دیوایس‌های مختلف با بهره‌گیری از قابلیت‌های هوش مصنوعی (Artificial Intelligence یا به اختصار AI) می‌توانند خود را با ورودی‌های جدید تطبیق دهند و انجام کارهایی را که از انسان بر می‌آید عهده‌دار شوند.
بیش‌تر نمونه‌های هوش مصنوعی که شما تاکنون شنیده‌اید – از رایانه‌های شطرنج‌باز گرفته تا اتوموبیل‌های خودران – تا حد زیادی به یادگیری عمیق (Deep Learning) و پردازش زبان طبیعی وابسته‌اند.
با بهره‌گیری از این فناوری‎ها و نیز از طریق پردازش مقادیر انبوه داده و شناخت الگوها در اطلاعات، می‌توان رایانه‌‎ها را برای انجام یک سری کارهای خاص تحت آموزش قرار داد.

تاریخچه‌ی هوش مصنوعی

اصطلاح هوش مصنوعی در سال ۱۹۵۶ مطرح شد ولی امروزه این فن‌آوری به دلیل افزایش مقدار داده‌ها، وجود الگوریتم‌های پیشرفته، ارتقاء سطح توان محاسباتی و نیز امکان ذخیره‌سازی اطلاعات در حجم بالا، بسیار پرطرفدار شده است.
در دهه ۱۹۵۰ مجموعه تحقیقات اولیه‌ی هوش مصنوعی در خصوص شیوه‌های حل مشکل (Problem Solving) و روش‌های نمادین (Symbolic Methods) انجام شد. در سال‌های دهه ۶۰ میلادی، وزارت دفاع آمریکا به این موضوع علاقه‌مند شد و رایانه‌ها را برای تقلید اصول اولیه تفکر انسان، آموزش داد. برای نمونه، سازمان پروژه‌های تحقیقاتی پیشرفته دفاعی آمریکا موسوم به دارپا (DARPA)، پروژه نقشه‌برداری خیابانی را در دهه ۷۰ به پایان رساند. دارپا در سال ۲۰۰۳، مدت‌ها پیش از ظهور دستیارهای نام‌آشنایی همچون سیری، الکسا یا کورتانا، یک دستیار شخصی هوشمند تولید کرد.
اگر چه در فیلم‌های هالیوود و رمان‌های علمی – تخیلی، هوش مصنوعی به شکل ربات‌های انسان‌نمایی که کنترل جهان را به دست می‌گیرند معرفی می‌شود، ولی پیداست که امروزه، شکل تکامل‌یافته‌ی این فناوری تا این حد ترسناک یا هوشمند نیست.
از سوی دیگر، امروزه هوش مصنوعی تا اندازه‌ای پیشرفت کرده است که می‌تواند قابلیت‌های ویژه‌ای را در اختیار بسیاری از صنایع قرار دهد. در ادامه، به برخی از این موارد اشاره می‌کنیم.

کاربردهای هوش مصنوعی

در صنایع گوناگون، تقاضای بسیاری برای استفاده از قابلیت‌های هوش مصنوعی وجود دارد؛ به ویژه در سیستم‌های پاسخ‌گویی به پرسش‌ها که از آن‌ها می‌توان در مشاوره‌های حقوقی، تحقیقات مربوط به ثبت اختراع، اعلام هشدار و پژوهش‌های پزشکی استفاده کرد. دیگر حوزه‌های کاربرد هوش مصنوعی عبارتند از:

۱. بهداشت و درمان

اپلیکیشن‌های هوش مصنوعی قادرند خدمات ویژه‌ای همچون درمان‌های شخصی شده و تحلیل‌های رادیوگرافی ارائه کنند. دستیاران شخصیِ عرضه‌کننده‌ی خدمات بهداشتی و پزشکی می‌توانند همانند مربی زندگی (life coach) عمل کرده، زمان و شیوه‌ی مصرف داروها را به بیمار یادآور شده و ورزش یا تغذیه سالم‌تر را به افراد گوشزد کنند.

۲. خرده‌فروشی

هوش مصنوعی قادر به عرضه‌ی خدمات خرید و فروش مجازی است که در آن‌ها پیشنهادهای شخصی شده و گزینه‌های فرایند خرید به مشتری ارائه می‌شود. هم‌چنین به کمک هوش مصنوعی، فناوری‌های مدیریت انبار و طراحی فروشگاه نیز بهبود می‌یابد.

۳. تولید

هوش مصنوعی می‌تواند داده‌های اینترنت اشیاء کارخانه را که از تجهیزات متصل به اینترنت به دست می‌آید تحلیل کرده و میزان عرضه و تقاضای احتمالی را پیش‌بینی کند.

۴. ورزش

از هوش مصنوعی برای تصویربرداری از بازی‌ها و به دنبال آن، ارائه‌ی گزارش‌های سودمند به مربیان استفاده می‌شود. این گزارش‌ها می‌توانند نکاتی برای ارتقاء سطح بازی‌ها، مدیریت بهتر رقابت‌ها، بهینه‌سازی استراتژی و تعیین موقعیت بهتر برای استقرار بازیکنان را شامل شود.

چرا هوش مصنوعی مهم است؟

هوش مصنوعی فرایند یادگیری تکراری (Repetitive Learning)، و کشف و شناسایی از طریق داده‌ها را خودکار می‌کند. اما این نکته، با اتوماسیون سخت‌افزاری رباتیک تفاوت دارد. هوش مصنوعی به خودکارسازی وظایف دستی نمی‌پردازد بلکه وظایف رایانه‌ای تکراری و متعدد را به شکلی قابل‌اعتماد و خستگی‌ناپذیر سامان می‌دهد. برای انجام این نوع از خودکارسازی، پژوهش‌های انسانی برای تنظیم سیستم و پرسیدن پرسش‌های درست و مناسب، همچنان ضروری است.

هوش مصنوعی، هوشمندی را به محصولات فعلی اضافه می‌کند. در بیش‌تر موارد هوش مصنوعی در قالب یک اپلیکیشن مستقل فروخته نخواهد شد بلکه بهبود عملکرد محصولات مورد استفاده کاربران را به همراه دارد، مانند Siri که به عنوان یک قابلیت، به نسل جدید محصولات اپل اضافه شده است. هوش مصنوعی می‌تواند اتوماسیون، پلتفرم‌های گفتگو، ربات‌ها و ماشین‌های هوشمند را با مقادیر انبوهی از داده‌ها ترکیب کند. این کار با هدف ارتقاء بسیاری از فناوری‎های مورد استفاده در منازل و محیط‌های کاری انجام می‌شود، از هوش امنیتی (Security Intelligence) گرفته تا تجزیه و تحلیل سرمایه‌گذاری (Investment Analysis).

هوش مصنوعی از طریق الگوریتم‌های پیشرفته یادگیری، امکان برنامه‌نویسی داده‌ها را فراهم می‌کند. هوش مصنوعی می‌تواند با کشف ساختار و قواعد موجود در داده‌ها، مهارت کسب کند. در این‌صورت، این الگوریتم به یک دسته‌بندی‌کننده (Classifier) یا پیشگو تبدیل خواهد شد.
شبکه‌های عصبی دارای لایه‌های پنهانی هستند و هوش مصنوعی می‌تواند با استفاده از این شبکه‌ها، به گونه‌ای عمیق‌تر و گسترده‌تر، داده‌ها را تحلیل کند. تا چند سال گذشته ساخت یک سامانه‌ی تشخیص تقلب با پنج لایه پنهان تقریباً ناممکن بود ولی امروزه با توجه به قدرت شگفت‌انگیز توان پردازشی و نیز کلان داده‌ها این قضیه کاملاً تغییر یافته است. شما برای آموزش مدل‌های یادگیری عمیق، به داده‌های بسیار زیادی نیاز دارید زیرا آن‌ها به طور مستقیم از داده‌ها آموزش می‌گیرند. هر چه بتوانید مدل‌ها را با داده‌ها بیشتری تغذیه کنید، دقت آن‌ها افزایش می‌یابد.
هوش مصنوعی قادر است به دقت باورنکردنی موجود در شبکه‌های عصبی دست یابد؛ چیزی که درگذشته غیرممکن بوده است. برای نمونه، تعاملات شما با الکسا، Google Search و Google Photos همگی مبتنی بر یادگیری عمیق (Deep Learning) است و هر چه بیش‌تر از این ابزار استفاده کنید، دقت آن‌ها بیش‌تر می‌شود. در حوزه پزشکی، امروزه تکنیک‌های هوش مصنوعی اعم از یادگیری عمیق، طبقه‌بندی تصاویر و تشخیص شیء (Object Recognition) می‌تواند با همان دقت رادیولوژیست‌های آموزش دیده و بسیار حرفه‌ای، برای شناسایی سرطان در ام.آر.آی‌ها به کار رود.

هوش مصنوعی بیش‌ترین استفاده را از داده‌ها می‌برد. اصولاً پاسخ‌ها در داده‌ها نهفته است؛ کافی است شما آن‌ها را در اختیار هوش مصنوعی قرار دهید. امروزه نقش داده‌ها بیش از هر زمان دیگری اهمیت یافته و این موضوع، زمینه‌ساز خلق یک مزیت رقابتی شده است. اگر شما در یک صنعت پُررقابت، بهترین داده‌ها را در اختیار داشته باشید، حتی اگر همگان از فناوری‌های مشابه استفاده کنند، برگ برنده از آن ِ بهترین داده‌ها خواهد بود.