https://virgool.ir/feed/@m_39802753fa2026-11-11 21:10:47https://virgool.ir/images/default-avatar.jpghttps://virgool.ir/@m_39802753https://virgool.ir/@m_39802753/چشم-اندازی-بر-هوش-مصنوعی-lt52ldes5cafچشم اندازی بر هوش مصنوعیThe buzz words of today: artificial intelligence (AI), machine learning, and deep learning. Business circles, corporations, startups, developers, and the average person have heard about these terms and seen them appear more and more often in news and online chatter. But what do they really mean?The concepts and methodologies behind artificial intelligence are not new. Known techniques are used in different ways to achieve new and extraordinary things. It’s made possible today by some key factors in the advancement of technology and business, namely:زمزمه های مهم امروز:هوش مصنوعی(AI) ،یادگیری ماشین ،و یادگیری عمیق.محافل تجاری،شرکت های بزرگ،استارت آپ ها،توسعه دهندگان و افراد عادی در مورد این کلمات که همه روزه معمولا در اخبارو گفتگو های آنلاین دیده می شوند، شنیده و دیده اند.این مفاهیم و روش های پشت هوش مصنوعی چیز جدیدی نمی باشد.تکنیک های شناخته شده به روش های مختلف برای رسیدن به چیزهای خارق العاده جدید استفاده می شود. امروزه توسط برخی از عوامل اساسی در پیشرفت فناوری و تجارت امکان پذیر شده است ، یعنی:Computational hardware advancement: Over the last two decades, technological advancement in computational hardware has drastically improved, allowing for general access to powerful hardware at cheaper costs. Contrary to popular belief, AI algorithms utilize the GPU (Graphic Processing Unit) in a computer, not the CPU (Central Processing Unit). Historically, the GPU was required for playing the latest games, however, the architecture is well suited for algorithms that make AI possible.پیشرفت سخت افزارهای محاسباتی:طی دو دهه گذشته،پیشرفت فناوری در سخت افزارهای محاسباتی به شدت بهبود یافته است.و دسترسی عمومی به سخت افزارهای قدرتمند با هزینه های ناچیز را فراهم میکند.برخلاف باور عمومی، هوش مصنوعی از CPU (واحد پردازش مرکزی ) استفاده نمیکند بلکه از GPU (واحد پرداش گرافیک) در یک کامپیوتر استفاده میکند، از نظر تاریخی GPU برای بازی آخرین بازی ها مورد نیاز بود،با این حال،این معماری برای معماری هایی که هوش مصنوعی را ممکن می سازد مناسب است.Lots of data to work with: The catalyst that makes artificial intelligence and machine learning possible is data. The more data an algorithm has to work with, the more refined it can become. The terms big data, and data mining boomed in the recent past. Data collected via various mechanisms on various things, and uncovering insights on that data, provides a solid foundation for artificial intelligence and machine learning. With that said, understanding, cleansing, and preparing data is crucial step in implementing most artificial intelligence algorithms successfully.داده های زیاد برای کار:داده ها کاتالیزوری است که هوش مصنوعی و یادگیری ماشین را ممکن می سازد.هر چقدر یک الگوریتم با داده هابیشتر کار کند ،میتواند بیشتر اصلاح شود.اصطلاحات داده "داده های بزرگ" و "داده کاوی" در گذشته نه چندان دور رونق گرفت.داده های جمع آوری شده از طریق مکانیزم های مختلف در مورد چیزهای مختلف ،و کشف بینش ها در مورد این داده ها، پایه محکمی برای هوش مصنوعی و یادگیری ماشین فراهم میکند.بدین بیان،درک،پاکسازی و آماده سازی داده ها گام محکمی در پیاده سازی موفقیت آمیز بسیاری از الگوریتم های هوش مصنوعی است.Business opportunities: Businesses strive to make a profit. If an initiative adds no value to the business and does not contribute in some way or another towards increasing profit, a business won’t adopt it. Given the amount of data businesses have acquired, new use cases and opportunities have emerged with the potential to make profit. This makes AI a feasible area to experiment in, even if it’s simply a tool used to understand a business, its offerings, and its customers.فرصت های شغلی:کسب و کار ها برای کسب سود تلاش میکنند.اگر یک ابتکار نتواند ارزشی را به یک کسب و کاری اضافه کند و نتواند به هیچ طریقی برای افزایش منافع با هیچ کسب و کاری همکاری کند،هیچ کسب و کاری آن را نمیپذیرد.با توجه به میزان داده هایی که کسب و کارها بدست آوردند ، موارد استفاده و فرصت هایی جدید با امکان سود آوری پدیدار شده اند .این باعث شده هوش مصنوعی به یک محیط عملی برای آزمایش تبدیل شود،حتی اگه به سادگی ابزاری باشد که برای فهم یک کسب و کار پیشنهادها و مشتریان آن استفاده شود.What is AI?Before we understand how AI works, what algorithms exist, and where they are useful, we need an understanding of what it is. By definition, “artificial” means something that is simulated, not organic, and typically created by humans.What about intelligence? Intelligence is a somewhat subjective and philosophical matter. Is the ability to understand and implement the process of making toast an example of intelligence? Is making a decision about whether someone has enough money in their account for a transaction an example of intelligence? Is beating a chess master at a game of chess an example of intelligence? Intelligence is a philosophical question, and can be highly subjective.هوش مصنوعی چیست؟قبل از اینکه بهمیم هوش مصنوعی چگونه کار میکند،چه الگوریتم هایی وجود دارد ، و کجا می تواند مفید باشد،لازم است بدانیم که چیست.طبق تعریف ، “artificial” به معنای چیزی است که شبیه سازی شده باشد،نه طبیعی،و معمولا توسط انسان ایجاد شده است.هوش چیست؟هوش یک موضوع تا حدی ذهنی و فلسفی می باشد.آیا توانایی درک و اجرای فرایند درست کردن نان تست یک مثالی از هوش است؟ایا تصمیم گیری در مورد اینکه کسی پول کافی برای انجام معامله ای در حساب خود دارد یک نمونه از هوش است؟آیا بردن یک استاد شرنج در بازی یک مثال از هوش است؟هوش چیست یک سوال فلسفی است و یک می تواند بسیار ذهنی باشد.What is Intelligence?By definition, “intelligence” means to acquire and apply knowledge and skills. This is still very vague. What is knowledge? By definition, “knowledge” is an acquired understanding about a concept. This is still not something tangible.As humans, we believe that we’re intelligent since we dominate the world. We have evolved into a species that endures, adapts, and innovates the way we live. However, we see many examples of what could be classified as intelligent behavior from seemingly unintelligent organisms. Ants exhibit complex intelligent behavior when navigating terrain and transporting food. Birds flock together for protection against predators and their environment.هوش چیست؟طبق تعریف ؛ "هوش" به معنای بدست کسب دانش و مهارت است.این تعریف هنوز خیلی مبهم است.دانش چیست؟طبق تعریف "دانش" فهم اکتسابی در باره یک مفهوم می باشد.این تعریف هم هنوز چیز ملموسی نیست.به عنوان انسان ، ما معتقدیم که از آنجا که بر جهان تسلط داریم ، هوشمند هستیم. ما به گونه ای تبدیل شده ایم که شیوه زندگی ما را تحمل می کند ، سازگار می کند و نوآوری می کند.هر چند که نمونه های بسیار زیادی از موجودات به ظاهر غیر هوشمند وجود دارند که می توان آنها به عنوان رفتار هوشمندانه طبقه بندی کرد. مورچه ها هنگام پیمایش زمین و انتقال غذا رفتار هوشمندانه پیچیده ای را به نمایش میگذارند. پرندگان برای محافظت در مقابل شکارچیان و محافظت از اطرافشان با هم جمع میشوند.So, the question remains, what is intelligence?بنابراین سوالی که باقی می ماند ، هوش چیست؟Is something that learns intelligent? If something is continually aware of knowledge acquired in the past and is able to apply it going forward, is it intelligent? As humans, we make the same mistakes over and over again, even though we have knowledge of the outcome from past experience, yet it still happens. Does this make us unintelligent?آیا چیزی که یادمیگیرد هوشمند است؟اگرچیزی بصورت مستمر از دانش کسب شده در گذشته آگاه باشد و قادر به حفظ و استفاده از آن در آینده باشد،آیا هوشمند است؟به عنوان انسان،ما بارها و بارها دچار اشتباهات مشابه می شویم.با وجود اینکه ما از تجربیات گذشته از نتیجه مطلع هستیم ،بازهم اتفاق می افتد.آیا این باعث میشود ما غیرهوشمند باشیم؟Is something that reasons intelligent? If something acquires knowledge in various areas, and strings that knowledge together to form an opinion or way of thinking, is it intelligent?آیا چیزهایی مثل آن دلیل بر هوشمندی است؟اگر چیزی در زمینه های مختلف دانش کسب کند،و آنها را بصورت یک عقیده یا طرز فکر شکل دهد باهم رشته کند ،آیا هوشمندی است.Is something that creates intelligent? Creativity is strange. It’s a special kind of cognitive activity that is very difficult to quantify. Many humans struggle with creativity because of the unique way different people think. Even the most prolific people can draw a blank when it comes to creativity.آیا چیزی که ایجاد میکند هوشمند است؟خلاقیت عجیب است.این یک نوع فعالیت شناختی خاص است که کمی کردن آن سخت است.بسیاری از مردم به دلیل روش منحصر به فردی که مردم مختلف فکر میکنند با خلاقیت مبارزه میکنند. حتی در مورد خلاقیت افراد پرکار میتوانند جای خالی بگذارند.As humans, our sensory system, and survival instinct impacts how we learn, reason, and create. For now, let’s agree that we look at ourselves when understanding what intelligence is and assume that we’re intelligent because we’re the most dominant species. Call it arrogance, but we don’t know any better, and it’s more than likely that we’re far from the pinnacle of true intelligence.به عنوان انسان،سیستم حسی ،و غریزه بقاء بر نحوه یادگیری ، استدلال و خلق ما تاثیر میگذارد.در حال حاضر ،اجازه دهید یک نگاه به خودمان بیاندازیم زمانیکه درک میکنیم هوش چیست و فرض کنیم هوشمند هستیم بخاطر اینکه غالب ترین گونه هستیم.آنرا غرور بنامید،ولی ما چیز بهتری نمی شناسیم،و شاید از اوج هوش واقعی خیلی فاصله داشته باشیم.Human AdvancementThis is what we care about. We want to continually improve, as people, teams, communities, and as a species. Let’s take a look at the past. The industrial revolution happened in the 1800’s, and the first digital computer was invented in the 1900’s. That’s about a hundred years apart. The time between the first digital computer, to the first human in space was less than a hundred years. The time between the first human in space, and the first personal computer was a couple of decades. The time between the first personal computer and mobile phones was just several years.پیشرفت بشریاین همان چیزی است که باید به آن اهمیت بدهیم.ما به عنوان ایک فرد ،تیم ها ،جوامع و به عنوان یک گونه میخواهیم به طور مستمر پیشرفت کنیم.بیایید یک نگاه به گذشته بیاندازیم.انقلاب صنعتی در دهه 1800 رخ داد،و اولین کامپیوتر دیجیتال در دهه 1900 اختراع شد.و این فاصله حدود صد سال می باشد.فاصله زمانی بین اولین کامپیوتر دیجیتال تا اولین انسان در فضا کمتر از سال صد سال بود.فاصله زمانی اولین انسان در فضا و اولین کامپیوتر شخصی تنها چند دهه بود.و فاصله زمانی اولین کامپیوتر شخصی و موبایل فقط چند سال بود.This exponential technological advancement is an example of human advancement. We create things that change the way we live, and interact with the world. We rapidly change economies by this advancement. From looking at the past, it is clear that the driving factors for advancement is money, power, improvement, and sometimes curiosity…این پیشرفت تکنولوژی نمایی نمونه ای از پیشرفت انسان است.ما چیزهایی را می سازیم که سبک زندگی مان را تغییر میدهد.و با دنیا تعامل دارد.ما با این پیشرفت به سرعت اقتصاد را تغییر میدهیم.از نگاه به گذشته مشخص می شود که فاکتورهای پیشران پیشرفت پول،قدرت،تکامل و گاهی مواقع کنجکاوی می باشد.Given this, it’s highly unlikely that we would create something of the likes of the terminator, if it does not benefit our advancement. However, malicious people will do malicious things with whatever they have at their disposal. To understand more about what we need to control, let’s have a look at different categorizations of artificial intelligence.با توجه این موضوع،بعید است چیزهایی مثل ترمیناتور را بسازیم مگر اینکه به نفع پیشرفت ما باشد.بنابراین افراد بدخواه با هر انچه در دسترس دارند کارهای مخرب انجام خواهند داد.برای درک بیشتر اینکه ما نیاز به کنترل چه چیزهایی داریم،بیایید یک نگاه به دسته بندی های مخبلف هوش مصنوعی داشته باشیم.Artificial Narrow Intelligence (ANI)This categorization of AI includes implementations that focus on something very specific. It may be solving a specific problem, learning something very specific, or making decisions on something specific. Examples include; a program that makes smart decisions in the game of chess, a program that predicts the shelf life of products, a program that understand speech, etc.هوش مصنوعي محدوداين دسته بندي از هوش مصنوعي شامل پیاده سازی هایی است که روی چیزهای بسیار خاصی تمرکز دارند.ممکن است حل یک مسئله خاص ، یادگیری چیزی بسیار خاص و یا اتخاذ یک تصمیم روی یک چیز خاص باشد.مثلا شامل:یک برنامه که یک تصمیم هوشمندانه در بازی شطنج میگیرد،یک برنامه که ماندگاری یک محصول را پیش بینی میکند،برنامه ای که گفتار را درک میکند و غیرهThese are typically applications of AI that focus on a narrow domain. This is not to say that multiple narrow intelligence implementations can’t be integrated to work together. Although multiple ANI implementations may be integrated together, this is not considered artificial general intelligence.اینها معمولا کاربردهای هوش مصنوعی هستند که روی یک دامنه محدود متمرکز هستند.این بدان معنا نیست که چندین پیاده سازی هوشمندانه محدود نمی توان برای کار با یکدیگر ادغام کرد.اگر چه چندین پیاده سازی ANI ممکن است با هم ادغام شوند،اما این به مفهموم هوش مصنوعی عمومی نمی باشد.Artificial General Intelligence (AGI)This is a huge jump from narrow intelligence. This categorization of AI is essentially human-like. If we think about how we think, things get complicated. We have gained so much knowledge that we’re not consciously aware of. We have a bias in the way we think that we don’t consciously know about. It’s not as simple as stringing a bunch of narrow intelligence units together.هوش مصنوعی عمومی( (AGIاین یک جهش بسیار بزرگ از هوش محدود می باشد.این دسته از هوش مصنوعی اساسا شبیه به انسان هستند.اگر به نحوه تفکر خود فکر کنیم،همه چیز پیچیده خواهد شد.ما آنقدر دانش کسب کرده ایم که آگاهانه از آن آگاهی نداریم.ما در مورد نحوه فکر کردن خود تعصبی داریم که آگاهانه از آن اطلاع نداریم.این به سادگی رشته کردن واحد های هوشمند محدود با یکدیگر نمی باشد.Artificial Super Intelligence (ASI)Super intelligence. This is where things could get scary. We don’t know what could be more intelligent than us. Theories suggest that if we achieve artificial super intelligence, it will surpass our intelligence in a matter of seconds. This is eerie since we may not even be able to comprehend it.Until we understand exactly how our brains work and are able to quantify how we think and what makes us think that way, we may never understand what true intelligence really is.فراهوش مصنوعیفراهوشمند.اینجاست که میتواند ترسناک باشد.ما نمی دانیم چه چیزی میتواند از ما هوشمندتر باشد.نظریه ها حاکی از آن است اگر ما به فراهوش مصنوعی دست پیدا کنیم ، در عرض چند ثانیه از هوش ما جلو خواهند افتاد.این وهم آور است چونکه ممکن است حتی نتوانیم آن را درک کنیم.تا زمانیکه ما دقیقا نحوه کار مغز را درک نکنیم و قادر به ارزیابی نحوه تفکر و چیزی که موجب میشود به این روش فکر کنیم نباشیم شاید هرگز درک نکنیم که واقعا هوش واقعی چیست.?Ethics and ResponsibilityThere is a question of ethics around artificial intelligence and its applications. Could super intelligent machines rebel and rule over us? If an intelligent car injures someone, who’s responsible? This isn’t about the computers and AI, it’s about people.اخلاق و مسئولیتاخلاق پیرامون هوش مصنوعی و کاربردهای آن مطرح است. آیا ماشین های فوق هوشمند می توانند بر عیله ما شورش کرده و بر ما حکومت کنند؟ اگر یک ماشین هوشمند کسی را مجروح کند ، چه کسی مسئول است؟ این مربوط به رایانه ها و هوش مصنوعی نیست ، بلکه مربوط به مردم است.Whether we like it or not, some people will be malicious for self benefit and utilize anything they can towards it. The question of ethics is a philosophical one as well. What makes us feel bad when we do something considered bad? Can we simulate that in a machine? It comes down to malevolent and mature decision making from people in leadership or decision making roles.چه بخواهیم و چه نخواهیم ، بعضی از افراد برای منافع شخصی سو استفاده می کنند و از هر آنچه در توان دارند برای پیش برد آن استفاده می کنند. مسئله اخلاق نیز یک مسئله فلسفی است. چه چیزی باعث می شود وقتی کاری که بد قلمداد میشود را انجام میدهیم احساس بدی پیدا میکنیم؟ آیا می توانیم آن را در ماشین شبیه سازی کنیم؟این به تصمیمات بدخواهانه و بالغی که رهیران و قانونگذاران میگیرند برمیگردد.If the intentions are positive, and the impacts are analyzed, we will be less likely to create technology that hurts us as a species. This isn’t something new, most technological breakthroughs could have been widely used for malicious intentions, but they weren’t. I believe that as a species, we exhibit behavior for collective advancement, even though there may be a few bad apples in the batch.اگر نیت ها مثبت باشد و تأثیرات آن مورد تجزیه و تحلیل قرار بگیرد ، احتمال ایجاد فناوری ای که به ما به عنوان یک نوع گیاه آسیب برساند ، کمتر خواهد بود. این چیز جدیدی نیست ، بیشتر پیشرفتهای فن آوری می توانست به طور گسترده ای برای اهداف سواستفاده شود ، اما اینها نبودند. من به عنوان یک گونه معتقدم ، ما رفتاری را برای پیشرفت جمعی از خود نشان می دهیم ، حتی اگر ممکن است آدم بد میان دسته وجود داشته باشد.With regards to AI replacing existing jobs, it’s natural progress. The internet boom hurt physical newspaper sales, but industries such as SEO (Search engine optimization), and social media management wouldn’t exist without it. Technological progress hurts some occupations, but inevitably creates more. We are unable to tell what new industries AI will create until it actually happens.با توجه به جایگزینی هوش مصنوعی با مشاغل موجود.این پیشرفت طبیعی است.رونق اینترنت به فروش فیزیکی روزنامه آسیب رساند.اما صنایعی مثل SEO (بهینه سازی موتور جستجو)، و مدیریت رسانه های اجتماعی بدون آن نمیتواند وجود داشته باشد.پیشرفت تکنولوژیک به برخی مشاغل آسیب میزند،اما به طور حتمی فرصت های شغلی بسیاری را ایجاد میکند.تا زمانیکه واقعا اتفاق نیافتد نمی توانیم بگوییم هوش مصنوعی چه صنایع جدیدی را ایجاد میکند .?What Can AI Do?Okay. Enough with philosophy and ethics. Let’s look at where AI can be applied to add value. As mentioned previously, multiple techniques and intelligent units can be used together, but independently. Current implementations of AI usually do one of the following.هوش مصنوعی چه کاری میتواند انجام دهد.با گذر از فلسفه و اخلاق.بیایید نگاهی بیاندازیم به جایی که هوش مصنوعی برای ایجاد ارزش افزوده به کار گرفته میشود.همانطور که قبلا اشاره شد،از چندین تکنولوژی و واحد هوشمند میتوان با هم استفاده کرد،اما به طور مستقل .پیاده سازی های فعلی هوش مصنوعی معمولا یکی از موارد ذیل را انجام میدهند.Make a finite decisionThis has historically been used in AI that play games or work within a finite set of rules. Given a current state with known data, an algorithm is able to determine the best decision in its context.اتخاذ تصمیم های محدوداین از نظر تاریخی در هوش مصنوعی استفاده میشود که در یک سری قوانین محدود بازی میکند یا کار میکند.با توجه به وضعیت فعلی با داده های شناخته شده،یک الگوریتم میتواند بهترین تصمیم را در این زمینه بگیرد.An example is a game of chess. By evaluating the moves that have happened and as many possible future moves, an algorithm can determine the best possible decision for the next move to make. Or given a set of images, an algorithm that can classify which are pictures of people.مثلا در یک بازی شطرنج.با ارزیابی حرکت هایی که اتفاق افتاده است و بسیاری از حرکت هایی که ممکن در آینده اتفاق بیافتد،یک الگوریتم می تواند بهترین تصمیم ممکن را برای حرکت بعد بگیرد.یا در یک مجموعه از تصاویر داده شده یک الگوریتم میتواند تصاویر افراد را طبقه بندی نماید.Currently, decisions made by machine learning algorithms usually happen under something called supervised learning which is elaborated on later.در حال حاضر ،تصمیمات که توسط الگوریتم های یادگیری ماشین گرفته میشوند معمولا یادگیری با ناظر نامیده میشوند که بعدا شرح داده خواهد شد.Make a prediction or recommendationMaking a prediction requires recognizing patterns, and calculating probabilities to find trends. It can also form a model that may not have been known upfront.پیش بینی یا توصیهپیش بینی نیازمند شناخت الگو ها و محاسبه احتمالات برای تشخیص روند می باشد.همچنین میتواند مدلی را تشکیل دهد که ممکن است از قبل شناخته شده نباشد.This is very similar to making a decision, however, the possible outcome may not have even been an option at the start. An example is, given a picture, categorize the physical objects in the picture whilst considering other pictures.In machine learning, these non-finite outcomes fall under the category of unsupervised learning.این بسیار شبیه به تصمیم گیری است ، با این حال ، نتیجه احتمالی ممکن است در ابتدا حتی یک گزینه نبوده باشد. به عنوان مثال ، با توجه به تصاویر ، اشیا فیزیکی تصویر را طبقه بندی کنید در حالی که سایر تصاویر را در نظر بگیرید. در یادگیری ماشینی ، این نتایج غیر محدود در گروه یادگیری بدون نظارت قرار می گیرندAs humans, our brains form connections between different pieces of knowledge which creates the concept of reasoning. By definition, “reasoning” means to think about something in a logical manner. However, with regards to intelligence, it’s a complex cognitive trait that is difficult to understand.استدلال کردنبه عنوان انسان،مغز ما ارتباط بین تکه های مختلف از دانش که مفهوم استدلال را ایجاد میکند را شکل میدهد.طبق تعریف "استدلال" به معنی تفکر درباره چیزی به روشی منطقی است.با این حال ، با توجه به هوش،این یک ویژکی شناختی پیچیده است کهAs humans, we form opinions and conclusions based on how we reason without consciously trying to reason. It’s a hidden language that ties the strings of knowledge together in our minds.به عنوان انسان ، نظرات و استنتاج ها را بر اساس اینکه چگونه استدلال میکنیم بدون تلاش آگاهانه برای استدالال انجام میدهیم.این یک زبان پنهانی است که رشته های دانش را در ذهن ما به هم گره میزند.So can machines reason? Yes. It’s happened already. An example being Google Translate. It is able to translate phrases between two different languages without using an intermediary language understood by humans. We will likely never understand the reasoning that happens for it to achieve this.بنابراین آیا ماشین میتواند استدلال کند.؟بله.این در حال حاضر اتفاق افتاده است.مثل مترجم گوگل.مترجم گوگل عبارات بین دو زبان را بدون اینکه نیاز به زبان واسطی که برای انسان قابل فهم باشد ترجمه میکند.احتمالا هرگز استدلالی که برای رسیدن به آن اتفاق می افتد را درک نخواهیم کرد.This form of intelligence emerges more when concepts of deep learningare applied and implemented over time on a large dataset.این نوع از هوش زمانی ظهور پیدا میکند که مفاهیم یادگیری عمیق در طول زمان روی داده های بزرگ اعمال و پیاده سازی میشود .?How Does AI Achieve This?From a technical perspective, the terms artificial intelligence, machine learning, and deep learning tend to be confusing and one is sometimes unsure about how they relate. Artificial intelligence encompasses different techniques to synthesize intelligence.هوش مصنوعی چگونه به این مفهوم دست می یابد؟از منظر فنی، اصطلاحات هوش مصنوعی،یادگیری ماشین، و یادگیری عمیق گیج کننده هستند و گاهی اوقات در مورد ارتباط آنها مطمئن نیستند.هوش مصنوعی تکنیک های مختلفی را برای سنتز کردن هوش در بر میگیرد.The following sections describe different types of approaches where each approach uses specific principles to achieve a goal. The respective approach is selected based on the data available, the goal that’s trying to be achieved, and the nature of the problem. There are many other approaches, but these are most popular ones used today.بخشهای زیر انواع مختلفی از رویكردها را توصیف می كند كه در آن هر روش از اصول خاصی برای دستیابی به هدفی استفاده می كند. روش مربوطه براساس داده های موجود ، هدفی که برای دستیابی به آن و ماهیت مسئله انتخاب میشود.These algorithms are based on concepts of biological evolution. From scientific studies, we have observed the process and outcomes of reproduction, mutation, and individual selection in natural organisms.این الگوریتم ها بر اساس مفاهیم بیولوژیکی تکامل ساخته شده اند.از مطالعات علمی ، ما روند و نتایج تولید مثل ، جهش و انتخاب فردی را در موجودات طبیعی مشاهده کرده ایم.Essentially, these algorithms are based on the premise that organisms reproduce to create more organisms, the children of the original organisms are comprised of a combination of the genetic make-up of them. However, there are slight variants in the children; this is called mutation. Given the mixed genetic make-up of the children and their mutations, they could potentially be “better” than their parents even in the case that their parents as individuals are considered “inferior”. Individuals are selected to live on based on their fitness which is derived from how “good” they are. This is the general process that most living organisms have followed over millions of years to be what they are today, including us humans.اساساً ، این الگوریتم ها بر این فرض بنا شده اند که موجودات زنده برای تولید موجودات بیشتر تولید مثل می کنند ، فرزندان موجودات اصلی از ترکیبی از ترکیب ژنتیکی آنها تشکیل شده اند. با این حال ، انواع جزئی در کودکان وجود داردکه به اینها جهش یافته گفته می شود. با توجه به ترکیب ژنتیکی مختلط کودکان و جهش یافته های آنها ، آنها حتی می توانند "بهتر" از والدینشان باشند حتی اگر والدین آنها به عنوان افراد "نامرغوب" قلمداد شوند. افراد بر اساس تناسب اندامشان که از میزان "خوب" بودن آنها ناشی می شود ، برای زندگی انتخاب می شوند. این فرآیند کلی است که اکثر موجودات زنده طی میلیون ها سال دنبال کرده اند تا امروز مانند ما انسانها باشند.Evolutionary algorithms are suited for problems where a single result is comprised of permutations of finite things. These algorithms are geared towards finding incrementally better solutions, but cannot guarantee finding the most optimal solution.الگوریتم های تکاملی برای مسائلی مناسب هستند که یک نتیجه منفرد از جایگشتهای چیزهای محدود تشکیل شده باشد. این الگوریتم ها به دنبال یافتن راه حل های به تدریج بهتر هستند ، اما نمی توانند بهینه ترین راه حل را تضمین کنند.As an example; consider the problem of optimizing package delivery by drones from warehouses to customers where there are constraints on weight that the drones can carry. Each action for a specific drone is finite — let’s call this a gene. Permutations of sequences of possible actions across all drones can be generated — let’s call this a chromosome. And each chromosome will have a different performance — let’s call this fitness.به عنوان مثال؛ مشکل بهینه سازی تحویل بسته توسط هواپیماهای بدون سرنشین از انبارها به مشتری را در نظر بگیرید ، جایی که محدودیت های وزنی وجود دارد که هواپیماهای بدون سرنشین می توانند حمل کنند. هر عملی برای یک پهپاد خاص محدود است - بگذارید این را یک ژن بنامیم. می توان توالی اقدامات احتمالی را در تمام هواپیماهای بدون سرنشین ایجاد کرد - بگذارید این را یک کروموزوم بنامیم. و هر کروموزوم عملکرد متفاوتی خواهد داشت - بگذارید این را تناسب اندام بنامیم.These chromosomes are generated, reproduce new sequences, and the fitness of each is evaluated to determine which should live on. This happens for a number of generations or a specified stopping condition is reached. The most fit chromosome is then used as the most optimal solution. This means that an optimal sequence of actions for drones will eventually emerge.این کروموزوم ها تولید می شوند ، توالی های جدید را تولید می کنند و تناسب هر یک از آنها ارزیابی می شود تا مشخص شود کدام یک باید زنده بمانند. این برای تعدادی از نسل ها اتفاق می افتد یا شرایط متوقف شده مشخصی حاصل می شود. از مناسب ترین کروموزوم بعنوان بهینه ترین راه حل استفاده می شود. این بدان معنی است که توالی بهینه از اقدامات برای هواپیماهای بدون سرنشین سرانجام پدیدار خواهد شد.Machine LearningThe underlying algorithms used for machine learning are essentially based around statistics. Machine learning is similar to the concepts around data mining. An algorithm attempts to find patterns in data to classify, predict, or uncover meaningful trends. Machine learning is only useful if enough data is available, and if the data has been prepared correctly.یادگیری ماشینالگوریتم های اساسی مورد استفاده برای یادگیری ماشین اساساً مبتنی بر آمار هستند. یادگیری ماشین مانند مفاهیم پیرامون داده کاوی است. یک الگوریتم تلاش می کند الگوهایی را برای طبقه بندی ، پیش بینی یا کشف روندهای معنادار در داده ها پیدا کند. یادگیری ماشینی فقط در صورت وجود اطلاعات کافی و همچنین وجود داده های که به درستی تهیه شده باشد مفید می باشد.As a toy example, consider that evaluation of password strength depends on the length of the password, if it contains numbers, and if it contains special characters. Let’s also assume that we have a list of passwords and their respective strength. Simply using the raw textual representation of the password for a machine learning algorithm to learn what makes a password strong or not will not work.به عنوان یک نمونه اسباب بازی، در نظر بگیرید که ارزیابی قدرت رمز عبور به طول رمز ورود ، دارا بودن عدد و یا دارا بودن کاراکترهای خاص وابسته می باشد . همچنین فرض کنیم لیستی از رمزهای عبور و قدرت مربوطه آنها را در اختیار داشته باشیم. به سادگی با استفاده از نمایش متنی خام رمزعبور برای الگوریتم یادگیری ماشین که چه چیزی یک رمز را قوی یا ضعیف میکند را میتوان یاد داد.Extraction of metadata such as the number of characters, the number of special characters, and the number of numeric digits is required before a machine learning algorithm can learn any trends. This metadata and the process of preparing it is imperative to successful machine learning.قبل از اینکه الگوریتم یادگیری ماشین بتواند روندها را یاد بگیرد ، استخراج ابرداده مانند تعداد کاراکترها ، تعداد کاراکترهای خاص و تعداد ارقام عددی مورد نیاز است. این متادیتا و روند تهیه آن برای یادگیری موفق ماشین ضروری است.Machine learning consists of two categories, namely supervised learning, and unsupervised learning.یادگیری ماشینی از دو دسته یادگیری تحت نظارت و یادگیری بدون نظارت تشکیل شده است.Supervised Learning: Most practical solutions use supervised learning. Supervised learning encompasses approaches to satisfy the need to classify things into categories — known as classification. It also includes approaches to address the need to provide variable real-value solutions such as weight or height — known as regression.Unsupervised Learning: The goal of this type of learning is to model data and uncover trends that are not obvious in its original state. This type of learning is used to learn about data.There are no answers that the algorithm tries to guess. It discovers “hidden” structures and correlations that are not apparent at face value. This is useful for finding groups of data that are similar — known as clustering. It is also useful for discovering rules that govern portions of the data — known as association.یادگیری تحت نظارت: بیشتر راه حل های عملی از یادگیری نظارت شده استفاده می کنند. یادگیری تحت نظارت شامل رویکردهایی برای برآوردن نیاز به طبقه بندی موارد در دسته ها است - معروف به طبقه بندی. این برنامه همچنین شامل روشهایی برای رفع نیاز به ارائه راه حلهای با ارزش واقعی متغیر مانند وزن یا قد - معروف به رگرسیون است.یادگیری بدون نظارت: هدف این نوع یادگیری مدل سازی داده ها و کشف روندهایی است که در حالت اصلی مشخص نیستند. از این نوع یادگیری برای یادگیری داده ها استفاده می شود. هیچ پاسخی وجود ندارد که الگوریتم سعی کند آنها را حدس بزند. این ساختارها و همبستگی های "پنهان" را کشف می کند که از نظر ارزش ظاهری مشخص نیستند. این به یافتن گروههایی از داده مشابه است - معروف به خوشه بندی - مفید است. همچنین برای کشف قوانینی حاکم بر بخشهایی از دادهها مفید است - معروف به ارتباط.Deep Learning and Neural NetworksDeep learning is a term that sounds very mysterious and complex, and it is to an extent. It is similar to machine learning in that it classifies things and discovers patterns in data, however, deep learning algorithms constantly improve their knowledge on what they have already learned in the past. These algorithms may consist of chaining a number of different AI approaches to achieve its goal.As an example; consider that a large image database exists and there is a need for an algorithm to describe the objects in pictures. Using deep learning, an algorithm is able to find similar objects in different pictures and group them. After a human labels that group, the algorithm understands what that object is going forward, however, it can create further subgroups within that object for different variants. If a grouping of cars is discovered, the algorithm may find different variations of cars such as sedans, hatchbacks, SUVs, etc. Given enough data, these subtle variants can be discovered.Neural network algorithms are heavily used in deep learning due to their adaptive nature. Neural networks are based on our understanding of how the human brain and nervous system works. It is the concept of a layered hierarchy of neurons that accept an input, influences the input, and then directs the result to other neurons based on the weightings of the neuron.The weighting on each neuron changes over time as the network becomes better at classifying the input. A higher-weighted neuron will have more influence on the input it receives and thus could strongly impact the outcome of the network. Neural networks are useful for classification problems where classification can change or be refined in the future.شبکه های عصبی یادگیری عمیقیادگیری عمیق اصطلاحی است که بسیار مرموز و پیچیده به نظر می رسد و تا حدی هم مرموز و پیچیده هست. از نظر طبقه بندی چیزها و کشف الگوهای داده ، مشابه یادگیری ماشینی است ، اما الگوریتم های یادگیری عمیق دائماً دانش آنها را در مورد آنچه قبلاً یاد گرفته اند ، بهبود می بخشند. این الگوریتم ها ممکن است شامل زنجیر کردن تعدادی از رویکردهای مختلف هوش مصنوعی برای رسیدن به هدف خود باشد.به عنوان مثال؛ در نظر بگیرید که یک پایگاه داده بزرگ ازتصاویر وجود دارد و نیاز به یک الگوریتم برای توصیف اشیا در تصاویر وجود دارد. با استفاده از یادگیری عمیق ، یک الگوریتم قادر است اشیا مشابه را در تصاویر مختلف پیدا کند و آنها را گروه بندی کند. پس از برچسب زدن انسان به آن گروه ، الگوریتم می فهمد که آن شی به چه چیزی شبیه است ، با این حال ، می تواند زیرگروه های بیشتری را در آن شی برای انواع مختلف ایجاد کند. اگر گروهی از اتومبیل ها کشف شود ، الگوریتم ممکن است انواع مختلف اتومبیل مانند سدان ، هاچ بک ، SUV و غیره را پیدا کند. با توجه به اطلاعات کافی ، این انواع ظریف را می توان کشف کرد. الگوریتم های شبکه عصبی به دلیل ماهیت تطبیقی ​​بسیار در یادگیری عمیق استفاده می شوند. شبکه های عصبی مبتنی بر درک ما از نحوه کار مغز و سیستم عصبی انسان است. این مفهوم یک سلسله مراتب لایه ای از سلولهای عصبی است که ورودی را می پذیرد ، بر ورودی تأثیر می گذارد و سپس نتیجه را به وزن نورون به سمت سایر نورون ها هدایت می کند. با بهتر شدن شبکه در طبقه بندی ورودی ، وزن هر نورون با گذشت زمان تغییر می کند. یک نورون با وزن بالاتر تأثیر بیشتری در ورودی دریافتی خواهد داشت و بنابراین می تواند به شدت بر نتیجه شبکه تأثیر بگذارد. شبکه های عصبی برای مشکلات طبقه بندی که در آینده طبقه بندی می تواند تغییر کند یا اصلاح شود ، مفید است.ConclusionArtificial intelligence is an exciting concept that will shake industries and the way we live. It’s unlikely that we will create human hating robots that go bananas and destroy us, if we focus on the benevolent uses of it. This piece attempts to make AI concepts more clear to you and demystify the buzzwords. Equipped with this knowledge, I challenge you to learn more about AI, and find valuable practical uses for it in your work and everyday life.نتیجه هوش مصنوعی مفهومی هیجان انگیز است که صنایع و نحوه زندگی ما را متزلزل خواهد کرد. اگر تمرکز خود را بر استفاده های خیرخواهانه از آن بگذاریم ، بعید به نظر می رسد که ما رباتهای نفرت انگیز انسانی ایجاد کنیم ما را نابود می کنند. این قطعه سعی دارد مفاهیم هوش مصنوعی را برای شما شفاف تر کند و از واژه هازنگ زدایی کند. من مجهز به این دانش ، شما را به چالش می کشم تا در مورد هوش مصنوعی بیشتر بیاموزید ، و کاربردهای ارزشمند عملی برای آن در کار و زندگی روزمره خود پیدا کنید.اکبر احسانیاکبر احسانیMon, 21 Dec 2020 12:47:52 +0330