درسنامه آموزشی پودمان 4 دانش فنی پایه دهم شبکه و نرم افزار رایانه

آیا تا به حال اندیشیده‌اید

1- چطور ربات‌ها می‌توانند مثل انسان‌ها تصمیم بگیرند؟
2- هوش مصنوعی چگونه می‌تواند به حل بحران‌های جهانی کمک کند؟
3- اگر ماشین‌ها هنر بسازند، آیا این هنر واقعی است؟

از هنرجو انتظار می‌رود

1- هنرجو باید توانایی تشریح مفاهیم پایه‌ای مانند یادگیری ماشین، شبکه‌های عصبی و الگوریتم‌های هوش مصنوعی را داشته باشد.
2- هنرجو باید بتواند کاربردهای هوش مصنوعی در زمینه‌های مختلف مثل سلامت، خودروهای خودران، خانه‌های هوشمند و سایر حوزه‌ها را توضیح دهد.
3- هنرجو باید قادر به استفاده از الگوریتم‌های ساده هوش مصنوعی برای حل مسائل خاص باشد و بتواند داده‌ها را تحلیل کرده و تصمیم‌گیری‌های منطقی براساس آن‌ها انجام دهد.
4- هنرجو باید توانایی نوشتن کد برای پیاده‌سازی الگوریتم‌های اولیه یادگیری ماشین و استفاده از آن‌ها برای حل مسائل ساده را داشته باشد.
5- هنرجو باید درک کند که هوش مصنوعی یک علم میان رشته‌ای است و می‌تواند با رشته‌های دیگر مانند الکترونیک، مکانیک، امنیت و شبکه‌های رایانه‌ای تعامل داشته باشد.

استاندارد عملکرد

مفاهیم هوش مصنوعی را در موقعیت‌های مختلف به‌کار ببرد و توانایی انجام پروژه‌های کوچک مبتنی بر هوش مصنوعی را داشته باشد.

هوش مصنوعی درحال حاضر داغ‌ترین موضوع در حوزه فناوری اطلاعات است. هدف بسیاری از توسعه‌دهندگان هوش مصنوعی، ساخت ماشین‌هایی است که مانند انسان‌ها به‌صورت مستقل و خلاقانه فکر کنند. اگر این هدف به واقعیت تبدیل شود، می‌تواند همان‌قدر زندگی بشر را تغییر دهد که اینترنت یا انقلاب صنعتی در گذشته انجام دادند. اما در کنار فواید احتمالی، خطراتی نیز وجود دارد؛ خطراتی که هنوز بشر نمی‌داند چگونه باید آن‌ها را مدیریت کند.

بسیاری از افراد وقتی نام هوش مصنوعی را می‌شنوند، فوراً به یاد ربات‌هایی می‌افتند که آگاهی دارند؛ بسته به دیدگاه افراد، این می‌تواند خوب یا بد باشد. از جنبه مثبت، این ربات‌ها می‌توانند کارهایی را انجام دهند که انسان تمایلی به انجام آن‌ها ندارد یا برای انسان خطرناک هستند (مثل کار در معادن یا مناطق آلوده)؛ اما از جنبه منفی، ربات‌های AI ممکن است از لحاظ تئوری، شغل‌های انسان‌ها را بگیرند و در نتیجه باعث افزایش بیکاری و فقر شوند. این نگرانی زمانی که ربات‌های صنعتی در دهه‌های 1980 و 1990 معرفی شدند نیز وجود داشت. بدون شک، ربات‌ها شغل‌های زیادی را از بین برده‌اند به‌ویژه در صنعت تولید، اما در عوض، هزینه تولید را کاهش داده‌اند و شغل‌های جدیدی مانند تعمیر و نگهداری ربات‌ها، برنامه‌نویسی، تحلیل داده‌ها و یادگیری ماشین ایجاد کرده‌اند.

تاریخچه هوش مصنوعی

1- دهه 1950

- شروع رسمی هوش مصنوعی به عنوان یک رشته علمی
- معرفی تست تور رینگ از سوی آلن تورینگ
- مطرح شد واژه Artificial Intelligence برای اولین‌بار در کنفرانس دارت موت

2- دهه 1960 - 1970

- توسعه سیستم‌های خبره
- تلاش برای ساخت ماشین‌هایی که می‌توانند منطق و استدلال انجام دهند.
- کاهش اشتیاق به علت محدودیت‌های محاسباتی و داده‌ای

3- دهه 1980

- رواج و گسترش سیستم‌های خبره در صنایع
- استفاده از شبکه‌های عصبی ساده
- افزایش علاقمندی به یادگیری ماشین

4- دهه 1990

- پیشرفت در الگوریتم‌های یادگیری ماشین
- (IBM) Deep Blue قهرمان شطرنج جهان گری‌کاسپاروف را شکست داد.

5- دهه 2000 و بعد از آن

- رشد انفجاری داده‌ها (Big Data) و افزایش توان محاسباتی
- ظهور یادگیری عمیق (Deep Learning)
- موفقیت چشمگیر در تشخیص تصویر، ترجمه زبان، رانندگی خودکار و...
- توسعه دستیارهای هوشمند مثل: Siri-Alena, Google Assistance 

6- دهه 2025

- انتظار پیشرفت بیشتر در هوش مصنوعی عمومی (AGT) و کاربردهای عملی در صنایع مختلف

هوش مصنوعی توانایی یک ماشین یا رایانه برای انجام کارهایی است که معمولاً نیاز یه هوش انسان دارد. به زبان ساده‌تر ساختن برنامه‌ها یا ماشین‌هایی که بتوانند فکر کنند، یاد بگیرند، تصمیم بگیرند و کارهایی مثل انسان انجام دهند. در زیر نمونه‌هایی از کارهایی که هوش مصنوعی انجام می‌دهد آورده شده است.

گوشی شما وقتی صورت شما را تشخیص می‌دهد، از هوش مصنوعی استفاده می‌کند.

وقتی یک ربات می‌تواند راه برود، موانع را بشناسد و مسیر را پیدا کند.

وقتی یک برنامه می‌فهمد که شما چه چیزی را دوست دارید و آن را پیشنهاد می‌دهد.

هوش مصنوعی چه کارهایی انجام می‌دهد؟

- درک صدا و زبان (مثل گفت‌وگو با دستیار صوتی)
- دیدن و تشخیص تصویر (مثل تشخیص چهره)
- یادگیری از تجربه‌ها (مثل یادگرفتن بازی یا رانندگی)
- تصمیم‌گیری هوشمند (مثل سیستم‌های پیش‌بینی یا توصیه‌گرها)
- هوش مصنوعی علم یاددادن فکر کردن به ماشین‌ها است.

هوش مصنوعی چگونه کار می‌کند؟

برای اینکه بهتر بفهمید هوش مصنوعی چگونه عمل می‌کند، باید ابتدا نگاهی به نحوه عملکرد سنتی رایانه‌ها داشته باشیم. در ساده‌ترین حالت، رایانه مجموعه‌ای از قطعات سخت‌افزاری است. یک برنامه‌نویس رایانه‌ای، نرم‌افزاری می‌نویسد تا این سخت‌افزارها وظیفه‌ای مشخص را انجام بدهند. این نرم‌افزار می‌داند که با دریافت ورودی مشخصی، باید وظیفه X یا Y را انجام دهد و در نهایت خروجی مشخصی را تولید کند. مثلاً با دریافت دو عدد، میانگین آن‌ها را محاسبه کرده و نتیجه را نمایش دهد. این مدل پایه‌ای پردازشی در شکل زیر نمایش داده شده است. این مدل سنتی مانند شکل زیر است:

نکته مهم این است که نرم‌افزار بر پایه الگوریتمی ساخته شده که توسط یک انسان طراحی شده است و به صورت خطی عمل می‌کند؛ یعنی از نقطه شروع آغاز می‌شود، مراحل پردازش را طی می‌کند و به یک پایان می‌رسد. این الگوریتم‌ها «هوشمند» نیستند. هر کاری که برنامه‌نویس نگفته باشد انجام نمی‌دهند؛ هیچ تصمیم‌گیری یا یادگیری‌ای در کار نیست و همه چیز از پیش تعیین شده است.

به یک مثال توجه کنید: فرض کنید برنامه‌ای طراحی شده که در میان میلیون‌ها تصویر، افراد دارای پیراهن سبز را شناسایی و شمارش کند. صرف‌نظر از پیچیدگی‌هایی مثل: روشنی یا تیرگی رنگ سبز، آستین بلند یا آستین کوتاه بودن پیراهن و یا اینکه آیا پلیور هم حساب می‌شود یا نه، این برنامه فقط کاری را انجام می‌دهد که به آن گفته شده است. مثلاً ممکن است اعلام کند که در این تصاویر 3000 نفر پیراهن سبز به تن دارند. حالا برای بررسی صحت عملکرد برنامه، باید یک فرد همه تصاویر را به‌طور دستی بررسی کرده و خودش بشمارد تا ببیند عدد درست چند نفر بوده است. اگر مشخص شود که دقت برنامه پایین بوده، برنامه‌نویس باید کد را ویرایش کرده و کل فرآیند را دوباره اجرا کند تا ببیند آیا نتیجه بهتر شده است یا نه. این کار زمان‌بر، خسته‌کننده و پرزحمت است.

اینجاست که هوش مصنوعی وارد می‌شود. در AI همچنان یک برنامه‌نویس، الگوریتم اولیه را می‌نویسد اما تفاوت مهم اینجاست: برنامه با دریافت بازخورد از نتایج خود، می‌تواند دقت خود را بسنجد، خودش رفتار و الگوریتم را اصلاح کند و در اجرای بعدی، نتیجه بهتری بدهد. این همان بخش «هوشمند» در هوش مصنوعی است. نسخه ساده شده‌ای از این مدل پردازشی در شکل زیر نمایش داده شده است.

اگر به شکل بالا نگاه کنیم، متوجه می‌شویم که در مقایسه با مدل رایانشی سنتی (در شکل مدل پردازشی) دو بخش جدید به چشم می‌خورد:

1- تنظیم
2- ارزیابی

این دو بخش، ویژگی‌های اصلی یادگیری در مدل‌های هوش مصنوعی هستند. در اینجا، توسعه‌دهنده برنامه را به گونه‌ای طراحی می‌کند که وقتی بازخوردی از عملکرد گذشته دریافت می‌کند، بتواند تشخیص دهد که کجا درست یا غلط عمل کرده و سپس خود را تنظیم کند تا عملکرد صحیح‌تری داشته باشد.

برای درک بهتر، به مثال قبل درباره شناسایی افراد با پیراهن سبز برمی‌گردیم: فرض کنیم که مدل در مرحله اول، 3000 نفر را شناسایی می‌کند. اما توسعه‌دهنده می‌داند که باید 10000 نفر شناسایی شوند. در این حالت، نمونه‌هایی از خطاهای مدل به آن داده می‌شود تا یاد بگیرد که کجاها اشتباه کرده است. سپس مدل با استفاده از این اطلاعات، خودش را اصلاح می‌کند. ممکن است این فرایند چندین بار تکرار شود تا مدل بتواند نتایج دقیق‌تری ارائه دهد. به این فرایند تکراری ارزیابی عملکرد و تنظیم رفتار مدل بر اساس آن، «آموزش مدل (Training the Model)» می‌گویند. زمانی که مدل، پس از چند دور آموزش، به سطح قابل قبولی از دقت برسد، می‌توان با اطمینان از آن برای ارزیابی داده‌های جدید استفاده کرد.

تفاوت اصلی بین هوش مصنوعی (AI) و نرم‌افزارهای معمولی در نحوه عملکرد، توانایی و هدف‌های آن‌ها است:

الف) توانایی در انجام وظایف پیچیده

نرم‌افزارهای معمولی: یک‌سری دستورات و الگوریتم‌های ثابت و از قبل نوشته شده دارند، که فقط در محدوده مشخصی کار می‌کنند؛ مثلاً ماشین حساب یا برنامه‌ای که یک وظیفه مشخص رو انجام می‌دهد.

هوش مصنوعی: قادر به یادگیری، تحلیل و تصمیم‌گیری در مواردی که قبلاً برنامه‌ریزی نشده است. مثلاً تشخیص تصویر، ترجمه زبان، یا خودروهای خودران.

ب) یادگیری و تطابق

نرم‌افزارهای معمولی: فقط همان‌طوری که برنامه‌نویس نوشته است، به‌صورت ثابت و بدون تغییر کار می‌کنند.

هوش مصنوعی: مثل یک فرد که تجربه کسب می‌کند، می‌تواند براساس داده‌های جدید یاد بگیرد و خودش را بهبود دهد.

ج) تعامل با محیط و داده‌های متنوع

نرم‌افزارهای معمولی: محدود به وظایف خاص و برنامه‌ریزی شده هستند و بدون تغییر نتایج مشابهی دارند.

هوش مصنوعی: می‌تواند داده‌های مختلف رو تحلیل کرده و رفتارهای جدید و هوشمندانه نشان دهد، مثلاً چت‌بات‌ها و سیستم‌های پیشنهاد دهنده.

د) تصمیم‌گیری مستقل

نرم‌افزارهای معمولی: نیاز به دستور مستقیم انسان برای انجام هر کاری وجود دارد.

هوش مصنوعی: می‌تواند به‌صورت مستقل تصمیم گرفته و مشکلات را حل کند.

در هوش مصنوعی، بدون اینکه نیاز باشد هر بار انسان دستور دهد، الگوریتم‌ها به هوش مصنوعی کمک می‌کنند که یاد بگیرند، تصمیم بگیرند، یا مشکلات را حل کنند.

انواع هوش مصنوعی

هوش مصنوعی براساس آنچه که می‌تواند از محیط بیرون دریافت و پردازش کند به سه سطح تقسیم می‌شود.

هوش مصنوعی محدود، تک منظوره (intelligence narrow artificial)

این نوع هوش مصنوعی تنها قادر است اطلاعات محدود را از محیط اطراف دریافت و آن‌ها را پردازش کند و می‌توان گفت تک منظوره می‌باشند.

برای مثال رایانه‌هایی که در بازی‌های پیچیده‌ای مانند شطرنج، تصمیم‌گیری هوشمندانه در زمینه تجارت و در انواع دیگر کارهای مهم توانسته‌اند از انسان بهتر عمل کنند نمونه‌هایی از این نوع هوش مصنوعی هستند یا سیستم هوشمندی که می‌تواند به‌صورت خودکار گفتار را به نوشتار تبدیل کند یا سیستم‌های تشخیص چهره که قادر هستند هویت یک فرد را حتی در شلوغی و سیل عظیمی از جمعیت تشخیص دهند از این سطح هوش برخوردار هستند.

نمونه این دسته blue deep است برنامه شطرنجی که در دهه 1991 توانست گری کاسپاروف، قهرمان شطرنج جهان را شکست دهد. blue deep می‌توانست مهره‌های روی هر خانه شطرنج را شناسایی کند و حرکت‌های پیش‌رو را پیش‌بینی کند. مشکل برنامه آن بود که نمی‌توانست تجربه‌های قبلی خود را به یاد بسپارد و از آن برای حرکت‌های آینده‌اش استفاده کند. این برنامه هربار تمام حرکت‌های استراتژیک ممکن خود و رقیب را بررسی و آنالیز می‌کرد و بهترین آن‌ها را انتخاب می‌کرد. این نوع از هوش مصنوعی و برنامه‌های این چنینی برای هدف‌های محدودی قابل استفاده هستند و نمی‌توانند به راحتی در موقعیت‌های دیگری کاربرد داشته باشند.

هوش مصنوعی عمومی (Intelligence General Artificial)

در این سطح، هوش مصنوعی قادر است تمام آنچه را که یک انسان می‌تواند از محیط اطراف دریافت و درک کند، انجام دهد. این نوع سیستم‌ها همانند انسان با محیط تعامل دارند. محرک‌ها را دریافت و پردازش می‌کنند، و درکی مشابه انسان از آن‌ها به‌دست می‌آورند. به‌عبارت دیگر، می‌توانند مانند انسان ببینند، بشنوند و احساس کنند و با محیط تعامل داشته باشند.

هوش مصنوعی عمومی از تجربیات گذشته می‌آموزد و از این آموخته‌ها برای تصمیم‌گیری‌های آینده استفاده می‌کند. برای مثال، می‌تواند تصمیم بگیرد که هنگام رانندگی خط حرکت خود را تغییر دهد. البته این نوع سیستم معمولاً حافظه‌ای محدود دارند و همه مشاهدات و تجربیات را به‌صورت دائمی ذخیره نمی‌کنند. ساخت هوش مصنوعی عمومی هنوز به‌طور کامل محقق نشده و درحال گذراندن مراحل تکامل خود است. پیش‌بینی می‌شود در آینده بتواند در بسیاری از وظایف جایگزین انسان شود و تمامی کارهایی را که یک انسان قادر به انجام آنهاست برعهده بگیرد. ایده‌آل هوش مصنوعی عمومی آن است که به درک تجربی و شناخت کلی از محیط‌های گوناگون دست یابد و بتواند داده‌ها و اطلاعات را با سرعتی بسیار بیشتر از انسان پردازش کند. بنابراین می‌توان گفت که چنین سیستم‌هایی در بخش دانش، توانایی شناخت و سرعت پردازش، عملکردی برتر از انسان خواهند داشت.

هوش مصنوعی فوق‌العاده (Intelligence Artificial Super)

این نوع از هوش مصنوعی به زمانی اشاره دارد که ماشین‌ها دارای هوش فرابشری خواهند شد و در آن زمان یک ربات قادر خواهد بود که هوش انسانی را کنار بزند. «سوپر هوش مصنوعی» سطحی از هوش مصنوعی است که می‌تواند به راحتی هوش انسانی را کنار بزند و به سطحی بالاتر برسد. در حقیقت ادعا می‌شود که با دست یافتن به هوش مصنوعی توانایی درک و فهم ماشین‌ها از سطح انسان عبور خواهد کرد.

بیشتر متخصصان معتقدند که هنوز هیچ جامعه انسانی به سوپر هوش مصنوعی دست نیافته است. تلاش‌های مهندسان و دانشمندان علم هوش مصنوعی تا به‌حال برای رسیدن به نقطه‌ای بود که بتوان آن را هوش مصنوعی کامل نام نهاد، و در این نقطه ماشین‌ها به توانایی تفکر و سطح آگاهی مشابه به انسان می‌رسند. با این که پیشرفت‌هایی در این زمینه وجود داشته است (برای مثال ابر رایانه IBM Watson که توانست در برنامه تلویزیونی Jeopardy که یک مسابقه پرسش و پاسخ بود افراد انسانی شرکت‌کننده در مسابقه را شکست دهد،) هیچ ماشینی تا به حال به سطحی از درک و شعور و وسعت دانش یک انسان بالغ نرسیده است. آزمون تورینگ، که چند دهه قبل بنا نهاده شد، هنوز هم برای این که بفهمیم یک ماشین تا چه حد در گفتار و تفکر به انسان شبیه است استفاده می‌شود و هنوز هیچ نوع از هوش مصنوعی و ماشین و سیستمی نتوانسته است این آزمون را پشت سر بگذارد.

هوش مصنوعی تکاملی (Evolutionary AI)

این نوع از هوش مصنوعی با استفاده از الگوریتم‌های تکاملی بهبود می‌یابد و از اصول انتخاب طبیعی در طبیعت الهام می‌گیرد. (الگوریتم‌های ژنتیکی، بهینه‌سازی تولیدات)

شاخه‌های حوزۀ هوش مصنوعی

در دهه گذشته، استفاده از هوش مصنوعی به‌طور چشمگیری گسترش یافته است. امروزه شاخه‌های گوناگونی از هوش مصنوعی برای انجام وظایف مختلف شکل گرفته‌اند. بسته به منبعی که به آن مراجعه می‌کنید، بین 5 تا 12 شاخه مختلف برای هوش مصنوعی برشمرده می‌شود. برخی از این شاخه‌ها با یکدیگر هم‌پوشانی دارند و برخی دیگر کاملاً منحصر به‌فرد هستند. در اینجا با برخی از شاخه‌های پرکاربرد و رایج هوش مصنوعی آشنا می‌شویم:

شاخه‌های پرکاربرد هوش مصنوعی

1- یادگیری ماشین (Deep learning) 2- پردازش زبان طبیعی (NLP) 3- شبکه‌های عصبی (Neural Networks) 4- رباتیک (Robotics) 5- بینایی ماشین (machine vision) 6- سامانه‌های خبره (Expert system)

1- یادگیری ماشین (Machine Learning)

یادگیری ماشین به معنای آموزش رایانه‌ها برای یادگیری از تجربه‌هایش است؛ مشابه شیوه‌ای که انسان‌ها یاد می‌گیرند. این حوزه، هسته اصلی هوش مصنوعی محسوب می‌شود. سه روش مهم در یادگیری ماشین عبارت‌اند از:

یادگیری تحت نظارت: در این روش، به رایانه مجموعه‌ای از ورودی‌ها به همراه برچسب داده می‌شود. مثلاً تصاویری از افراد همراه با اطلاعاتی که نشان می‌دهد فرد پیراهن سبز دارد یا نه. مدل با استفاده از این داده‌ها آموزش می‌بیند تا الگوهای مرتبط را تشخیص دهد.

یادگیری بدون نظارت: در این روش، به رایانه فقط داده‌ها را می‌دهیم، بدون اینکه برچسب یا توضیحی درباره آن‌ها ارائه کنیم. مدل‌ها داده‌های بدون برچسب را تجزیه و تحلیل می‌کنند تا شباهت‌ها و الگوها را شناسایی کنند. مثلاً فرض کنید صدها عکس از افراد مختلف داریم، اما به مدل نمی‌گوییم چه کسی پیراهن سبز دارد و چه کسی ندارد. مدل این عکس‌ها را بررسی می‌کند و خودش متوجه می‌شود که بعضی عکس‌ها شبیه به هم هستند (مثلاً از نظر رنگ لباس) و آن‌ها را در یک گروه قرار می‌دهد.

یادگیری تقویتی: در این روش، هوش مصنوعی در قبال تصمیم‌های درست، پاداش می‌گیرد و در صورت اشتباه، جریمه می‌شود. این شیوه شبیه آموزش حیوانات است.

یادگیری عمیق: در واقع یک زیر شاخه‌ای از یادگیری ماشینی است. در این روش، چندین لایه الگوریتمی به‌کار می‌رود تا رفتار مغز انسان شبیه‌سازی شود. یادگیری عمیق معمولاً زمانی استفاده می‌شود که با داده‌های بزرگ و بدون ساختار (مانند تصاویر، ویدیوها یا متن‌های طولانی) سروکار داریم.

2- پردازش زبان طبیعی (Natural Language Processing - NLP)

زمانی که هوش مصنوعی آموزش می‌بیند تا زبان‌های انسانی، نوشتاری یا گفتاری را درک کند، وارد حوزه پردازش زبان طبیعی می‌شویم. این کار بسیار پیچیده است همان‌گونه که یادگیری یک زبان دوم برای انسان‌ها هم چالش‌برانگیز است.نمونه‌هایی از NLP عبارت‌اند از: دستیارهای صوتی الکسا، سیری و دستیار گوگل

3- شبکه‌های عصبی (Neural Networks)

شبکه عصبی مصنوعی یکی دیگر از شاخه‌های یادگیری ماشین است که به گونه‌ای طراحی شده تا مانند مغز انسان تصمیم‌گیری کند. یک شبکه عصبی معمولاً شامل سه بخش اصلی است:

1- لایه ورودی (Input Layer): داده‌ها از یک لایه ورودی وارد می‌شوند.
2- لایه‌های پنهان (Hidden Layers): شامل چندین گره که هرکدام بخشی از پردازش را انجام می‌دهند.
3- لایه خروجی (Output Layer): در پایان، داده‌ها به لایه خروجی می‌رسند و نتیجه داده می‌شود.

ورودی از طریق لایه ورودی وارد شده و بین گره‌ها عبور می‌کند تا در نهایت خروجی تولید شود. هر گره می‌تواند به صورت مستقل یاد بگیرد. یادگیری عمیق در واقع زیرمجموعه‌ای از شبکه‌های عصبی است که دارای لایه‌های مخفی متعددی است. در پایان، داده‌ها به لایه خروجی می‌رسند و نتیجه داده می‌شود. شکل زیر یک شبکه عصبی را نشان می‌دهد.

ارتباط یادگیری عمیق و شبکه عصبی: شبکه‌های عصبی مصنوعی شامل تعدادی نورون (Neuron) هستند که به‌صورت لایه‌به‌لایه سازماندهی شده‌اند. در یادگیری عمیق، این لایه‌ها بسیار بیشتر از شبکه‌های عصبی معمولی هستند و به‌همین دلیل به آن «عمیق» گفته می‌شود. هر لایه در شبکه عصبی یک سری محاسبات انجام می‌دهد تا ویژگی‌های داده‌ها را استخراج کند و در نهایت نتیجه‌گیری نهایی را انجام دهد.

فرض کنید می‌خواهید یک شبکه عصبی بسازید که بتواند تصاویر گربه‌ها و سگ‌ها را تشخیص دهد. این شبکه عصبی به‌صورت لایه‌به‌لایه کار می‌کند. (شکل زیر)

لایه اول: وقتی تصویر گربه یا سگ وارد شبکه می‌شود، اولین لایه شبکه ممکن است ویژگی‌های ساده‌ای مثل لبه‌ها و رنگ‌ها را شناسایی کند.

لایه دوم: لایه‌های بعدی ویژگی‌های پیچیده‌تری مثل شکل گوش‌ها، چشم‌ها، یا فرم بدن را شناسایی می‌کنند.

لایه‌های عمیق‌تر: در لایه‌های عمیق‌تر، شبکه به ویژگی‌های سطح بالاتر مثل تشخیص اینکه آیا تصویر یک گربه است یا یک سگ، می‌رسد.

ارتباط شبکه عصبی با هوش مصنوعی چیست؟

شبکه عصبی یکی از مهم‌ترین ابزارهای هوش مصنوعی است. یعنی به کمک این شبکه‌ها، سیستم هوشمند یاد می‌گیرد از روی مثال‌ها تصمیم بگیرد. (نه با برنامه‌نویسی مستقیم).

با یک مثال این موضوع توضیح داده شده است به آن توجه کنید:

لایه پنهان (Hidden Layer) یعنی لایه‌ای که بین ورودی و خروجی قرار دارد و کار پردازش اصلی را انجام می‌دهد. جایی که داده‌ها تغییر می‌کنند و ویژگی‌های مهم استخراج می‌شوند. چرا به این لایه، لایه پنهان گفته می‌شود؟ زیرا معمولاً مستقیماً داده‌ای وارد این لایه نمی‌شود یا از آن خروجی گرفته نمی‌شود. فقط داخل شبکه کار خودش را انجام می‌دهد.

لایه ورودی اطلاعات خام (مثل عکس یا عدد) را می‌گیرد.

لایه پنهان روی این اطلاعات «فکر می‌کند»، «ویژگی‌ها را می‌فهمد»، «الگوها را پیدا می‌کند».

بعد نتیجۀ این فکر کردن را به لایه خروجی می‌فرستد.

وقتی شبکه عصبی می‌خواهد تصمیم بگیرد که عکس گربه است یا سگ؟

پس لایه پنهان مثل مغز عمل می‌کند که از داده‌های خام نتیجه‌های معنادار استخراج می‌کند.

در ادامه چند نمونه از کاربردهای شبکه‌های عصبی را معرفی می‌کنیم:

1- تشخیص دست‌خط

مثال شبکه عصبی می‌تواند یاد بگیرد که شکل عدد «5» چطور است و بعد می‌تواند دستخط دانش‌آموز را تشخیص بدهد.

2- تشخیص چهره

فناوری است که با استفاده از الگوریتم‌های یادگیری عمیق در تصاویر یا ویدیوها می‌تواند چهره افراد را تشخیص داده و تأیید هویت می‌کند. از این فناوری در کاربردهای متنوعی از جمله قفل‌گشایی گوشی‌های هوشمند و لپ‌تاپ استفاده می‌شود.

3- تشخیص ایمیل اسپم یا عادی

براساس کلمات داخل ایمیل، شبکه عصبی می‌فهمد که ایمیل مهم است یا تبلیغات.

فرض کنید یک تیم داوری 3 نفره دارید. هر داور نظر خود را می‌دهد. ولی نظر همه داورها به‌طور یکسان اهمیت ندارد. مربی هر نظر را با یک ضریب اهمیت (وزن) ضرب می‌کند، سپس همه را جمع می‌کند. اگر این جمع از یک حد مشخص بیشتر باشد، مربی تصمیم مثبت می‌گیرد وگرنه تصمیم منفی، نورون‌ها در شبکه عصبی هم همین کار را می‌کنند: هر ورودی را با وزن خودش ضرب می‌کنند، جمع می‌زنند و با یک آستانه مقایسه می‌کنند تا تصمیم بگیرند.

منظور از آستانه در این مثال یعنی اگر مجموع نظرت وزن‌دار بالاتر از یک مقدار خاص بود، تصمیم «بله» می‌گیرد، در غیر اینصورت «نه»

در اینجا یادگیری به این صورت انجام می‌شود. مثلاً اگر مربی دید بعضی از داورها همیشه درست نظر می‌دهند، به آن‌ها وزن بیشتری می‌دهد؛ یعنی یاد می‌گیرد اهمیت هر نظری را بهتر تنظیم کند.

رسم نمودار برای ورودی‌های عددی

- ورودی اول = 2 نورون
- ورودی دوم = 3 نورون

(یعنی مثلاً داده‌هایی که از دو منبع مختلف می‌آید: ورودی اول دو عدد، ورودی دوم سه‌ عدد)

و لایه پنهان هم فقط «2 نورون» دارد.

و هر ورودی به هر نورون در لایه پنهان وصل می‌شود.

هر اتصال (بین ورودی و نورون پنهان) یک وزن دارد.

وزن یعنی «اهمیت» آن ورودی برای نورون.

روش کار این موارد باهم (جدول زیر)

- هر ورودی در وزن خودش ضرب می‌شود (یعنی اهمیتش سنجیده می‌شود).
- سپس همه این‌ها با هم جمع می‌شوند تا مقدار نورون‌های لایه پنهان حساب شود.

مثلاً

- ورودی اول: مقدار $ \times 2$ وزن $1/0 = 0/5$
- ورودی دوم: مقدار $ \times 3$ وزن $0/6 = 0/2$
- سپس این‌ها جمع می‌شوند: $1/6 = 0/6 + 1/0$

به این عدد 1/6 مقدار نورون در لایه پنهان گفته می‌شود.

مثلاً

- ورودی اول: مقدار $1/6 = 0/8 \times 2$
- ورودی دوم: مقدار $1/2 = 0/4 \times 3$
سپس: $4/4 = 1/6 + 2/8$

پس مقدار نورون‌های لایه پنهان 4/4

4/4 همان مقدار نهایی خروجی شبکه است.

- ورودی‌ها مثل «مواد اولیه» هستند.
- وزن‌ها مثل «میزان ادویه» هر ماده‌اند.
- لایه پنهان مثل «آشپز» این مواد را با ادویه ترکیب می‌کند.
- خروجی مثل «غذای نهایی» است.

4- رباتیک (Robotics)

رباتیک علمی است که به طراحی و ساخت ماشین‌های فیزیکی خودکار می‌پردازد. اگرچه رباتیک و هوش مصنوعی دو حوزه جداگانه‌اند، اما می‌توانند با یکدیگر ترکیب شوند. یک نمونه ساده از استفاده AI در رباتیک، دستگاه‌های صنعتی هستند که اگر قطعه‌ای درجای خود قرار نگرفته باشد یا به درستی بسته نشده باشد، می‌توانند آن را تشخیص دهند و خودشان اصلاح نمایند یا به اپراتور انسانی هشدار دهند. نمونه‌ای پیشرفته‌تر، ربات‌های انسان‌نما هستند که می‌توانند کارهایی با چابکی یا قدرت بالا انجام دهند، حتی اگر شرایط محیطی تغییر کند.

5- ماشین بینایی (machine vision)

در این حوزه، هوش مصنوعی به کمک یادگیری ماشین و شبکه‌های عصبی، آموزش می‌بیند تا تصاویر و ویدیوهای دیجیتال را تحلیل و تفسیر کند. در همان مثال شناسایی افراد با پیراهن سبز، بینایی ماشین پشت صحنۀ این برنامه است. بینایی ماشین می‌تواند در کنار سیستم‌های امنیتی نیز به‌کار رود؛ به‌عنوان مثال، برای شناسایی رخدادهای احتمالی امنیتی در همان لحظه و نیز برای شناسایی چهره افرادی که ممکن است سابقه رفتار مجرمانه داشته باشند.

در مسابقات فوتبال حرفه‌ای از فناوری بینایی ماشین به روش‌های مختلفی استفاده می‌شود. یکی از کاربردهای آن، کمک به داوران برای بررسی صحنه‌های حساس بازی مانند عبور کامل توپ از خط دروازه است. این فناوری می‌تواند با دقت بالا و تقریباً به‌صورت لحظه‌ای تشخیص دهد که آیا توپ از خط دروازه عبور کرده است یا نه. کاربرد دیگر این فناوری در بخش امنیت ورزشگاه‌هاست. در برخی مسابقات، از سیستم‌های تشخیص چهره برای شناسایی افرادی که سابقه رفتار ناهنجار در ورزشگاه دارند یا به دلایل قانونی از حضور در مسابقات منع شده‌اند، استفاده می‌شود. این افراد ممکن است از ورود به ورزشگاه منع شوند یا با برخورد قانونی روبرو شوند.

6- سامانه‌های خبره (Expert Systems)

سیستم خبره نوعی برنامه هوش مصنوعی است که مانند یک کارشناس واقعی در یک زمینه تخصصی تصمیم‌گیری می‌کند. هدف معمولاً جایگزینی کامل انسان نیست، بلکه تکمیل و پشتیبانی از تصمیم‌گیری انسانی است. بیشتر سیستم‌های خبره در کنار کارشناسان انسانی استفاده می‌شوند تا به آن‌ها در تحلیل بهتر مسائل کمک کنند.

این شش شاخه تنها بخش کوچکی از دنیای گسترده هوش مصنوعی هستند. این علم پیوسته درحال تحول است و هر روز بخش‌های جدیدی برای آن پدیدار می‌شود.

هوش مصنوعی چطور یاد می‌گیرد؟!

حاال نوبت آن رسیده تا بدانید هوش مصنوعی چطور یاد می‌گیرد. سیستم‌های هوش مصنوعی به کمک یادگیری ماشین و یادگیری عمیق هوشمند می‌شوند و می‌توانند یاد بگیرند. (شکل زیر)

بنجامین بلوم، متفکر بزرگ حوزه یادگیری، شش مرحله اساسی در یادگیری یک مفهوم جدید برای انسان را تعریف کرده است. این شش مرحله شامل موارد زیر هستند:

1- دانستن و به خاطر سپردن
2- فهمیدن
3- استفاده و به کار بستن
4- تحلیل کردن
5- قضاوت و ارزیابی کردن
6- ترکیب و خلق کردن

انسان‌ها وقتی می‌خواهند چیزی را یاد بگیرند، معمولاً چند بار آن را تکرار می‌کنند تا بفهمند، حال چه ارتباطی بین چیزها وجود دارد: مثلاً وقتی یاد می‌گیرد سگ را از گربه تشخیص دهد باید عکس‌های زیادی از سگ و گربه ببیند و ویژگی‌های آن‌ها را بشناسد.

هوش مصنوعی یا یادگیری ماشین هم همین‌طور است. اول به کار رایانه داده‌های زیادی مثل عکس، صدا، متن یا عدد داده می‌شود. سپس رایانه با دیدن این داده‌ها، تلاش می‌کند الگوها و ارتباط‌های بین آن‌ها را پیدا کند.

مثلاً:

1- به رایانه تصویرهای زیادی از سگ و گربه نشان داده می‌شود.

2- رایانه ویژگی‌هایی مثل شکل گوش، اندازه بدن، رنگ پوست و غیره یاد می‌گیرد. یعنی: رایانه هنگام دیدن تصاویر سگ و گربه، به‌جای اینکه فقط تصاویر کلی را نگاه کند، سعی می‌کند بخش‌های مختلف عکس را تحلیل کرده و ویژگی‌های مشخصی را شناسایی کند.

3- وقتی یک عکس جدید به رایانه داده می‌شود، آن را با عکس‌هایی که قبلاً دیده مقایسه می‌کند و حدس می‌زند این عکس سگ است یا گربه.

جالب اینجاست که هر بار رایانه این کار را انجام می‌دهد، تجربه‌اش بیشتر می‌شود و تصمیم‌های بهتری می‌گیرد.

پس: یادگیری ماشین یعنی رایانه از داده‌های قبلی یاد می‌گیرد و با استفاده از آن‌ها می‌تواند تصمیم‌های درست‌تری بگیرد، درست مثل انسان که وقتی تمرین می‌کند بهتر می‌آموزد.

هوش مصنوعی چگونه مقایسه کرده و یاد می‌گیرد؟

1- دریافت داده‌های قبلی و آموزش: سیستم داده‌هایی را دریافت می‌کند که قبلاً برچسب‌گذاری شده‌اند، مثلاً هزار تصویر سگ و گربه

با این داده‌ها، سیستم یاد می‌گیرد ویژگی‌های مشترک سگ‌ها و گربه‌ها چه چیزهایی هستند. مثلاً شکل گوش‌ها، نوع دم، اندازه سر و...

2- ساختن یک مدل: بر اساس این آموزش‌ها، سیستم یک «مدل» (مانند یک نقشه یا نقشه راه) می‌سازد که:

اگر تصویر ویژگی‌هایی مثل B ،A و C را داشت، پس احتمالاً حیوان، سگ است.
اگر ویژگی‌های E ،D و F را داشت، پس احتمالاً گربه است.

3- زمانی که داده جدید وارد سیستم می‌شود: وقتی یک تصویر جدید وارد شود، سیستم این ویژگی‌ها را می‌سنجد.

بعد، با مدل ساخته شده، مقایسه می‌کند و نتیجه می‌گیرد:

مثلاً: «این تصویر، سگ است چون ویژگی‌های مشابه با سگ‌های قبلی را دارد.»

4- یادگیری در پس‌زمینه: برخی سیستم‌ها، نتیجه را نیز برمی‌گردانند و سیستم می‌تواند با این نتیجه، مدل را بهبود بخشد.

پس به‌طور خلاصه می‌توان گفت: ماشین با کمک الگوریتم‌ها، مثل انسانی که از نمونه‌ها و تجربه‌ها یاد می‌گیرد، ویژگی‌های قبلی را بررسی می‌کند، داده‌های جدید را با آن‌ها مقایسه می‌کند و نتیجه می‌گیرد. این فرآیند، هر بار کامل‌تر و هوشمندتر انجام می‌شود چون یاد می‌گیرد و نتیجه‌ها را ذخیره می‌کند.

مراحل یادگیری هوش مصنوعی/ مدل مفهومی:

- جمع‌آوری داده (مثلاً هزاران عکس سگ و گربه).
- آموزش دادن (در برنامه به هوش مصنوعی می‌گوییم: این عکس سگ است، یا گربه).
- تمرین و تکرار (با دیدن داده‌های زیاد اشتباه می‌کند، یاد می‌گیرد و بهتر می‌شود).
- تصحیح اشتباهات (هر بار که اشتباه می‌کند، برنامه گزینه درست را تعیین می‌کند و مدل خودش را اصلاح می‌کند).

پیش‌بینی یا تصمیم‌گیری (وقتی داده جدید ببیند، می‌تواند بدون کمک انسان حدس بزند یا تصمیم بگیرد).

حالا فرض کنید می‌خواهید یک هوش مصنوعی بسازید که میوه‌ها را بشناسد، مراحل زیر را دنبال کنید تا به‌طور دقیق‌تر فرایند یادگیری ماشین را بیاموزید:

- عکس‌های سیب و موز را به ماشین نشان دهید.
- اگر اشتباه کرد و موز را سیب گفت، به ماشین بگویید «نه، این موز است»
- ماشین بعد از دیدن تعداد زیادی عکس و اصلاح اشتباهات، یاد می‌گیرد بدون کمک شما بگوید «این سیب است» یا «این موز است».

در این سناریو ابتدا با آموزش ساده شروع می‌شود، تشخیص سیب قرمز از موز. تنها یک ویژگی دو میوه مورد توجه قرار می‌گیرد و هرگاه این مرحله طی شد و یادگیری انجام گرفت، وارد فاز بعدی یادگیری می‌شود.

در این فاز ویژگی رنگ و اندازه مورد توجه قرار می‌گیرد و سیب‌های زرد هم مورد مقایسه قرار می‌گیرند. هر مرحله از یادگیری که انجام گرفت می‌توانید وارد مرحله بعدی آن شوید. در مراحل بعدی می‌توانید سیب سبز و یا میوه‌های دیگر را هم وارد کنید و الگوریتم شناسایی را گسترش دهید.

گام 1: معرفی مسئله

اگر بخواهید به رایانه یاد بدهید که سیب و موز رو از هم تشخیص بدهد، ابتدا باید از او سؤالی بپرسید. یک سؤال طرح کنید؟ مثل اینکه تعیین کن کدام میوه سیب و کدام موز است؟

گام 2: انتخاب ویژگی‌ها (Features)

ویژگی‌هایی که یک میوه می‌تواند داشته باشد را مشخص کنید! (جدول زیر)

• رنگ: قرمز (سیب) یا زرد (موز)
• طول تقریبی: کوتاه‌تر (سیب) یا بلندتر (موز)
• شکل: گرد (سیب) یا کشیده (موز)

 

گام 3: جمع‌آوری داده‌ها

جدولی درست کنید مثل جدول بالا:

مثلاً 10 نمونه فرضی جمع‌آوری کنید که 5 تا سیب و 5 تا موز هستند.

گام 4: آموزش مدل

از مدل پرسیده می‌شود:

آیا رنگ زرد است؟ ← موز و اگر نه، آیا شکل گرد است ؟ ← سیب

گام 5: آزمایش مدل با ورودی جدید

عکس میوه به‌عنوان ورودی جدید به مدل داده می‌شود ← اگر مدل میوه به درستی تشخیص دهد پس مدل دقت لازم را دارد. در غیر این‌صورت اگر ویژگی‌های دو دسته شبیه بودند، مدل باید از ترکیب ویژگی‌ها استفاده کند و دوباره آموزش ببیند تا به دقت موردنیاز برسد و بتواند میوه‌ها را از هم تشخیص دهد. مدل نباید فقط از یک ویژگی مثل رنگ استفاده کند، بلکه باید چند ویژگی با هم بررسی شوند. مثلاً جدول زیر:

حتی اگر رنگ یکی باشد، ترکیب شکل و اندازه به مدل کمک می‌کند که تشخیص بدهد این یک سیب زرد است، نه موز. (شکل زیر) اگر فقط رنگ را ببیند، ممکن است اشتباه کند. ولی اگر شکل و اندازه را هم ببیند، راحت‌تر می‌فهمد.

در این نمودار، ابتدا رنگ مشترک (زرد) دیده می‌شود و سپس از ویژگی‌های تکمیلی مانند شکل و اندازه استفاده می‌شود: این نمودار تصویری مفهومی، نشان می‌دهد که چگونه مدل‌های یادگیری ماشین از چند ویژگی به‌صورت ترکیبی استفاده می‌کنند تا بتوانند میان اشیا با ویژگی‌های مشترک تمایز قائل شوند.

در ابتدا مدل متوجه می‌شود که هر دو میوه دارای رنگ زرد هستند؛ سپس با توجه به شکل: اگر شکل کشیده باشد، احتمالاً میوه، موز زرد است؛ اگر شکل گرد باشد، احتمالاً میوه، سیب زرد است؛

• در نهایت، ویژگی اندازه نیز می‌تواند به مدل کمک کند تا صحت تشخیص را تأیید کند:
• اندازه متوسط همراه با شکل گرد بیشتر به سیب زرد اشاره می‌کند؛
• اندازه بلند همراه با شکل کشیده بیشتر به موز زرد اشاره می‌کند.

مدل‌های یادگیری ماشین، روابط بین ویژگی‌ها و خروجی‌ها را با استفاده از جبر خطی /جبر ماتریسی شبیه‌سازی می‌کنند.

منطق فازی

یکی از شاخه‌های هوش مصنوعی منطق فازی است که در آن برای تصمیم‌گیری از مجموعه‌ای از قوانین استفاده می‌شود که به‌جای دو حالت درست و غلط، از درجات مختلف حقیقت استفاده می‌شود.

ما در زندگی واقعی معمولاً با جواب‌های «بله یا خیر» روبرو نیستیم. مثلاً:

آیا هوا گرم است؟

ممکن است بگوییم: کمی گرم است یا خیلی گرم است تا تقریباً گرم است.

فرض کنید یک پنکه دارید که وقتی هوا گرم‌تر می‌شود، سرعتش بیشتر شود.

منطق سنتی	منطق فازی
اگر دما بالای 30 باشد، پنکه روشن شود.	اگر «کمی گرم» بود، پنکه با سرعت کم بچرخد.
اگر نه، خاموش بماند	اگر «خیلی گرم» بود، پنکه با سرعت زیاد بچرخد.
	اگه «خنک» بود، پنکه خاموش بماند.
	تصمیم‌گیری پنکه به میزان گرما بستگی دارد، نه فقط به یک عدد خاص.

ولی در منطق سنتی (صفر و یک)، فقط دو حالت وجود دارد:

- بله (1)
- خیر (0)

منطق فازی می‌گوید که دنیا فقط سیاه و سفید نیست؛ بین این دو، هزاران رنگ خاکستری هم وجود دارد!

مفهوم درجه عضویت (Membership)

در منطق فازی، هر چیز می‌تواند مقداری از یک ویژگی را داشته باشد.

پس دما هم‌زمان می‌تواند به دو دسته تعلق داشته باشد، اما با درصدهای مختلف.

فرض کنید دمای اتاق 28 درجه است. حالا (14)

به نظر شما کمی گرم است یا خیلی گرم است؟

نه خیلی گرم، نه خیلی خنک!

در منطق فازی گفته می‌شود: دمای 28 درجه، 40% گرم است.

دمای 28 درجه 60% خنک است.

یعنی این دما کمی به گروه «گرم» تعلق دارد، ولی بیشتر به گروه «خنک» نزدیک است.

چرا این درصد مهم است؟

چون دستگاه‌های فازی (مثلاً کولر یا پنکه هوشمند و...) تصمیم می‌گیرند و براساس این درصدها عمل کنند:

اگر 70 درصد گرم بود ← کولر روی دور تندتر روشن شود.

اگر 30 درصد گرم باشد ← کولر روی دور کندتر روشن شود.

سؤال	جواب
درصد در منطق فازی چیست	مقدار تعلق یک چیز به یک ویژگی یا دسته‌بندی است.
چرا درصد داریم؟	چون دنیا فقط «بله یا خیر» نیست، گاهی چیزی کمی گرم یا خیلی گرم است.

کاربردهای منطق فازی

- ماشین‌های لباسشویی هوشمند
- کولرهای گازی
- کنترل آسانسورها
- هوش مصنوعی و ربات‌ها

ساختار منطق فازی

فازی سازی: این مرحله ورودی‌های عددی (مثل دما، سرعت، فشار و...) را به مقادیر فازی تبدیل می‌کند. مثلاً دمای 35 درجه به عنوان «گرم» در نظر گرفته می‌شود. (شکل زیر)

اینجا از واژه‌های زبانی مثل «سرد»، «متوسط»، «گرم» استفاده شده است. نه فقط عدد.

قوانین: مجموعه‌ای از قوانین «اگر.. آنگاه...» است.

مثلاً «اگر هوا گرم باشد و رطوبت کم باشد، آنگاه پنکه روشن شود.»

این قوانین کمک می‌کنند تصمیم‌گیری انجام شود.

موتور استنتاج فازی: این بخش براساس ورودی‌های فازی و قواعد، نتیجه‌گیری می‌کند. یعنی قوانین را بررسی می‌کند و سپس تصمیم می‌گیرد که مثلاً پنکه چقدر روشن باشد.

تصمیم‌گیری قطعی: خروجی فازی (مثلاً «کمی روشن» یا «نیمه روشن») را به یک مقدار عددی تبدیل می‌کند (مثلاً: سرعت پنکه =50%)، چون در نهایت دستگاه‌ها با عدد کار می‌کنند.

ساخت چت‌بات ساده

1- وارد سایت appinventor.mit.edu شوید.

روی دکمه !create Apps کلیک کنید. (شکل زیر)

2- از نوار منوی بالای صفحه منوی projects و سپس start new project را انتخاب کنید.

3- نام پروژه خود را chatbot قرار دهید.

4- مطابق جدول بالا اشیا را در صفحه طراحی که رابط کاربر (UI) است، اضافه کنید. صفحه طراحی شما شبیه شکل زیر خواهد شد.

5- در بخش Blocks مطابق شکل بالا بلوک‌ها را اضافه کنید.

6- برای اجرای برنامه از نوار بالای صفحۀ برنامه منوی Build گزینۀ (apk.) Android App را انتخاب کنید.

7- از نوار بالای صفحۀ برنامه منوی Connect و سپس AI Companion را برای اجرای برنامه در گوشی همراه انتخاب کنید.

در این مرحله چت بات را پیشرفته بسازید مثلاً لیستی از پاسخ‌ها را داشته باشد و بتواند آن‌ها را انتخاب کند. (شکل زیر)