Lawrence Alaso Krukrubo یک متخصص علوم داده در Tech Layer است. وی به توجیه‌پذیری و مساوات در هوش مصنوعی علاقه دارد. او دارای مدرک تخصص علوم داده و تخصص پیشرفته در علوم داده از IBM است. پس از کسب نشان IBM Data Science Explainability اینک هدف وی ارتقای توجیه‌پذیری و مساوات در هوش مصنوعی است. در این مقاله از مجله فناوری‌های توان افزا و پوشیدنی از زبان این متخصص مشتاق به کاوش در معنای هوش مصنوعی و کاربردهای آن می‌پردازیم.

همهمه و بحث پیرامون هوش مصنوعی اینک بسیار زیاد است. تا حدی که شاید معنای اصلی هوش مصنوعی در این میان گم شده باشد.

اگر از دانشمندان هوش مصنوعی در این مورد بپرسید، احتمالا در مورد الگوریتم‌های یادگیری ماشین(Machine Learning) ، یادگیری عمیق(Deep learning)، و چندین موجود حاصل از آن خواهید شنید. از جمله AlphaGo که یک هوش مصنوعی تعلیم یافته با الگوریتم شبکه عصبی و یادگیری تقویتی است. این هوش مصنوعی با شکست دادن برنده مسابقات جهانی Go برترین بازیکن Go در جهان است.

اما دقت به این نکته نیز لازم است که هوش مصنوعی به خودی خود یک علم تعریف شده است.

یادگیری ماشین و یادگیری عمیق هوش مصنوعی را تعریف نمی‌کنند. هوش مصنوعی مفهومی فراتر از یادگیری ماشین، که زیرمجموعه‌ای است آماری از هوش مصنوعی و یادگیری عمیق، است. یادگیری عمیق نیز مجموعه‌ای کاملا خاص از یادگیری ماشین است که محاسباتی با شبکه‌های عصبی را شامل می‌شود.

هوش مصنوعی دقیقا چیست؟

برای یافتن  پاسخ دقیق این سوال باید چهار رویکرد تاریخی موجود در مورد هوش مصنوعی را در نظر بگیریم.

دو گروه موجود در ردیف نخست شامل فرآیندهای فکری و دلیل و برهان است. گروه‌های ردیف دوم رفتار را هدف قرار می‌دهد. بیایید کمی دقیق‌تر به این گروه‌ها نگاه کنیم:

نخست: تفکر انسان گونه

تعریف نخست

هوش مصنوعی تلاشی نوین و هیجان انگیز برای وادار کردن رایانه به تفکر است…ماشین‌هایی صاحب ذهن، در کامل‌ترین شکل …( Haugeland، ۱۹۵۸)

تعریف دوم

هوش مصنوعی ماشینی کردن فعالیت‌هایی است که به تفکر انسانی مربوط است. فعالیت‌های مانند تصمیم گیری، حل مساله، یادگیری، و …( Bellman، ۱۹۷۸)

تفکر به شیوه انسان همان روش مدلسازی شناختی است. اساسا برای ساخت الگوریتمی که مانند انسان فکر کند، باید راهی برای شناخت طرز تفکر انسان داشته باشیم. برای این شناخت سه راه وجود دارد.

• ۱.درون گرایی: سعی در دریافت تفکرات در حالیکه در جریان هستند.
• ۲. از طریق آزمایش‌های روانی: مشاهده فرد به صورت تجربی
• ۳. با تصویربرداری مغز: مشاهده مغز در حال کار … (EEG)

علوم شناختی علومی میان رشته‌ای هستند که مدل‌های موجود در علوم کامپیوتر در حوزه هوش مصنوعی و روش‌های تجربی روانشناختی را برای ساخت نظریات قابل ارزیابی به یکدیگر متصل می‌کند.

اخیرا در استفاده از روش مدلسازی شناختی پیشرفت‌هایی صورت گرفته است. یکی از شاخص‌های این مورد Control Lab است. این افراد با همکاری Facebook یک بستر غیرتهاجمی با نام intention-capture ساختند. این بستر به افراد اجازه می‌دهد اشیا را با سیگنال‌های مغز هدایت کنند.

دوم: تفکر منطقی

تعریف چهارم:

هوش مصنوعی مطالعه قوای ذهنی با مدلسازی محاسباتی است..( Charniak and McDermott، ۱۹۸۵)

تعریف پنجم:

هوش مصنوعی مطالعه محاسباتی است که درک، استدلال و عمل را ممکن می‌سازد…( Winston، ۱۹۹۲)

تفکر منطقی رهیافتی بر پایه قوانین تفکر است. ارسطو، فیلسوف یونانی، از نخست افرادی است که سعی در تدوین قوانین تفکر نمود. وی از قیاس‌هایی برای ساخت الگویی از تفکر استفاده کرد.

سقراط یک انسان است. همه انسان‌ها فانی هستند. در نتیجه سقراط فانی است.

این قوانین تفکر بر نحوه کار ذهن حکومت می‌کرد. این مطالعات علم منطق را بنا نهاد. در واقع منطق حاکم بر هوش مصنوعی سعی در ساخت برنامه‌هایی رایانه‌ای دارد که قادر به یافتن راه حلی برای هر مساله قابل حل در حوزه منطق باشد. این روش در دهه‌های ۶۰ و ۷۰ طرفداران بسیار داشت.

سوم: عملکرد انسان گونه

تعریف پنجم

هوش مصنوعی هنر ساخت ماشینی است که قادر به انجام اموری باشد که اگر توسط انسان انجام شود نیازمند هوش باشد…( Kurzweil،۱۹۹۰)

تعریف ششم

هوش مصنوعی مطالعه روش واداشتن رایانه به انجام اموری است که در حال حاضر انسان در آن برتری دارد…( Rich and Knight‌،۱۹۹۱)

رفتار انسانی در واقع روش آزمون تورینگ است. آزمون یادشده توسط آلن تورینگ در ۱۹۵۰ ارائه شد. این آزمون برای ارائه تعریفی قابل قبول و کاربردی از هوش مصنوعی طراحی شد. اگر پاسخگویی رایانه‌ای در برابر یک فهرست سوالات به گونه‌ای باشد که آزمون گیرنده انسانی نتواند تشخیص دهد که منبع پاسخ‌ها انسان بوده است یا رایانه، آزمون تورینگ توسط رایانه با موفقیت انجام شده است. برای اینکه رایانه این آزمون را با موفقیت پشت سر گذارد چند شرط لازم است.

• نخست تحلیل زبان انسانی به شکل طبیعی: به این معنا که برقراری ارتباط موفقیت آمیز باشد.
• دوم ارائه دانش: ذخیره آن چه خوانده شده یا شنیده شده است.
• سوم استدلال کردن خودکار: استفاده از داده‌های ذخیره شده برای پاسخگویی به سوالات و رسیدن به نتایج جدید.
• چهارم یادگیری ماشین: تطبیق یافتن با شرایط جدید، تشخیص دادن و قیاس الگوهای موجود.

اطلاعات بیشتر در مورد آزمون تورینگ از زبان Lex Fridman را در این صفحه بیابید.

چهارم: عملکرد منطقی

مسابقه شطرنج بین Garry Kasparov و IBM DeepBlu در سال ۱۹۹۷ نخستین واقعه در نوع خود در مسابقات قهرمانی شطرنج جهان بود که در آن یک رایانه تحت شرایط مسابقه بر انسان را برتری یافت.

تعریف هفتم

هوش محاسباتی مطالعه طراحی عامل‌های هوشمند است…(Poole و گروه وی، ۱۹۹۸)

تعریف هشتم

هوش مصنوعی به رفتار هوشمندانه در مصنوعات اشتغال دارد…( Nilson،۱۹۹۸)

رفتار منطقی روش عامل‌های منطقی است. یک عامل منطقی آن چیزی است که برای حصول به بهترین نتیجه ممکن تلاش عمل می‌کند. در شرایطی که عدم تعین در میان باشد عامل منطقی برای حصول به بهترین میانگین ممکن عمل می‌کند. روش رفتار منطقی نسبت به سایر روش‌ها دو مزیت دارد.

نخست اینکه روش رفتار منطقی نسبت به سایر روش‌ها عمومی‌تر است. به عنوان نمونه روش حاکم بر قوانین فکر را در نظر بگیرید. این روش بر نتیجه گیری درست تاکید دارد. معمولا نتیجه گیری درست بخشی از ساخت یک عامل منطقی است. افزون بر این روش، روش‌های دیگری نیز برای منطقی رفتار کردن بدون وجود استنتاج مناسب وجود دارد. به عنوان نمونه وقتی دست خود را از یک فلز داغ عقب می‌کشید یک واکنش منطقی بدون وجود استنتاج رخ می‌دهد.

دوم اینکه روش رفتار منطقی در مقایسه با روش‌های مبتنی بر رفتار انسانی یا تفکر انسانی با توسعه علم سازگارتر است.

هوش نسبی است. دامنه یک عامل تعیین کننده قضاوت ما در مورد هوش آن است.

به عنوان نمونه Siri را در نظر بگیرید. Siri قابلیت توصیه کردن مکان‌ها امن و خوب را بر اساس تقاضای ما داراست. او این پیشنهاد‌ها را با صدای انسانی به ما منتقل می‌کند. اما نمی‌تواد فرمان اتومبیل شما را بدست گیرد و ماشین را به این مکان هدایت کند، مستقل میزان علاقه شما برای انجام این کار توسط Siri. به عبارتی Siri تنها در حوزه برقراری یک مکالمه هوشمند است.

تعریف هوش

برای سامانه‌های مصنوعی و زیستی، هردو، کمیت‌هایی لازم است که به هوش نسبت داده می‌شود.

برای یک هوش مصنوعی پویا نباید تعریفی مبتنی بر درک ما از چیزها وجود داشته باشد. بلکه هوش باید در چهارچوب عملیات مورد نظر تعریف شود.

به نظر می‌رسد که انسان در رابطه با انجام امور بسیاری هوشمند است.

تا کنون هشت تعریف مجزا از هوش مصنوعی را دیده‌ایم. دقت کنید که هر چهار روش ارائه شده برای برخورد با هوش مصنوعی بر اساس ایدئولوژی انسانی توسعه یافته است.

• تفکر به انسان گونه
• تفکر به شکل منطقی
• عملکرد انسان گونه
• عملکرد منطقی

اما عبارت انسان گونه دقیقا بیانگر چیست؟

تعریف ارائه شده در لغتنامه آکسفورد:

تعریف ارائه شده در لغتنامه مریام وبستر:

لازم است که احساس آگاهی خود را هوش مصنوعی را کنار بگذاریم و با دیدی باز این مفهوم را درک کنیم.

هوش مصنوعی یک علم آزموده شده و واقعی است که به دنبال پیشرفت انسان است. این کار را با ایجاد ماشین‌های منطقی و هوشمندی انجام می‌دهد که به نیازها و احساسات انسان رسیدگی می‌کنند و احساسات و عطوفت انسان را تغذیه می‌کند. ماشین‌هایی به نفع همه مردم، بدون هیچ گونه تعصب.

و این تعریفی است که Lawrence Alaso Krukrubo از هوش مصنوعی ارائه می‌دهد.

پایه و اساس هوش مصنوعی

افراد مختلف با اهداف مختلف با مقوله هوش مصنوعی برخورد می‌کنند. دو پرسش اساسی هنگام ساخت یک هوش مصنوعی عبارتند از:

آیا به تفکر تمایل دارید یا عملکرد؟

آیا به دنبال مدلسازی انسان‌ها هستید یا به دنبال کاری کاملا بر اساس استانداردها؟

در ادامه به اجزای هوش مصنوعی به عنوان یک بحث میان رشته‌ای نگاهی بیندازیم:

فلسفه: با قدمتی مربوط به ۴۰۰ سال پیش از میلاد، فلاسفه از طریق در نظر گرفتن ایده‌هایی که ذهن را از جوانبی مانند ماشین تعریف می‌کرد، هوش مصنوعی را درک کردند. این علم در برخی از زبان‌های محلی رمزنگاری شده است.

ریاضیات: ریاضیدانان ابزارهایی برای دستکاری عباراتی با اطمینان منطقی و عبارات غیرقطعی احتمالی ارائه دادند.

اقتصاد: اقتصاددانان مساله تصمیم گیری را به شیوه‌ای فرمول‌بندی کردند که میانگین نتیجه را بهینه کند.

اعصاب شناسی: متخصصین علوم اعصاب حقایقی در مورد روش کار مغز و شباهت‌ها تفاوت‌های آن با رایانه کشف کردند.

روانشناسی: این ایده که انسان و حیوان را می‌توان به عنوان ماشین پردازش اطلاعات در نظر گرفت توسط روانشناسان تعمیم یافت.

زبانشناسی: زبانشناسان نشان دادند که استفاده از زبان در چهار چوب این مدل محاسباتی قرار می‌گیرد.

مهندسین کامپیوتر: مهندسین کامپیوتر ماشین‌هایی قدرتمندتر از آن‌چه موجود بود را برای تحقق هوش مصنوعی ساختند. مانند ماشین مجازی A2 در GCP در NVIDIA A100 GPU.

نظریه کنترل: نظریه‌های کنترلی با طراحی ماشین‌هایی با عملکرد بهینه و بر پایه بازخورد محیطی سروکار دارند.

مابقی شامل دانشمندان علم آمار و فیزیکدانان یا سایرشاخه‌ها علوم پایه نظریه‌های پشتیبانی کننده از هوش مصنوعی را توسعه می‌دهند.

حوزه هوش مصنوعی:

نمودار بالا برخی از واحدهای اساسی هوش مصنوعی را نشان می‌دهد. توجه کنید که این نمودار کامل نیست.

یادگیری ماشین
یادگیری عمیق
سخنوری: متن-به-گفتار و گفتار-به-متن
دید: تشخیص تصاویر  و دید ماشینی
پردازش زبان: ترجمه، اقتباس، تقسیم بندی
رباتیک
جست و جو: A-star, DFS, BFS, UCS و …
بهیه سازی
هوش تصمیمی
یادگیری آماری

دو مبحث آخر جدید و از جهاتی جالب هستند.

یادگیری آماری

یادگیری آماری( Statistical Learning) با پیشرفت‌های حوزه یادگیری ماشین مطرح شد. یادگیری آماری زیرمجموعه‌ای از علم آمار است که بر یادگیری و مدلسازی نظارتی(supervised) یا بدون نظارت متمرکز است. یادگیری آماری از یادگیری ماشین فراتر می‌رود. چراکه این مبحث به کاوش پارامترها و پیکربندی‌های موجود در پس پیاده سازی الگوریتم می‌پردازد.

هوش تصمیمی

هوش تصمیمی( Decision Intelligence) یک مبحث مهندسی است که با نظریات علوم اجتماعی، نظریه تصمیم‌گیری(decision theory) و علوم مدیریتبه  دستکاری در علوم داده می‌پردازد.

می‌توانید نظر شخص رئیس هوش تصمیمی، Cassie Kozyrkov، در گوگل را در این مورد در اینجا ببینید.

خلاصه و نتیجه گیری:

رویایی پدران و پایه‌گذاران هوش مصنوعی ساخت ماشینی است که توانایی تفکر و عملکرد انسان گونه را بدون تعصب دارا باشد. همه انسان‌ها خالص متولد شده‌اند. ما به امور اجتماعی، طبیعی، نژادپرستانه و فرهنگی اجازه می‌دهیم که بر خواست نیکوی ما اثر منفی گذارند. شاید دلیل برخی از جهت‌گیری‌های خاص در پیاده سازی‌های انجام شده هوش مصنوعی نیز همین باشد.

قرار بر این که هوش مصنوعی تفرقه و تنفر ایجاد کند، نبوده است. افراد اجازه بروز احوالات منفی خود را در فناوری را می‌دهند. به عنوان یک فرد اگر به دنبال تحقق آینده‌ای هستیم که وعده هوش مصنوعی را به سود بشر بدهد …

باید از جامعیت هوش مصنوعی دفاع کنیم. باید از ابزارهایی مانند AI Fairness 360  یا aif360 (یک بسته ابزاری برای آزمایش الگوریتم‌های یادگیری ماشین به صورت متن باز) استفاده کنیم. باید پویش‌های ما به شکل پیش‌بینی پذیری قابل توضیح باشد. استفاده از کتابخانه‌هایی مانند aix360, LIME یا امثال LALE به کاهش خطای انسانی کمک می‌کند.

اما فراتر از همه چیز باید در همه حال انسان گونه بیندیشیم، انسان گونه رفتار و منطقی رفتار کنیم.

در نهایت این مقاله به AIMA, 3rd Edition, chapter 1 ارجاع داده می‌شود. AIMA تاثیرگذارترین متن هوش مصنوعی است که تا کنون نوشته شده است. Peter Norvig و Stuart Russell با همراهی افرادی مانند Sebastian Thrun متن AIMA را تحقق بخشیدند.

این ابر-تصویر به پاسداری از قهرمانان و کهنه کاران هوش مصنوعی تقدیم شما می‌شود.

بار دیگر که عبارت هوش مصنوعی را می‌شنوید به ماوارای زرق و برق آن بیندیشید، ماورای کاربردهای فوق‌العاده هوش مصنوعی … باشد که بی‌طرفی و توضیح‌پذیری راهنمای پروژه شما باشد.

---

بیشتر بخوانید:
کاربردهای معمول هوش مصنوعی در سال ۲۰۲۰
ده کاربرد مثبت هوش مصنوعی در زندگی بشر (بخش نخست)
نه کاربرد جالب پردازش زبان‌ های طبیعی

---

منبع: medium.com

«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوریهای توان افزا و پوشیدنی) مجاز است.»