همه چیز درباره ی هوش مصنوعی و عامل ها هوشمند بخش دوم

هوش افزوده در مقابل هوش مصنوعی

برخی از کارشناسان صنعت معتقدند که اصطلاح هوش مصنوعی بسیار با فرهنگ عامه مرتبط است و این باعث شده است که عموم مردم انتظارات غیرمحتملی در مورد اینکه چگونه هوش مصنوعی محیط کار و زندگی را به طور کلی تغییر خواهد داد، داشته باشد.

• هوش افزوده برخی از محققان و بازاریابان امیدوارند که برچسب هوش افزوده، که مفهومی خنثی‌تری دارد، به مردم کمک کند تا درک کنند که بیشتر پیاده‌سازی‌های هوش مصنوعی ضعیف هستند و به سادگی محصولات و خدمات را بهبود می‌بخشند. به عنوان مثال می توان به نمایش خودکار اطلاعات مهم در گزارش های هوش تجاری یا برجسته کردن اطلاعات مهم در پرونده های حقوقی اشاره کرد.
• هوش مصنوعی. هوش مصنوعی واقعی، یا هوش عمومی مصنوعی، ارتباط نزدیکی با مفهوم تکینگی فناوری دارد - آینده‌ای که توسط یک ابر هوش مصنوعی اداره می‌شود که بسیار فراتر از توانایی مغز انسان برای درک آن یا نحوه شکل‌دهی واقعیت ما است. این در قلمرو داستان های علمی تخیلی باقی می ماند، اگرچه برخی از توسعه دهندگان در حال کار بر روی این مشکل هستند. بسیاری بر این باورند که فناوری هایی مانند محاسبات کوانتومی می تواند نقش مهمی در تحقق AGI ایفا کند و ما باید استفاده از اصطلاح هوش مصنوعی را برای این نوع هوش عمومی محفوظ نگه داریم.

استفاده اخلاقی از هوش مصنوعی

در حالی که ابزارهای هوش مصنوعی طیف وسیعی از عملکردهای جدید را برای مشاغل ارائه می دهند، استفاده از هوش مصنوعی همچنین سوالات اخلاقی را ایجاد می کند زیرا، خوب یا بد، یک سیستم هوش مصنوعی آنچه را قبلاً آموخته است، تقویت می کند.

این می‌تواند مشکل‌ساز باشد زیرا الگوریتم‌های یادگیری ماشین، که زیربنای بسیاری از پیشرفته‌ترین ابزارهای هوش مصنوعی هستند، به اندازه داده‌هایی که در آموزش داده می‌شوند هوشمند هستند. از آنجایی که یک انسان انتخاب می‌کند که چه داده‌هایی برای آموزش یک برنامه هوش مصنوعی استفاده شود، پتانسیل سوگیری یادگیری ماشینی ذاتی است و باید به دقت نظارت شود.

هرکسی که به دنبال استفاده از یادگیری ماشینی به عنوان بخشی از سیستم‌های در حال تولید در دنیای واقعی است، باید اصول اخلاقی را در فرآیندهای آموزشی هوش مصنوعی خود لحاظ کند و سعی کند از سوگیری جلوگیری کند. این امر به ویژه هنگام استفاده از الگوریتم‌های هوش مصنوعی که ذاتاً در برنامه‌های یادگیری عمیق و شبکه‌های متخاصم تولیدی (GAN) غیرقابل توضیح هستند، صادق است.

توضیح پذیری یک مانع بالقوه برای استفاده از هوش مصنوعی در صنایعی است که تحت الزامات انطباق مقرراتی دقیق عمل می کنند. به عنوان مثال، موسسات مالی در ایالات متحده تحت مقرراتی عمل می کنند که آنها را ملزم می کند تا تصمیمات خود را برای صدور اعتبار توضیح دهند. با این حال، زمانی که تصمیمی برای رد اعتبار توسط برنامه‌نویسی هوش مصنوعی گرفته می‌شود، توضیح چگونگی تصمیم‌گیری ممکن است دشوار باشد، زیرا ابزارهای هوش مصنوعی که برای اتخاذ چنین تصمیم‌هایی استفاده می‌شوند، با از بین بردن همبستگی‌های ظریف بین هزاران متغیر عمل می‌کنند. هنگامی که فرآیند تصمیم گیری قابل توضیح نباشد، برنامه ممکن است به عنوان هوش مصنوعی جعبه سیاه نامیده شود.

با وجود خطرات احتمالی، در حال حاضر مقررات کمی برای استفاده از ابزارهای هوش مصنوعی وجود دارد، و در مواردی که قوانین وجود دارد، معمولاً به طور غیرمستقیم به هوش مصنوعی مربوط می‌شوند. به عنوان مثال، همانطور که قبلا ذکر شد، مقررات وام دهی منصفانه ایالات متحده موسسات مالی را ملزم می کند تا تصمیمات اعتباری را برای مشتریان بالقوه توضیح دهند. این میزان استفاده وام دهندگان از الگوریتم های یادگیری عمیق را محدود می کند که طبیعتاً غیرشفاف هستند و قابلیت توضیح ندارند.

مقررات عمومی حفاظت از داده‌های اتحادیه اروپا (GDPR) محدودیت‌های سختی را برای نحوه استفاده شرکت‌ها از داده‌های مصرف‌کننده تعیین می‌کند، که مانع آموزش و عملکرد بسیاری از برنامه‌های کاربردی هوش مصنوعی مصرف‌کننده می‌شود.

در اکتبر 2016، شورای ملی علم و فناوری گزارشی را منتشر کرد که در آن نقش بالقوه مقررات دولتی ممکن است در توسعه هوش مصنوعی بازی کند، اما توصیه نکرد که قانون خاصی در نظر گرفته شود.

تدوین قوانین برای تنظیم هوش مصنوعی آسان نخواهد بود، تا حدی به این دلیل که هوش مصنوعی شامل انواع فناوری‌هایی است که شرکت‌ها برای اهداف مختلف از آن‌ها استفاده می‌کنند، و تا حدودی به این دلیل که مقررات می‌تواند به قیمت پیشرفت و توسعه هوش مصنوعی تمام شود. تکامل سریع فناوری‌های هوش مصنوعی مانع دیگری برای ایجاد مقررات معنادار هوش مصنوعی است. پیشرفت های فناوری و کاربردهای جدید می تواند قوانین موجود را فوراً منسوخ کند. به عنوان مثال، قوانین موجود که حریم خصوصی مکالمات و مکالمات ضبط شده را تنظیم می کند، چالش ایجاد شده توسط دستیارهای صوتی مانند الکسای آمازون و سیری اپل را که جمع آوری می کنند اما مکالمه را توزیع نمی کنند، پوشش نمی دهد - به جز برای تیم های فناوری شرکت ها که از آن برای بهبود ماشین استفاده می کنند. الگوریتم های یادگیری و البته، قوانینی که دولت‌ها برای تنظیم هوش مصنوعی وضع می‌کنند، مجرمان را از استفاده از این فناوری با نیت مخرب باز نمی‌دارد.

محاسبات شناختی و هوش مصنوعی

اصطلاحات هوش مصنوعی و محاسبات شناختی گاهی به جای یکدیگر استفاده می‌شوند، اما، به طور کلی، از برچسب هوش مصنوعی در اشاره به ماشین‌هایی استفاده می‌شود که با شبیه‌سازی نحوه حس، یادگیری، پردازش و واکنش ما به اطلاعات در محیط، جایگزین هوش انسانی می‌شوند.

برچسب محاسبات شناختی در اشاره به محصولات و خدماتی که فرآیندهای فکری انسان را تقلید و تقویت می کنند، استفاده می شود.

تاریخچه هوش مصنوعی چیست؟

مفهوم اشیای بی جان دارای هوش از زمان های قدیم وجود داشته است. خدای یونانی هفائستوس در اسطوره ها به صورت جعل خدمتکاران روبات مانند از طلا به تصویر کشیده شد. مهندسان در مصر باستان مجسمه های خدایان را که توسط کشیشان متحرک شده بودند ساختند. در طول قرن‌ها، متفکرانی از ارسطو گرفته تا رامون لول، الهی‌دان اسپانیایی قرن سیزدهم تا رنهدکارت و توماس بیز، از ابزارها و منطق زمان خود برای توصیف فرآیندهای فکری انسان به‌عنوان نمادها استفاده کردند و پایه و اساس مفاهیم هوش مصنوعی مانند بازنمایی دانش عمومی را پایه‌ریزی کردند.

اواخر قرن 19 و نیمه اول قرن 20 کار اساسی را به وجود آورد که باعث ایجاد رایانه مدرن شد. در سال 1836، چارلز بابیج، ریاضیدان دانشگاه کمبریج و آگوستا آدا بایرون، کنتس لاولیس، اولین طرح را برای یک ماشین قابل برنامه ریزی اختراع کردند.

دهه 1940 جان فون نیومن، ریاضیدان پرینستون، معماری کامپیوتر برنامه ذخیره شده را در نظر گرفت - این ایده که برنامه کامپیوتر و داده هایی که پردازش می کند را می توان در حافظه کامپیوتر نگه داشت. و وارن مک کالوچ و والتر پیتس پایه و اساس شبکه های عصبی را بنا نهادند.

دهه 1950 با ظهور رایانه های مدرن، دانشمندان می توانند ایده های خود را در مورد هوش ماشینی آزمایش کنند. یک روش برای تعیین اینکه آیا کامپیوتر دارای هوش است یا خیر توسط ریاضیدان بریتانیایی و رمز شکن جنگ جهانی دوم، آلن تورینگ ابداع شد. آزمون تورینگ بر توانایی رایانه برای فریب دادن بازجویان به این باور بود که پاسخ آن به سؤالات آنها توسط یک انسان ساخته شده است.

1956. به طور گسترده از حوزه مدرن هوش مصنوعی به عنوان شروع امسال در کنفرانس تابستانی در کالج دارتموث نام برده می شود. این کنفرانس که توسط آژانس پروژه های تحقیقاتی پیشرفته دفاعی (دارپا) حمایت می شود، با حضور 10 تن از افراد برجسته در این زمینه، از جمله پیشگامان هوش مصنوعی، ماروین مینسکی، الیور سلفریج و جان مک کارتی، که به عنوان ابداع اصطلاح هوش مصنوعی شناخته می شود، برگزار شد. همچنین آلن نیول، دانشمند کامپیوتر، و هربرت آ. سیمون، اقتصاددان، دانشمند علوم سیاسی و روانشناس شناختی، که نظریه پرداز منطقی پیشگامانه خود را ارائه کردند، یک برنامه کامپیوتری که قادر به اثبات برخی قضایای ریاضی است و از آن به عنوان اولین برنامه هوش مصنوعی یاد می شود. .

دهه 1950 و 1960. در پی کنفرانس کالج دارتموث، رهبران حوزه نوپای هوش مصنوعی پیش بینی کردند که هوش مصنوعی معادل مغز انسان در گوشه و کنار است و حمایت عمده دولت و صنعت را به خود جلب می کند. در واقع، نزدیک به 20 سال تحقیقات پایه با بودجه مناسب، پیشرفت های قابل توجهی را در هوش مصنوعی ایجاد کرد: به عنوان مثال، در اواخر دهه 1950، نیوول و سایمون الگوریتم حل مسئله عمومی (GPS) را منتشر کردند که در حل مسائل پیچیده کوتاهی می کرد، اما پایه های اولیه را برای آن ایجاد کرد. توسعه معماری های شناختی پیچیده تر؛ مک کارتی Lispرا توسعه داد، زبانی برای برنامه نویسی هوش مصنوعی که هنوز هم استفاده می شود. در اواسط دهه 1960، پروفسور جوزف وایزنبام MIT، ELIZA، یک برنامه پردازش زبان طبیعی اولیه را توسعه داد که پایه و اساس چت ربات های امروزی را بنا نهاد.

دهه 1970 و 1980. اما دستیابی به هوش عمومی مصنوعی دست نیافتنی بود، نه قریب الوقوع، بلکه به دلیل محدودیت در پردازش کامپیوتر و حافظه و پیچیدگی مشکل با مشکل مواجه شد. دولت و شرکت ها از حمایت خود از تحقیقات هوش مصنوعی عقب نشینی کردند و به دوره ای از 1974 تا 1980 منجر شد و به عنوان اولین "زمستان هوش مصنوعی" شناخته شد. در دهه 1980، تحقیق در مورد تکنیک‌های یادگیری عمیق و پذیرش صنعت از سیستم‌های خبره ادوارد فایگن‌بام، موج جدیدی از اشتیاق هوش مصنوعی را برانگیخت، اما پس از آن، بودجه دولتی و حمایت‌های صنعتی از بین رفت. دومین زمستان هوش مصنوعی تا اواسط دهه 1990 ادامه داشت.

دهه 1990 تا امروز افزایش قدرت محاسباتی و انفجار داده ها جرقه یک رنسانس هوش مصنوعی را در اواخر دهه 1990 زد که تا امروز ادامه داشته است. آخرین تمرکز بر هوش مصنوعی باعث پیشرفت در پردازش زبان طبیعی، بینایی کامپیوتر، روباتیک، یادگیری ماشینی، یادگیری عمیق و موارد دیگر شده است. علاوه بر این، هوش مصنوعی در حال ملموس‌تر شدن است، ماشین‌ها را نیرو می‌دهد، بیماری‌ها را تشخیص می‌دهد و نقش خود را در فرهنگ عامه تقویت می‌کند. در سال 1997، Deep Blue از IBM، گری کاسپاروف، استاد بزرگ شطرنج روسی را شکست داد و به اولین برنامه کامپیوتری تبدیل شد که یک قهرمان شطرنج جهان را شکست داد. چهارده سال بعد، واتسون از IBM با شکست دو قهرمان سابق در نمایش بازی Jeopardy!، مردم را مجذوب خود کرد. اخیراً، شکست تاریخی قهرمان 18 بار World Go، لی سدول توسط AlphaGo گوگل دیپ مایند، جامعه Go را شگفت‌زده کرد و نقطه عطفی بزرگ در توسعه ماشین‌های هوشمند رقم زد.

هوش مصنوعی به عنوان یک سرویس

از آنجایی که هزینه‌های سخت‌افزار، نرم‌افزار و کارکنان برای هوش مصنوعی می‌تواند گران باشد، بسیاری از فروشندگان اجزای هوش مصنوعی را در پیشنهادات استاندارد خود گنجانده‌اند یا به پلتفرم‌های هوش مصنوعی به عنوان سرویس (AIaaS) دسترسی دارند. AIaaS به افراد و شرکت‌ها این امکان را می‌دهد که هوش مصنوعی را برای اهداف تجاری مختلف آزمایش کنند و قبل از تعهد از چندین پلتفرم نمونه‌برداری کنند.

پیشنهادات ابری محبوب هوش مصنوعی شامل موارد زیر است:

• هوش مصنوعی آمازون
• دستیار IBM Watson
• خدمات شناختی مایکروسافت
• هوش مصنوعی گوگل