد استفاده قرار گیرند. این خلبانهای شبیهسازی شده همچنین برای تمرین دادن کنترلکنندههای ترافیک هوایی آینده کاربردیاند.
سیستمی که به وسیله AOD به منظور اندازهگیری عملکرد استفاده میشد، یک سیستم IFDIS (سیستم تشخیص خطای متقابل و ایزوله) بود. این یک سیستم کارشناس مبتنی بر قواعد است که دادهها را از اسناد TF-30 و از نظر کارشناسانه مهندسان مکانیکی که بر روی TF-30 کار میکنند، جمعآوری میکند. این سیستم طراحی شد تا برای توسعه TF-30 به RAAF F-111C استفاده شود. سیستم عملکرد نیز برای جایگزین کردن کارگران تخصصی استفاده شد. این سیستم به کارگران معمولی اجازه میداد که با سیستم ارتباط برقرار کنند و از اشتباهات و اشتباهات محاسباتی یا صجبت با کارگران تخصصی اجتناب کنند.
AOD همچنین از هوش مصنوعی در نرمافزار بازشناسی گفتار استفاده میکند. مراقبان پرواز جهتها و مسیرها را به خلبانان مصنوعی میدهند و AOD میخواهد که خلبانان پاسخهای ساده به مراقبت پرواز دهند. برنامههایی که نرمافزار گفتار را میسازند باید آموزش داده شوند به این معنا که از شبکه عصبی استفاده کنند. برنامه Verbex 7000 که استفاده شد، هنوز یک برنامه ابتدایی هست که جای زیادی برای پیشرفت دارد. این پیشرفتها الزامی هستند زیرا مراقبان پرواز از گفتگوی بسیار ویژه ای استفاده میکند و برنامه نیاز دارد که قادر به برقراری ارتباط صحیح و فوری در هر زمان باشد.
هوش مصنوعی ای که طراحی هواپیما را پشتیبانی میکند (یا همان AIDA) برای کمک به طراحان در پروسه طراحی مصور هواپیما استفاده میشود. نرمافزار همچنین به کاربر اجازه میدهد تمرکز کمتری بر روی ابزار نرمافزار داشته باشد. AIDA از یک سیستم مبتنی بر قواعد برا محاسبه دادههایش استفاده میکند. این یک دیاگرام از آرایش مد. لهای AIDA است. اگرچه ساده است، برنامه اثبات کرده که مؤثر است.
در سال ۲۰۰۳، مرکز تحقیقات پروازی آرمسترانگ ناسا، و بسیاری از شرکتهای دیگر، نرمافزاری طراحی کردند که قادر میسازد یک هواپیما آسیب دیده، به پروازش ادامه دهد تا زمانی که به منطقه امن برای فرود دست یابد. برنامه با تیکه بر اجزای آسیب ندیده، تمام قسمتهای آسیب دیده را تعدیل میکند. شبکه عصبی استفاده شده در نرمافزار، اثبات کرده که مؤثر است و یک پیروزی برای هوش مصنوعی به حساب میآید.
سیستم یکپارچه مدیریت سلامت دستگاه که به وسیله ناسا بر روی هواپیما استفاده میشود، باید دادههای دریافت شده از سنسورهای تعبیه شده در هواپیما را، پردازش و تفسیر کند.
سیستم باید بتواند یکپارچگی ساختاری هواپیما را تعیین کند.
این سیستم همچنین نیاز به پیادهسازی پروتوکلها در صورت هر گونه آسیب ناشی از وسیله نقلیه دارد.
هیثمن بائومر و پیتر بنتلی هدایت یک تیم از کالج لندن را بر عهده دارند تا یک هوش مصنوعی بر پایه سیستم خلبان اتوماتیک هوشمند(IAS) طراحی شده را، توسعه دهند تا به سیستم خلبان اتوماتیک آموزش دهد که همچون یک خلبان بسیار با تجربه که با یک وضعیت اورژانسی مانند آب و هوای بد، آشَفتگی یا نقص سیستم رو به رو است، رفتار کند. آموزش خلبان اتوماتیک بر پایه مفهوم یادگیری ماشین تحت نظارت، استوار است به این صورت که با خلبان جوان مانند یک کارآموز انسان که به مدرسه پرواز رفتهاست رفتار میکند. خلبان اتوماتیک حرکات خلبان انسان را ضبط میکند و الگوهای یادگیری را به کمک استفاده از هوش مصنوعی تولید میکند. سپس به خلبان اتوماتیک کنترل کامل داده میشود و خلبان، اجرای تمرینات آموزشی به وسیله خلبان اتوماتیک را ملاحظه میکند.
سیستم خلبان اتوماتیک هوشمند، اصول دوره کارآموزی را به همراه روشهای دیگری ترکیب میکند. روشهایی که به وسیله آنها، خلبان حرکات سطح پایینی که برای حرکت دادن هواپیما نیاز است را مشاهده میکند و استراتژی سطح بالایی برای به کار بردن آن حرکات استفاده میکند. پیادهسازی سیستم خلبان اتوماتیک (IAS) فازهای زیر را به کار میبرد: جمعآوری دادههای خلبان، آموزش و کنترل مستقل و خودمختار. هدف بائومر و بتینی، ساخت یک خلبان اتوماتیک خودمختارتر است تا به خلبانان در پاسخ به شرایط اورژانسی کمک کنند.
محققان هوش مصنوعی، ابزارهای زیادی را برای حل سختترین مسئلهها در علم کامپیوتر ساختهاند. بسیاری از ابداعهای آنها به وسیله علم کامپیوتر اقتباس شده و دیگر به عنوان بخشی از هوش مصنوعی درنظر گرفته نمیشود. طبق گفته راسل و نووینگ در کتاب هوش مصنوعی منتشر شده در سال ۲۰۰۳، مفاهیمی همچون اشتراک زمانی، زبانهای تفسیری، رابط کاربر گرافیکی، ماوس، توسعه سریع محیطهای نرمافزار، لیست پیوندی ساختمان داده، مدیریت ذخیرهسازی خودکار، زبان برنامهنویسی نسل سوم، برنامهنویسی تابعی، برنامهنویسی پویا و برنامهنویسی شی گرا، همگی در آزمایشگاههای هوش مصنوعی توسعه یافتند.
هوش مصنوعی میتواند مورد استفاده قرار گیرد تا به صورت بالقوه، توسعه دهندههای باینری را شناسایی کند.
هوش مصنوعی میتواند برای ساخت دیگر انواع هوش مصنوعی مورد استفاده قرار گیرد. برای مثال، در حوالی نوامبر ۲۰۱۷، گوگل در پروژه AutoMl، تپولوژیهای جدیدی از شبکههای عصبی را ایجاد کرد به نام شبکههای عصبی NAS، سیستمی بهینهسازی شده برای پروژه ایمیج نت و COCO. به گفته گوگل، عملکرد شبکههای عصبی NAS فراتر بود از تمام عملکردهای پیشین منتشر شده از ایمیج نت .