علی گلمحمدی
ما در عصری زندگی میکنیم که در اکثر حوزه ها رقابت به شدت سنگین شده است و به طبع همگی به دنبال روش هایی هستیم که بازدهی کارهای خود را بالا و بالاتر ببریم و از آن طرف نیز هزینه های خود را کاهش هیم، این هزینه ها میخواهند صرفا پول روزمره باشند یا حل کردن سریع تر یک معادله، بررسی داده های آماری و ده ها مورد دیگر..
به نظرم همین اسمی که به این موضوع نسبت داده اند،یعنی هوش مصنوعی، به خوبی هدف خود را نشان میدهد: چیزی که به جای ما فکر کند،شرایط را بررسی کند و بهترین تصمیم را بگیرد.
استفاده از هوش مصنوعی در همه این زمینه ها کمک شایانی به پیشرفت روند تیم مربوطه کرده است. اگر تقسیم بندی ای به مانند چیزی که در اعداد داریم انجام دهیم(حقیقی،صحیح،حسابی و ..) میتوانیم این الگو را پیشنهاد دهیم:
Artificial Intelligence > Machine Learning > Deep Learning > Future kinds of Artificial Intelligence
حوزه های دیگری نیز نظیر رباتیک، تحلیل های صوتی و نیز دید (Vision) زیرمجموعه همین هوش مصنوعی هستند.
یک مثال خیلی ساده استفاده از ماشین لرنینگ برای همین تحلیل داده هاست،به جای اینکه چند نفر را درگیر بررسی دیتا ها کنیم از چند خط کد استفاده میکنیم که خب هم به کاهش هزینه های خود رسیده ایم(البته اگر سیستم در حال ماین بیت کوین نباشه?) و از ان طرف هم سریع تر کار خود را پیش برده ایم.
مثال یکم پیچیده تر؟نه شطرنج نه! ولی فکر کردن راجع به الگوریتم های بازی فیفا را پیشنهاد میدهم. دلیلی هم که برای این کار دارم این است که به هر حا ل شطرنج یک بوردگیم محسوب میشود و حرکات کاملا نوبتی انجام میشود به اندازه کافی زمان برای تحلیل داریم،اما بازی فوتبال به طور همزمان 22 ایجنت را درگیر میکند و در هر لحظه باید این 22 ایجنت را نیز به روز کند.(خود به خود یاد کمیت های گسسته و پیوسته افتادم!)
به طور کلی استفاده از هوش مصنوعی به دو دسته تقسیم میشود:
هوش مصنوعی ضعیف یا Narrow AI: در این حوزه ما فقط انجام یک کار را بر عهده ایجنت خود میگذاریم و خب در آن هم عملکرد فوق العاده ای را نشان خواهد داد،برای مثال بازی هایی را در نظر بگیرید که وقتی از یک حد مشخص بیشتر به دشمن نزدیک شوید موقعیت شما تشخیص داده شده و مورد حمله قرار میگیرید.
هوش مصنوعی قوی یا Artificial General Intelligence: در این حوزه بیشتر از ماشین میخواهیم به مانند یک انسان عمل کرده و شرایط و مسایل مختلفی را بررسی کند.
خب خوشبختانه این هوش مصنوعی وارد فیزیک هم شده،چند وقت پیش هم فکر کنم با استفاده از این روش معادله شرودینگر را دانشمندان موفق به حل کردنش شدن که اونجا از طریق شبکه عصبی و دیپ لرنینگ بودش.
شبکه های عصبی را مختصرا اینگونه تعریف میکنیم که از 3 لایه تشکیل شده اند،لایه ورودی لایه میانی و لایه خروجی. در هر یک از این لایه ها یک سری Nodeهایی وجود دارد که از طریق یک سری خطوط به Node های دیگر وصل شده است. تقریبا مانند گراف هایی که در ریاضی داریم. اما Node های هر لایه فقط با لایه های دیگر در تماس اند وبا لایه خود کاری ندارند.
بد نیست یه صورت جزیی با ماشین لرنینگ و دیپ لرنینگ هم اشنا شویم؛
در بحث ماشین لرنینگ ما یک دیتا ست به عنوان نمونه به کامپیوتر معرفی میکنیم و کامپیوتر از طریق الگوریتم های مربوط ارتباط بین عناصر مختلف را بررسی و یک نتیجه کلی به ما تحویل میدهد.(در پایتون میتوانید از کتابخانه Scikit Learnبرای این کار استفاده کنید)
دیپ لرنینگ یک زیر مجموعه برای ماشین لرنینگ است،تنها تفاوت در نحوه بررسی اطلاعات است. در اینجا ما با سطح های مختلفی سرو کار داریم که دیتا را پردازش میکنند، یعنی همان شبکه های عصبی.
احتمالا اسم کامپیوتر های کوانتومی را نیز شنیده اید، هوش مصنوعی نیز به این حوزه آمده است، ترکیب دو اسم هوش مصنوعی و کوانتوم قطعا پدیده جذابی خواهد شد و از انجایی که تکنولوژی های کوانتومی به شدت در حال پیشرفت هستند، خیلی واضح میتوان حدس زد که با چه مهره مهمی در آینده سر و کار خواهیم داشت!
هر چند سرعت فوق العاده این پدیده غیرقابل انکار است (به دلیل بر هم نهی کوانتومی میتوانیم مراحل مختلف کار خود را همزمان پیش برده و همانطور که در بند اول گفته شد هزینه ها و زمان خود را بهینه کنیم) اما ایرادی در روش انجام آن وجود دارد و آن هم بر هم کنش با محیط است چرا که در این روش عملا مرز بین محیط و ماشین از بین می رود و مفهوم یادگیری دچار ابهام میشود.
اما خب قطعا با گذشت زمان این شرایط بهتر و بهتر خواهد شد و به نتایج لازم در این حوزه خواهیم رسید.