درسنامه آموزشی پودمان 2 هوش مصنوعی کلاس دهم هنرستان

آیا تا به حال به این اندیشیده‌اید

• چگونه دوچرخه‌سواری را یاد گرفتید؟ آیا کسی تمام قوانین فیزیک و مکانیک (مثل پدیده ژیروسکوپ) را برای شما توضیح داد یا با سعی و خطا و تجربه یاد گرفتید؟
• چگونه وقتی برای یک ابزار هوش مصنوعی از روی متن می‌خوانید صدای شما تبدیل به متن می‌شود؟
• این واحد یادگیری، به قلب تپنده هوش مصنوعی مدرن، یعنی «یادگیری ماشین» می‌پردازد و بیان می‌شود که چگونه رایانه‌ها مانند انسان‌ها (و حتی بهتر از آن‌ها) یاد می‌گیرند.

در پایان از هنرجو انتظار می‌رود

• مفهوم «یادگیری» برای یک ماشین را با استفاده از مثال توضیح دهد.
• انواع یادگیری ماشین (با نظارت، بدون نظارت و نیمه‌نظارتی) را از یکدیگر تمیز دهد.
• مفهوم یادگیری عمیق (Deep Learning) را به زبان ساده تشریح کند.
• انواع پردازش‌های هوش مصنوعی (متن، صوت، تصویر و...) را با کاربردهای واقعی آن‌ها مرتبط سازد.

استاندارد عملکرد

هنرجو باید بتواند مفاهیم یادگیری ماشین، انواع اصلی آن را شناخته و درک کند که چگونه پردازش‌های هوشمندی مانند تشخیص صدا، چهره و متن از طریق یادگیری ماشین ممکن می‌شوند.

یادگیری هوش مصنوعی

هنگام برنامه‌نویسی به شیوه مرسوم و سنتی، کاربر به رایانه می‌گوید چگونه یک کار را انجام دهد. کاربر رایانه تمام قوانین و شرط‌ها را به روشی صریح برای رایانه می‌نویسد و منطق را به‌طور کامل دیکته می‌کند. مثلاً برنامه‌نویسی سنتی برای مدیریت زمان را با این دستور دیکته می‌کند؛ اگر (ساعت بعد از 22 یا ساعت بعد از 6) بود حالت شب را فعال و حالت روز غیرفعال شود. اما در یادگیری ماشین رویکرد کاملاً تغییر داده می‌شود. به جای دیکته کردن قوانین، به رایانه مثال و تجربه (یعنی داده) ارائه می‌شود. و از او می‌خواهد که رایانه قوانین کاربر و الگوها را یاد بگیرد.

مثال یادگیری ماشین: هزاران نمونه از فعالیت‌های کاربر و زمان‌هایی که او حالت شب را فعال کرده است، به ماشین داده می‌شود. ماشین خود یاد می‌گیرد که این کاربر معمولاً حدود ساعت 10 شب (22) حالت شب را فعال می‌کند، حتی اگر یک شب این کار را ساعت (21:45) 9:45 انجام دهد. مدل یاد گرفته شده بسیار هوشمندتر و شخصی‌تر از یک قانون ثابت عمل می‌کند.

یادگیری ماشین، یعنی توانایی بهبود عملکرد در یک کار مشخص، از طریق تجربه به عبارت دیگر، کسب تجربه ماشین با استفاده از همان داده‌های پاک‌شده و متنوع و مرتبط، گفته می‌شود. پس ماشین با گذشت زمان و دریافت داده‌های مختلف یاد می‌گیرد.

انواع یادگیری ماشین: کار گروهی یا خودآموزی؟

یادگیری ماشین در شکل کلی به سه دسته یادگیری با نظارت، یادگیری بدون نظارت و یادگیری نیمه نظارتی دسته‌بندی می‌شود:

1- یادگیری با نظارت

این روش مانند یادگیری به کمک یک معلم و مربی است که همیشه پاسخ‌های صحیح را در اختیار دارد. در این مدل یادگیری از داده‌های برچسب‌گذاری شده استفاده می‌شود. هر نمونه داده شامل یک «ورودی» و یک «خروجی صحیح» است. هدف از این واحد یادگیری، یادگیری یک تابع است که ورودی‌ها را به خروجی‌ها نگاشت کند.

انواع اصلی: یادگیری با نظارت:

طبقه‌بندی: خروجی یک دسته یا طبقه و کلاس است.

بهترین برازش (رگرسیون): خروجی یک مقدار عددی و پیوسته است.

2- یادگیری بدون نظارت

این روش مانند یادگیری اکتشافی و بدون راهنمایی گرفتن از معلم و مربی است. داده‌ها بدون هیچ‌گونه برچسبی به ماشین داده می‌شود و از او خواسته می‌شود ساختارها و الگوهای جالب و پنهان را کشف کند.

انواع اصلی:

خوشه‌بندی: در این حالت گروه‌بندی داده‌های مشابه در کنار هم، اتفاق می‌افتد.

تشخیص ناهنجاری و نامتعارف: شناسایی موارد غیرعادی و متفاوت از بقیه داده‌ها اتفاق می‌افتد.

3- یادگیری نیمه‌نظارتی

این روش یک پل بین دو روش قبلی است و در دنیای واقعی بسیار کاربردی است. اگر یک مجموعه داده بزرگ درنظر گرفته شود که اکثر آن‌ها بدون برچسب و فقط بخش کوچکی از آن‌ها برچسب‌دار است. مدل از داده‌های برچسب‌دار برای یادگیری اولیه استفاده می‌کند و سپس از این دانش برای درک و برچسب‌گذاری بقیه داده‌ها بهره می‌برد. این روش هزینه‌ها را به شدت کاهش می‌دهد، زیرا برچسب‌زنی دستی بسیار گران است. انواع یادگیری ماشین در شکل زیر نشان داده شده است.

یادگیری عمیق: سفری به اعماق ذهن هوش مصنوعی

یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است که از ساختار شبکه‌های عصبی مصنوعی با لایه‌های متعدد استفاده می‌کند. این شبکه‌ها از ساختار مغز انسان و نحوه اتصال نورون‌های عصبی به یکدیگر الهام گرفته‌اند. این یادگیری با عبارت Deep Learning معرفی می‌شود.

کلمه «عمیق» به همین تعداد زیاد لایه‌ها اشاره دارد. در شبکه‌های عصبی سنتی (که به آن‌ها «کم‌عمق» می‌گویند)، معمولاً فقط یک یا دو لایه پنهان وجود دارد. اما در یادگیری عمیق، ممکن است صدها تا میلیون‌ها لایه وجود داشته باشد.

چرا این عمق این‌قدر قدرتمند است؟

این ساختار عمیق به شبکه اجازه می‌دهد تا یک سلسله مراتب از ویژگی‌ها را یاد بگیرد. هر لایه، ویژگی‌های پیچیده‌تری را براساس خروجی لایه قبل از خود می‌آموزد.

- مثال تشخیص چهره:
- لایه ورودی: پیکسل‌های تصویر چهره را دریافت می‌کنند.
- لایه‌های میانی (پنهان): الگوهای ساده مثل لبه‌ها و رنگ‌ها را تشخیص می‌دهد و آن‌ها را ترکیب کرده و چشم، بینی و دهان را شناسایی می‌کند.
- لایه خروجی: لایه‌های میانی ترکیب کرده و نام افراد را براساس چهره تشخیص می‌دهد.

یادگیری عمیق برای مسائل بسیار پیچیده که با حجم عظیمی از داده‌های بدون ساختار (مثل تصویر و متن) سروکار دارند، انقلابی عمل کرده و موتور محرک بسیاری از فناوری‌های پیشرفته امروزی است.

انواع پردازش‌ها در هوش مصنوعی: هر داده‌ای، تخصصی دارد!

پردازش‌های انجام شده در هوش مصنوعی شامل پردازش صوت، متن، داده‌های جدولی و سری زمانی است.

الف) پردازش صوت:

این حوزه به روش‌هایی می‌پردازد که قادر به دریافت، تحلیل، تفسیر و حتی تولید سیگنال‌های صوتی هستند. هدف اصلی، تبدیل امواج صوتی آنالوگ دنیای واقعی به فرمت دیجیتالی است که رایانه بتواند آن را درک کند و سپس از آن اطلاعات معنادار استخراج نماید. این اطلاعات می‌تواند هویت گوینده، محتوای کلام، نوع صدا (موسیقی، نویز، صحبت) یا حتی احساسات موجود در تن صدا باشد. برای این کار به زبان ساده مراحل مطابق شکل زیر طی شود:

1- دیجیتالی کردن: میکروفون، امواج صوتی را به سیگنال الکتریکی تبدیل می‌کند و کارت صدای رایانه این سیگنال را به مجموعه‌ای از اعداد (داده‌های دیجیتال) تبدیل می‌کند.

2- پیش‌پردازش: نویزهای اضافه (مثل صدای باد یا کولر) از سیگنال اصلی حذف می‌شوند تا صدا واضح‌تر شود.

3- استخراج ویژگی: رایانه ویژگی‌های کلیدی صدا را استخراج می‌کند. این ویژگی‌ها شامل فرکانس (زیر و بمی)، شدت (بلندی) و مشخصه‌های پیچیده‌تری به نام «MFCCs» است که به نوعی اثر انگشت صدا محسوب می‌شوند.

4- مدل‌ سازی و تشخیص: یک مدل هوش مصنوعی (مثلاً یک شبکه عصبی) روی هزاران ساعت صدای برچسب خورده (مثلاً صدای افراد مختلف یا کلمات متفاوت) آموزش می‌بیند تا بتواند الگوهای بین این ویژگی‌ها و معنای آن‌ها را یاد بگیرد. در نهایت، این مدل می‌تواند صدای جدید را تحلیل کرده و آن را دسته‌بندی کند (مثلاً تشخیص دهد که کلمه «سلام» گفته شده است).

مثال‌ها و کاربردهای کلیدی پردازش صورت:

• تشخیص گفتار: تبدیل صحبت‌های آن‌ها به متن نوشته شده، که در دستیارهای صوتی، نرم‌افزارهای دیکته و سامانه‌های پاسخگویی تلفنی خودکار استفاده می‌شود.
• تأیید هویت با صدا: برخی بانک‌ها و سامانه‌های امنیتی از صدای آن‌ها به‌عنوان یک رمز عبور برای تأیید هویت استفاده می‌کنند.
• تحلیل احساسات از روی صدا: شرکت‌ها می‌توانند صدای مشتریان در مراکز تماس را تحلیل کنند تا بفهمند مشتری عصبانی، راضی یا بی‌تفاوت است.
• تشخیص بیماری: تحلیل الگوی سرفه یا تنفس برای کمک به تشخیص بیماری‌هایی مانند آسم یا کووید-19
• تولید موسیقی: هوش مصنوعی می‌تواند با یادگیری الگوهای موسیقی، قطعات جدیدی در سبک‌های مختلف بسازد.

چالش‌ها:

• نویز محیطی: تشخیص صدا در محیط‌های شلوغ و پر از نویز بسیار دشوار است.
• تنوع لهجه‌ها و زبان‌ها: آموزش مدلی که بتواند تمام لهجه‌ها و گویش‌های یک زبان را به خوبی بفهمد، چالش‌ برانگیز است.
• درک مفاهیم وابسته به زمینه: تشخیص کنایه یا شوخی از روی تن صدا برای رایانه تقریباً غیرممکن است.

ب) پردازش متن:

پردازش متن پلی بین زبان انسان و زبان رایانه (صفر و یک) است. این حوزه تلاش می‌کند تا رایانه‌ها را قادر سازد حجم عظیمی از داده‌های متنی را پردازش کرده و ساختار، معنا، نیت و احساسات نهفته در آن‌ها را درک کنند. این درک فقط شامل معنای کلمات به تنهایی نیست، بلکه شامل روابط گرامری، مفاهیم مجازی و دانش عمومی درباره جهان نیز می‌شود. برای این کار به زبان ساده مراحلی نظیر (شکل زیر) باید طی شود، یکی از این مراحل تبدیل جملات به واحدهای کوچک‌تر یا توکن است.

1- توکنیزه کردن (Tokenization): متن به واحدهای کوچک‌تر (توکن) تقسیم می‌شود. این واحدها می‌توانند کلمه، بخشی از کلمه یا علائم نگارشی باشند (مثلاً جمله «من به مدرسه رفتم.» به توکن‌های «من»، «به»، «مدرسه»، «رفتم»، «.» تبدیل می‌شود).

2- پیش‌پردازش متن: کلماتی که از منظر تحلیل سامانه اضافی و بی‌اهمیت (مثل «به»، «از»، «در») تلقی می‌شود و به آن‌ها «ایست واژه‌ها» (Words Stop) می‌گویند، حذف می‌شوند. کلمات به ریشه خود بازگردانده می‌شوند (مثلاً «رفتم» و «می‌روم» هر دو به ریشه «رو» برمی‌گردند).

3- تبدیل به بُردار (Vectorization): رایانه کلمات را نمی‌فهمد، اما اعداد را به خوبی درک می‌کند. در این مرحله، هر کلمه به یک بردار عددی (لیستی از اعداد) تبدیل می‌شود. کلماتی که معنای مشابهی دارند، بردارهای نزدیک به هم خواهند داشت. این کار به مدل‌ها اجازه می‌دهد روابط معنایی را درک کنند.

4- مدل‌سازی: مدل‌های پیچیده‌ای از شبکه‌های عصبی روی میلیاردها صفحه متن آموزش می‌بینند تا بتوانند الگوهای زبانی را یاد بگیرند و وظایفی مثل ترجمه، خلاصه‌سازی یا پاسخ به سؤال را انجام دهند.

مثال‌ها و کاربردهای کلیدی از پردازش متن:

• چت‌بات‌ها و دستیارهای مجازی: مانند گفت‌وگوی افراد با پشتیبانی آنلاین وب‌سایت‌ها.
• خلاصه‌سازی خودکار: هوش مصنوعی می‌تواند یک مقاله بلند یا یک کتاب را بخواند و خلاصه‌ای چند خطی از آن ارائه دهد.
• ترجمه ماشینی: سرویس‌هایی مانند Google Translate که به‌طور آنی متن را از یک زبان به زبان دیگر ترجمه می‌کنند.
• سامانه‌های پیشنهاد دهنده: تحلیل نظرات کاربران برای پیشنهاد محصولات بهتر.
• استخراج اطلاعات: خواندن خودکار هزاران سند حقوقی یا پزشکی برای پیدا کردن اطلاعات خاص (مثلاً نام افراد یا تاریخ‌های مهم)

چالش‌ها:

• ابهام در زبان: یک کلمه می‌تواند چندین معنی داشته باشد (مثلاً «شیر» می‌تواند به معنی حیوان، مایع خوراکی و فلکه آب معنی شود).
• درک کنایه و طنز: این مفاهیم به شدت به زمینه فرهنگی و اجتماعی وابسته‌اند و درک آن‌ها برای ماشین بسیار سخت است.
• تولید متن منسجم و منطقی: اگرچه مدل‌ها پیشرفت کرده‌اند، اما گاهی متن‌هایی تولید می‌کنند که از نظر منطقی یا واقعی نادرست است (پدیده «توهم»).

ج) بینایی ماشین:

بینایی ماشین به‌دنبال ساخت سامانه‌های مصنوعی است که می‌توانند اطلاعات را از تصاویر و ویدئوها استخراج، پردازش و درک کنند. این درک می‌تواند از شناسایی یک شیء ساده (مثل یک سیب در عکس) تا تحلیل پیچیده یک صحنه (مانند درک تعاملات بین افراد در یک ویدئو) متغیر باشد. هدف نهایی، تقلید از قابلیت‌های سامانه بینایی انسان است. برای درک بینایی به زبان ساده مراحلی نظیر (شکل زیر) باید طی شود:

1- دریافت تصویر: یک دوربین یا حسگر، تصویر را به‌صورت مجموعه‌ای از پیکسل‌ها ثبت می‌کند. هر پیکسل یک یا چند عدد دارد که رنگ و روشنایی آن را مشخص می‌کند.

2- پیش‌پردازش: کیفیت تصویر بهبود می‌یابد؛ مثلاً کنتراست آن تنظیم شده یا نویزهای آن حذف می‌شود.

3- استخراج ویژگی: روش‌های مختلف به‌دنبال ویژگی‌های مهم در تصویر می‌گردند. این ویژگی‌ها می‌توانند لبه‌ها، گوشه‌ها، بافت‌ها یا رنگ‌های خاص باشند. در روش‌های مدرن یادگیری عمیق، شبکه‌های عصبی به‌صورت خودکار یاد می‌گیرند که کدام ویژگی‌ها برای تشخیص یک شیء مهم هستند (مثلاً برای تشخیص گربه، به گوش‌ها، چشم‌ها و سبیل‌ها توجه می‌کنند).

4- دسته‌بندی و تشخیص: مدل هوش مصنوعی که روی میلیون‌ها عکس برچسب خورده آموزش دیده، این ویژگی‌ها را تحلیل کرده و تصمیم می‌گیرد که چه چیزی در تصویر وجود دارد (مثلاً «این عکس حاوی یک گربه و یک سگ است»).

مثال‌ها و کاربردهای کلیدی:

• خودروهای خودران: برای تشخیص خطوط جاده، چراغ‌های راهنمایی، عابران پیاده و سایر وسایل نقلیه

• تشخیص پزشکی: تحلیل تصاویر MRI یا سی‌تی‌اسکن برای شناسایی تومورها یا سایر ناهنجاری‌ها با دقتی برابر یا حتی بهتر از انسان.
• کنترل کیفیت در کارخانه‌ها: دوربین‌ها به‌صورت خودکار محصولات را روی خط تولید بررسی می‌کنند تا موارد معیوب را شناسایی کنند.
• کشاورزی هوشمند: تحلیل تصاویر ماهواره‌ای یا پهپادی برای تشخیص بیماری‌های گیاهی یا تخمین میزان محصول استفاده می‌شود.

• واقعیت افزوده (Augmented Reality): واقعیت افزوده یا AR، ترکیبی از دنیای واقعی و دنیای مجازی است و به عبارت دیگر نسخه‌ای پیشرفته از دنیای فیزیکی واقعی است که با عناصر بصری دیجیتال ایجاد می‌شود. با این فناوری می‌توان اطلاعات بیشتری از آنچه در پیرامون مشاهده می‌شود به‌دست آورد.

چالش‌ها:

• تغییرات در شرایط نوری و زاویه دید: یک شیء ممکن است در نور کم، زیر سایه یا از یک زاویه غیرمعمول، کاملاً متفاوت به‌نظر برسد.
• انسداد: تشخیص یک شیء که بخشی از آن توسط شیء دیگری پوشانده شده، بسیار دشوار است.
• وابسته به داده‌های بسیار زیاد: آموزش مدل‌های بینایی ماشین نیازمند میلیون‌ها تصویر برچسب خورده است که جمع‌آوری آن‌ها پرهزینه و زمان‌بر است.

د) پردازش داده‌های جدولی:

این شاخه که شاید رایج‌ترین و کاربردی‌ترین حوزه هوش مصنوعی در کسب‌وکارها است و بر تحلیل داده‌های ساختاریافته که در قالب جداول (مانند صفحات گسترده اکسل یا پایگاه‌های داده) سازماندهی شده‌اند، تمرکز دارد. هر ردیف در جدول معمولاً یک نمونه (مثلاً یک مشتری یا یک معامله) و هر ستون یک ویژگی پاز آن نمونه (مثلاً سن، درآمد، محصول خریداری شده) را نشان می‌دهد. هدف، کشف روابط پنهان بین این ویژگی‌ها برای پیش‌بینی یک ستون هدف است. کاربردها: پیش‌بینی آب‌وهوا، پیش‌بینی تقاضا در زنجیره تأمین، پایش سلامت با ساعت‌های هوشمند و تحلیل بازارهای مالی. برای این کار به زبان ساده مراحل مطابق شکل زیر باید طی شود:

1- جمع‌آوری و پاک‌سازی داده: داده‌ها از منابع مختلف جمع‌آوری می‌شوند. مقادیر خالی پر شده و داده‌های پرت شناسایی و اصلاح می‌شوند.

2- مهندسی ویژگی: این مرحله بسیار مهم است. متخصصان ممکن است ویژگی‌های جدیدی از ویژگی‌های موجود بسازند. برای مثال، از ستون «تاریخ تولد»، ستون جدید «سن» را استخراج کنند که برای مدل قابل فهم‌تر است.

3- انتخاب مدل: بسته به نوع مسئله (مثلاً پیش‌بینی یک عدد یا دسته‌بندی)، مدل‌های مختلفی مانند بهترین برازش خطی (رگرسیون خطی)، درخت تصمیم یا مدل‌های پیچیده‌تر انتخاب می‌شوند.

4- آموزش و ارزیابی: مدل روی بخشی از داده‌ها آموزش می‌بیند تا الگوها را یاد بگیرد. سپس روی بخش دیگری از داده‌ها که تا به حال ندیده، آزمایش می‌شود تا دقت پیش‌بینی آن سنجیده شود.

مثال‌ها و کاربردهای کلیدی:

• پیش‌بینی ریزش مشتری (Customer Churn): شرکت‌های مخابراتی یا سرویس‌های اشتراکی پیش‌بینی می‌کنند کدام مشتریان قصد لغو اشتراک خود را دارند تا با ارائه پیشنهادات ویژه، آن‌ها را حفظ کنند.

• تشخیص تقلب در تراکنش‌های بانکی: سامانه با تحلیل ویژگی‌های یک تراکنش (مبلغ، مکان، زمان)، احتمال تقلبی بودن آن را در کسری از ثانیه پیشبینی می‌کند.
• امتیازدهی اعتباری (Credit Scoring): بانک‌ها برای تصمیم‌گیری در مورد اعطای وام به افراد، از این روش استفاده می‌کنند. شرکت‌های هواپیمایی یا تاکسی‌های اینترنتی براساس ویژگی‌هایی مانند تقاضا، زمان روز و... قیمت‌ها را به‌صورت پویا تغییر می‌دهند.

چالش‌ها:

• کیفیت داده‌ها: موفقیت مدل به شدت به کیفیت داده‌های ورودی وابسته است. داده‌های ناقص یا نادرست منجر به پیش‌بینی‌های غلط می‌شود.
• مهندسی ویژگی: ساختن ویژگی‌های مناسب نیازمند دانش تخصصی در مورد آن حوزه (مثلاً دانش مالی برای یک مسئله بانکی) است.
• تفسیرپذیری مدل: برخی از مدل‌های پیچیده مانند «جعبه سیاه» عمل می‌کنند و توضیح اینکه چرا یک پیش‌بینی خاص را انجام داده‌اند، دشوار است.

ه‍) پردازش سری زمانی:

ویژگی منحصر به‌فرد این داده‌ها، وابستگی زمانی آن‌هاست؛ یعنی مقدار یک مشاهده به مشاهدات قبلی خود وابسته است. این حوزه به‌دنبال تحلیل این وابستگی‌ها برای درک الگوهای فصلی، روندها و ناهنجاری‌ها و در نهایت، پیش‌بینی مقادیر آینده است. برای این کار به زبان ساده مراحل مطابق شکل زیر باید طی شود:

1- تجزیه سیگنال: سری زمانی به اجزای اصلی خود تجزیه می‌شود.

2- روند: جهت کلی حرکت داده در بلندمدت (مثلاً روند صعودی فروش یک محصول در طول چند سال را نشان می‌دهد.)

3- فصلی بودن: الگوهای تکرارشونده در فواصل زمانی مشخص (مثلاً افزایش فروش بستنی در تابستان را نشان می‌دهد.)

4- باقی‌مانده: نوسانات نامنظم و تصادفی که پس از حذف روند و فصلی بودن باقی می‌مانند.

5- انتخاب مدل: مدل‌های کلاسیک آماری مانند یا مدل‌های یادگیری عمیق که حافظه دارند و می‌توانند الگوهای بلندمدت را به خاطر بسپارند، استفاده می‌شوند.

6- پیش‌بینی: مدل با استفاده از الگوهایی که ازگذشته یاد گرفته، مقادیر آینده را پیش‌بینی می‌کند.

مثال‌ها و کاربردهای کلیدی:

• پیش‌بینی تقاضا در زنجیره تأمین: فروشگاه‌ها میزان تقاضای یک محصول در آینده را پیش‌بینی می‌کنند تا به اندازه کافی موجودی داشته باشند.
• بازارهای مالی: تحلیل قیمت سهام، نرخ ارز یا کالاها برای پیش‌بینی روندهای آینده؛
• پایش سلامت: تحلیل داده‌های ضربان قلب یا فشار خون ثبت شده توسط یک ساعت هوشمند برای تشخیص ناهنجاری‌ها.
• مدیریت منابع انرژی: پیش‌بینی میزان مصرف برق یک شهر برای جلوگیری از خاموشی.

چالش‌ها:

• رویدادهای پیش‌بینی نشده: اتفاقات ناگهانی (مانند یک بحران اقتصادی یا یک همه‌گیری جهانی) می‌توانند تمام الگوهای گذشته را بی‌اعتبار کنند.
• سری‌های زمانی چند متغیره: یک متغیر در دنیای واقعی، معمولاً تحت تأثیر چندین متغیر دیگر است (مثلاً فروش تحت تأثیر تبلیغات، قیمت و فصل است) و تحلیل این روابط پیچیده است.

و) پردازش گراف:

گراف و کاربرد آن در هوش مصنوعی: گراف، یکی از ابزارهای مهم در علم رایانه و ریاضیات است که برای نمایش ارتباط میان اشیا استفاده می‌شود.

یک گراف از دو بخش اصلی تشکیل شده است:

رأس‌ها (گره‌ها): نقاطی که نشان‌دهندۀ اشیا هستند، مانند: شهرها، افراد، رایانه‌ها یا هر شیء دیگر؛

یال‌ها (لبه‌ها): خط‌هایی که دو رأس را به یکدیگر وصل می‌کنند و ارتباط میان آن‌ها را نشان می‌دهند، مانند جاده بین دو شهر، خط ارتباطی بین دو رایانه یا رابطۀ دوستی میان افراد.

کاربرد گراف‌ها در مسائل هوش مصنوعی

گراف‌ها در هوش مصنوعی کاربردهای گسترده‌ای دارند. برخی از مهم‌ترین این کاربردها عبارت‌اند از:

1- شبکه‌های اجتماعی: تحلیل ارتباط میان افراد و شناسایی افراد تأثیرگذار؛
2- بازی‌ها: پیدا کردن بهترین حرکت بعدی در بازی‌ها و شبیه‌سازی‌ها؛
3- روباتیک: تعیین مسیر حرکت روبات از نقطۀ شروع تا مقصد؛
4- تشخیص کلاهبرداری: شناسایی شبکه‌های پیچیده از کلاهبرداران که با ایجاد حساب‌های جعلی سعی در فریب سامانه دارند.
5- زیست شناسی: تحلیل شبکه‌های تعامل پروتئین‌ها برای کشف داروهای جدید؛
6- سامانه‌های پیشنهاد دهنده: آمازون یا نتفلیکس با ساختن یک گراف از کاربران و محصولات، پیش‌بینی می‌کنند که آن‌ها به کدام محصول یا فیلم علاقه‌مند خواهند بود؛
7- بهینه‌سازی حمل و نقل و مسیریابی: نقشه گوگل با نمایش شهر به صورت یک گراف (تقاطع‌ها، گره‌ها و خیابان‌ها، یال‌ها هستند)، کوتاه‌ترین مسیر را بین دو نقطه پیدا می‌کند.

تحلیل بسیاری از مسائل به کمک هوش مصنوعی فقط با داشتن فهرستی از داده‌ها، میسر نیست. مهم‌تر از آن، ارتباط میان داده‌ها است. برای همین، از گراف استفاده می‌شود. تمرکز اصلی در گراف‌ها فقط ویژگی‌های جداگانۀ هر شیء نیست بلکه بر ارتباطات میان اشیا است.

پردازش‌های رایج گراف در هوش مصنوعی

برای پردازش گراف در AI مراحل مختلفی باید دنبال شود.

1- ساخت گراف: داده‌ها به‌صورت یک گراف نمایش داده می‌شوند. برای مثال، در شبکه‌های اجتماعی هر کاربر یک گره و هر رابطه دوستی یک یال است.
2- تحلیل مرکزیت: مدل‌های هوش مصنوعی گره‌های مهم و تأثیرگذار شبکه را شناسایی می‌کنند. برای نمونه، فردی که بیشترین دنبال‌کننده در یک شبکه اجتماعی دارد.
3- تشخیص جامعه: الگوریتم‌ها گروه‌هایی از گره‌ها را پیدا می‌کنند که ارتباط درونی آن‌ها قوی و ارتباط بیرونی ضعیف است، مانند گروه‌های دوستی مختلف در یک مدرسه.
4- پیش‌بینی ارتباط جدید: هوش مصنوعی می‌تواند پیش‌بینی کند که کدام دو گره در آینده به هم متصل خواهند شد؛ برای مثال، پیشنهاد دوستی در شبکه‌های اجتماعی.

گراف‌ها ابزاری قدرتمند برای مدل‌سازی و تحلیل داده‌ها هستند و کمک می‌کنند تا مسائل ساده و پیچیده در هوش مصنوعی را بهتر درک و حل شوند.

چالش‌ها:

• مقیاس‌پذیری: گراف‌های دنیای واقعی (مانند شبکه اجتماعی فیسبوک) می‌توانند میلیاردها گره و تریلیون‌ها یال داشته باشند و پردازش آن‌ها نیازمند قدرت محاسباتی فوق‌العاده‌ای است.
• گراف‌های پویا: این شبکه‌ها دائماً در حال تغییر هستند (کاربران جدید اضافه می‌شوند، روابط جدید شکل می‌گیرد) و مدل‌ها باید بتوانند خود را با این تغییرات وفق دهند.