آموزش هوش مصنوعی با پایتون - مفاهیم اولیه

از زمان اختراع رایانه‌ها و ماشین‌ها، توانایی آن‌ها در انجام وظایف مختلف رشد نمایی داشته است. انسان‌ها قدرت سیستم‌های رایانه‌ای را از نظر حوزه‌های کاری متنوع، افزایش سرعت و کاهش اندازه در طول زمان توسعه داده‌اند.

شاخه‌ای از علوم رایانه به نام هوش مصنوعی، هدف ساخت رایانه‌ها یا ماشین‌هایی به هوشمندی انسان را دنبال می‌کند.

مفهوم پایه هوش مصنوعی (AI)

به گفته پدر هوش مصنوعی، جان مک‌کارتی، هوش مصنوعی عبارت است از: دانش و مهندسی ساخت ماشین‌های هوشمند، به ویژه برنامه‌های رایانه‌ای هوشمند.

هوش مصنوعی روشی برای هوشمند ساختن یک رایانه، یک ربات تحت کنترل رایانه یا یک نرم‌افزار است، به همان روشی که انسان‌های هوشمند می‌اندیشند. هوش مصنوعی با مطالعه نحوه تفکر مغز انسان و نحوه یادگیری، تصمیم‌گیری و کار انسان هنگام تلاش برای حل یک مسئله انجام می‌شود و سپس از نتایج این مطالعه به عنوان پایه‌ای برای توسعه نرم‌افزارها و سیستم‌های هوشمند استفاده می‌شود.

در حالی که کنجکاوی انسان از قدرت سیستم‌های رایانه‌ای بهره می‌برد، او را به این فکر وا‌داشت که آیا یک ماشین می‌تواند مانند انسان‌ها فکر و رفتار کند؟

بنابراین، توسعه هوش مصنوعی با قصد ایجاد هوشی مشابه در ماشین‌ها آغاز شد که ما آن را در انسان‌ها می‌یابیم و ارزشمند می‌دانیم.

ضرورت یادگیری هوش مصنوعی

همان‌طور که می‌دانیم هوش مصنوعی هدف ساخت ماشین‌هایی به هوشمندی انسان را دنبال می‌کند. دلایل متعددی برای مطالعه هوش مصنوعی وجود دارد. این دلایل به شرح زیر است:

هوش مصنوعی می‌تواند از طریق داده‌ها یاد بگیرد

ما در زندگی روزمره خود با حجم زیادی از داده‌ها سروکار داریم و مغز انسان نمی‌تواند این حجم از داده‌ها را رهگیری و مدیریت کند. به همین دلیل ما نیاز به خودکارسازی امور داریم. برای انجام خودکارسازی، باید هوش مصنوعی را مطالعه کنیم زیرا می‌تواند از داده‌ها یاد بگیرد و کارهای تکراری را با دقت و بدون خستگی انجام دهد.

هوش مصنوعی می‌تواند خود را آموزش دهد

بسیار ضروری است که یک سیستم بتواند خودش به خودش آموزش دهد، زیرا خود داده‌ها مدام در حال تغییر هستند و دانشی که از این داده‌ها به دست می‌آید باید به طور مداوم به‌روزرسانی شود. ما می‌توانیم از هوش مصنوعی برای تحقق این هدف استفاده کنیم زیرا یک سیستم مجهز به هوش مصنوعی می‌تواند خودش را آموزش دهد.

هوش مصنوعی می‌تواند در زمان واقعی (Real-time) پاسخ دهد

هوش مصنوعی به کمک شبکه‌های عصبی می‌تواند داده‌ها را عمیق‌تر تحلیل کند. به دلیل این قابلیت، هوش مصنوعی می‌تواند موقعیت‌هایی را که بر اساس شرایط زمان واقعی هستند، تحلیل کرده و به آن‌ها پاسخ دهد.

هوش مصنوعی به دقت بالایی دست می‌یابد

هوش مصنوعی به کمک شبکه‌های عصبی عمیق می‌تواند به دقت فوق‌العاده‌ای دست یابد. هوش مصنوعی در حوزه پزشکی به تشخیص بیماری‌هایی مانند سرطان از روی ام‌آرآی (MRI) بیماران کمک می‌کند.

هوش مصنوعی می‌تواند داده‌ها را سازمان‌دهی کند تا بیشترین بهره را از آن‌ها ببرد

داده‌ها یک دارایی فکری برای سیستم‌هایی هستند که از الگوریتم‌های خودیادگیر استفاده می‌کنند. ما به هوش مصنوعی نیاز داریم تا داده‌ها را به گونه‌ای نمایه و سازمان‌دهی کند که همیشه بهترین نتایج را ارائه دهد.

درک هوش

با هوش مصنوعی می‌توان سیستم‌های هوشمند ساخت. ما باید مفهوم هوش را درک کنیم تا مغز ما بتواند سیستم هوشمند دیگری مانند خودش بسازد.

هوش چیست؟

توانایی یک سیستم برای محاسبات، استدلال، درک روابط و قیاس‌ها، یادگیری از تجربه، ذخیره‌سازی و بازیابی اطلاعات از حافظه، حل مسائل، درک ایده‌های پیچیده، استفاده روان از زبان طبیعی، طبقه‌بندی، تعمیم و انطباق با موقعیت‌های جدید.

انواع هوش

طبق توصیف هاوارد گاردنر، روان‌شناس رشد آمریکایی، هوش ابعاد گوناگونی دارد:

می‌توانید بگویید یک ماشین یا یک سیستم زمانی دارای هوش مصنوعی است که حداقل به یکی از این هوش‌ها یا همه آن‌ها مجهز باشد.

هوش از چه چیزهایی تشکیل شده است؟

هوش غیرقابل لمس (ناملموس) است. هوش تشکیل شده است از:

• استدلال
• یادگیری
• حل مسئله
• ادراک
• هوش زبانی

اجازه دهید نگاهی کوتاه به همه این اجزا داشته باشیم:

استدلال

مجموعه‌ای از فرآیندها است که ما را قادر می‌سازد پایه‌ای برای قضاوت، تصمیم‌گیری و پیش‌بینی فراهم کنیم. به طور کلی دو نوع استدلال وجود دارد:

یادگیری

توانایی یادگیری در اختیار انسان‌ها، گونه‌های خاصی از حیوانات و سیستم‌های مجهز به هوش مصنوعی است. یادگیری به شرح زیر دسته‌بندی می‌شود:

یادگیری شنیداری

یادگیری از طریق گوش دادن و شنیدن است. به عنوان مثال، دانش‌آموزانی که به سخنرانی‌های صوتی ضبط‌شده گوش می‌دهند.

یادگیری رویدادی (اپیزودیک)

یادگیری از طریق به خاطر آوردن توالی رویدادهایی که شخص شاهد آن بوده یا تجربه کرده است. این یادگیری خطی و منظم است.

یادگیری حرکتی

یادگیری از طریق حرکت دقیق ماهیچه‌ها است. به عنوان مثال، برداشتن اشیاء، نوشتن و غیره.

یادگیری مشاهداتی

یادگیری از طریق تماشا و تقلید از دیگران. به عنوان مثال، کودک سعی می‌کند با تقلید از والد خود یاد بگیرد.

یادگیری ادراکی

یادگیری برای تشخیص محرک‌هایی است که شخص قبلاً دیده است. به عنوان مثال، شناسایی و طبقه‌بندی اشیاء و موقعیت‌ها.

یادگیری ارتباطی

شامل یادگیری تمایز بین محرک‌های مختلف بر اساس ویژگی‌های نسبی است، نه ویژگی‌های مطلق. به عنوان مثال، اضافه کردن نمک کمتر هنگام پختن سیب‌زمینی‌هایی که دفعه قبل با اضافه کردن مثلاً یک قاشق غذاخوری نمک، شور شده بودند.

• یادگیری فضایی − یادگیری از طریق محرک‌های دیداری مانند تصاویر، رنگ‌ها، نقشه‌ها و غیره است. به عنوان مثال، یک فرد می‌تواند قبل از این که عملاً وارد جاده شود، نقشه راه را در ذهن خود ایجاد کند.

• یادگیری محرک-پاسخ − یادگیری برای انجام یک رفتار خاص در زمان حضور یک محرک معین است. به عنوان مثال، سگ با شنیدن زنگ در، گوش‌هایش را تیز می‌کند.

حل مسئله

فرآیندی است که در آن فرد با طی کردن مسیری که توسط موانع شناخته‌شده یا ناشناخته مسدود شده است، شرایط موجود را درک کرده و سعی می‌کند به یک راه حل مطلوب برسد.

حل مسئله شامل تصمیم‌گیری نیز می‌شود، که فرآیند انتخاب بهترین گزینه مناسب از میان گزینه‌های متعدد برای رسیدن به هدف مورد نظر است.

ادراک

فرآیند کسب، تفسیر، انتخاب و سازمان‌دهی اطلاعات حسی است.

ادراک مستلزم احساس (حس کردن) است. در انسان، ادراک به کمک ارگان‌های حسی انجام می‌شود. در حوزه هوش مصنوعی، سازوکار ادراک، داده‌های به دست آمده توسط سنسورها را به روشی معنا‌دار کنار هم قرار می‌دهد.

هوش زبانی

توانایی فرد در استفاده، درک، صحبت کردن و نوشتن زبان شفاهی و کتبی است. این هوش در ارتباطات بین‌فردی اهمیت دارد.

چه حوزه‌هایی در هوش مصنوعی درگیر هستند؟

هوش مصنوعی حوزه مطالعاتی وسیعی است. این حوزه به یافتن راه حل برای مسائل دنیای واقعی کمک می‌کند.

اکنون بیايید حوزه‌های مختلف مطالعه در هوش مصنوعی را ببینیم:

یادگیری ماشین (Machine Learning)

این یکی از محبوب‌ترین حوزه‌های هوش مصنوعی است. مفهوم پایه این حوزه این است که ماشین بتواند از داده‌ها یاد بگیرد، همان‌طور که انسان می‌تواند از تجربیات خود یاد بگیرد. این حوزه شامل مدل‌های یادگیری است که بر اساس آن‌ها می‌توان روی داده‌های ناشناخته پیش‌بینی انجام داد.

منطق (Logic)

این یکی دیگر از حوزه‌های مهم مطالعه است که در آن از منطق ریاضی برای اجرای برنامه‌های رایانه‌ای استفاده می‌شود. این حوزه شامل قوانین و حقایقی برای انجام تطبیق الگو، تحلیل معنایی و غیره است.

جستجو (Searching)

این حوزه مطالعاتی عمدتاً در بازی‌هایی مانند شطرنج و دوز (tic-tac-toe) استفاده می‌شود. الگوریتم‌های جستجو پس از بررسی کل فضای جستجو، راه حل بهینه را ارائه می‌دهند.

شبکه‌های عصبی مصنوعی (ANN)

این شبکه‌ای از سیستم‌های محاسباتی کارآمد است که ایده اصلی آن از شباهت با شبکه‌های عصبی زیستی گرفته شده است. شبکه‌های عصبی مصنوعی می‌توانند در رباتیک، تشخیص گفتار، پردازش گفتار و غیره استفاده شوند.

الگوریتم ژنتیک (Genetic Algorithm)

الگوریتم‌های ژنتیک به حل مسائل به کمک بیش از یک برنامه کمک می‌کنند. نتیجه بر اساس انتخاب شایسته‌ترین‌ها خواهد بود.

بازنمایی دانش (Knowledge Representation)

این حوزه مطالعاتی است که به کمک آن می‌توانیم حقایق را به گونه‌ای بازنمایی کنیم که برای ماشین قابل فهم باشد. هر چه دانش کارآمدتر بازنمایی شود، سیستم هوشمندتر خواهد بود.

کاربردهای هوش مصنوعی

در این بخش، حوزه‌های مختلفی را که توسط هوش مصنوعی پشتیبانی می‌شوند مشاهده خواهیم کرد:

بازی‌ها

هوش مصنوعی نقش حیاتی در بازی‌های استراتژیک مانند شطرنج، پوکر، دوز و غیره ایفا می‌کند، جایی که ماشین می‌تواند بر اساس دانش اکتشافی (heuristics) به تعداد زیادی از وضعیت‌های ممکن فکر کند.

پردازش زبان طبیعی (NLP)

تعامل با رایانه‌ای که زبان طبیعی صحبت‌شده توسط انسان‌ها را درک می‌کند، امکان‌پذیر است.

سیستم‌های خبره (Expert Systems)

برخاسته از برخی برنامه‌ها هستند که ماشین، نرم‌افزار و اطلاعات تخصصی را برای ارائه استدلال و مشاوره ترکیب می‌کنند. آن‌ها توضیحات و توصیه‌هایی را به کاربران ارائه می‌دهند.

سیستم‌های بینایی (Vision Systems)

این سیستم‌ها ورودی‌های دیداری در رایانه را درک، تفسیر و تحلیل می‌کنند. به عنوان مثال:

• یک هواپیمای جاسوسی عکس‌هایی می‌گیرد که برای به دست آوردن اطلاعات فضایی یا نقشه مناطق استفاده می‌شود.

• پزشکان از سیستم خبره بالینی برای تشخیص بیماری بیمار استفاده می‌کنند.

• پلیس از نرم‌افزار رایانه‌ای استفاده می‌کند که می‌تواند چهره مجرم را با چهره‌نگاری ضبط‌شده توسط چهره‌نگار جنایی تشخیص دهد.

تشخیص گفتار

برخی از سیستم‌های هوشمند قادرند در هنگام صحبت کردن انسان با آن‌ها، زبان را در قالب جملات و معانی آن‌ها بشنوند و درک کنند. این سیستم‌ها می‌توانند لهجه‌های مختلف، اصطلاحات عامیانه، نویز پس‌زمینه، تغییر صدای انسان به دلیل سرماتوخوردگی و غیره را مدیریت کنند.

تشخیص دست‌خط

نرم‌افزار تشخیص دست‌خط، متنی را که روی کاغذ توسط قلم یا روی صفحه نمایش توسط قلم نوری نوشته شده است می‌خواند. این نرم‌افزار می‌تواند شکل حروف را تشخیص داده و آن را به متن قابل ویرایش تبدیل کند.

ربات‌های هوشمند

ربات‌ها قادرند وظایف محول‌شده توسط انسان را انجام دهند. آن‌ها دارای سنسورهایی برای دریافت داده‌های فیزیکی از دنیای واقعی مانند نور، حرارت، دما، حرکت، صدا، برخورد و فشار هستند. آن‌ها دارای پردازنده‌های کارآمد، سنسورهای متعدد و حافظه عظیم هستند تا هوشمندی خود را نشان دهند. علاوه بر این، آن‌ها قادرند از اشتباهات خود یاد بگیرند و با محیط جدید سازگار شوند.

مدل‌سازی شناختی: شبیه‌سازی فرآیند تفکر انسان

مدل‌سازی شناختی اساساً حوزه‌ای از علوم رایانه است که به مطالعه و شبیه‌سازی فرآیند تفکر انسان‌ها می‌پردازد. وظیفه اصلی هوش مصنوعی این است که ماشین را مانند انسان به تفکر وادارد. مهم‌ترین ویژگی فرآیند تفکر انسان، حل مسئله است. به همین دلیل، مدل‌سازی شناختی کم و بیش سعی دارد نحوه حل مسائل توسط انسان‌ها را درک کند. پس از آن، این مدل می‌تواند برای کاربردهای مختلف هوش مصنوعی مانند یادگیری ماشین، رباتیک، پردازش زبان طبیعی و غیره استفاده شود. در ادامه نمودار سطوح مختلف تفکر مغز انسان آمده است:

عامل و محیط (Agent & Environment)

در این بخش، بر عامل و محیط و نحوه کمک آن‌ها به هوش مصنوعی تمرکز خواهیم کرد.

عامل (Agent)

عامل هر چیزی است که می‌تواند محیط خود را از طریق سنسورها (حسگرها) درک کرده و از طریق افکتورها (عمل‌کننده‌ها) روی آن محیط عمل کند.

• یک عامل انسانی دارای ارگان‌های حسی مانند چشم، گوش، بینی، زبان و پوست معادل سنسورها، و اعضای دیگری مانند دست‌ها، پاها و دهان به عنوان افکتورها است.

• یک عامل رباتیک دوربین‌ها و فاصله‌یاب‌های فروسرخ را جایگزین سنسورها، و موتورها و محرک‌های مختلف را جایگزین افکتورها می‌کند.

• یک عامل نرم‌افزاری رشته‌های بیت کدگذاری‌شده را به عنوان برنامه‌ها و اقدامات خود دارد.

محیط (Environment)

برخی از برنامه‌ها در یک محیط کاملاً مصنوعی محدود به ورودی کیبورد، پایگاه داده، سیستم‌های فایل رایانه‌ای و خروجی متنی روی صفحه نمایش کار می‌کنند.

در مقابل، برخی از عامل‌های نرم‌افزاری (ربات‌های نرم‌افزاری یا سافت‌بات‌ها) در حوزه‌های غنی و نامحدودی وجود دارند. شبیه‌ساز دارای یک محیط بسیار مفصل و پیچیده است. عامل نرم‌افزاری باید از میان آرایه درازی از اقدامات در زمان واقعی دست به انتخاب بزند. سافت‌باتی که برای اسکن ترجیحات آنلاین مشتری طراحی شده و موارد جالب را به مشتری نشان می‌دهد، هم در محیط واقعی و هم در محیط مصنوعی کار می‌کند.