راه پرداخت؛ پرمخاطب‌ترین رسانه فین‌تک ایران

با هفت الگوی اساسی هوش مصنوعی آشنا شوید

0

موارد کاربرد هوش مصنوعی بسیار است. وسایل نقلیه خودران، اپلیکیشن‌های تحلیلی پیشگویانه، تشخیص چهره، چت‌بات‌ها، دستیارهای مجازی، اتوماسیون شناختی و تشخیص تقلب، همگی جزو موارد کاربرد هوش مصنوعی به شمار می‌روند. این برنامه‌های کاربردی، در کنار تفاوت‌های موجود، وجه اشتراک‌هایی نیز با یکدیگر دارند.

کسانی که صدها یا هزاران پروژه هوش مصنوعی را انجام داده باشند، می‌دانند که تمامی انواع برنامه‌های کاربردی هوش مصنوعی، در یکی از هفت الگوی زیر قرار می‌گیرند. این هفت الگو عبارتند از: ابرشخصی‌سازی، سیستم‌های خودگردان، تحلیل‌های پیشگویانه و پشتیبانی از تصمیم‌گیری، تعاملات انسانی / مکالمه‌ای، الگوها و ناهنجاری‌ها، سیستم‌های شناسایی و سیستم‌های هدف محور.

هر رویکرد مشخص در هوش مصنوعی، به برنامه‌نویسی و طراحی خاص خود احتیاج دارد. فرقی نمی‌کند که چه ترکیبی از این روندها مورد استفاده قرار می‌گیرند، تمامی روندها از مجموعه‌ای استاندارد از قوانین پیروی می‌کنند. بنا به نوع سرویس هوش مصنوعی که عرضه می‌شود، یکی از این الگوها یا ترکیبی از آن‌ها مورد استفاده قرار می‌گیرند.

.

الگوی ابر شخصی‌سازی: با هر مشتری به عنوان یک شخصیت جداگانه برخورد کنید

الگوی ابر شخصی‌سازی عبارت است از استفاده از یادگیری ماشین برای توسعه یک پروفایل از هر کاربر و سپس بهره‌مندی از آن پروفایل برای یادگیری و ایجاد انطباق در گذر زمان. چندین هدف برای این کار وجود دارد؛ نمایش دادن محتوای متناسب، پیشنهاد دادن محصولات مناسب، ارائه توصیه‌های شخصی‌سازی شده و چندین مورد دیگر، نمونه‌هایی از این اهداف به شمار می‌روند. هدف این الگو آن است که با هر شخص، به عنوان یک فرد مجزا رفتار شود.

پیاده‌سازی الگوی خاص ابر شخصی‌سازی، شامل تولید توصیه‌های شخصی‌سازی شده بر مبنای الگوهای مرور و جستجو است. نتفلیکس نمونه‌ای از شرکت‌هایی است که در حال حاضر چنین نوعی از تکنولوژی را به کار گرفته است.

این شرکت از هوش مصنوعی برای پیشنهاد دادن مجموعه‌های تلویزیونی و فیلم‌های سینمایی بر مبنای انتخاب‌های شخصی استفاده می‌کند. یک مثال دیگر کمپانی استارباکس است که برای ارتباط با پایگاه مشتریانش از ابر شخصی‌سازی بهره می‌برد.

ابر شخصی‌سازی تنها به صنعت بازاریابی محدود نمی‌شود. صنایعی مانند امور مالی، مراقبت‌های سلامتی، برنامه‌های آمادگی جسمانی شخصی‌سازی شده و برنامه‌های کاربردی تندرستی نیز می‌توانند از قابلیت‌های این تکنولوژی بهره‌مند شوند. یکی از کاربردهایی که می‌تواند بیشترین بهره را از ابر شخصی‌سازی ببرد، امور مالی و وام‌دهی است.

در ایالات متحده، برای طبقه‌بندی افراد از نظر ارزش اعتباری و جریمه کردن اشخاصی که فاقد تاریخچه اعتباری هستند، از امتیاز اعتباری فیکو استفاده می‌شود. اگر بخواهیم امتیاز سنتی فیکو را کنار بگذاریم و چیزی را ابداع کنیم که با هر شخص، به عنوان یک فرد جداگانه رفتار می‌کند، ابتدا لازم خواهیم داشت که تصویری دقیق را از افراد تهیه کنیم تا ارزیابی کنیم که تا چه حد احتمال دارد در بازپرداخت وام خوش حق و حساب ظاهر شوند.

.

الگوی سیستم‌های خودگردان: کاهش نیاز به نیروی کار دستی

سیستم‌های خودگردان، نرم‌افزارهایی فیزیکی و مجازی و سیستم‌های سخت‌افزاری هستند که می‌توانند یک وظیفه مشخص انجام دهند، به هدف دست پیدا کنند، با محیط اطراف خود تعامل برقرار کنند و با حداقل مداخله انسانی، مسئولیت تعیین شده را به پایان برسانند. درست است که هدف ابر شخصی‌سازی، ایجاد تمایز بین افراد است؛ ولی در سیستم‌های خودگردان مقصود آن است که با کمتر دخالت انسان، کارها را به شکلی ساده و موثر اجرا کنیم. در الگوی خودگردان باید از قابلیت‌های یادگیری ماشین استفاده کنیم تا سیستم بتواند دنیای خارج را به شکل مستقل درک کند، رفتار آتی عناصر خارجی را پیش‌بینی و برای مقابله با این تغییرات برنامه‌ریزی کند.

کاربردهای بارز الگوی مذکور عبارتند از: ماشین‌های خودران و انواع مختلف وسایل نقلیه، مانند خودرو، قایق، قطار، هواپیما و غیره که به صورت مستقل حرکت می‌کنند. مستندسازی و تولید دانش به صورت خودگردان، پردازش تجارت به شکل خودگردان و اتوماسیون شناختی نیز در زیرمجموعه این الگو قرار می‌گیرند. همچنین سیستم‌هایی که قابلیت کار نزدیک با انسان‌ها را داشته باشند نیز جزو همین دسته هستند. مثلا تصمیم‌‌گیری مبتنی بر سلیقه، یکی از همین سیستم‌ها به شمار می‌رود.

.

تحلیل‌های پیشگویانه مبتنی بر هوش مصنوعی

یکی دیگر از الگوهای هوش مصنوعی، تحلیل‌های پیشگویانه و پشتیبانی از تصمیم‌گیری است. در تعریف این الگو می‌توان گفت: استفاده از یادگیری ماشین و سایر رویکردهای شناختی برای درک رفتارهای گذشته و حال. شناختی که از این طریق کسب می‌شود، در پیش‌بینی نتایج آینده و کمک به انسان‌ها در تصمیم‌گیری موارد مربوط به آینده به کار گرفته می‌شود. هدف الگوی مذکور، آن است که به انسان‌ها کمک کند تا تصمیم‌گیری بهتری داشته باشند.

کمک به جستجو و بازیابی، پیش‌بینی ارزش داده‌ها در آینده، پیش‌بینی رفتار، پیش‌بینی شکست، کمک به حل مساله، شناسایی و انتخاب بهترین گزینه، شناسایی هماهنگی‌های موجود در داده‌ها، بهینه‌سازی فعالیت‌ها، دادن مشاوره و مسیریابی هوشمند جزو موارد کاربرد الگوی تحلیل‌های پیشگویانه مبتنی بر هوش مصنوعی به شمار می‌روند.

ایده اصلی آن است که با فراهم کردن قابلیت‌های هوش افزوده، به اتخاذ تصمیم‌های بهتر کمک کنیم. یادگیری ماشین ابزاری است که به انسان‌ها کمک می‌کند تا تصمیم‌گیری بهتری داشته باشند. این تکنولوژی با گذشت زمان سازگاری پیدا کرده و نتایج بهتری را ارائه می‌دهد.

.

الگوی مکالمه‌ای: ماشین‌هایی که همانند انسان‌ها تعامل برقرار می‌کنند

تعاملات انسانی / مکالمه‌ای یکی دیگر از الگوی هوش مصنوعی محسوب می‌شود. تعریف این الگو عبارت است از: تعامل انسان‌ها و ماشین‌ها با یکدیگر از طریق روش‌های مکالمه‌ای تعامل و محتوا مانند صدا، متن و تصویر. تعامل ماشین با ماشین، انسان با ماشین و ترکیبی از این دو حالت، در گستره این الگو قرار می‌گیرند. هدف الگوی مکالمه‌ای آن است که ماشین‌ها را توانمندسازی کند تا به شیوه تعاملات انسانی، با انسان‌ها به گفت‌وگو بپردازند.

از جمله نمونه‌های این الگو می‌توان به چت‌بات‌ها، دستیاران صوتی و تحلیل‌های احساسات و خلق‌وخو اشاره کرد. نکته مهم و جالب توجه آن است که الگوی مذکور تلاش می‌کند تا قصد و نیت پشت تعاملات انسانی را شناسایی کند. امکان برقراری تعامل انسان با انسان از طریق ترجمه نیز یکی از موارد کاربرد الگوی مکالمه‌ای به شمار می‌رود. به صورت خلاصه می‌توان گفت: این الگو به وسیله ابزارهایی طبیعی و ساده، راهی آسان برای برقراری تعامل انسان با انسان و انسان با ماشین ایجاد می‌کند.

.

شناسایی الگوها و ناهنجاری‌ها با استفاده از هوش مصنوعی

یادگیری ماشین کاربرد بسیاری خوبی در شناسایی الگوها و تشخیص ناهنجاری‌ها دارد. الگوی تطابق با الگو، یکی از رویکردهایی است که به شکلی مکرر در پروژه‌های هوش مصنوعی به کار گرفته شده و با استقبال گسترده و رو به رشدی مواجه شده است. هدف از شناسایی الگوها و ناهنجاری‌ها آن است که به منظور درک الگوهای موجود در داده، یادگیری ارتباطات مرتبه بالاتر بین نقاط داده و شناسایی تطابق یا ناهماهنگی الگوی موجود، از یادگیری ماشین و دیگر رویکردهای شناختی استفاده کنیم. از این رو هدف چنین تعریف شده است: یافتن هماهنگی‌ها و پرتی‌ها در داده‌های موجود.

ردیابی تقلب، کلاهبرداری و شناسایی موارد غیر طبیعی از کاربردهای الگوی مذکور هستند. از سایر کاربردهای این الگو می‌توان به تشخیص الگوی موجود در داده‌ها و کمک به کمینه‌سازی یا حذف خطاهای انسانی اشاره کرد. متن‌های پیشگویانه نیز در زیر مجموعه شناسایی الگوها و ناهنجاری‌ها قرار می‌گیرند. در این روش، الگوهای موجود در گفتار و گرامر مورد تجزیه‌وتحلیل قرار می‌گیرند تا با پیشنهاد دادن کلمات جدید، سرعت فرآیند نوشتن افزایش پیدا کند.

.

ماشین‌ها می‌توانند دنیا را بشناسند: الگوی شناسایی

یکی از بزرگترین مزایای یادگیری ماشین عبارت است از: استفاده از یادگیری عمیق برای بهبود قابل توجه دقت در امور مرتبط با شناسایی، طبقه‌بندی و تعیین هویت؛ مانند تشخیص تصویر، ویدیو، صدا و شی. الگوی شناسایی را این گونه تعریف می‌کنند: استفاده از یادگیری ماشین و سایر رویکردهای شناختی برای شناسایی و سنجش اشیا و سایر موارد مورد نظر در تصویر، ویدیو، صدا، متن و سایر قالب‌های اولیه داده‌ ساختارنیافته. هدف این الگو استفاده از ماشین برای تشخیص و درک موارد مختلف است.

از کاربردهای این الگو می‌توان تشخیص تصویر و اشیا، تشخیص چهره، تشخیص صدا، تشخیص دست‌خط و متن و تشخیص حرکت را نام برد. الگوی شناسایی جزو الگوهایی است که به خوبی توسعه داده شده، با استقبال گسترده‌ای روبرو شده و در کامپیوترها به کار گرفته شده است. تعداد شرکت‌هایی که سرمایه‌گذاری‌های باارزشی را در حوزه سیستم‌های شناختی انجام داده‌اند، زیاد است. یکی از نمونه‌های بارز شرکت‌هایی که سرمایه‌گذاری‌های چشمگیری در مورد هوش مصنوعی انجام داده، سنس‌تایم است. این شرکت تمرکز خود را به کاربردهای تشخیص چهره معطوف کرده است. دولت چین در تلاش است تا الگوی مذکور را به شکلی گسترده پیاده‌سازی کند و برای رسیدن به این هدف، سرمایه‌گذاری‌های چشمگیری را انجام داده‌ است.

.

حل معما: سیستم‌های هدف محور

ماشین‌ها به خوبی ثابت کرده‌اند که در یادگیری قوانین بازی‌ها و شکست دادن انسان‌ها در بازی‌های کامپیوتری بسیار ماهر هستند. از گذشته تاکنون، ماشین‌ها به راحتی بازی‌هایی مانند دوز، شطرنج و پیدا کردن راه در مارپیچ را به تسلط خود درآورده‌اند. به لطف یادگیری تقویتی و قابلیت‌های محاسباتی پیشرفته، ماشین‌ها در بازی‌هایی مانند گو، دوتا و بسیاری دیگر از بازی‌های پیچیده پیروز می‌شوند. بخش دیپ‌مایند گوگل با این دیدگاه که کامپیوترها می‌توانند در جریان بازی، یادگیری داشته باشند، بازی‌هایی مانند آلفا گو و آلفا زیرو را طراحی کرده و توسعه داده است. بازی‌ها آغاز راه هستند و مقصد، پیشرفت‌های غیرمنتظره‌ای است که در حل مسائل مرتبط با هوش مصنوعی عمومی اتفاق خواهد افتاد.

سیستم‌های هدف محور تنها به بازی‌ها محدود نمی‌شوند. یادگیری تقویتی و سایر فنون یادگیری ماشین از قابلیت‌های بسیاری برخودارند. سازمان‌ها با به‌کارگیری یادگیری ماشین و سایر رویکردهای شناختی می‌توانند سیستم‌های خود را به توانایی آزمون و خطا مجهز کنند. در موقعیت‌هایی که بخواهیم پاسخی بهینه برای یک مساله پیدا کنیم، این امر می‌تواند بسیار کمک کننده باشد. اصلی‌ترین رویکرد در الگوی سیستم‌های هدف محور، به‌کارگیری یادگیری تقویتی است. بازی‌های کامپیوتری، بهینه‌سازی منابع، حل مسائل تکرارشونده، پیشنهاد قیمت و مزایده‌های آنی نمونه‌هایی از موارد کاربرد سیستم‌های هدف محور محسوب می‌شوند. درست است که الگوی سیستم‌های هدف محور هنوز به صورت گسترده پیاده‌سازی نشده‌، ولی میزان استقبال از آن‌ در حال افزایش است.

.

ترکیب الگوها به منظور کسب موفقیت در پروژه‌های مبتنی بر هوش مصنوعی

شاید به نظر برسد که الگوهای هفتگانه ذکر شده، ماهیتی مجزا دارند و به صورت جداگانه در پروژه‌های معمول هوش مصنوعی به کار گرفته می‌شوند، ولی واقعیت این است که سازمان‌ها به منظور تحقق بخشیدن به اهداف خود، دو یا چند مورد از این الگوها را با یکدیگر ترکیب می‌کنند. اگر شرکت‌ها بخش‌های مختلف پروژه‌های هوش مصنوعی خود را بر مبنای الگوهای ذکر شده طبقه‌بندی کرده و مورد پردازش قرار دهند، در برنامه‌ریزی و اجرای آن‌ها عملکرد بهتری خواهند داشت. در واقع، تمرکز روش‌های نوین این است که از الگوهای هفتگانه در جهت پیشبرد برنامه‌ریزی‌ پروژه‌های هوش مصنوعی استفاده کنند.

به عنوان مثال، اگر بدانید که در حال کار روی یک الگوی شناسایی هستید، به شکل راحت‌تر و بهتری می‌توانید در مورد گستره وسیعی از راهکارهای مورد استفاده در این حوزه اطلاعات کسب کنید، داده‌های مورد نیاز برای تقویت الگو را بشناسید، با کاربردها و نمونه‌های آزمایشی الگو آشنا شوید و در مورد توسعه الگوریتم و مدل اطلاعاتی را کسب کنید. به طور خلاصه، با تشخیص الگوهای هفتگانه ذکر شده، به شکل موثری می‌توانید در مورد نحوه سرعت بخشیدن به انجام یک پروژه باکیفیت مبتنی بر هوش مصنوعی آگاهی پیدا کنید.

درست است که هوش مصنوعی هنوز در مراحل اولیه پذیرش خود قرار دارد؛ ولی روشن است که شناسایی و استفاده از این الگوها، به موسسات کمک خواهد کرد تا پروژه‌های هوش مصنوعی خود را با سرعت بالاتری عملی کنند، از انجام تحقیقات تکراری بپرهیزند و شانس بیشتری برای موفقیت داشته باشند.

منبع: فوربس

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.