هوش مصنوعی چیست؟

آموزش و یادگیری هوش مصنوعی چگونه انجام می‌شود؟

مهندسی دانش بخش بزرگی از پژوهش‌های مورد نیاز هوش مصنوعی را تشکیل می‌دهد. ماشین‌ها در صورتی می‌توانند مانند انسان‌ها رفتار کنند که اطلاعات فراوانی از جهان اطراف خود داشته باشند.

یادگیری ماشین نیز یکی دیگر از بخش‌های اصلی هوش مصنوعی است. آموزش به ماشین به شکل‌های گوناگونی دسته بندی شده است. ساده ترین راه برای یادگیری ماشین روش “آزمون و خطا” است.  برای مثال، یک برنامه ساده برای کیش و مات کردن شاهِ حریف در یک بازی شطرنج را در نظر بگیرید. برنامه مهره‌های شطرنج را به صورت تصادفی آن قدر حرکت می‌دهد تا موفق به کیش و مات کردن طرف مقابل شود و در دفعه‌ی بعدی که همین مسئله‌  دوباره به کامپیوتر داده شود می‌تواند سریعاً مسئله را حل کند و پاسخ را بیابد.

هدف یادگیری ماشینی این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها بازدهی بالاتری در وظیفهٔ مورد نظر پیدا کند. گستردهٔ این وظیفه می‌تواند از تشخیص خودکار چهره با دیدن چند نمونه از چهرهٔ مورد نظر تا فراگیری شیوهٔ گام‌برداری برای روبات‌های دوپا با دریافت سیگنال پاداش و تنبیه باشد.

هوش مصنوعی به چند نوع تقسیم می‌شود؟

آنچه امروزه به هوش مصنوعی مشهور است به دو دسته‌ی “ANI” و “AGI” تقسیم می‌شود.

ANI

ANI مخفف Artificial Narrow Intelligence (هوش محدود مصنوعی) است و معمولاً به آن “هوش مصنوعی ضعیف” هم می‌گویند. این نوع هوش مصنوعی تنها می‌تواند در یک حیطه‌ی محدودی از تخصص فعالیت کند. برای مثال می‌توان به آبی بزرگ (Big Blue) اشاره کرد. ابر کامپیوتری که IBM در سال ۱۹۹۷ ساخت تا بزرگ‌ترین شطرنج بازان جهان را شکست دهد. آبی بزرگ یک کار را بسیار عالی انجام می‌دهد: شکست انسان در شطرنج. اما تخصص آن به همین مورد محدود می‌شود.

شاید تا به حال متوجه این موضوع نبوده باشید، ولی همین حالا هم توسط هوش مصنوعی ضعیف یا ANI محاصره شده‌ایم. ماشین‌هایی که عادات جستجوی شما در گوگل را ردگیری می‌کنند. و بر اساس هزاران متغییر مختلف تبلیغات مناسب را برای شما به نمایش در می‌آورند، بر اساس ANI های ابتدایی ساخته شده‌اند که در طول زمان سلایق شما را یاد می‌گیرند.

مثال دیگر فیلترهای هوشمند سرویس‌های ایمیل برای پاکسازی اینباکس شما از اسپم است. سیستم‌هایی که در یک لحظه بین میلیون‌ها پیام به جستجو می‌پردازند و تصمیم می‌گیرند که کدام یک واقعی است و کدام باید حذف شود.

ANI نسخه‌ی مفید و نسبتاً بی‌ضرر هوش ماشین است که می‌تواند به تمام بشریت سود برساند؛ زیرا اگرچه قادر به پردازش میلیاردها عدد و درخواست در یک زمان است، اما همچنان مقید به عمل در یک حیطه‌ی خاص است که آن عملکرد هم محدود به تعداد ترانزیستورهایی است که ما به آن اجازه می‌دهیم داشته باشد.

در سمت دیگر، هوش مصنوعی‌ای که نگرانی بسیاری را بر انگیخته است “Artificial General Intelligence” (هوش عمومی مصنوعی) یا به اختصار AGI است.

AGI

ساختن چیزی که حتی با کمی اغماض بتوان نام AGI بر آن گذاشت، می‌تواند بزرگترین دستاورد علوم کامپیوتر باشد.  اگر روزی به آن دست پیدا کنیم، همه‌ی زوایای جهانی را تغییر خواهد داد. موانع زیادی برای رسیدن به هوش مصنوعی برابر با ذهن انسان وجود دارد. یکی از موانع این است که هرچند شباهت‌های زیادی بین نحوه‌ی عملکرد مغز ما و شیوه‌ی پردازش اطلاعات توسط کامپیوترها وجود دارد، اما وقتی نوبت به تفسیر اطلاعات مانند مغز انسان می‌رسد، ماشین‌ها عادت بدی دارند که بیش از حد به جزئیات توجه می‌کنند. شاید حکایت کسی که برای تفریح به طبیعت رفته بود و “درخت ها نمی‌گذاشتند جنگل را ببیند!” به خوبی توصیف کننده‌ی این وضعیت باشد.

هوش مصنوعی چه کاربردهایی دارد؟

کاربرد‌های هوش مصنوعی در زندگی

امروزه نیز می‌توان کاربرد‌های هوش مصنوعی‌ را در زندگی روزمره مشاهده کرد. برای مثال برخی از چراغ‌های راهنمایی رانندگی هوشمند با محاسبه زمان مورد نیاز برای توقف خودرو‌ها در پشت چراغ قرمز از هوش مصنوعی استفاده می‌کنند. غلط یاب‌ گوشی‌های هوشمند کلماتی را که نادرست نوشته شده‌اند را شناسایی و آن را با کلمه‌ی درست جایگذاری می‌کنند. آن‌ها شیوه نگارش شما را یاد می‌گیرند و کلماتی مناسب را برای تکمیل جمله ارائه می دهند. دستیار‌های صوتی گوگل (Google Now) ، اپل (Siri) و مایکروسافت (Cortana) به سوالات و درخواست‌های شما پاسخ می‌دهند و در هنگام رانندگی تنها با گوش سپردن به سخنان شما؛ برای دوستانتان پیامک می نگارد و ارسال می‌کند . همچنین با شناختی که از شما دارند (مانند سلیقه) به بررسی رستوران‌های نزدیک مورد علاقه شمامی‌پردازند و بهترین رستوران را پیشنهاد می‌دهند.

همچنین برخی از موتور‌های جستجوگر مانند گوگل شیوه جستجو نمودن شما را یاد می‌گیرند و متناسب با آنچه که به دنبال آن می‌گردید، نتایج را سفارش سازی می‌کنند. به تبلیغات هوشمند گوگل  نیز می‌‌توان اشاره کرد: کافی است یک اپلیکیشن را از فروشگاه اپلیکیشن گوگل (Google Play) دانلود و یا فیلمی را از یوتیوب نگاه کنید تا تبلیغات مرتبط با آن‌ها را در سایت‌هایی که از کد‌های تبلیغاتی گوگل استفاده می‌کنند مشاهده کنید. اپلیکیشن و سایت فیسبوکبه عنوان یکی از سایت‌هایی که با استفاده از هوش مصنوعی، تبلیغات خود را برای کاربران هدفمند و  سودی چند برابری را برای آنها به دست آورد.

همچنین هوش مصنوعی می‌توان به علت پیشرفت مداوم در زمینه فناوری کامپیوتری، اغلب در بهترین موسسه‌های امورمالیاتی، آموزش حسابداری با استفاده از هوش مصنوعی را به عنوان بخشی از سیستم های یکپارجه اتوماسیون حسابرسی خود در نظرگرفته اند.

کاربردهای دیگر هوش مصنوعی

در حال حاضر نرم افزار‌هایی با استفاده از یادگیری ماشینی ساخته شده‌اند، که قادر به تشخیص و توصیف اجسام درون تصویر و  تشخیص حالات (احساسات) از روی صورت هستند. شرکت‌های بزرگی مانند گوگل و مایکروسافت نیز اقدام‌هایی در مورد توسعه‌ی پروژه‌هایی مانند سیستم تشخیص اجسام درون تصویر نیز انجام داده‌اند؛ اما تا به حال آن را برای استفاده عموم منتشر نکرده اند. از معروف‌ترین پروژه‌های بینایی ماشین با قابلیت تشخیص اشیاء، می‌توان پروژه‌ی Image Identification شرکت Wolfram را نام برد.

کاربرد هوش مصنوعی در حسابداری و حسابرسی

نظر شما درباره تکنولوژیی که می‌تواند هزینه‌ها را ۸۰ درصد کم کند و علاوه‌برآن زمان انجام‌دادن کارها را حدود ۹۰ درصد کاهش بدهد چیست؟ قطعاً این خبر خیلی خوبی می‌تواند باشد.

برخی از مهم‌ترین کاربردهای هوش مصنوعی در حسابداری:

• حسابدارها نیاز به‌صرف زمان طولانی برای تحلیل ستون‌های طولانی اعداد ندارند
• ارائه انواع تحلیل‌ها از داده‌های مالی یک شرکت
• اعتبارسنجی اسناد مانند فاکتور خریدوفروش، سند هزینه و حساب‌های دریافتنی و پرداختنی به‌صورت خودکار انجام می‌شود
• سیستم‌های حسابداری مبتنی بر هوش مصنوعی دائماً و به‌صورت لحظه‌ای مورد حسابرسی قرار می‌گیرند و درصورتی‌که خطایی وجود داشته باشد به حسابدار اطلاع می‌دهد
• به مدیران مالی کمک می‌کند تا وضعیت آینده مجموعه خودشان رو بادقت مثال‌زدنی پیش‌بینی کنند.
• به دلیل بهبود حسابرسی و افزایش شفافیت، بهره‌وری تیم حسابداری و مالی و به طور کل بهره‌وری شرکت‌ها بالاتر می‌رود.
• هوش مصنوعی کمک می‌کند تا مدیران مالی بتوانند تأمین‌کنندگان مواد اولیه را بهینه‌تر و با سرعت بیشتری ارزیابی کنند و در نتیجه مناسب‌ترین تأمین‌کنندگان را انتخاب کنند.