شاخه های هوش مصنوعی چیست ؟

شما حتما درمورد هوش مصنوعی مطالعه کرده اید. و به این سوال برخوردید که شاخه های هوش مصنوعی چیست؟ و با یک سری کلمات جدیدی مواجه شده اید که برایتان سوال شده است .
در این قسمت سعی کرده ایم تمام شاخه های هوش مصنوعی در علم رایانه رابه شما عزیزان معرفی کنیم. قبل از این که به سراغ معرفی انواع شاخه های هوش مصنوعی برویم یک تعریف از هوش مصنوعی را برای شما بازگو میکنیم.

تعریف هوش مصنوعی

هوش مصنوعی رشته ای است که از چند رشته علوم رایانه تشکیل شده است و هدف آن تولید سیستم ها و ماشین هایی هست که توانایی انجام کارهایی را دارند که نیازمند هوش انسانی می باشند. این مدل ماشین های توانایی انجام وظایفی مانند یادگیری، استدلال، حل مسئله، درک زبان ، ادراک و تصمیم گیری را دارند.

در واقع هوش مصنوعی از مدل ها و شاخه هایی تشکیل شده است که در حوزه های مختلف زندگی افراد یا در دنیای افراد حرفه ای برای اتوماتیک کردن فرآیند هایی که به روش سنتی انجام میشود و یا غیرمولد، ناکارآمد و کند و آهسته باشند استفاده میشود.
امروزه هزینه کردن در هر شاخه های هوش مصنوعی دائما در حال تغییر و به روز شدن می باشد که این عامل باعث ایجاد منسوخ شدن یک سری شاخه ها و یا بهبود و پیشرفت برخی از شاخه های هوش مصنوعی شده است. به عنوان مثال در زمینه یادگیری ماشین و یادگیری عمیق پیشرفت های چشمگیری صورت گرفته است که توانسته است. پیشرفت درزمینه علم هوش مصنوعی را به جلو حرکت بدهد.

شاخه های هوش مصنوعی کدامند؟

هوش مصنوعی شامل طیف گسترده ای از پژوهش ها میباشد. با استفاده از این مدل ها و روش های هوش مصنوعی میتوانیم انواع مسائل را حل کنیم. گرایش ها و موئلفه های هوش مصنوعی را میتوانیم به صورت زیر دسته بندی کنیم.

شاخه های هوش مصنوعی

1. یادگیری ماشین (ML)

2.یادگیری عمیق (DL)

3. پردازش زبان طبیعی(NLP)

4. منطق فازی (fuzzy logic)

5. بینایی ماشین (Machine Vision)

6.سیستم خبره (Expert system)

7.رباتیک (Robotics)

هر کدام از شاخه های هوش مصنوعی دارای ویژگی های منحصر به فردی هستند که برای ایجاد سیستم های هوشمندی که قادر به حل مسائل و مشکلات پییچیده هستند ضروری میباشند. همه این شاخه ها با هم کار میکنند تا برنامه های پیشرفته هوش مصنوعی را که امروز شاهد آن ها میباشیم . تقویت کنند.
شاید تا الان متوجه شده اید که هوش مصنوعی دنیای ما را متحول کرده است. درک شاخه های هوش مصنوعی کلیدی برای درک بهتر اینکه چگونه هوش مصنوعی جهان ما را در حل دگرگون کردن میباشد بسیار ضروری هست.

1. یادگیری ماشین(ML)

در بررسی شاخه های هوش مصنوعی به سراغ مهم ترین شاخه هوش مصنوعی میرویم. یادگیری ماشین یا همان ML منظور از یادگیری ماشین یعنی الگوریتم هایی که توانایی یادگیری از طریق داده ها را به صورت خود کاردارند. همچنین عملکرد خود را بر اساس تجربیاتی که از گذشته کسب کردند بهبود ببخشند و در آخر بدون برنامه ریزی مشخص تصمیم نهایی را بگیرند.

اساس کار یادگیری ماشین به این صورت است که از داده ها بدون آموزش صریح بتوانند بیاموزند و پیش بینی کنند.و در نهایت عمل تصمیم گیری را انجام دهند. به عنوان مثال سیستم های توصیه مثل آمازون و نتفلیکس از الگوریتم های یادگیری ماشین استفاده میکنند. این سیستم های توصیه از آنچه که شما جست و جو میکنید میتوانند سلیقه شما تشخیص دهند و بر اساس آن محصولات و فیلم ها مرتبط با جست و جو شما را به شما پیشنهاد بدهند.

الگوریتم های یادگیری ماشین به سه دسته تقسیم بندی میشوند.

1.یادگیری تحت نظارت

سیستم ها بر اساس داده هایی که برچسب گذاری شدند برای پیش بینی نتیجه آموزش داده می شوند.

2.یادگیری بدون نظارت

در این حالت الگوریتم ها با داده های بدون برچسب آموزش میبینند. اطلاعات را از ورودی ها استخراج میکنند تا ویژگی ها و الگو ها را شناسایی کنند تا بتوانند یک نتیجه درست ایجاد کنند.

3. یادگیری تقویتی

در این حالت ماشین ها بر اساس آزمون و خطا عمل یادگیری را انجام میدهند. و از بازخورد ها شروع به شکل دادن به اقدامات میکنند.

برای درک کامل شاخه یادگیری ماشین و الگوریتم های آن به بخش معرفی کامل الگوریتم ماشین میتوانید مراجع کنید.

2. یادگیری عمیق( شبکه عصبی)

شاخه یادگیری عمیق (شبکه عصبی) که در بعضی منابع آن را زیر مجموعه شاخه یادگیری ماشین در نظر میگیرند. در واقع نوعی الگوریتم به صورت یادگیری ماشین می باشد. اما روش کار آن به صورت شبکه های عصبی مصنوعی است که از مغز انسان الهام گرفته شده است.
فرآیند شبکه های عصبی مصنوعی به این صورت میباشد که سیگنال دهی بین نورون های بیولوژیکی در مغز انسان را تقلید میکند. شبکه های عصبی از لایه های گره که شامل لایه های ورودی ، پنهان، و خروجی تشکیل شده اند.این شبکه ها برای یادگیری و بهبود دقت به داده ای آموزشی نیاز دارند.

یادگیری عمیق میتواند حجم عظیمی از داده ها را برای یافتن روابط والگو ها پردازش کند. یکی دیگر از ویژگی های اصلی یادگیری عمیق ظرفیت یادگیری بالا این نوع یادگیری می باشد که در آن حجم زیادی از داده ها باید در دسترس باشد .
از کاربردهای یادگیری عمیق میتوانیم در بخش های پردازش زبان طبیعی و بینایی کامیپیوتر استفاده میشود
برای مثال در مورد شبکه های عصبی میتوانیم شرکت گوگل را مثال بزنیم. این شرکت در بخش های مختلف کسب و کار خود از جمله قسمت جست و جو تشخیص تصویر ، تشخیص صدا و از الگوریتم های یادگیری عمیق استفاده میکند تا بتواند دقت نتایج جست و جو شده را بسیار بالا ببرد.

برای درک و مطالعه بیشتر به بخش یادگیری عمیق چیست؟ مراجعه کنید.

3.پردازش زبان طبیعی (NLP)

سیستم ها و ماشین های هوشمند با استفاده از الگوریتم ها پردازش زبان طبیعی میتواند زبان انسان را هم در قالب متن هم در قالب گفتار درک کنند. NLP در واقع یک تکنیک پردازش محاسباتی زبانهای انسانی است. این تکنیک کامپیوتر را قادر میسازد تا با تقلید از زبان طبیعی انسان داده ها را بخواند و درک کند.

فناوری پردازش زبان طبیعی در سال های اخیر بسیار محبوب شده است. زیر شرکت های بزرگ با فناوری NLP به دنبال خودکاری سازی خدمات خود به مشتریان و کاربران خود هستند. همین امر باعث کاهش هزینه های آن ها میشوند.
از مهم ترین محصولات و سرویس هایی که شاخه پردازش زبان طبیعی در آن به کار رفته است میتوانیم به دستیار های شخصی مثل الکسا آمازون و سیری شرکت اپل اشاره کنیم.

4. منطق فازی (fuzzy logic)

منطق فازی (fuzzy logic) تکنیکی است که برای استدلال استفاده میشود . منطق فازی در حل مسائل و عباراتی که درست یا نادرست میتوانند باشند. به ما کمک میکنند. در این روش با در نظر گرفتن تمام احتمالات موجود در بین مقادیر دیجیتالی مثل بله و خیر تصمیمات انسانی را تقلید میکنند.
از شاخه منطق فازی هوش مصنوعی برای استدلال موضوعات نامشخص استفاده میشود چون یک روش راحت و انعطاف پذیر برای به اجرای در آوردن تکنیک های یادگیری ماشین و کپی کردن منطق فکری انسان می باشد.

منطق فازی از چهار بخش تشکیل شده است.

پایه قانون: یعنی همه قوانین شرایط اگر_ آنوقت را دارند

فازی شدن: در تبدیل داده های ورودی کمک میکند.

 موتور استنتاج: میزان مطابق داشتن قوانین و داده های فازی شده را تعیین میکند.

 فازی سازی: مجموعه داده های فازی را به مقادیر کریپ تبدیل میکند.

استفاده منطق فازی را میتوانیم در کنترل ترمز ماشین ها که بر اساس شتاب ، سرعت و سرعت چرخ ها کاربرد دارد.

5.بینایی ماشین

بینایی ماشین را هم میتوانیم یک نوع هوش مصنوعی در نظر بگیریم. به این صورت هوش مصنوعی به توانایی بالاتری رسیده است و میتواند دنیای پیرامون خود را با استفاده داده های بصری که شامل فیلم و عکس میباشد تجزیه و تحلیل و درک کند.
در الگوریتم های بینایی کامپیوتر از الگوریتم های یادگیری ماشین ، پردازش تصویر و یادگیری عمیق برای تحلیل و تفسیر عکس ها و فیلم ها استفاه میشود.
نحوه کار بینایی ماشین به این صورت است که یک شبکه عصبی کانولوشنال پیکسل ها تجزیه و تحلیل میکنند و برای هرکدام از آن ها برچسبی اختصاص میدهند. از این طریق میتوانند تصاویر را تشخیص داده و متمایز کنند.

روش هایی که سیستم های بینایی کامپیوتر از آن ها استفاده میکنند.

تشخیص اشیا :  اشیا خاص را در یک ویدیو و یا تصویر شناسایی و مکان یابی میکنند.

ردیابی اشیا : آیتم ها را در یک ویدیو و یا تصویر بر اساس لبه آن ها میتواند تشخیص دهد به این صورت که ابتدا و انتهای یک شی را در تصاویر و ویدیو ردیابی کند.

طبقه بندی : اشیا و تصاویر را به دست های مختلف دسته بندی میکند.

6.سیستم خبره

سیستم خبره را می توانیم جزو اولین سیستم های موفق هوش مصنوعی در نظر بگیریم. اولین سیستم خبره در سال 1970 طراحی شده است . در سال دهه 1980افزایش یافت . در واقع سیستم خبره یک مدل هوش مصنوعی میباشد که در یک زمینه خاص وبرای حل مسائل مشخص در یک حوزه طراحی شده است.  در حقیقت هوش یک انسان متخصص در یک زمینه را تقلید میکند.
اجزا تشکیل دهنده یک سیستم خبره به این صورت است که اکثر این سیستم ها دارای یک پایگاه دانش و یک موتوراستنتاج و یک رابط کاربری هستند. و نحوه کار آن به این صورت است که این موتوراستنتاج از مجموعه قوانین استنتاج که توسط یک پایگاه دانش برای حل مسائل پیچیده در یک زمینه تعریف شده است برای استدلال منطقی استفاده میکند.
نمونه های سیستم خای خبره در زمینه هایی که نیازمند به هوش یک متخصص میباشد کارایی دارد.در سیستم های پزشکی برای تشخیص سرطان همچنین در سیستم های مالی و مهندسی و حقوقی استفاده میشود.

7.رباتیک

ربایتک رشته ای از ترکیب مهندسی و علوم میباشد که که شامل طراحی ، ساخت و برنامه نویسی ربات ها می باشد. هوش مصنوعی نقش مهمی در علم رباتیک بازی میکند به این صورت که ربات ها میتوانند از تجربیات خود بیاموزند ودر طول زمان عملکرد خود را بهبود ببخشند.

در علم ربایتک از تکنیک های یادگیری ماشین و بینایی کامپیوتر و الگوریتم های پردازش زبان طبیعی استفاده شده است. تا بتوانند ربات هایی تولید کنند که در کارهایی که به صورت مداوم و تکراری انجام میشود  استفاده شوند. همچنین در زمینه هایی که بسیار ظرافت و دقت بالایی باید یک انسان داشته باشد مثل علم پزشکی هم استفاده میشوند. جدیدترین ربات های تولید شده میتوانند با انسان ها حرف بزنند و حتی احساسات یک انسان را از صدا و گفتارش تشخیص دهند نمونه موفق این مدل ربات سوفیا نام دارد.

نتیجه گیری

با توجه به مطالب بالا همانطور که خواندید شاخه های هوش مصنوعی شامل : یادگیری ماشین ، یادگیری عمیق ، پردازش زبان طبیعی ، منطق فازی ، بینایی ماشین ، سیستم خبره و رباتیک میباشد. در اصل برای داشتن یک سیستم هوشمند بستگی به خروجی سیستم اگر متن و نوشته باشد الگوریتم های استفاده شده شامل الگوریتم های یادگیری ماشین والگوریتم های یادگیری عمیق و پردازش زبان طبیعی میباشد. اگر سیستم های هوشمند دارای خروجی عکس ویدیو باشد علاوه بر الگوریتم  ML . DL  از بینایی ماشین هم استفاده میشود.