بهترین راهنمای درک هوش مصنوعی برای مبتدیان

 

درک هوش مصنوعی یک منبع حیاتی برای افرادی است که تازه وارد دنیای هوش مصنوعی شده‌اند. این مقاله به مفاهیم اساسی هوش مصنوعی می پردازد و به مبتدیان کمک می‌کند تا مفهوم‌ها، الگوریتم‌ها، و کاربردهای آن را درک کنند. در این مقاله به معرفی کلی زیرشاخه های هوش مصنوعی خواهیم پرداخت.

آنچه در این مقاله خواهید خواند:

• معرفی
• هوش مصنوعی چیست؟
• پیش نیازهای یادگیری هوش مصنوعی
• مفاهیمی که در آغاز سفر به دنیای هوش مصنوعی باید بدانید.
• زیرشاخه های هوش مصنوعی
• منابعی که در آغاز این راه به شما کمک می کنند.
• نتیجه گیری

معرفی
این روزها، هوش مصنوعی موضوع جذابی برای بحث است اما این موضوع هم چنان در جامعه ناشناخته و نیازمند شفاف سازی است. از نگاه افرادی که در این حوزه تخصص و مطالعه ای ندارند، هوش مصنوعی نوعی ربات است که در انجام کارهای مختلف به انسان کمک می کند. در ادامه به بررسی صحت این باور عمومی می پردازیم.

 

هوش مصنوعی چیست؟

ایده هوش مصنوعی به هزاران سال پیش بر می گردد. در دوران باستان مخترعان، اشیائی را می ساختند که به صورت خودکار کار می کردند. در دهه 1950 میلادی، علاقه به هوش مصنوعی به اوج رسید. جان مک کارتی، یکی از بزرگترین نوآوران در علوم کامپیوتر و هوش مصنوعی، در اواسط این دهه اصطلاح هوش مصنوعی را ابداع کرد. در آن زمان هوش مصنوعی را ماشینی تعریف می کردند که قادر به انجام کارهایی است که نیاز به هوش انسانی دارد. این تعریف بسیار گسترده است و در طی این سال ها همگام با پیشرفت های تحقیقاتی این حوزه تغییر کرده است.

هوش مصنوعی، یک تخصص در علوم کامپیوتر است و به ایجاد سیستم هایی می پردازد که توانایی تصمیم گیری و حل مسئله داشته باشند. پیش بینی می شود این سیستم ها در بالاترین سطح خود به هوشی برابر و حتی فراتر از انسان دست یابند.

ابزارهای هوش مصنوعی با تجزیه و تحلیل داده های بزرگ و استفاده از آن ها در ساخت الگوریتم ها و الگوهای گوناگون به یادگیری می پردازند و از آموخته های خود در پیش بینی و تصمیم گیری استفاده می کنند. داده ها در هوش مصنوعی می توانند تصاویر، ویدیوها، متون و غیره باشند. این داده ها، پایه و اساس فناوری هوش مصنوعی هستند و مانند یک سوخت برای سیستم های AI عمل می کنند.

 سیستم های هوش مصنوعی بر اساس قابلیت های خود به سه دسته تقسیم می شوند:

 

• هوش مصنوعی Narrow : 

ANI رایج ترین سیستم های هوش مصنوعی از این نوع هستند. به هوش مصنوعی Narrow، هوش مصنوعی ضعیف می گویند. این گروه به دلیل قابلیت های محدودی که دارد، به این نام خوانده می شود. سیستم های هوش مصنوعی ضعیف، برای انجام وظایف معینی برنامه نویسی شده اند و تنها در زمینه خاصی می توانند هوشمندانه رفتار کنند. برخلاف انسان ها، این سیستم ها برای ایجاد تغییرات جزئی در رفتار خود، نیازمند نیروی انسانی جهت برنامه ریزی و پیکربندی مجدد هستند؛ زیرا آن ها قادر نیستند خود را با اهداف و شرایط محیطی جدید، تطبیق دهند و تصمیم گیری درست داشته باشند. دستیارهای صوتی مانند سیری (Siri) در اپل و نرم افزارهای تشخیص چهره در این دسته قرار می گیرند.

 

• هوش مصنوعی عمومی (AGI):

 هوش مصنوعی عمومی به سیستم هایی گفته می شود که قادر هستند درک کنند، یاد بگیرند و وظایف انسانی زیادی را انجام دهند. هدف این گروه رسیدن به هوش انسانی است. این سیستم ها به گونه ای طراحی می شوند که توانایی یادگیری و سازگاری با محیط پیرامون و موقعیت های جدید را داشته باشند. ابزارهای AGI می توانند تجزیه و تحلیل کنند و ایده های پیچیده را درک کنند. آن ها می توانند مشکلات را به روشی شبیه به هوش انسان حل کنند.

این دسته از سیستم های مصنوعی یکی از موضوعات تحقیقاتی حال حاضر است. با وجود پیشرفت های خیره کننده ای که هوش مصنوعی تا به امروز داشته است، AGI همچنان یک مفهوم نظری است و با چالش های زیادی روبرو است.

 

• ابرهوش مصنوعی (ASI):

این دسته از هوش مصنوعی در واقع بالاترین سطحی است که ممکن است در آینده ساخته شوند. اگر روزی سیستم های هوش مصنوعی بتوانند در هر زمینه ای از هوش انسانی پیشی بگیرند، به این دسته تعلق خواهند گرفت. برخلاف سیستم های AGI  که مبتنی بر طراحی های انسانی هستند، سیستم های هوش مصنوعی فوق بشری می توانند خود را اصلاح کنند و رفتار خود را بهبود بخشند. بنابراین به سرعت می توانند از هوش انسانی پیشی بگیرند. در حال حاضر در مورد ASI تردیدها، حدس و گمان های زیادی وجود دارند.

 

پیش نیازهای یادگیری هوش مصنوعی

امروزه هوش مصنوعی و یادگیری ماشین بسیار پرطرفدار و محبوب هستند. بسیاری از مبتدیان و علاقمندان به این حوزه ها به دنبال فرصت شغلی در این زمینه هستند. چرا که مشاغل زیادی در این زمینه ها وجود دارند.

هوش مصنوعی، شاخه ای از علوم کامپیوتر است که به توسعه ماشین های هوشمند می پردازد تا این ماشین ها بتوانند رفتاری انسانی داشته باشند. یادگیری ماشین زیرمجموعه ای از هوش مصنوعی است که ماشین ها را قادر می سازد تا با استفاده از داده ها و تجربیات گذشته به پیش بینی بپردازند و با دقت بیشتری بیاموزند. در نتیجه، امروزه برای بهبود مهارت ها و کسب و کارها، استفاده از این دو فناوری مهم است.

 

برای ورود به حوزه هوش مصنوعی و یادگیری ماشین، دانستن پیش نیازهایی الزامی است که در ادامه به آن ها می پردازیم:

 

• دانش ریاضیات:

برای شروع فعالیت در زمینه های مختلف هوش مصنوعی، داشتن دانش کاملی از ریاضیات و مفاهیم گوناگون آن مانند آمار و احتمالات، جبرخطی، ماتریس ها و غیره برای ایجاد الگوریتم ها و قابلیت های منطقی که در نرم افزارها و سیستم ها استفاده می شوند، ضروری است.

 

• دانش برنامه نویسی:

برای یادگیری اصول و روش نوشتن کدها، باید دانش کاملی از زبان های برنامه نویسی مانند LISP، R، Python، C++، Java، Prolog و غیره داشت.

 

• مهارت های تحلیلی:

مهارت تحلیلی به معنی داشتن توانایی هایی نظیر تفکر انتقادی، تجزیه و تحلیل داده ها، توانایی تصمیم گیری و حل مسئله است. بنابراین برای ورود به حوزه های AI باید این مهارت های مهم را در خود تقویت کرد.

 

• درک الگوریتم های پیچیده:

در هوش مصنوعی از الگوریتم های مختلفی برای یادگیری رایانه ها استفاده می شود. بنابراین توانایی درک الگوریتم های پیچیده در این حوزه اهمیت بسیاری دارد. تعدادی از الگوریتم های مهم که برای شروع کار با هوش مصنوعی باید بدانید عبارتند از:

• الگوریتم های طبقه بندی
• الگوریتم های رگرسیون
• الگوریتم های خوشه بندی

 

در بخش های بعد به توضیح این الگوریتم ها خواهیم پرداخت.

• دانش مدل سازی آماری:

مدل سازی آماری، به استفاده از مدل های ریاضی و فرضیات آماری برای ایجاد داده های آموزشی و پیش بینی نتایج گفته می شود. به عبارت دیگر، مدل آماری مجموعه ای از توزیع های احتمال بر روی تمام نتایج ممکن یک آزمایش است. دانش مدل سازی آماری یکی از ابزارهای مهم در فناوری هوش مصنوعی است.

 

• دانش مدل سازی داده:

به مطالعه ساختار مجموعه داده ها برای یافتن الگوهای پنهان آن ها، مدل سازی داده می گویند. یادگیری ماشین بر پایه استفاده از داده ها و مدل سازی آن ها است. بنابراین برای شناسایی خطاها و مدل سازی در یادگیری ماشین، دانش گسترده ای از داده ها و مدل سازی داده مورد نیاز است.

 

مفاهیمی که در آغاز سفر به دنیای هوش مصنوعی باید بدانید.

• ریاضیات

ریاضیات از علوم بسیار کاربردی در هوش مصنوعی است. همه الگوریتم ها و مدل های هوش مصنوعی بر پایه ریاضیات هستند. بنابراین تخصص در ریاضیات برای درک و به کارگیری مناسب الگوریتم ها در هوش مصنوعی ضروری است. در ادامه به مهارت های مهمی که باید برای ورود به حوزه هوش مصنوعی داشت، اشاره می کنیم:

• آمار و احتمال: آمار و احتمال اصلی ترین بخش تجزیه و تحلیل داده است. بنابراین به طور گسترده ای در یادگیری ماشین و به دنبال آن در هوش مصنوعی کاربرد دارند.
  
  
• جبر خطی: برای متخصص شدن در یادگیری ماشین و هوش مصنوعی لازم است که مهارت خود را در جبر خطی تقویت کنید. جبر خطی، برای درک نحوه عملکرد الگوریتم ها و پیاده سازی آن ها مورد نیاز است.
  
  
• حساب دیفرانسیل و انتگرال: دانش حساب دیفرانسیل و انتگرال برای درک کاربردهای مهم یادگیری ماشین نیاز است. در یادگیری ماشین، برای فرمول بندی توابعی که در آموزش الگوریتم ها به کار برده می شوند، از مفاهیم حساب دیفرانسیل استفاده می شود.

 

• برنامه نویسی

یکی از بخش های مهم هوش مصنوعی، برنامه نویسی است. برنامه های هوش مصنوعی با استفاده از زبان های برنامه نویسی گوناگون توسعه داده می شوند. هر کدام از این زبان ها دارای کاربرد خاصی هستند. بنابراین توسعه دهندگان هوش مصنوعی برای ایجاد سیستم های هوش مصنوعی با توجه به پروژه، زبان برنامه نویسی مناسب را انتخاب می کنند. در ادامه به معرفی پرکاربردترین زبان های برنامه نویسی در این حوزه می پردازیم:

• پایتون: پایتون که زبانی ساده و خوانا است به عنوان مناسب ترین زبان برنامه نویسی در حوزه هوش مصنوعی شناخته می شود. پایتون کاربرد گسترده ای در محاسبات علمی، علوم داده و یادگیری ماشین دارد.
  
  
• جاوا: جاوا یک زبان برنامه نویسی محبوب در توسعه هوش مصنوعی است. این زبان برنامه نویسی شیء گرا، به جهت سادگی کاربرد ویژه ای در ارائه اپلیکیشن های موبایل، نرم افزار و توسعه هوش مصنوعی دارد.
  
  
• جاوا اسکریپت: اکثر توسعه دهندگان وب از زبان جاوا اسکریپت، در هر دو بخش بک اند و فرانت اند، برای طراحی وب سایت های پویا و ایمن استفاده می کنند. بنابراین این زبان برنامه نویسی می تواند به توسعه سریع، افزایش عملکرد و امنیت بالای نرم افزارهای هوش مصنوعی کمک کند.

 

• الگوریتم ها

برای ورود به دنیای هوش مصنوعی و معرفی الگوریتم هایی که نیاز است بدانیم، ابتدا لازم است یک تعریف کلی از الگوریتم را ارائه دهیم. الگوریتم، مجوعه ای از دستورالعمل ها است که به صورت گام به گام انجام می شوند. این دستورالعمل ها در آخر به حل یک مسئله یا انجام یک محاسبه منجر می شوند. برخی از الگوریتم ها در پردازش داده ها مورد استفاده قرار می گیرند. بنابراین الگوریتم ها در سیستم های هوشمند، نقش مهمی را ایفا می کنند. در ادامه تعدادی از پرکاربردترین الگوریتم ها را در هوش مصنوعی توضیح می دهیم:

• الگوریتم های رگرسیون: الگوریتم های رگرسیون یکی از الگوریتم های یادگیری ماشین هستند. این الگوریتم ها برای پیش بینی یک متغیر که به یک یا چند متغیر مستقل وابسته است، استفاده می شوند. در این الگوریتم ها، با استفاده از داده های تست یک مدل رگرسیون ساخته می شود و با کمک آن، مقدار متغیر وابسته برای داده های جدید پیش بینی می شود.
  
  
• الگوریتم های طبقه بندی: این الگوریتم ها، گروهی دیگر از الگوریتم های یادگیری ماشین هستند که برای پیش بینی یک متغیر دسته ای، از داده های ورودی استفاده می کنند. هدف این الگوریتم ها، پیش بینی گروهی است که داده های ورودی به آن تعلق دارند.
  
  
• الگوریتم خوشه بندی: این الگوریتم ها، الگوریتم هایی هستند که با توجه به ویژگی های داده ها آن ها را به گروه های مشابه به یکدیگر تقسیم می کنند. هدف اصلی این الگوریتم ها، پیدا کردن الگوهای موجود در داده ها و ایجاد دسته های مشابه یکدیگر است.

                           

• مدل سازی

مهارت های مدل سازی، توانایی های فنی و خلاقانه برای طراحی، ساخت، آزمایش و پیاده سازی راه حل های هوش مصنوعی برای بهبود عملکرد سیستم های مختلف هستند. مدل سازی در هوش مصنوعی به معنای ساخت یک مدل محاسباتی است. این مدل محاسباتی باید بتواند یک رفتار هوشمندانه را برای انجام وظیفه ای معین شبیه سازی کند. هدف از مدل سازی، به دست آوردن الگوریتمی تعمیم یافته با استفاده از داده های آموزشی است که بتواند به پیش بینی پردازد. فرآیند مدل سازی در هوش مصنوعی از پنج مرحله تشکیل می شود:

• تعریف مسئله: در ابتدا باید داده های ورودی، داده های خروجی و وجود هر محدودیتی را برای مدل شناسایی کرد.
  
  
• جمع آوری و آماه سازی داده ها: پس از شناسایی دقیق مسئله، باید داده های با کیفیتی را برای آموزش و تست مدل به دست بیاوریم.
  
  
• انتخاب الگوریتم: در این مرحله باید الگوریتم های متناسب با نوع داده ها را برای مدل سازی پیدا کنیم.
  
  
• آموزش مدل: در این مرحله با استفاده از داده های جمع آوری شده، مدل یاد می گیرد الگوها را در داده ها بیابد و از آن ها برای پیش بینی دقیق آینده استفاده کند.
  
  
• ارزیابی مدل: در مرحله پایانی، داده های جدیدی به مدل داده می شود تا عملکرد مدل سنجیده شود.

 

زیرشاخه های هوش مصنوعی

حوزه هوش مصنوعی، حوزه ای بسیار گسترده است و به زیرشاخه هایی تقسیم می شود که مهم ترین آن ها را در ادامه معرفی خواهیم کرد:

 

• برنامه ریزی (Planning):

برنامه ریزی بخش مهمی از هوش مصنوعی است و به مجموعه دستوراتی که باید برای دستیابی به هدف موردنظر انجام شود، اشاره دارد. همانطور که انسان ها برای هر کاری که انجام می دهند، هدفی را در ذهن دارند و در جهت رسیدن به آن تلاش می کنند، برنامه ریزی در تمام برنامه های هوش مصنوعی برای گرفتن تصمیمات هوشمندانه و رسیدن به اهداف، نقش مهمی را ایفا می کند. هر سیستم برنامه ریزی، نیازمند دانستن طرح و هدف وظیفه است.

 

• رباتیک (Robotics):

رباتیک شاخه ای از هوش مصنوعی و مهندسی است که برای طراحی و ساخت ربات ها استفاده می شود. ربات ها، ماشین های برنامه ریزی شده ای هستند که توانایی انجام وظایف را به صورت خودکار یا نیمه خودکار دارند. با پیاده سازی سیستم های هوش مصنوعی بر روی این ربات ها، می توان آن ها را هوشمند کرد تا بتوانند با استفاده از هوش خود و بدون دخالت مستقیم انسان ها وظایف پیچیده تری را انجام دهند. همچنین این ربات ها می توانند با بهره گیری از یادگیری ماشین با انسان ها ارتباط برقرار کنند.

  

• سیستم خبره (Expert System):

سیستم خبره یک سیستم هوش مصنوعی است که تلاش می کند مانند یک متخصص انسانی در زمینه های خاص تصمیم گیری کند. سیستم های خبره از دو بخش اصلی پایگاه داده و موتور استنتاج تشکیل شده اند. سیستم های خبره توسط موتور استنتاج، اطلاعات مربوط به یک مشکل و یا زمینه خاص را از پایگاه های داده خود که توسط متخصصان انسانی ایجاد شده اند، استخراج می کنند. به این صورت به سوالات مختلف مانند یک متخصص در تمام حوزه ها پاسخ می دهند. این سیستم ها در تشخیص های پزشکی، برنامه ریزی مالی و پیدا کردن خطا در سیستم های پیچیده کاربرد دارند.

 

• یادگیری ماشین (Machine Learning):

یادگیری ماشین شاخه ای از هوش مصنوعی است که با استفاده از داده ها و الگوریتم ها، به ماشین ها اجازه می دهد تا از داده ها و تجربیات گذشته خود یاد بگیرند. الگوریتم های یادگیری ماشین با به کارگیری داده های قدیمی، که داده های تست نیز نامیده می شوند، یک مدل ریاضی می سازند که بدون دخالت مستقیم انسان ها به پیش بینی و تصمیم گیری می پردازد.

روند فعالیت یک سیستم یادگیری ماشین، به صورتی است که در ابتدا از داده های تست یاد می گیرد، مدل های پیش بینی را با استفاده از علوم کامپیوتر و آمار می سازد و با توجه به داده های جدیدی که دریافت می کند، خروجی را پیش بینی می کند. هر چه کیفیت اطلاعات بهتر باشد و تعداد داده های بیشتری را در اختیار ماشین قرار دهیم عملکرد سیستم بهینه تر و دقیق تر خواهد بود.

 

یادگیری ماشین به طور کلی در چهار دسته طبقه بندی می شود:

• یادگیری تحت نظارت:

یادگیری نظارت شده نوعی روش یادگیری ماشین است که در آن داده های برچسب گذاری شده را به عنوان نمونه به ماشین می دهند. ماشین با استفاده از داده ها و تجزیه و تحلیل آن ها، مدلی را برای درک مجموعه داده ها و یادگیری آن ایجاد می کند که می تواند به پیش بینی داده های ناشناخته آینده بپردازد.

• یادگیری بدون نظارت:

در یادگیری بدون نظارت، داده هایی به ماشین داده می شوند که فاقد برچسب گذاری و طبقه بندی هستند. ماشین با استفاده از این داده ها، الگوها و ساختارهای موجود در آن ها را می یابد و از آن ها برای انجام وظایف خاص استفاده می کند.

• یادگیری تقویتی:

در این روش یادگیری، یک عامل هوشمند با تجربه و تعامل با محیط و دریافت سیگنال پاداش، عملکرد خود را در انجام یک وظیفه معین بهبود می بخشد.

• یادگیری عمیق:

یادگیری عمیق یکی از زیرمجموعه های یادگیری ماشین است که ماشین را برای انجام وظایف انسانی بدون دخالت انسان آموزش می دهد. در یادگیری عمیق که به منظور تقلید از مغز انسان و عملکردهای آن به کار گرفته می شود، می توان از یادگیری نظارت شده و بدون نظارت استفاده کرد.

 

• پردازش زبان طبیعی (Natural Language processing):

پردازش زبان طبیعی زیرمجموعه ای از علوم کامپیوتر و هوش مصنوعی است که به طور خلاصه NLP نامیده می شود. این زیرشاخه توانایی درک و پردازش زبان های انسانی مانند انگلیسی را به سیستم های کامپیوتری می دهد. NLP در سیستم های AI نقش مهمی را ایفا می کند. بدون NLP سیستم های AI نمی توانند دستور العمل های انسانی را درک کنند و انجام دهند. پردازش زبان طبیعی سیستم را برای برقراری ارتباط با کاربر به زبان های مختلف آماده می کند. این سیستم ها می توانند ورودی و خروجی هایی به صورت متن یا سخن داشته باشند. ابزارهای NLP وظایف مختلفی دارند که در ادامه به معرفی آن ها می پردازیم:

 

• تولید متن (Text generation):

تولید متن یکی از وظایف کلیدی در پردازش زبان طبیعی است که می تواند زبان انسانی را برای رایانه ها قابل درک و تولید کند. این امر با کمک الگوریتم ها و مدل های زبان، داده های ورودی را پردازش می کند و یک متن را به عنوان خروجی تولید می کند. با استفاده از داده های بزرگ متن الگوها، گرامر و اطلاعات متنی به مدل های هوش مصنوعی آموزش داده می شوند. این مدل ها، بر اساس الگوریتم هایی که یاد گرفته اند متن های جدیدی مانند یک جمله، داستان، مقاله و غیره ایجاد می کنند. GPT یکی از مدل های یادگیری عمیق است که توسط OpenAI برای درک عمیق از زبان طبیعی و تولید متن با موضوعات مختلف توسعه یافته است. از کاربردهای تولید متن در دنیای امروز می توان به موارد زیر اشاره کرد:

• تولید محتوا:

سیستم های هوش مصنوعی می توانند مقالات و متن های وبلاگ را با سرعتی بالا بنویسند.

• ربات های چت و دستیاران مجازی:

این ربات ها از تولید متن برای برقراری ارتباط با کاربران و ایجاد مکالمه استفاده می کنند. همچنین می توانند پرسش های کاربران را درک کنند و پاسخ های مناسب دهند.

• ترجمه زبان:

از مدل های تولید متن برای تقویت خدمات ترجمه زبان ها استفاده می شود. این مدل ها با تجزیه و تحلیل متن های ترجمه شده، ترجمه دقیق تری را ارائه می دهند.

• خلاصه سازی:

ای مدل ها می توانند مهم ترین نکات یک متن را شناسایی کنند و به صورت خلاصه به کاربر ارائه دهند.

• پاسخگویی سوالات (Question answering) :

مدل های پاسخگویی به سوال می توانند سوالات را درک و بررسی کنند و سپس پاسخ های دقیقی به آن ها بدهند. این فرآیند شامل تجزیه و تحلیل سوال ورودی، پیدا کردن اطلاعات مربوطه از مجموعه متن ها و ایجاد پاسخ مناسب برای سوال است. این مدل ها کاربردهای زیادی در ربات های چت، دستیاران مجازی و موتورهای جستجو دارند. اگر چه این مدل ها به دلیل نیاز به درک عمیق زبان طبیعی و داشتن توانایی استدلال و تفسیر اطلاعات از متن با چالش های زیادی روبرو هستند، اما می توان از آن ها در بهداشت و آموزش برای یافتن پاسخ سریع استفاده کرد.

• استخراج متن (Context extraction):

استخراج متن یکی از کارهای پردازش زبان طبیعی است که در آن اطلاعات مورد نیاز را از متن استخراج می کنند و برای اهداف معین از آن ها استفاده می کنند.

• طبقه بندی (Classification):

وظیفه اصلی در پردازش زبان طبیعی، طبقه بندی است. این مدل ها که با استفاده از یادگیری ماشین تحت نظارت آموزش می بینند، متن ها را می خوانند و بر اساس محتوا، آن ها را با سرعت و دقتی بالا در دسته هایی که در مرحله یادگیری ماشین به آن ها آموزش داده شده است، قرار می دهند.

• ترجمه ماشین (Machine translation):

مدل های ترجمه ماشین می توانند یک متن را به طور خودکار از زبانی به زبان دیگر ترجمه کنند. الگوریتم های پیشرفته ترجمه ماشینی که توسط شبکه های یادگیری عمیق توسعه یافته اند، ماشین های ترجمه را قادر می سازند تا ترجمه ای روان را متناسب با دستورات زبان و سایر عوامل زمینه ای در زبان هدف ارائه دهند. از جمله این عوامل زمینه ای می توان به اصطلاحات محلی اشاره کرد.

• بینایی (Vision):

بینایی، رشته ای از علوم کامپیوتر است که کامپیوترها را برای تقلید از سیستم بینایی انسان آموزش می دهد. این کامپیوترها می توانند اشیاء را در تصاویر و ویدیوها شناسایی و پردازش کنند. از کاربردهای این شاخه می توان به آشکارسازهای چهره اشاره کرد.

• تشخیص تصویر (Image recognition):

تشخیص تصویر، تکنیکی در هوش مصنوعی است که رایانه ها را قادر می سازد با استفاده از الگوریتم های یادگیری ماشین تصاویر را درک و تفسیر کنند. از این تکنیک، برای تشخیص بیماری با تجزیه و تحلیل تصاویر پزشکی استفاده می شود.

• بینایی ماشین (Machine vision):

بینایی ماشین یکی از کاربردهای بینایی کامپیوتری است. با این تکنولوژی، ماشین می تواند اطلاعات بصری را ضبط و تجزیه و تحلیل کند. سیستم های بینایی ماشین برنامه ریزی شده اند تا وظایفی مانند شمارش اشیاء، خواندن شماره سریال و غیره را انجام دهند.

• تشخیص گفتار (Speech Recognition):

تشخیص گفتار، یک  تکنولوژی است که به ماشین کمک می کند تا زبان گفتاری را بفهمد و آن را به زبانی قابل خواندن برای ماشین ترجمه کند. از تشخیص گفتار برای مکالمه با رایانه استفاده می شود. با کمک این فناوری می توان به کامپیوتر دستور داد و خروجی مورد نظر را دریافت کرد. این فناوری در سال های اخیر با توسعه الگوریتم های یادگیری عمیق و در دسترس بودن مقادیر زیادی از داده های آموزشی، پیشرفت چشمگیری داشته است. امروزه دستگاه های زیادی وجود دارند که از این فناوری بهره می برند. دستیارهای مجازی مانند سیری در اپل نمونه ای از آن ها هستند. سیستم های تشخیص گفتار را می توان به دو گروه تقسیم کرد:

• متن به گفتار (Text to speech):

سیستم های تبدیل متن به گفتار، متن نوشته شده را می خوانند. این سیستم ها برای افرادی که دارای اختلالات بینایی هستند یا توانایی خواندن را ندارند، بسیار کاربردی هستند.

• گفتار به متن (Speech to text):

سیستم های تبدیل گفتار به متن قادر هستند آن چه را که به آن ها دیکته می شود، تایپ کنند. این روش برای جستجوی سریع تر به موتورهای جستجو اضافه شده است.

 

نتیجه گیری

هوش مصنوعی به سرعت در حال توسعه است و این قابلیت را دارد که در آینده ای نه چندان دور زندگی ما انسان ها را تغییر دهد. اگر چه اکنون نیز هوش مصنوعی در بسیاری از کارهای روزانه و حرفه های مختلف به انسان ها کمک می کند، در آینده این کاربردها گسترده تر خواهند شد. بنابراین اکثر مردم برای بهبود عملکرد خود نیازمند آشنایی با هوش مصنوعی هستند. همچنین بسیاری از علاقمندان این حوزه به دنبال روش هایی ساده، مفید و سریع برای یادگیری بخش های مختلف هوش مصنوعی هستند تا بتوانند با تخصص در آن ها وارد بازار کار پویا و رو به رشد آن شوند. در این وبلاگ تلاش کردیم تا شما را با هوش مصنوعی و زیر مجموعه های آن آشنا کنیم و منابع مفیدی را برای افزایش مهارت در زمینه های گوناگون این حوزه به شما معرفی کنیم.