فهرست مطالب این مقاله
تعریف هوش مصنوعی به زبان ساده
هوش مصنوعی به زبان ساده : مقالات بسیار خوبی در مورد هوش مصنوعی (AI) و مزایای آن برای تجارت و جامعه وجود دارد. با این حال ، بسیاری از این مقالات برای خواننده معمولی بیش از حد فنی هستند. من عاشق خواندن در مورد هوش مصنوعی هستم ، اما گاهی با خودم فکر می کنم ، چه بهتر که این موضوع همیشه به زبان ساده توضیح داده شود.
سعی می کنم هوش مصنوعی و فناوری های مرتبط با آن را با استفاده از مثال های واقعی به زبان ساده توضیح دهم ، انگار که در یک مهمانی با کسی صحبت می کنم. همکاران یا دوستان نزدیک شما ممکن است سر و صداهای بی پایان و پیچیده شما را تحمل کنند ، اما من به شما تضمین می دهم که افراد در مهمانی ها بسیار کمتر بخشنده هستند.
پس از خواندن این مطلب ، می توانید در یک مهمانی در مورد هوش مصنوعی صحبت کنید و از مهمانان خود پذیرایی کنید ، به جای اینکه در وهله اول کاری کنید که میزبان از دعوت شما متنفر شوند.
هوش مصنوعی چیست؟
هوش مصنوعی (AI) شامل استفاده از رایانه برای انجام کارهایی است که به طور سنتی به هوش انسانی نیاز دارند. این به معنای ایجاد الگوریتم هایی برای طبقه بندی ، تجزیه و تحلیل و ترسیم پیش بینی از داده ها است. همچنین شامل اقدام بر روی داده ها ، یادگیری از داده های جدید و بهبود در طول زمان است.
تفاوت بین هوش مصنوعی و برنامه نویسی معمولی؟ برنامه های معمولی همه سناریو های ممکن را تعریف می کنند و فقط در آن سناریو های تعریف شده عمل می کنند. هوش مصنوعی برنامه ای را برای یک کار خاص آموزش می دهد و به آن اجازه می دهد به تنهایی کاوش و بهبود یابد. یک هوش مصنوعی خوب متوجه می شود که وقتی با موقعیت های نا آشنا مواجه می شود چه کاری انجام دهد. مایکروسافت ورد به تنهایی نمی تواند پیشرفت کند ، اما نرم افزار تشخیص چهره می تواند هرچه بیشتر اجرا شود و در تشخیص چهره بهتر عمل کند.
برای اعمال هوش مصنوعی به داده نیاز دارید. الگوریتم های هوش مصنوعی با استفاده از مجموعه داده های بزرگ آموزش داده می شوند تا بتوانند الگوها را شناسایی کنند ، پیش‌بینی کنند و اقداماتی را توصیه کنند، دقیقاً مانند یک انسان ، سریع تر و بهتر.
ما هر روز در زندگی حرفه ای و شخصی خود با هوش مصنوعی تعامل داریم:
اتوماسیون وظایف: کارهای تکراری پشتیبان مانند کار اداری ، صورتحساب و گزارش مدیریت می توانند برای صرفه جویی در زمان و بهبود دقت خودکار شوند. کار کارخانه و انبار نیز می تواند با استفاده از ربات های مجهز به هوش مصنوعی خودکار شود.
پشتیبانی مشتری: چت متنی آنلاینی که با پشتیبانی مشتری بانک خود داشتید را به خاطر دارید؟ ممکن است به جای یک انسان واقعی ، یک ربات چت بوده باشد.
رسانه های اجتماعی: فیس بوک از هوش مصنوعی برای تشخیص چهره ها استفاده می کند. وقتی عکس ها را در فیس بوک آپلود می کنید ، کادری در اطراف چهره های عکس قرار می دهد و نام دوستان را برای تگ کردن پیشنهاد می‌کند.
اتومبیل های خودران: دوربین ها و رایانه های داخلی ، اشیاء و افراد در جاده را شناسایی می کنند، علائم راهنمایی و رانندگی را دنبال می کنند و ماشین را هدایت می کنند. مدل های اولیه در حال حاضر ایمن تر از راننده های انسانی هستند.
با این حال ، حتی بهترین هوش مصنوعی امروزی از برخی جهات نمی تواند با مغز انسان مطابقت داشته باشد. در حالی که برخی از هوش مصنوعی برای تقلید از مغز انسان طراحی شده است ، هوش مصنوعی امروزه تنها در محدوده نسبتاً محدودی از وظایف خوب است. هوش مصنوعی می تواند قدرت محاسباتی عظیمی را برای مجموعه محدودی از داده ها و روش ها اعمال کند. از سوی دیگر ، مغز قدرت محاسباتی متوسط را برای مجموعه بسیار گسترده تری از داده ها و روش ها اعمال می کند.
به عبارت دیگر ، ما می توانیم مغزمان را تقریباً برای هر چیزی به کار ببریم ، در حالی که هوش مصنوعی در موارد خاصی تخصص دارد.
کاربردهای هوش مصنوعی در دنیای واقعی: یادگیری ماشینی ، یادگیری عمیق ، شبکه های عصبی ، الگوریتم های تکاملی
بیایید به طور خلاصه به یادگیری ماشین ، یادگیری عمیق ، شبکه های عصبی ، الگوریتم های تکاملی و برخی از برنامه های کاربردی در دنیای واقعی نگاه کنیم. به خاطر داشته باشید که بسیاری از برنامه های کاربردی دنیای واقعی از بیش از یک فناوری هوش مصنوعی استفاده می کنند.
فراگیری ماشین
الگوریتم های یادگیری ماشینی الگوها را شناسایی و یا نتایج را پیش بینی می کنند. بسیاری از سازمان ها روی مجموعه داده های عظیم مربوط به مشتریان ، عملیات تجاری یا امور مالی می نشینند. تحلیلگران انسانی زمان و قدرت مغز محدودی برای پردازش و تجزیه و تحلیل این داده ها دارند. بنابراین ، یادگیری ماشینی می تواند برای موارد زیر استفاده شود:
1- پیش بینی نتایج داده های ورودی ، مانند تحلیل رگرسیون ، اما در مقیاس های بسیار بزرگ تر و با متغیرهای متعدد. یک مثال عالی ، تجارت الگوریتمی است ، که در آن مدل معاملاتی باید مقادیر زیادی از داده های ورودی را تجزیه و تحلیل کند و معاملات سودآور را توصیه کند. همانطور که مدل به کار با داده های دنیای واقعی ادامه می دهد ، حتی می تواند خود را بهبود دهد و استراتژی های معاملاتی خود را با شرایط بازار تطبیق دهد.
2- بینش یا الگوهایی را در مجموعه داده های بزرگ بیابید که چشم انسان گاهی اوقات آنها را از دست می دهد. به عنوان مثال ، یک شرکت می تواند نحوه تغییر الگوهای خرید مشتری را مطالعه کند و از یافته ها برای اصلاح خطوط تولید خود استفاده کند.
3- کارهای بیشتری را در زمان کمتر انجام دهید. خداحافظ غرغر کار.
بسیاری از روش های هوش مصنوعی از جمله شبکه های عصبی ، یادگیری عمیق و الگوریتم های تکاملی به یادگیری ماشین مربوط می شوند.
یادگیری ماشینی در عمل: نتفلیکس
نتفلیکس می گوید آن ها «سرمایه گذاری زیادی در یادگیری ماشینی انجام می دهند تا به طور مستمر تجربه اعضای ما را بهبود بخشند و سرویس نتفلیکس را سرتاسر بهینه کنند».
نتفلیکس از یادگیری ماشینی در سابقه تماشای شما استفاده می کند تا توصیه های نمایش تلویزیونی فیلمی را که می بینید شخصی سازی کند. نتفلیکس همچنین آنچه را که شما و افرادی با اولویت های مشابه در گذشته تماشا کرده اید ، تجزیه و تحلیل می کند و حتی به صورت خودکار تصاویر کوچک و آثار هنری شخصی سازی شده برای عناوین فیلم ها را تولید می کند تا شما را ترغیب کند که روی عنوانی کلیک کنید که در غیر این صورت نادیده می گیرید.
شبکه های عصبی و یادگیری عمیق
یک شبکه عصبی سعی می کند رویکرد مغز انسان برای تجزیه و تحلیل داده ها را تکرار کند. آن ها می توانند داده های متنوع را شناسایی ، طبقه بندی و تجزیه و تحلیل کنند. با متغیرهای زیادی سر و کار داشته باشند و الگوهایی را بیابند که برای مغز انسان بسیار پیچیده است.
یادگیری عمیق زیر مجموعه ای از یادگیری ماشینی است. هنگامی که در یک شبکه عصبی اعمال می شود ، به شبکه اجازه می دهد تا بدون نظارت انسان از داده های بدون ساختار (داده هایی که طبقه بندی یا برچسب گذاری نشده اند) یاد بگیرد. این برای تجزیه و تحلیل داده های بزرگ که سازمان ها جمع آوری می کنند عالی است. این مجموعه داده های بزرگ شامل فرمت های مختلف داده مانند متن ، تصویر ، ویدئو و صدا می باشد.
شبکه های عصبی اغلب با یادگیری ماشینی ، یادگیری عمیق و بینایی کامپیوتری (آموزش کامپیوترها برای استخراج معنا از تصاویر) ترکیب می شوند. به همین دلیل است که مردم در مورد «شبکه‌های عصبی عمیق» صحبت می کنند که اساساً یک شبکه عصبی با بیش از ۲ لایه است. لایه های بیشتر = قدرت تحلیلی بیشتر.
شبکه های عصبی عمیق را می توان برای شناسایی و طبقه بندی اشیا آموزش داد. یک کاربرد جالب ، تشخیص چهره است. شناسایی چهره های منحصر به فرد در عکس ها و فیلم ها. شبکه های عصبی نیز به مرور زمان یاد می گیرند. به عنوان مثال ، آنها در طبقه بندی اشیا و شناسایی چهره ها بهتر می شوند زیرا داده های بیشتری به آنها داده می شود.
شبکه های عصبی و یادگیری عمیق در عمل: تشخیص چهره در چین
چین کارهای زیادی در زمینه تشخیص چهره انجام می دهد. این منطقی است ، زیرا در همه جای چین دوربین وجود دارد. بسیاری از دوربین ها به معنای داده های زیادی برای استفاده از شبکه های عصبی عمیق هستند. به اقتضای زمان ، در اینجا سه نمونه آورده شده است.
در دانشگاه…
دانشگاهی در شرق چین سیستم حضور و غیاب مبتنی بر هوش مصنوعی را با دوربین هایی که دائماً دانش آموزان را در کلاس مشاهده می کنند ، اجرا کرده است.
به طور طبیعی ، چهره ها را اسکن می کند تا بررسی کند که دانش آموز واقعاً به کلاس آمده است. مهمتر از آن ، حالات چهره را در زمان واقعی تجزیه و تحلیل می کند و می تواند قضاوت کند که آیا دانش آموزان توجه دارند یا خیر. ظاهراً می تواند تشخیص دهد که افراد در حال خواب یا بازی با تلفن های خود هستند. شرط می بندم که فکر می کنید خوشحالم که آنها این فناوری را در دانشگاه ما نداشتند.
برای پرداخت…
در حالی که مردم هنوز در مورد پرداخت های تلفن همراه با استفاده از WeChat Pay و Alipay صحبت می کنند ، این شرکت ها در حال حاضر به مرحله بعدی می روند: پرداخت های مبتنی بر چهره. چرا وقتی می توانید با نگاه کردن به دوربین پول خود را پرداخت کنید ، به تلفن خود زحمت دهید؟
سیستم تشخیص چهره Dragonfly Alipay به بیش از 300 شهر در چین گسترش یافته است. WeChat Pay نیز سیستم مشابهی دارد. کسب و کارها از نانوایی ها تا سوپرمارکت ها این سیستم ها را برای سرعت بخشیدن به پرداخت های مشتریان اتخاذ کرده اند. پس از اسکن چهره ، پول از حساب Alipay یا WeChat Pay مشتری کسر می شود. کسب و کارها از صرف هزینه کمتر برای کارکنان صندوقدار سود می برند.
پرداخت های مبتنی بر چهره نیز به نفع شهروندانی مانند افراد مسن است که با فناوری کمتر آشنا هستند. همچنین ، تنها 60 درصد از جمعیت 1.4 میلیاردی چین به اینترنت متصل هستند و تنها 40 درصد از مردم با گوشی های هوشمند پرداخت می کنند. در آینده ، حتی می توانیم انتظار داشته باشیم که این شهروندان غیرمرتبط از پرداخت های مبتنی بر چهره استفاده کنند ، اگر بتوان چهره شان را به حساب بانکی مرتبط کرد.
برای مبارزه با جنایت …
شرکت های هوش مصنوعی در چین از تشخیص چهره برای کمک به مجریان قانون برای ردیابی مظنونان استفاده می کنند.
فناوری تشخیص چهره Cloudwalk تحت حمایت دولت به پلیس کمک کرده است تا بیش از 10000 نفر را دستگیر کند و در 29 استان چین مورد استفاده قرار گرفته است. روزانه بیش از 1 میلیارد مقایسه چهره انجام می دهد و بیش از 100 میلیارد نقطه داده جمع آوری کرده است.
SenseTime اخیراً به دلیل استفاده از تشخیص چهره برای شناسایی یک مظنون در میان 50000 شرکت کننده کنسرت در چین خبر داده است.
هوش مصنوعی به زبان ساده : الگوریتم های تکاملی
زیرمجموعه ای از یادگیری ماشینی ، الگوریتم های تکاملی در طول زمان خود به خود بهبود می یابند. آنها جمعیتی از الگوریتم ها را ایجاد می کنند و موفق ترین الگوریتم ها را در پیش بینی نتایج حفظ می کنند. با استفاده از اصل بقای بهترین ها ، بهترین الگوریتم ها زنده نگه داشته می شوند و بازنده ها کنار گذاشته می شوند. بخش هایی از کد از الگوریتم های برنده برای ایجاد جمعیت جدیدی از الگوریتم ها استفاده می شود و فرآیند انتخاب تکرار می شود.
الگوریتم های تکاملی برای کارهای بهینه سازی که در آن متغیر های زیادی و محیطی پویا وجود دارد ، مناسب هستند. اساسا راهی برای رسیدن به بهترین نتیجه ممکن پیدا کنید.
الگوریتم های تکاملی در عمل: انتخاب سهام و معاملات
الگوریتم های تکاملی را می توان در مدل های شبکه عصبی برای انتخاب سهام و شناسایی معاملات ایجاد کرد. قوانین تجارت به عنوان پارامتر تنظیم می شوند و الگوریتم برای به حداکثر رساندن سود معاملاتی کار می کند. تغییرات کوچک در طول زمان به مدل وارد می شود و تغییراتی که بیشترین تأثیر مطلوب را دارند برای نسل بعدی حفظ می شوند. مدل با گذشت زمان بهبود می یابد.
این مدل های معاملاتی در میان معامله گران کمی نهادی محبوب هستند. افراد نیز می توانند از طریق بسته های نرم افزاری موجود در بازار به این مدل ها دسترسی داشته باشند.