شبکه عصبی مصنوعی چیست ؟

شبکه عصبی مصنوعی چیست ؟

شبکه عصبی مصنوعی یا Artificial Neural Network یک سیستم هوش مصنوعی است که در واقع

طراحی شده تا عملکرد مغز بیولوژیکی را برای تصمیم گیری باز سازی کند. برای درک بهتر این موضوع

بهتر است اول بدانیم که شبکه عصبی چیست ؟ شبکه عصبی مجموعه ای از الگوریتم ها است که تلاش

می کند از طریق فرآیندی که می تواند روابط عملکرد مغز انسان را انجام دهد، روابط اساسی را در

مجموعه ای از داده ها بشناسد. به این معنا ، شبکه های عصبی به سیستم های عصبی اعم از ارگانیک یا

ساختگی اطلاق می شوند. شبکه های عصبی می توانند با تغییر ورودی سازگار شوند. بنابراین شبکه بدون

نیاز به طراحی مجدد معیارهای خروجی، بهترین نتیجه ممکن را ایجاد می کند.

فهمیدن یک شبکه عصبی مصنوعی

شبکه های عصبی مصنوعی مانند مغز انسان ساخته شده اند و گره های عصبی مانند یک تار به هم پیوسته اند.

مغز انسان صدها میلیارد سلول به نام سلولهای عصبی دارد. هر نورون از سلولی تشکیل شده است که وظیفه

پردازش اطلاعات و حمل آن اطلاعات را به مغز (ورودی) و دادن جواب (خروجی) را انجام می دهد. “نورون”

در این شبکه های مصنوعی یک عملکرد ریاضی است که اطلاعات را طبق معماری خاص جمع آوری و

طبقه بندی می کند. شبکه شباهت کاملی با روشهای آماری مانند برازش منحنی و تحلیل رگرسیون دارد.

ANN صدها یا هزاران نورون مصنوعی به نام واحد پردازش دارد که توسط گره ها به هم پیوسته اند. این واحد

پردازش از واحدهای ورودی و خروجی تشکیل شده است. واحدهای ورودی بر اساس سیستم وزنی داخلی اشکال

و ساختارهای مختلف اطلاعات را دریافت می کنند و شبکه عصبی سعی در کسب اطلاعات در مورد داده های

ارائه شده برای تهیه یک گزارش خروجی دارد. درست مانند انسان برای رسیدن به نتیجه یا خروجی به قوانین

و دستورالعمل ها نیز نیاز است ، ANN ها همچنین برای تکمیل نتایج خروجی خود از مجموعه ای از قوانین

یادگیری به نام backpropagation ، مخفف انتشار خطاها به سمت عقب استفاده می کنند تا نتایج خروجی

را بهبود ببخشند.

مراحل اولیه پردازش 

ANN در ابتدا یک مرحله آموزشی را طی می کند که می آموزد الگوهای موجود در داده ها را بطور

بصری یا متنی تشخیص دهد. در طی این مرحله نظارت شده ، شبکه، خروجی واقعی تولید شده خود را

با آنچه برای تولید مد نظر بوده است مقایسه می کند  تفاوت بین هر دو نتیجه با استفاده از پردازش پشتی

تنظیم می شود. این بدان معناست که شبکه ، در جهت معکوس کار می کند ، از واحد خروجی به واحدهای

ورودی می رود تا وزن اتصالات خود را بین واحدها تنظیم کند تا اینکه اختلاف بین نتیجه واقعی و مورد

نظر کمترین خطای ممکن را ایجاد کند.در طول دوره آموزش و نظارت ، به ANN آموزش داده می شود

که با استفاده از انواع سؤال بله / خیر با شماره های باینری، به دنبال چه چیزی باشد و متوجه بشود که نتیجه

آن چیست؟ به عنوان مثال ، بانکی که می خواهد به موقع کلاهبرداری کارت اعتباری را تشخیص دهد ،

ممکن است چهار واحد ورودی دارای این سؤالات باشد: (1) آیا معامله در کشور دیگری از کشور مقیم

کاربر است؟ (2) آیا این وب سایت که از کارت ویزیت وابسته به شرکت ها یا کشورهایی در لیست تماشای

بانک استفاده می شود ، استفاده می شود؟ (3) آیا مبلغ معامله از 2000 دلار بیشتراست؟ (4) آیا نام موجود

در صورتحساب معامله همانند نام دارنده کارت است؟ بانک می خواهد پاسخ های “تقلب تشخیص داده شده”

بله بله بله خیر باشد ، که در قالب باینری 1 1 1 0 خواهد بود. اگر خروجی واقعی شبکه 1 0 1 0 باشد ،

نتایج خود را تنظیم می کند تا زمانی که خروجی  با 1 1 1 0 یکسان باشد. پس از آموزش ، سیستم رایانه ای

می تواند به بانک  معامله های جعلی و در جهت صرفه جویی در پول بانک ، هشدار دهد.

برنامه های کاربردی عملی برای شبکه های عصبی مصنوعی (ANN)

شبکه های عصبی مصنوعی زمینه را برای توسعه برنامه های کاربردی در حال تغییر جهت استفاده در کلیه

بخش های اقتصاد فراهم می کند. سکوهای هوش مصنوعی که بر روی ANN ساخته شده اند ، روشهای سنتی

انجام کارها را عوض می کنند. از ترجمه صفحات وب به زبان های دیگر گرفته تا داشتن یک دستیار مجازی

برای سفارش آنلاین ، مکالمه با چت بات ها برای حل مشکلات ، سیستم عامل های هوش مصنوعی در حال

ساده سازی معاملات هستند و خدمات را با هزینه های ناچیز در دسترس همه قرار می دهند.

اجزاء شبکه های عصبی مصنوعی

شبکه های عصبی از چندین جز تشکیل شده اند که هر کدام کارایی خاصی را در این سیستم ها دارند.

وزنه ها مقادیر عددی است که با ورودی ها ضرب می شود. در backpropagation ، آنها اصلاح

می شوند تا ضرر را کاهش دهند. به عبارت ساده ، وزنه ها مقادیر آموخته شده از ماشین توسط شبکه

های عصبی هستند. آنها بسته به تفاوت بین خروجی های پیش بینی شده در مقابل ورودی های آموزش ،

خودتنظیم می شوند. عملکرد فعال سازی یک فرمول ریاضی است که به نورون کمک می کند تا روشن

یا خاموش شود. لایه ورودی ابعاد بردار ورودی را نشان می دهد. لایه پنهان گره های واسطه ای را نشان

می دهد که فضای ورودی را به مناطقی با مرز نرم تقسیم می کنند. این مجموعه ورودی، وزنی را به خود

اختصاص می دهد و از طریق یک تابع فعال سازی ، خروجی تولید می کند. لایه خروجی نشان دهنده

خروجی شبکه عصبی است.

انواع شبکه عصبی مصنوعی

انواع زیادی از شبکه های عصبی  وجود دارد که ممکن است در مرحله توسعه قرار گرفته باشند. آنها می توانند

بسته به نوع : ساختار ، جریان داده ، نورونهای مورد استفاده و تراکم آنها ، لایه ها و فیلترهای فعال سازی عمق

شبکه‌های پیش خور (Feed Forward Neural Network) آن دسته از شبکه ها هستند که الگوریتم آنها

همواره در مسیر رو به جلو حرکت می کند .به این معنی که خروجی هر لایه تنها بر لایه بعد اثر میگذارد و

در لایه‌ی خودش تغییری ایجاد نمی‌کند. شبکه‌های پس‌خور (Feed Back Neural Network) که بر خلاف

مورد قبلی مسیربرگشتی دارند و خروجی نرون در لحظه حال نه تنها به ورودی در آن لحظه بلکه به مقدار

خروجی خود نرون در لحظه ی گذشته نیز وابسته است. یکی دیگر از این شبکه ها شبکه های عصبی کانولوشن

هستند. از این سبکه عصبی در جهت پردازش تصویر، دید رایانه، تشخیص گفتار ترجمه ماشینی استفاده می شود

با استفاده از ایم سیستم ها می توانیم هوش مصنوعی تولید کنیم که می تواند کاربرد خود را بهتر کند تا نتایج

خواسته شده را به ما بدهد.

هوش مصنوعی با پایتون

هوش مصنوعی با پایتون

پایتون یک زبان برنامه نویسی است که در با هوش مصنوعی درآمیخته و بسیار کاربرد دارد.

با توجه به نظرات توسعه دهندگان پایتون با داشتن 57% آرا، نسبت به زبان C++ محبوب تر

است. دلیل این امر یادگیری و اجرای آسان پایتون است.با وجود بسیاری از کتابخانه ها ، می توان

از آنها برای تجزیه و تحلیل داده ها نیز استفاده کرد. در صورتی که برای یادگیری و استفاده از

 به این دلیل که برنامه ابتدایی تری است بسیار سخت تر است. پایتون زبان برنامه نویسی C++

 جدیدی نیست اما در سال های اخیر جایگاه ویژهای را برای خود به دست آورده.

پایتون چیست ؟

پایتون (به انگلیسی: Python) یک محیط یکپارچه توسعه نرم‌افزار همه منظوره سطح بالا، شیءگرا،

اِسکریپتی و متن باز است که توسط خیدو فان روســـــوم در سال ۱۹۹۱ در کشور هلند طــراحی شــد.

فلسفهٔ ایجاد آن تأکید بر دو هدف اصلی خوانایی بالای برنامه‌های نوشته شده و کوتاهی و بازدهی نسبی

بالای آن است. کلمات کلیدی و اصلی این زبان به صورت حداقلی تهیه شده‌اند و در مقابل کتابخانه‌هایی

که در اختیار کاربر است بسیار وسیع هستند.

بر خلاف برخی زبان‌های برنامه ‌نویسی رایج دیگر که بلاک‌های کد در آکولاد تعریف می‌شوند (به‌ ویژه

زبان‌هایی که از گرامر زبان سی پیروی می‌کنند) در زبان پایتون از فــــاصله و جلو بــردن متن برنامه

برای مشخص کردن بلاک‌های کد استفاده می‌شود. به این معنی که تعدادی یکسان از نویسه فاصله در

ابتدای سطرهای هر بلاک قرار می‌گیرند، و این تعداد در بلاک‌های کد درونی‌تر افــزایش می‌یابد. بدین

ترتیب بلاک‌های کد به صورت خودکار ظاهری مرتب دارند.پایتون مدل‌های مختلف برنامه ‌نویسی

(از جمله شی‌گرا و برنامه‌نویسی دستوری و تابع محور) را پشتیبانی می‌کند و برای مشخص کردن نوع

متغیرها از یک سامانهٔ پویا استفاده می‌کند.به همین دلایل است که پایتون با هوش مصنوعی بسیار همخوانی

دارد و مناسب است.

چرا هوش مصنوعی را با پایتون می نویسند ؟

پایتون با تعداد زیادی کتابخانه داخلی ساخته شده است. بسیاری از کتابخانه ها برای هوش مصنوعی

و یادگیری ماشین است. برخی از کتابخانه ها عبارتند از Tensorflow (که کتابخانه شبکه عصبی

سطح بالایی است) ، scikit-Learn (برای داده کاوی ، تجزیه و تحلیل داده ها و یادگیری ماشین)

، pylearn2 (انعطاف پذیر تر از scikit-Learn) البته تمام کتابخانه ها نیستند و این لیست کتابخانه ها

ادامه دارد.پایتون یک پیاده سازی آسان برای OpenCV دارد. آنچه پایتون را برای همه محبوب می کند،

اجرای قدرتمند و آسان آن است. برای سایر زبانها ، دانشجویان و محققان باید قبل از نوشتن کد های

یادگیری ماشینی یا هوش مصنوعی با آن زبان ، باید شناخت کاملی از آن زبان مورد نظر را بدانند. اما

در مورد پایتون اینگونه نیست. حتی یک برنامه نویس با دانش بسیار پایه ای می تواند به راحتی پایتون

را اداره کند. گذشته از آن ، زمانی که کسی در نوشتن و اشکال زدایی کد در پایتون سپری می کند،

در مقایسه با C ، C ++ یا Java ، بسیار کمتر می شود.

مزیت های پایتون برای نوشتن هوش مصنوعی

اولین مزیتی که خیلی ها را به سمت پایتون سوق می دهد همانطور که قبلا ذکر کردیم داشتن تعداد بالای

کتابخانه ها برای این زبان برنامه نویسی است. کتابخانه یک ماژول یا گروهی از ماژولهایی

منتشر شده توسط منابع مختلف مانند PyPi است که شامل یکسری کد از پیش نوشته شده است که به

کاربران امکان می دهد تا به برخی عملکردهای مختلف برسند. کتابخانه های Python

موارد سطح پایه ای را ارائه می دهند ، بنابراین توسعه دهندگان مجبور نیستند که از همان ابتدا هر

بار کد نویسی کنند. موانع کم برای ورودی، دانشمندان داده بیشتری را مجاب می کند تا

پایتون را انتخاب کنند و بدون هدر دادن زمان و تلاش زیاد برای یادگیری زبان برنامه نویسی ، از

آن برای توسعه هوش مصنوعی استفاده کنند. زبان برنامه نویسی پایتون شباهت زیادی به زبان انگلیسی

دارد و این روند یادگیری را آسانتر می کند. نحو ساده آن به شما امکان می دهد تا با سیستمهای

پیچیده راحت کار کنید و روابط صریح بین عناصر سیستم را تضمین کنید. پایتون برنامه بسیار انعطاف

پذیری است و به کاربر اجازه می دهد تا با  بسیاری از داده های موجود بتواند کار کند. پایتون یک پلتفرم

مستقل است و می تواند روی سیستم عامل هایی مثل ویندوز، مک او اس، لینوکسو خیلی از

سیستم عامل دیگر اجرا شود. خواندن کد های این برنامه بسیار آسان است و می توانید به راحتی

کد دیگر توسعه دهندگان را بخوانید. این برنامه قابلیت تجسم سازی خوبی دارد برای مثال کتابخانه Matplotlib

اجازه می دهید نمودارها ، و طرح هایی برای درک بهتر داده ها ، ارائه مؤثر و تجسم

بهتر ایجاد کنند. این زبان جامعه پشتیبانی بسیار خوبی دارد و در نهایت محبوبیت آن به شدت در حال گسترش است.

برنامه هایی که با پایتون نوشته شده

اینستاگرام (Instagram): نرم‌افزار اشتراک‌گذاری تصاویر و ویدیوها
بیت‌تورنت (نرم‌افزار) (BitTorrent): نرم‌افزار کلاینت برای فایل‌های به اشتراک گذاشته شدهٔ (p2p) توسط پروتکل بیت‌تورنت
چندلر (Chandler): مدیر اطلاعات شخصی شامل تقویم، میل، کارهای روزانه، یادداشت‌ها و…
Civilization IV: یک گیم کامپیوتری بر مبنای پایتون که از boost.python استفاده می‌کند
میلمن (Mailman): یکی از معروفترین نرم‌افزارهای مرتبط با ایمیل
کمبیلو (Kombilo): مدیر پایگاه داده و مرورگر بازی‌های go
موین‌موین (MoinMoin): یکی از قدرتمندترین و معروفترین ویکی‌های موجود
پلون (Plone): یک ابزار مدیریتی محتوایی متن باز، قدرتمند و کاربر پسند
پورتاژ (Portage): قلب توزیع جنتو. یک مدیر بستهای سیستم لینوکس
زوپ (zope): یک پلتفورم شیء گرای مبتنی بر وب. زوپ شامل یک سرور نرم‌افزار به همراه پایگاه داده شیء گرا و یک رابط مدیریتی درونی مبتنی بر وب می‌باشد
اس‌پی‌ای (SPE): یک IDE رایگان، متن باز برای سیستم‌عامل‌های ویندوز، لینوکس، مک که از wxGlade(طراحی رابط کاربر),PyChecker (دکتر کد) (Blender(3D پشتیبانی می‌کند
یام (Yum): یک برنامه مدیریت بسته متن‌باز برای توزیع‌های سازگار با آرپی‌ام.
آباکوس(Abaqus):نرم‌افزار شبیه‌سازی با روش المان محدود که امکان اسکریپت‌نویسی به زبان پایتون را به کاربر می‌دهد.

زبان های دیگر که تحت تاثیر پایتون نوشته شده اند

طراحی و فلسفه پایتون بر بسیاری از زبانهای برنامه نویسی دیگر تأثیر گذاشته است:

بو از حالت تورفتگی ، نحو مشابه و الگویی مشابه شی استفاده می کند.
کبرا از اصطلاح و نحو مشابه استفاده می کند ، و سند تأیید آن ، پایتون را برای اولین بار در بین زبان هایی که بر آن تأثیر گذاشته اند ، لیست می کند.
CafeScript ، یک زبان برنامه نویسی است که به زبان JavaScript کامپایل می شود ، دارای نحوی الهام گرفته از پایتون است.
ECMAScript / جاوا اسکریپت تکرار کننده و ژنراتورها را از پایتون گرفته است.
GDScript ، یک زبان برنامه نویسی بسیار شبیه به پایتون ، که در موتور بازی گودوتساخته شده .
Go برای “سرعت کار با زبانی پویا مانند پایتون” طراحی شده است و همین نحو را برای برش آرایه ها به اشتراک می گذارد.
گرووی از میل به آوردن فلسفه طراحی پایتون به جاوا انگیزه گرفت.
جولیا به گونه ای طراحی شده بود که برای برنامه نویسی عمومی به مانند پایتون قابل استفاده باشد.
نیم از عملکرد  و نحو مشابهی استفاده می کند.
یوکیهیرو ماتسوموتو ، خالق روبی گفته است: “من می خواهم یک زبان برنامه نویسی داشته باشم که از پرل قدرتمندتر باشد و از پیتون شیء گرا باشد. به همین دلیل تصمیم گرفتم که زبان خودم را طراحی کنم.”
سوئیفت ، یک زبان برنامه نویسی است که توسط اپل ساخته شده است و دارای نحوی با الهام از پایتون است.
شیوه های توسعه پایتون نیز توسط زبان های دیگر تقلید شده است. به عنوان مثال ، تمرین نیاز به سندی که توضیحات منطقی را برای آن شرح می دهد ، و مسائل مربوط به آن ، تغییر زبان (در پایتون ، یک PEP) در Tcl ،  Erlang ، ​​و Swift نیز مورد استفاده قرار می گیرد.

هوش مصنوعی و هوش انسانی

هوش مصنوعی و هوش انسانی

چرا تعداد پروژه ها و نرم افزار های هوش مصنوعی  که به هوش انسانی نزدیک باشند بسیار کم است ؟

یک پروژه اینچنین حتما به مشکل بر خواهد خورد. دلایل زیادی برای این احتمال کم وجود دارد اما

بنیادی ترین آن به طور کلی این است که انسان ها در کار هایی که کامپیوتر ها انجام می دهند ضعیف

هستند و همچنین کامپیوتر ها هم در زمینه های انسانی ضعیف هستند. پیش بینی می شود که بازار

هوش مصنوعی تا سال 2025 300 میلیارد دلار ارزش داشته باشد. و اکثریت قریب به اتفاق شرکتهایی

که سعی می کنند که در این بازار حضور داشته باشند ، نوعی هوش مصنوعی شبیه به انسان را

بازاریابی می کنند.

ایده تشبیه هوش مصنوعی و هوش انسانی 

ایده اصلی این دسته از هوش های مصنوعی این است که به عنوان یک به روز رسانی به بازار ارائه شود.

کامپیوتر ها محاسبات انجام می دهند اما هوش مصنوعی یاد می گیرد. اما حقیقت این است که انسان ها

درانجام وظایفی که یک رایانه انجام می دهد ناتوان هستند و هوش مصنوعی هم به همین تریتب قادر به

انجام کار های انسانی نیستند. به همین دلیل است که محققان از پارادایمهای توسعه که بر تقلید از شناخت

انسان متمرکز شده اند ، فاصله می گیرند.دو تن از محققان NYU اخیراً در مورد چگونگی پردازش کلمات

و معنای کلمات در انسان و هوش مصنوعی تحقیق کردند. از طریق مطالعه “معناشناسی روانشناختی” ، این

دو محقق امیدوار بودند که نواقص موجود در سیستمهای یادگیری ماشینی در حوزه پردازش زبان طبیعی

(NLP) را توضیح دهند. توضیحاتی که این دو در arXiv  منتشر کرده اند نشان می دهد که این خلا به

این خاطر به وجود آمده است که سایر محققان به این که هوش مصنوعی توسعه داده آنها انسان مانند

است یا خیر توجه نمی کنند. به همیت دلیل است که انتقادات از هوش های مصنوعی در مورد ناتوانی

آنها از بروز رفتار های انسان مانند، زیاد است.

راهکار های تولید هوش مصنوعی با قابلیت های انسانی

یکی از کار هایی که برای  تولید هوش مصنوعی انسان مانند باید انجام دهیم دقت به روش های تفکر

انسانی است. در زمینه ترجمه ، انسانها روش های مختلفی را برای به یاد آوری داشتن چندین زبان در

سر خود و ایجاد ارتباط سیال بین این زبان ها دارند. از طرف دیگر ، ماشین آلات لازم نیست بدانند که

یک کلمه به چه معنا است تا ترجمه مناسب را به آن اختصاص دهند. این کار هنگامی که دقت به سطح

انسانی نزدیک تر می شود ، مشکل تر می شود. ترجمه یک ، دو و سه به اسپانیایی نسبتاً ساده است.

این ماشین می آموزد که آنها دقیقاً برابر با uno ، dos و tres هستند و احتمالاً 100 درصد اوقات

جواب مناسب را بدست می آورند. اما وقتی مفاهیم پیچیده ای اضافه می کنید ، کلماتی با بیش از

یک معنی و اصطلاحات عامیانه یا محاوره ای به آن می افزایید می توانند پیچیده تر شوند. وقتی

توسعه دهندگان شروع به ایجاد هوش منصوعی می کنند که با تمام شرایط کنار بیاید دچار مشکل

می شوند درست مانند اینکه با گذراندن چند کلاس زبان اسپانیایی نمی توانید تمامی اصطلاحاتی

که در مکریکو سیتی استفاده می شود را متوجه شوید.

ضعف و کمبود هوش مصنوعی نسبت به هوش انسانی

به همین دلیل است که ماشین ها با درک زبان انسان ها که همیشه در حال تحول است

مشکل دارند.  هنوز پردازش زبان طبیعی قادر به شناخت در سطح انسانی نیست به

همین دلیل رفتار های انسان مانندی که بروز می دهد خنده دار به نظر می رسد تصور

کنید که گوگل ترنسلیت با گرفتن عبارت توله خاموش شود چون این کلمه را اهانت آمیز

استنباط کرده ! این خط تفکر فقط مختص NLP نیست. ساخت هوش مصنوعی بیشتر

شبیه به انسان ، صرفاً یک تصمیم طراحی برای اکثر پروژه های یادگیری ماشین است.

همانطور که محققان NYU  در مطالعه خود اشاره کرده اند: یک راه برای فکر کردن

در مورد چنین پیشرفت های صرفاً از نظر مهندسی است یعنی کاری وجود دارد که باید

انجام شود و اگر سیستم آن را به اندازه کافی خوب انجام دهد ، آن کار موفقیت آمیز

محسوب می شود. مهندسی مهم است ، و می تواند عملکرد بهتری و سریعتر داشته باشد

و انسان را از کار کسل کننده مانند  پیدا کردن واژگان کلیدی در پاسخنامه ها و یا بررسی

برنامه سفر های هوایی رهایی بخشد.

دید مهندسی هوش مصنوعی و هوش انسانی

از نظر مهندسی ، بیشتر مشاغل انسانی که انسان ها در حال حاضر انجام می دهد و در همه جا هستند

را می توان به کارهای فردی تقسیم بندی کرد که برای اتوماسیون مناسب تر باشد تا از هوش مصنوعی و

در مواردی که شبکه های عصبی ضروری باشد مانند هدایت ترافیک در یک بندر حمل و نقل  کار بسیار

سختی خواهد بود. اتومبیل های خودران را در نظر بگیرید. ساختن وسیله نقلیه متشکل از چندین سیستم

که با هم کار می کنند به جای اینکه یک ربات انسان نما ساخته شود که بتواند تا اتومبیل برود ، قفل را

باز کند ، وارد شود ، یک اتومبیل کلاسیک را استارت بزند و شروع به رانندگی کند بسیار معقول تر به نظر

می رسد.بیشتر اوقات ، هنگامی که توسعه دهندگان ادعا می کنند که هوش مصنوعی “شبیه به انسان”

ایجاد کرده اند ، منظور آنها این است که آنها وظیفه ای را که اغلب افراد برای آنها استخدام می شوند

به صورت خودکار انجام داده اند. به عنوان مثال نرم افزار تشخیص چهره می تواند جایگزین نگهبان

انسانی درب ورود شود اما نمی تواند به شما بگوید پیتزا در رستوران محلی چقدر خوب است. بنا به

این دلایل حوضه هوش های مصنوعی انسان مانند بسیار محدود است در این راستا سیری و الکسا

موفق تر بودند. آنها اسامی و صدا دارند و برنامه ریزی شده اند که  مفید ، خنده دار ، دوستانه و مودب

به نظر برسند.

آیا هوش مصنوعی کار خارق العاده ای انجام می دهد ؟

اما در واقع هیچ عملکردی وجود ندارد که یک دستیار هوشمند  قادر به انجام آن باشد و شما نتوانید آن را

با یک دکمه انجام دهید. یعنی اگر شما فضا و دید بی نهایت داشتید می توانستید تمام آن  کار ها را انجام

دهید می توان اینگونه تعبیر کرد که این دستیار های هوشمند همانقدر به رفتار انسانی نزدیک هستند که

یک کنترل غول پیکر هست. هوش مصنوعی مانند انسان نیست. ما ممکن است ده ها سال یا بیشتر از یک

هوش مصنوعی عمومی  که می تواند در هر حیطه ای در سطح انسانی عملکرد داشته باشد فاصله داشته

باشیم . خدمتکار های روباتی فاصله زیادی با واقعیت دارند. در حال حاضر ، بهترین  کاری که توسعه

دهندگان هوش مصنوعی می توانند انجام دهند ، تقلید از تلاش های انسان است ، و این به معنی  ساده

کردن یک فرآیند برای کاری به خودکار است.

تفاوت یادگیری ماشینی با یادگیری عمیق

تفاوت یادگیری ماشینی با یادگیری عمیق

هوش مصنوعی یک مبحث با پیچیدگی های خاص خود است. اما عموما تفاوت میان یادگیری ماشینی با یادگیری عمیق،

شبکه های عصبــی و… برای مردم مشخص نیســت امـــا می توانیم گفت که تمامی راهکار های هوش مصنوعی در

یادگیری ماشین و یادگیری عمیق خلاصه می شود. اما بـــرای درک بهتر هــوش مصنوعی باید تفاوت میــان این دو

را دانست. مثال های این فناوری ها در همه جا دیده می شود . این فناوری ها باعث می شود کــــه نتفلیکس برنامه

مورد علاقه بعدی شما را می داند و یا اینکه فیس بوک چطور می داند که چه کسانی در عکــس حضور دارند و …

تفاوت یادگیری ماشینی با یادگیری عمیق چیست؟

 راحت ترین راه برای درک این تفاوت این است که بدانید یادگیری عمیق در واقع نوعی از یادگیری ماشین است.

اگر بخواهیم دقیق تر بگیم یادگیری عمیق در واقع یادگیری ماسین تکامل یافته است که از یک شبکه عصبی قابل

برنامه ریزی استفاده می کند تا ماشین ها را قادر بسازد بدون کمک انسانها تصمیم گیری دقیقی بکنند. اما اگر هیچ

اطلاعاتی در این زمینه ندارید اوا یادگیری ماسینی را توضیح می دهیم.

یادگیری ماشینی (Machine Learning) چیست ؟

اگر بخواهیم یک تعریف پایه از یادگیری ماشینی انجام بدهیم می توانیم بگوییم : یادگیری ماشینی الگوریتم هایی

هستند که داده ها را تجزیــه می کنند ، از آن داده ها درس مـی گیـــرند و سپــس آنچـه را که یاد گرفته اند برای

تصمیم گیری آگاهانه استفاده می کنند” برای مثال سرویس های موسیقی های در خواستی است که با توجه به سلیقه

مخاطب موزیک هایی که تازه منتشر شده را معرفی می کند این تکنیک که اغلب به عنـــوان هوش مصنوعی مورد

استفاده قرار می گیرد ، در بسیاری از سرویس هایی که توصیه های خودکار ارائه می دهنـــد ، استفاده می شود.

یادگیری ماشینی در انواع مختلفی از کسب و کار ها حضور دارد از موسســـات امنیت داده کــه بد افزار ها را

شکار می کند گرفته تا بازار بورس. الگوریتم های هوش مصنوعی برنامه ریـــزی شده انــد که به طــور مداوم

در حال یادگیری به روشی باشند که به عنوان دستیار شخصی مجازی شبیه سازی می شوند – کــاری که آنها به

خوبی انجام می دهند. وقتی پای یادگیری عمیق و شبکه های عصبی عمیق به میان می آید این فذایند یــــادگیری

جالب تر می شود.

تفاوت های یادگیری ماشین و یادگیری عمیق

همانطور که قبلا اشاره کردیم یادگیری عمیق در واقع نوعی از یادگیری ماشین است و بــه روشی ومشابه

عمل می کند، اما برخی اوقات عملکرد آنها متفاوت است. با اینکه یادگیری ماشیـــن یا توجه به عملکرد آنها

روز به روز بهتر می شود اما هنوز نیاز به راهنمایی انسانی  دارد. یعنی اگــــر الگوریتم هوش مصنوعی

یک محاسبه نادرست انجام دهد، نیاز به یک مهندس  برای مداخله و تصحیــح آن وجود دارد اما در مورد

الگوریتم های یادگیری عمیق اینگونه نیست و خود هوش مصنوعی از طــریق شبکه عصبی عمیق می تواند

خود را اصلاح کند. برای مثال اگر ما یک چراغ قوه هوشمند داشتـــه باسیم که با یادگیری ماشین کار کند

در نهایت می تواند هر عبارتی را که در آن کلمه تاریک وجــود دارد را شناسایی کند و خود را روشن کند

اما اگر همان چراغ قوه با یادگیری عمیق طراحــی شده باشد به عباراتی مانند “پریز کار نمی کند” و یا

“من نمی توانم ببینم” هم واکنش نشان می ئپده و خــود را روشن می کند . بنابراین یک مدل یادگیری عمیق

قادر است از طریق روش محاسبــات خود بیــاموزد ( تکنیکی که به نظر می رسد که دستگاه مغز خودش

را دارد.)

یادگیری عمیق چگونه کار می کند؟

یک مدل یادگیری عمیق برای تجزیه و تحلیل مداوم داده ها با یک ساختار منطقی شبیه به چگونگی

تجزیه و تحلیل و نتیجه گیری یک انسان طراحی شده است.برای دستیابی به این هدف ، برنامه های

یادگیری عمیق از یــک ساختـــار لایه ای از الگوریتــــم ها،طراحی یک شبکه عصبی مصنوعی از

شبکه عصبی بیولوژیکی مغز انسان الهام می گیرد و منجــــر به فراینـــدی از یادگیری می شود که

به مراتب از مدلهای یادگیری ماشین استاندارد تواناتر است. به نام شبکه عصبـــی مصنوعی استفاده

می کنند. فرایند اینکه این مدل ها نتیجه گیری های اشتباه نکنند بسیار دشوار است و بایـــد ماننــد سایر

نمونه های هوش مصنوعی تمرین زیادی داده شوند. اما هنگامی که عملکرد صحیحی از خـــود نشان

می دهند، به عنوان یک شگفتی در دنیای علم شناخته می شود که در واقع ستون و پایه هوش مصنوعی

واقعی می باشد.یک نمونه بارز از یادگیری عمیق AlphaGo Google است که یاد گرفته تا بازی

GO را انجام دهد، این بــــازی که شبیه که نیـــاز به استدلال و منطق بالایی دارد .مدل یادگیری عمیق

Alpha Go با بازی در مقابل بازیکنان حرفه ای یاد گرفت که سطح بازی خود را ارتقاع دهد و حرکاتی

را انجام دهد که در تمرین اولیه برای آن تعریف نشده. این امر باعث شد تا Alpha Go چندین استاد

این بازی را شکست دهد .

پس در اختصار تفاوت یادگیری ماشینی با یادگیری عمیق را می توان اینگونه بیان کرد:

  -یادگیری ماشین از الگوریتم هایی  استفاده می کند تا داده هایی را یاد بگیرد، تجزیه تحلیل انجام دهد و بر اساس تعالیم، نصمیم گیری آگاهانه انجام دهد.

-یادگیری عمیق ساختاری از لایه های الگوریتم ایجاد می کند که یک “شبکه عصبی مصنوعی” ایجاد کند که می تواند به تنهایی یادگیری و تصمیم گیری هوشمندانه داشته باشد.

-یادگیری عمیق زیر مجموعه ای از یادگیری ماشینی است که هر دوی آنها زیر مجموعه وسیعی از هوش مصنوعی هستند. یادگیری عمیق فناوری هوش مصنوعی ایجاد می کند که بیشترینشباهت را به هوش انسانی دارد.

داده ها سوخت آینده

با وجود حجم عظیم داده هایی که توسط داده های بزرگ در حال حاضر در حال جمع آوری است

ما تحول های عظیمی را طی ده سال آینده ساهد خواهیم بود که هنوز به آنها دست نیافته ایم.

بنا به تحلیل افراد متخصص در این زمینه این یادگیری عمیق بیشترین سهم را در این فرایند خواهد

داشت.اندرو نگ ، دانشمند ارشد موتور جستجوی بزرگ چین “بایدو” و یکی از رهبران پروژه

Google Brain ، یک قیاس عالی برای یادگیری عمیق با مجله Wired به اشتراک گذاشت. او گفت:

من هوش مصنوعی را به یک فضا پیما تشبیه می کنم که هم به موتور قدرتمندی نیاز دارد و هم

به سوخت زیاد. اگر سوخت کم و موتور قدرتمند داشته باشید نمی توانید به مدار برسید و اگرشوخت

زیاد و موتور ضعیف داشته باشید حتی نمی توانید سفینه را از زمین بلند کنید بنابراین هر دو عامل

باید به اندازه کافی قوی باشد.

هوش مصنوعی سامسونگ پیشرو در بازار

هوش مصنوعی سامسونگ پیشرو در بازار

سامسونگ همانند رقیب های خود از هوش مصنوعی در محصولات خود استفاده می کند.این

 غول تکنولوژی اسم هوش مصنوعی خود را بیکسبی (Bixby) گذاشته. این  هوش مصنوعی

بیکسبی نه تنها در تلفن های هوشمند این کمپانی جا گرفته بلکه در محصولاتی که دارای اینترنت

اشیاء نیز هستند گنجانده شود. این دستیار صوتی قصد دارد تا از رقیبان خود مانند سیری اپل،  

گوگل اسیستنت و الکسا  پیشی بگیرد البته  این هوش منصوعی با گوگل اسیستنت منتبق است.

با اینکه این هوشمصنوعی موفقیت رقبای خود را ندارد اما با این حال بر روی دستگاه های 

سامسونگ نصب شده است. 

این هوش مصنوعی چگونه کار می کند

در واقع این هوش مصنوعی برای تلفن هوشمند سامسونگ S8 ساخته شده است اما انتظار می رود

برای تمامی دستگاه های هوشمند سامسونگ مانند تلویزیون و یخچال فمیلی هاب هم اجرا شود. این

دستیار صوتی می تواند برای شما پیام ارسال کند، اطلاعات مورد نیاز شما( وضعیت هوا ، یادآوری

جلسات ، مقالات خبری و غیره) را به شما بدهد، اطلاعات موجود در نمای دوربین و یا یک عکس را

به شما بدهد و یا حتی با تشخیص صدا اطلاعات مربوط به شخص را در اختیارش قرار دهد سامسونگ

می گوید این هوش مصنوعی می تواند از شما بیاموزد، با شما تکامل پیدا کند و با شما سازگار شود.

این دستیار در یکسری ازاپلیکیشن های دیگر هم موجود است. سامسونگ همچنین دارای بلندگوهای

Galaxy Home Bixby است که با وجود گذشت 18 ماه از معرفی آن هنوز راهی بازار نشده است.

هوش مصنوعی سامسونگ چگونه کار می کند؟

Bixby به گونه ای طراحی شده است که به شما امکان می دهد تا به جای راه اندازی یک برنامه یا انجام

یک کار واحد ، یک مجموعه کامل از تعامل ها را انجام دهید. بیکسبی از نظر متنی آگاه است ، به این معنی

که می تواند وضعیتی را که برنامه در آن قرار دارد تشخیص دهد و بر اساس درخواست های شما اقدامات

صحیح انجام دهد ، همچنین به شما امکان می دهد دستورات صدایی و یا لمسی را در این تعامل داخل کنید.

بیکسبی همچنین باید بتواند زبان طبیعی را درک کند: این بدان معنی است که شما نیازی به استفاده از عبارات

کامل ندارید ، می توانید اطلاعات ناقصی ارائه دهید و بیکسبی می تواند آنها را تفسیر کند و اقدام نماید .

تشخیص یص زبان طبیعی برای ظهور الکسا مهم بوده است و اکنون عنصر اصلی هوش مصنوعی مدرن است.

این دستیار هوش مصنوعی می تواند با کلمه ی بیدار باش سلام بیکسبی فعال شود و مانند گوگل اسیستنت

می توانید با زبان طبیعی با آن حرف بزنید. اما به نظر می رسد که بیکسبی به طور تصادفی هم فعال می شود .

بنابراین استفاده از فعال سازی با دکمه می تواند از این اشتباه جلوگیری کند البته این قاعده فقط برای دستیار

صوتی است و در مورد دید بیکسبی باید وارد دوربین شوید تا فعال شود.

هوش مصنوعی بیکسبی چه توانایی هایی دارد؟

یکی از اهداف اصلی بیکسبی تعامل با دستگاه های و پیچیده است. در اینجا چند نمونه از کارهایی که بیکسبی

انجام می دهد را برای شما بازگو می کنیم :

می توانید بگوید این را برای من روی صفحه نمایش بده تا بیکسبی آن را بر روی تلویزیون سامسونگ نشان دهد.

میتوانید برای ذخیره تصویر روی صفحه به عنوان تصویر زمینه تلفن خود بگویید “از این به عنوان تصویر زمینه

من استفاده کنید”

می توانید بگویید “یک سلفی بگیرید و در فیس بوک به اشتراک بگذارید” تا دستگاه دقیقاً همین کار بکند.

می توانید بگویید که به من یاداوری کن ساعت 3 دارو هایم را بخورم تا ریمایندر برای شما ست شود.

بگویید پیام ها را باز کن تا اپلیکیشن پیام های شما باز شود.

می توانید بگویید HDR را روشن کن تا در دوربین این قابلیت روشن شود.

برای اینکه از این قابلیت ها استفاده کنید باید بیکسبی را یا با دکمه و یا با کلمه بیدار باش فعال کنید. به آسانی از

آن بخواهید کارهایی مانند تغییر صدا یا افزایش روشنایی گوشی را انجام دهد. به طور کلی ، هنگام کنترل دستگاه ،

بیکسبی بسیار مناسب است ، همانطور که در ایجاد پیام برای شما یا خواندن پیام های دریافتی و غیره است.

دید بیکسبی (Bixby vision)

Bixby Vision طیف وسیعی از عملکردها را ارائه می دهد که از دوربین موجود در گوشی بهره می برند.

با روشی مشابه Google Lens یا برنامه خرید Amazon ، می توانید از Bixby بپرسید که در تصویر

چه چیزی است یا برنامه دوربین را باز کنید و دکمه Bixby Vision را بزنید. یکی زا قابلیت های خوبی 

دارد این است که می تواند بدون اینکه به  Bixby Voice وابسته باشد فقط با کمک دوربین عملکرد

داشته باشد. می تواند سرویس دهی کند پس حتی دستگاه هایی که هنوز پشتیبانی کامل از سرویس صدای

Bixby Voice را ندارند ، Bixby Vision را استفاده می کنند

Bixby Home

اگر افرادی به هر دلیلی دسترسی به ئستیار صدای بیکسبی را نداشتند می توانند از بیکسبی هوم استفاده بکنند

این قابلیت در سمت چپ صفحه اصلی قرار دارد. در انگلستان شما می توانید سرویس خبری Upday و یا یک 

فلیپ برد شخصی در اختیار شماست که اساسا هر امکاناتی را که بیکسبی می تواند با آن در ارتباط باشد را به

شما نشان می دهد چه آب و هوا باشد و چه کنترل گجت های IoT.

یادآور بیکسبی

 بیکسبی می تواند برای شما یادآور ایجاد کند  اما با وظایف خاص در قالب متن یا چک لیست. می توانید 

از آن بخواهید تا به ما یادآوری کند که تماسی بگیرید و یا پیامی ارسال کنید. ویا  حتی محتوایی را که

می خواهید بعدا ببینید را به شما گوشزد کند.  این کار را می توانید هم با دستور صدایی و هم از صفحه

اصلی انجام دهید. 

پیشنهاد رستوران

پیشنهاد رستوران می تواند توسط Bixby بسته به مکانهایی که در گذشته از آنها بازدید کرده اید ، ارائه

شود. همچنین برخی از مراحل رزرو ، مانند زمان رزرو ، شماره تلفن شما ، تعداد میهمانان و غیره را

کنترل می کند که براساس عادات قبلی شما همه می توانند به صورت خودکار پر شوند.

رزرو تاکسی تلفنی

این دستیار صوتی میتنی بر هوش مصنوعی سامسونگ می تواند برای شما با دستور صدایی  تاکسی

(Uber) رزرو کند سامسونگ در یک نمایش با گفتن عبارت من نیاز دارم تا به فرودگاه JFK برسم

بدون اینکه دقیقا بگوید کهاوبر می خواهم یک تاکسی تلفنی رزرو کرد.