پایگاه خبری راه پرداخت دارای مجوز به شماره ۷۴۵۷۲ از وزارت فرهنگ و ارشاد اسلامی و بخشی از «شبکه عصر تراکنش» است. راه پرداخت فعالیت خود را از دوم اردیبهشت‌ماه ۱۳۹۰ شروع کرده و اکنون پرمخاطب‌ترین رسانه ایران در زمینه فناوری‌های مالی، بانکداری و پرداخت و استارت‌آپ‌های فین‌تک است.
توضیح دادن هوش مصنوعی بسیار دشوار است و این امر، به نوعی نقطه قوت آن به حساب می‌آید. اگر به روندهای برتر فنی نوین علاقه دارید، بهتر است بدانید که هوش مصنوعی، جزو حوزه‌هایی محسوب می‌شود که در آینده توجهات بسیاری را به سمت خود جلب خواهد کرد. به زودی خانه‌ها، خودروها و دستگاه‌های توستر ما، همگی در دنیای هوش مصنوعی غرق خواهند شد. هوش مصنوعی همان چیزی است که به آن نیاز داریم، بنابراین آمده تا به جزئی ماندگار و متداول از زندگی ما تبدیل شود.
درست است، شاید در پاراگرف قبلی جملات اغراق‌آمیزی را در مورد هوش مصنوعی بیان کرده باشیم؛ ولی واقعیت این است که هوش مصنوعی بسیار پیشرفته کرده و ارزشش را دارد که اندکی وقت گذاشته و با جزئیات آن بیشتر آشنا شویم. شاید این تکنولوژی به خوبی آن چه برخی ادعا می‌کنند، نباشد؛ ولی آن‌قدرها هم بد نیست که شغل افراد را هدف قرار داده و همه را از کار بیکار کند.
بیایید سری به داستان‌های تایخی بزنیم. هوش مصنوعی از همان زمانی که مردم شروع به داستان‌سرایی کردند، وجود داشته است. نیاکان ما همواره داستان شمشیرهای آوازه‌خوان و وسیله‌های جادویی را نقل کرده‌اند و بی‌آن‌که بدانند، عنصر هوش را به اجسام بی‌جان نسبت داده‌اند. هفائستوس، الهه فلزکاری یونان باستان، زمانی که می‌خواسته برای خدایان اسلحه بسازد، خدمتکارانی را از جنس برنز طراحی کرده تا به او کمک کنند. تالوس نیز یک غول برنزی بود که توسط هفائستوس، به منظور محافظت از جزیره کرت ساخته شده بود. داستان تالوس یکی از جذاب‌ترین روایت‌های مجموعه حکایات جیسون و آرگونات‌ها به شمار می‌رود. جیسون و یارانش تنها زمانی می‌توانستند او را شکست بدهند که سرپوش روغنی را از مچ پای او (همان پاشنه آشیل معروف) بیرون کشیده و تمامی روغن را از آن خارج کنند.
حال بیایید به همین چند دهه اخیر برگردیم. در دهه 1950 میلادی، گروهی از محققان به سرپرستی ماروین مینسکی و جان مک‌کارتنی، آزمایشگاه علوم کامپیوتر و هوش مصنوعی ام‌آی‌تی را تاسیس کردند. مینسکی در طی زندگی خود، شخصیتی جنجالی به شمار می‌رفت (وی در سال 2016 درگذشت). او مسئولیت اولین شبکه‌های عصبی را به عهده داشت. شبکه‌های عصبی، الگوریتمی هستند که از روی نحوه عملکرد تعداد محدودی از نورون‌های مغزی مدلسازی شده‌اند.
مینسکی با انتقاد از نظریه‌های محققان دیگر، ایراد گرفتن به فرنک روزنبلت برای اختراع پرسپترون و کم اهمیت جلوه دادن قابلیت‌های هوش مصنوعی، موجب شد تا میزان شور و علاقه سرمایه‌گذاران به این تکنولوژی به شکل چشمگیری کاهش پیدا کند؛ در نتیجه دورانی به وجود آمد که از آن به عنوان زمستان هوش مصنوعی یاد می‌کنند. زمستان هوش مصنوعی تا دهه 1960 و 1970 به طول انجامید.
وقتی به گذشته نگاه می‌کنیم، درمی‌یابیم که این اتفاق چندان هم بد نبوده است. مینسکی به درستی ارزیابی کرده بود که در آن زمان، قدرت محاسباتی کافی برای به‌کارگیری هوش مصنوعی وجود ندارد. حدد سی سال طول کشید تا طبق قانون مور، قدرت پردازش هر 18 ماه دوبرابر شود و به حدی برسد که اسب بخار کافی برای تحلیل شبکه‌های عصبی را داشته باشد. جالب است که پس از گذشت این مدت، پرسپترون روزنبلت به شکل موثری در شبکه‌های عصبی به کار گرفته شد. هم اکنون محققان بیش از پیش به این باور رسیده‌اند که ریاضیات غیرخطی قلب شبکه‌های عصبی به شمار می‌رود.
مینسکی در کتابی که با مشارکت روانشناسی به نام نیکولاس پاپرت نوشته، استدلال کرده که پرسپترون یک رویکرد غیرخطی دارد و با تکنولوژی آن زمان قابل پردازش نیست.
.
حرکت به سمت مفاهیم غیرخطی
خطی بودن یک مفهوم ریاضی است که چند معنی مختلف دارد. در ساده‌ترین تعریف می‌توان گفت که اگر مسئله‌ای به شکل خطی باشد، می‌توانیم آن را با معادله y=a*x + b حل کنیم. برای مثال، رابطه‌ای که برای تبدیل درجه حرارت فارنهایت به سلسیوس مورد استفاده قرار می‌گیرد، عبارت است از: C = (5/9) * (F – 32). ولی اگر بخواهیم مفهوم کلی خطی بودن را توضیح بدیم، باید بگوییم که اگر فرمول یک رابطه خطی را برعکس کنیم، تغییری در نوع رابطه ایجاد نخواهد شد. معادلات نمایی و لگاریتمی در همین گروه جای می‌گیرند. اگر در معادله‌ای اعداد مختلطی به شکل قسمت حقیقی + قسمت موهومی داشته باشیم با توابع مثلثاتی مانند سینوس و کسینوس سروکار خواهیم داشت.
در علم حساب، روش‌های مختلفی برای حل معادلات دیفرانسیل خطی وجود دارد. معادلات خطی را می‌توان به صورت دقیق و به سادگی با استفاده از روش‌های عددی حل کرد. رفتار پایه‌ای بسیاری از سیستم‌های مهندسی را می‌توان با استفاده از این نوع معادلات توصیف کرد؛ از این رو ریاضیدانان به شدت تلاش می‌کنند تا مسائل را به شکل خطی درآورده و سپس آن‌ها را حل کنند.
از طرف دیگر، معادلات غیرخطی این قابلیت را دارند که برای تحلیل مجموعه وسیع‌تری از مسائل به کار گرفته شوند. مشکل معادلات غیرخطی این است که نمی‌توان آن‌ها را به معادلات خطی تبدیل کرد و همین امر، حل آن‌ها را دشوار می‌کند. برای مثال، معادله حرکت نیوتون رفتار اشیای کامل را توصیف می‌کند؛ به عنوان نمونه وقتی با واردن کردن ضربه، یک توپ هاکی را روی یخی به حرکت درمی‌آوریم، تا زمانی که به مانعی برخورد نکند، با سرعت ثابت به مسیر خود ادامه خواهد داد.
حال اگر همین توپ را روی بتن به حرکت درآوریم، خیلی زود از سرعت آن کاسته می‌شود، بالا و پایین می‌پرد و به دور خودش می‌چرخد. علت این امر چیست؟ اصطکاک. وقتی عنصر اصطکاک را به معادلات وارد کنیم، به شکل غیر خطی درمی‌آیند و پیش‌بینی رفتار جسم مشکل می‌شود؛ میزان حساسیت رفتار جسم به شرایط اولیه بیشتر می‌شود و در اغلب موارد شکلی ناپیوسته به خود می‌گیرد. در نتیجه ممکن است دو نقطه‌ای که روی منبع در نزدیکی یکدیگر قرار دارند، در نقشه نهایی حاصل از حل تابع، رفتاری کاملا جداگانه داشته باشند.
یکی از ساده‌ترین نمونه‌های معادله غیر خطی، y = 1/x یا همان معادله هایپربولیک است. اگر به سمت مثبت نمودار x حرکت کنیم، مقدار y افزایش پیدا می‌کند. اگر به نقطه متناظر در سمت منفی نمودار x مراجعه کنیم، می‌بینیم که مقدار y کاهش پیدا می‌کند. در نقطه x=0 نیز معادله بی‌معنا می‌شود. این نوع از توابع را توابع ناپیوسته می‌نامیم. توابع ناپیوسته همواره برای ریاضیدانان و فیزیکدانان مشکل‌ساز هستند.
نوع دیگری از معادلات وجود دارند که توابع مرتبه‌بالا نامیده می‌شوند. در این نوع از معادلات، خروجی یک تابع دوباره به عنوان ورودی همان تابع مورد استفاده قرار می‌گیرد. به عنوان نمونه، فرض کنید که معادله y = f(x) = x + 1 را با شرایط x = 0 و y =1 دارید. این تابع، یک معادله خطی ساده است. ولی f(f(0) = f(1) = 2, f(f(f(0) = 3 به عنوان معادله بازگشتی شناخته می‌شود.
توابع بازگشتی غیرخطی ابری از نقاط ناپیوسته را ایجاد می‌کنند، ولی ادوارد لورنتس در سال 1971 نقطه‌ای جالب را کشف کرد. وی دریافت که اگر بتوانیم محاسبات خود را در تعداد بالایی از نقاط انجام دهیم، ابر مذکور به دور یک مدار همگرا می‌شود که حالت بازگشتی ندارد. وی این محور را ﺟﺎﺫﺏ ﺷﮕﻔﺖ نامید.
ریاضی‌دانی به نام بنوا مندلبرو، بر اساس فعالیت‌های لورنز و تحقیقاتی که خودش در مورد شباهت روند تغییرات بازار سرمایه و شکل خطوط ساحلی انجام داده بود، مفهومی تجسمی از معادلات غیرخطی را تعمیم داد و آن‌ها را فراکتال نامید. این معادلات رفتاری با ابعاد خطی مرسوم (نقطه، خط، سطح، فضا و ابرفضا) دارند، ولی در جایی مابین این ابعاد قرار می‌گیرند.
فراکتال‌ها برای مدتی به شدت در بین عموم محبوبیت پیدا کردند و مردم از تصاویر آن‌ها به عنوان پس‌زمینه صفحه کامپیوتر خود استفاده کردند. سپس شعله‌های این شور و هیجان فروکش کرد. اکنون، با شروع تحقیقات در مورد شبکه‌های عصبی، افزایش سرعت سیستم‌های عصبی و افزایش حجم حافظه‌های کامپیوتری، به نظر می‌رسد که فراکتال‌ها جان تازه‌ای خواهند گرفت.
.
تحلیل متن در یک دنیای غیرخطی
برای رسیدن به این نقطه یک تحول دیگر نیز لازم است. مدت زمانی طولانی است که محاسبات زبان‌شناختی به مردابی دور افتاده در سرزمین علوم محاسباتی تبدیل شده‌اند. در طی زمان کامپیوترها از سیستم‌های لوله‌ای خلا حجیم به نوت‌بوک، تلفن همراه و تبلت تبدیل شده‌اند. در نتیجه این سیر تکاملی، لزوم صحبت با کامپیوتر (یا فریاد زدن بر سر آن!) بیش از پیش احساس می‌شود. در کنار این امر، وظایف متعددی وجود دارد، مانند انتخاب و گردآوری مطالب کتاب‌ها و مقالات مجلات، تعیین نکات برجسته، موضوعات مشترک و خلاصه‌برداری از آن‌ها که کاری پر دردسر محسوب می‌شوند و مهارت زیادی برای انجام آن‌ها مورد نیاز است.
اگر ما می‌توانستیم کاری کنیم که کامپیوترها بتوانند بخوانند، خلاصه‌برداری کنند و یا حتی بخوانند و ترجمه کنند، یکی از بزرگترین معضلات سازمان‌ها حل می‌شد. این معضل عبارت است از: یافتن اطلاعات مورد نیاز از رسانه.
از دهه 1960 به بعد، رشته‌ای پدید آمد به نام تحلیل متنی. در این حوزه برای تعیین شباهت موضوعی بین دو اثر از توابع آماری استفاده می‌شود. در مورد موفقیت‌آمیز بودن تحلیل متنی نمی‌توان با قاطعیت نظر داد. امکانات جستجوی این روش در مقایسه با کتابدارانی که به صورت دستی عملیات خلاصه‌برداری را انجام می‌دهند، بیشتر است؛ ولی کار نهایی در مقایسه با روش دستی کیفیت بسیار پایین‌تری دارد.
اغلب مواقع، در این نوع از سیستم‌ها از فهرست‌های راهنما استفاده می‌شود و در بین کلمات و عبارات نشانگرهایی قوی قرار داده می‌شود. آمار تحلیل متنی در اکثر مواقع خطی است، ولی در حالت کلی، این روش برای تفسیر با محدودیت‌های قابل‌توجهی مواجه است.
تیم برنرز لی، خالق اولین مرورگر وب تلاش‌هایی را در راستای تسهیل یافتن مدارک در سرن سوئیس انجام داد. وی با برچسب زدن به محتوا و ایجاد فراداده در اسناد و مدارک، توانست کاری کند که ماشین به شکلی راحت‌تر مدارک را بخواند.
پس از گذشت پانزده سال او دوباره به تحقیق در این موضوع پرداخت و دریافت که در مورد انواع دیگر داده نیز می‌توان رویکرد مشابهی را اتخاذ کرد. تنها تفاوت مهمی که وجود داشت، این بود که احتمال داشت اطلاعات موجود در یک سند داده به شبکه گراف پیوسته‌ای از اعلان‌های ساده‌تر شکسته شود. در این صورت هر گره به علامت هویتی یک نهاد یا مفهوم تبدیل می‌شود و یال‌ها نیز نوع رابطه بین گره‌ها را نشان می‌دهند.
شکل گراف در مقایسه با پایگاه‌های داده سنتی مزایای بیشتری داشت. اولین مزیت این بود که به راحتی و با ایجاد یک لینک به فراداده قبلی، می‌توانستیم فراداده جدیدی را اضافه کنیم. دومین مزیت این بود که بدون نیاز به ایجاد یک جدول کامل در منبع، می‌توانستیم در مورد یک ویژگی یا دارایی خاص، به تعداد زیادی از اطلاعات دسترسی پیدا کنیم. آخرین مزیت نیز عبارت بود از: آسان‌تر شدن شناسایی و تجسم الگوهای رفتاری داده‌های مورد استفاده در فراداده. لازم به ذکر است که این الگوها به قابلیت پیمایش بازگشتی مجهز بودند.
در یک پایگاه داده ارتباطی بازگشت به سختی انجام می‌گیرد، به همین دلیل، در این روش تنها چند نمونه اندک از الگوهایی با طرح بازگشتی وجود دارد. ولی اگر روی گراف کار می‌کنید، به راحتی و با انجام یک پرس‌وجو می‌توانید تغییراتی را در شجره نامه خانوادگی اعمال کنید، بدون کسب اطلاع از گره‌های مجاور در گراف پیمایش کنید و بدون ایجاد نسخه‌های تکراری، چند گراف مختلف را در هم ترکیب کنید.
این قابلیت امکان جستجو بر اساس ارتباطات را فراهم می‌کند؛ به عنوان مثال اگر واژه بت‌من را جستجو کنید، به مفهوم ابرقهرمان دسترسی پیدا می‌کنید و از این طریق می‌توانید تمامی جنگجویان سیاه و خاکستری پوش را مورد جستجو قرار دهید. انجام این کار در پایگاه‌های داده ارتباطی دشوار است. دست است که در پایگاه‌های داده‌ای مانند XML و JSON می‌توان چنین کاری انجام داد، ولی در حالت کلی، هیچ یک از این دو در مدیریت مرجع‌دهی به سایر موجودیت‌ها عملکرد قابل قبولی ندارند.
مزیت کار با گراف‌های اطلاعاتی این است که اطلاعات موجود در آن مورد بازنگری قرار گرفته و به شکل عناصری مجزا ثبت می‌شوند. در اغلب موارد می‌توان با استفاده از عناصر دیگر، اطلاعات جدیدی را ایجاد کرد. در چنین شرایطی در واقع شما با داده‌ای چند بعدی سروکار دارید و اگر شکل داده‌ها تغییر کند، به صورت دینامیک می‌توانید دسته‌بندی مربوط به آن‌ها را تغییر دهید. شما می‌توانید بدون نیاز به کسب آگاهی اولیه از نوع ویژگی‌های مورد استفاده، به شکلی دینامیکی الگوها را بر مبنای خوشه‌بندی داده‌ها شناسایی کنید و این یکی دیگر از مزایای کار با گراف‌های اطلاعاتی است. از این نکته می‌توان نتیجه گرفت که با گذشت زمان، داده‌ها به قابلیت خودسازماندهی مجهز می‌شوند.
این نوع از پایگاه‌های داده گرافی شکل را گراف‌های دانش می‌نامند. فرم‌های دیگری از منابع ذخیره داده گرافی شکل نیز وجود دارند که برای انجام انواع دیگری از عملیات بهینه‌سازی شده‌اند. ولی ایده‌ای که در پشت اکثر آن‌ها وجود دارد، این است که اطلاعات را در یک ساختار گرافی یا مشبک ذخیره کرده و با استفاده از اطلاعات مرتبط، بین آن‌ها اتصال ایجاد کنیم.
.
چندین عامل مختلف باید دست به دست هم دهند
اکنون که در آستانه سال 2020 میلادی قرار داریم، چنین به نظر می‌رسد که هوش مصنوعی چند فاکتور کلیدی دارد:
- بازگشت‌پذیری یا همان پردازش غیر خطی برای ایجاد سطوح انتزاعی مختلف
- اطلاعات به صورت همه‌جانبه مورد پردازش قرار می‌گیرند. در ابتدا تمامی اطلاعات به صورت متن دریافت می‌شوند؛ اما جابه‌جایی متن در بین لایه‌های انتزاعی مختلف یکی از بخش‌های کلیدی یافتن و تغییر متن به شمار می‌رود.
- دسته‌بندی به عنوان یکی از بخش‌های جدایی‌ناپذیر فرآیند شناخته می‌شود. دسته‌ها ابزاری هستند که برای اجرای بخش مشخصی از عملیات مورد استفاده قرار می‌گیرند.
- گراف‌های اطلاعاتی، تحت تاثیر فیلترهایی که به صورت دینامیک و بر اساس اطلاعات موجود تولید می‌شوند، به صورت پیوسته تغییر می‌کنند.
- هوش به گره وابسته است، ولی ماهیتی توزیع شده و احتمالی دارد. اطلاعاتی که شما در سیستم‌تان دارید، کامل نیست و انسجام کافی را ندارد؛ از این رو تصمیم‌گیری‌ها بر اساس نقطه عطفی از حقایق انجام می‌گیرند که نشان می‌دهد یک شرایط خاص مورد تایید قرار گرفته یا رد شده است (اطلاعات ماهیتی احتمالی پیدا می‌کنند).
- در تمامی مقاطع، اطلاعات در یک مدل خاص قرار دارند؛ ولی مدل مربوطه انعطاف‌پذیر است و پتانسیل آن را دارد که خودش را اصلاح کند. این فرآیند با سیستم‌های موجود که مدل آن‌ها شکلی از پیش تعیین شده دارد، متفاوت است.
تمامی مواردی که بیان کردیم با تعریف معمول هوش مصنوعی تطابق دارند، ولی تعریف دیگری نیز برای این تکنولوژی وجود دارد که به تازگی مطرح شده است:
سیستمی که دارای درجه‌ای از خودآگاهی است.
نکته‌ای نیز وجود دارد که از اهمیت بالایی برخوردار است.
آگاهی زمانی ایجاد می‌شود که سیستم بتواند الگوهای غیرعادی داده، اتفاقات ساختارشکن و اقداماتی که به سطح بالایی از ذخیره‌سازی و اطلاعات نیاز دارند را شناسایی کند. سیستم‌های داده مجهز به ویژگی خودترمیمی، به این نوع از آگاهی دسترسی دارند. آن دسته از سیستم‌هایی که می‌توانند بایاس ناخواسته را تشخیص دهند، از نوع دیگری هستند.
اگر سیستمی داشته باشد که بتواند با تشخیص معتبر نبودن مرجع داده‌ها (و نه به علت وجود مشکلات ساختاری)، آن‌ها را رد کند، می‌توانید ادعا کنید که سیستم شما از ویژگی خودآگاهی برخوردار است.
نکته مهم دیگری نیز وجود دارد که شاید به شکل آشکار بیان نشده باشد: هوش مصنوعی یک الگوریتم نیست. هوش مصنوعی شبکه‌ای از پایگاه‌های داده است که از الگوریتم‌های دانش داده (در حالت عمومی خطی هستند) و توابع مرتبه‌بالا (خود فراخوانی و تحلیل‌های فراکتال) برای تغییر آنی وضعیت خودش استفاده می‌کند.
به اعتقاد نویسنده مقاله، تعریف مذکور مساله آزمون تورینگ را نیز برطرف می‌کند. طبق آزمون تورینگ، سیستم هوش مصنوعی چیزی است که بتواند از نظر قدرت مکالمه، با انسان برابری کند. چنین تعریفی، بیش از حد، انسان محور است. راستش را بخواهید، تعداد زیادی از انسان‌ها وجود دارند که نمی‌توانند یک مکالمه را آغاز کرده و ادامه دهند. برای مثال نگاهی به فیسبوک بیندازید. در هر صورت، ربات‌ها هوشمندتر عمل می‌کنند.
مجموعه تعریف‌های بالا با نظریه شناختی مدرن انطباق دارند. طبق این نظریه، منشا وجود هوش، گره‌هایی از زیرمجموعه‌های تخصصی مغزی هستند که هر کدام به صورت جداگانه به انجام فعالیت‌های خاص می‌پردازند و وضعیت را در حالت مشخصی ثابت نگه می‌دارند. بر اساس نظریه مذکور، عنصر آگاهی از یک زیرمجموعه خاص مغزی نشات می‌گیرد که الگوی فعالیت‌های محیط پیرامون را الگوبرداری کرده و از آن برای ایجاد مدلی مرکب از واقعیت و خود انسان استفاده می‌کند. ما به خوبی می‌دانیم که چگونه می‌توان آن گره مشخص را خاموش کرد؛ راه حل انجام بیهوشی عمومی است. در حالت بیهوشی مغز همچنان به فعالیت خود ادامه می‌دهد، ولی بخشی که به هوشیاری مربوط می‌شود، به صورت موقتی از دسترس خارج می‌گردد.
.
طبقه‌بندی هوش مصنوعی
با استناد به تعاریف بالا، چند تکنولوژی مختلف در دسته هوش مصنوعی قرار می‌گیرند:
یادگیری ماشین: نوعی از سیستم‌های داده هستند که به صورت بازگشتی به ساخت، آزمایش و حذف مدل می‌پردازند تا در نهایت بتوانند به شکلی مطلوب، وظیفه شناسایی و طبقه‌بندی داده‌های ورودی را انجام دهند.
یادگیری تقویتی: استفاده از سیستم‌های پاداش‌دهی برای دستیابی به اهداف مشخص، بر اساس شدت و ضعف نتایج. این روش بیشتر در سیستم‌های عامل کاربرد دارد.
یادگیری عمیق: سیستم‌هایی هستند که برای توسعه سیستم‌های یادگیری ماشین به شبکه‌های عصبی غیرخطی وابسته هستند. در یادگیری عمیق برای مدلسازی سیستم اغلب از یادگیری ماشین استفاده می‌شود. در حالت کلی می‌توان گفت یادگیری عمیق زیرشاخه‌ای از یادگیری ماشین است که بر شبکه‌های عصبی تکیه دارد.
سیستم‌های عامل: سیستم‌هایی هستند که در آن‌ها، عامل‌های مستقل به منظور شبیه‌سازی رفتارهای مبتنی بر جمعیت یا ناگهانی، در یک محیط معین به تعامل می‌پردازند. سیستم‌های عامل به شکل روزافزونی در بازی‌ها به کار گرفته می‌شوند؛ ولی برای انواع دیگر شبیه‌سازی نیز کاربرد دارند.
سیستم‌های مشبک غیرخطی: نوع دیگری از سیستم‌های عامل هستند؛ به این ترتیب که سلول‌های موجود در شبکه‌های چندبعدی حالت داخلی خود را حفظ می‌کنند، ولی می‌توانند محرک‌هایی را از سلول‌های مجاور دریافت کرده و برای آن‌ها خروجی تولید کنند. بازی زندگی کانوی به نوعی جزو اجداد سیستم‌های مشبک غیرخطی محسوب می‌شود. شکل پیچیده ایده سیستم‌های مشبک خطی در سیستم‌های مدلسازی سهام و آب‌وهوا استفاده می‌شود که اساسا ماهیت بازگشت‌پذیر دارند.
سیستم‌های گراف خوداصلاحگر: پایگاه‌های دانشی هستند که در آن‌ها وضعیت سیستم بر اساس فرآیندهای کاوشی تصادفی تغییر می‌کنند.
پایگاه‌های دانش، سیستم‌های هوش تجاری و سیستم‌های متخصص: طیفی از سیستم‌های سنتی داده هستند که به گردآوری گراف‌های دانش معنایی می‌پردازند. می‌توان چنین گفت که این سیستم‌ها به عنوان دستیاران انسانی مورد استفاده قرار می‌گیرند؛ ولی این دستیاری در بخش‌های طبقه‌بندی، دسته‌بندی و انتزاع به شکل روزافزونی به سمت یادگیری ماشین حرکت می‌کند.
چت‌بات‌ها و عامل‌های هوشمند: این سیستم‌ها با سیستم‌های عامل تفاوت دارند. در حالت کلی، عامل‌ها سیستم‌هایی کامپیوتری هستند که قادرند متن نوشتاری و شنیداری را تحلیل کنند، از آن برای بازیابی محتوای مشخص یا انجام اقدامات معین استفاده کنند و با کمک محتوای ساختاریافته متناسب، به آن پاسخ دهند. الیزا نمونه‌ای اولیه از عامل‌های هوشمند است که قدمت آن به دهه 1960 میلادی برمی‌گردد و بسیار ابتدایی طراحی شده است. در مقابل، عامل‌ها و چت‌بات‌های امروزی از ترکیبی از معنی‌شناسی، تحلیل بیزی و یادگیری ماشین استفاده می‌کنند تا اطلاعات مناسبی را به دست آورده و کاربر را بهتر بشناسند.
سیستم‌های تشخیص تصویری / صوتی: سیستم‌های صوتی / تصویری در اغلب موارد رسانه مورد نظر را به یک فرم فشره کدگذاری شده تبدیل می‌کنند. سپس الگوریتم‌ها از طریق شاخص‌ها یا سیستم‌های یادگیری ماشین، به دنبال مواردی می‌گردند که بیشترین تطابق را با این فرم داشته باشند. تحلیل بیزی نیز به بهبود نتایج این فرآیند کمک می‌کند. در تحلیل بیزی، الگوها بر اساس فراوانی وقوع نسبی مورد تجزیه و تحلیل قرار می‌گیرند. گاهی اوقات سیستم‌های معنایی نیز به منظور فراهم کردن اطلاعات ارتباطی در این فرآیند مورد استفاده قرار می‌گیرند.
تصویرسازی فراکتال: ارتباط عمیقی در بین فراکتال‌ها و هوش مصنوعی برقرار است؛ از این رو جای تعجب ندارد که یکی از مهم‌ترین حوزه‌های هوش مصنوعی عبارت است از توسعه رندرینگ طبیعی پارامتریزه شده. حرکات آب، شعله‌های آتش، زبری سنگ‌ها و اثرات دود در هوا که همگی به یکی از عناصر استاندارد فیلم‌های موفق هالیوودی تبدیل شده‌اند، با کمک تصویرسازی فراکتال طراحی می‌شوند.
در این قسمت بهتر است به حوزه‌هایی اشاره کنیم که در گستره هوش مصنوعی قرار ندارند، ولی فضای کلی آن‌ها با این تکنولوژی تطابق دارد.
وسایل نقلیه خودران: این وسایل نقلیه از طریق سیستم‌های تشخیص بصری و مدلسازی آنی، موانع را شناسایی کرده و متناسب با هر موقعیت، واکنش مناسبی را نشان می‌دهند.
پهبادها: پهباد یک وسیله نقلیه بدون مسافر است. پهبادها اندازه متفاوتی دارند، برخی از آن‌ها به اندازه یک سنجاقک هستند و برخی دیگر به اندازه یک هواپیمای جت بزرگ‌اند. پهبادها این قابلیت را دارند که با پیروی از رفتارهای دسته‌جمعی (سیستم عامل) یا دستورالعمل‌های برنامه‌ریزی شده، به شکل هماهنگ با یکدیگر به پرواز درآیند.
علم داده / تجزیه و تحلیل داده: در این حوزه، از داده به منظور شناسایی الگوها و پیش‌بینی رفتار استفاده می‌شود. تکنیک‌های یادگیری ماشین، تحلیل‌های عددی و معادلات دیفرانسیل غیرخطی به صورت ترکیبی در این حوزه به کار گرفته می‌شوند. وجه تمایز اصلی علم داده و هوش مصنوعی در این است که دانشمندان داده خیلی به توابع مرتبه‌بالا و الگوهای بازگشتی وابسته نیستند؛ البته این روند در حال تغییر است.
بلاکچین و دفترکل توزیع شده: تکنولوژی دفترکل توزیع شده زیربنای کوین‌های الکترونیکی محسوب می‌شود. این تکنولوژی نوظهور در پیگیری منابع و تراکنش‌ها نقش مهمی دارد و روز به روز به میزان این اهمیت افزوده می‌شود. یکی از جنبه‌های مثبت این قبیل از سیستم‌ها عبارت است از تعیین قید و بند برای داده‌ها و اسناد مجازی. با انجام این کار، داده‌ها و اسناد مجازی ماهیتی مشابه با کالاهای فیزیکی پیدا می‌کنند؛ در نتیجه امکان تبادل مالکیت‌های معنوی فراهم می‌شود. بلاکچین در سراسر فضای هوش مصنوعی کاربرد دارد. یکی از حوزه‌هایی که به شکل موثری می‌تواند از تکنولوژی بلاکچین و دفترکل توزیع شده استفاده کند؛ سیستم‌های عامل هستند.
واحدهای پردازش گرافیکی: واحد پردازش گرافیکی ابزاری قدیمی بوده و به اصطلاح از مد افتاده است. ساختار واحدهای پردازش گرافیکی برای تحلیل‌های معنایی و فیلترهای برگشتی ایده‌آل است؛ به همین دلیل هوش مصنوعی توانسته از مزایای این واحدها به شکل چشمگیری بهره‌مند شود.
دوربین‌هایی پیشرفته مدرن یکی از مثال‌های خوب برای دستگاه‌های مبتنی بر هوش مصنوعی به شمار می‌روند. سیستم فوکوس این دوربین‌ها در واقع یک ربات است. این ربات به فرمان‌یار و محرک مجهز است، می‌تواند عملیات را به صورت مستقل از میزبان انسانی انجام دهد، سیستم فوکوس خودکار آن به یک حلقه بازخورد پیوسته مجهز است و پیش از گرفتن عکس می‌تواند بهترین فاصله کانونی و میزان نوردهی را تعیین کند.
این نوع از دوربین‌ها حافظه بالایی دارند و می‌توانند ده‌ها یا حتی صدها عکس را ذخیره و ترکیب کنند. هوش مصنوعی می‌تواند بازتاب قرمزی چشم‌ها را حذف کند، فوکوس دوربین را تقویت کند و در شرایط کم نور کیفیت تصویر را بالا نگه دارد. در اکثر موارد، کاربران از پشت پرده این عملیات پیچیده اطلاعی ندارند و فقط مشاهده می‌کنند که کیفیت عکس‌های آن‌ها در مقایسه با قبل بهتر شده است.
واقعیت این است که مرز بین نرم‌افزار و هوش مصنوعی در حال محو شدن است. به نظر می‌رسد The vanilla office آخرین محصول نرم‌افزاری باشد که در آن از هوش مصنوعی استفاده نشده است. این محصول ترکیبی از خدماتی مانند اسناد پردازش کلمه، صفحات گسترده، نرم‌افزار ارائه اسلایدی و ایمیل را در اختیار کاربران قرار می‌دهد. اما حقیقت این است که این مجموعه نرم‌افزاری هم می‌تواند نکاتی را از رفتار کاربرانش یاد بگیرد.
در یک پاپ‌آپ آزاردهنده در مایکروسافت آفیس که کلیپی نام داشت، از هوش مصنوعی استفاده شده بود، ولی نوع هوش مصنوعی استفاده شده در این پاپ‌آپ بسیار ابتدایی بود. اکنون نوادگان کلیپی خدماتی مانند تشخیص ایرادهای ویرایشی و املایی، دادن پیشنهاداتی در مورد سبک‌های مختلف ارائه‌دهی، شناسایی الگوها و معرفی ابزارهایی بهتر برای حل مسائل را در اختیار کاربران قرار می‌دهند.
در نتیجه پیشرفت‌های حاصله، مجموعه جدول‌های اکسل این قابلیت را خواهد داشت که نوع مناسب جدول را برای نشان دادن داده‌ها ترسیم کرده و تغییراتی که کاربر در آن جدول اعمال می‌کند را شناسایی کند؛ در نتیجه در دفعات بعدی سلیقه کاربر را نیز در طراحی جدول دخالت می‌دهد و از همان جدولی که با علایق کاربر همخوانی دارد استفاده می‌کند. حتی رنگ نمودارها نیز با سلیقه کاربر تنظیم می‌شوند.
ادوب فوتوشاپ سی‌اس این امکان را برای کاربرانش فراهم کرده که با کلیک کردن روی یک منو، تصویر دلخواه خود را انتخاب کنند. تکنولوژی تشخیص چهره و سیستم‌های معنایی نقش بسیار مهمی در این قابلیت ایفا می‌کنند، به این ترتیب که وقتی کاربر عکس یک نفر را انتخاب می‌کند، فراداده به‌روزرسانی می‌شود و تصاویر فرد مورد نظر در فایل‌های فوتوشاپ مورد جستجو قرار گرفته و شناسایی می‌شوند. تمامی اتفاقات بدون اطلاع کاربر و در پشت پرده انجام می‌گیرند.
تعداد زیادی از نرم‌افزارهایی که امروزه با آن‌ها سروکار داریم، نمونه آشکاری از هوش مصنوعی نیستند، ولی هوش مصنوعی در پس‌زمینه آن‌ها به کار گرفته شده است. ارائه پیشنهاد، انجام طبقه‌بندی و شناسایی، گردهم‌آوری انتخاب‌های مختلف برای انجام فرآیند تصمیم‌گیری و تصمیم‌گیری خودکار، همگی امکاناتی هستند که زیر سایه هوش مصنوعی رشد کرده‌اند. این روند همچنان ادامه خواهد داشت.
.
جمع‌بندی
برخی استدلال می‌کنند که هوش مصنوعی، به تنهایی یک تکنولوژی واقعی به شمار نمی‌رود؛ بلکه مجموعه‌ای از تکنولوژی‌های آینده‌نگرانه است که معمولا در پایان یک چرخه کسب‌وکاری صعودی ظهور می‌کنند. برخی از این تکنولوژی‌ها، مانند وسایل نقلیه خودران سطح 5 معتبر، سیستم‌های مخابراتی کوانتومی و حتی هوش مصنوعی عمومی، سال‌ها یا دهه‌ها با ما فاصله دارند. امروز بذر تحقیق در مورد این تکنولوژی‌ها کاشته شده و انتظار می‌رود که در سال‌های آینده این بذر رشد کرده و به درختی بارور تبدیل شود. حتی وقوع یک بحران اقتصادی نیز نمی‌تواند جلوی پیشرفت مجموعه تکنولوژی‌های هوش مصنوعی را بگیرد.
در یک تعریف کلی، می‌توان گفت هوش مصنوعی عبارت است از فرآیند آموزش کامپیوترها برای مدیریت همزمان سطوح انتزاعی مختلف. این تکنولوژی پای خود را در زندگی ما باز کرده و ماندگار خواهد شد.
منبع: فوربس
